突破封锁把握时代机遇，解读中国AI芯片厂商的破局之道

自ChatGPT发布之后，AI开始出圈，我们都切实感受到了AI的能力。近年来，AI一方面在模型能力上不断加速演进，在处理更复杂的语言任务方面变得更加有效；另一方面在应用领域逐步拓展，帮助专业人员在各自的垂直领域内提高生产效率。不仅于此，最近更是出现了“主权AI”的概念，这进一步上升到了国家安全的层次，各国也开始更加关注自己的AI基础设施能力。

而对于我国而言，挑战和机遇并存。我们有着丰富的应用场景和用户数据，能够实现AI率先落地实践；但同时由于地域政治摩擦、芯片禁令的限制，迫使我们更需要构建自己的AI端到端生态，拥有底层AI芯片的能力。

近日，Gartner针对“中国企业突破人工智能芯片限制”这一话题召开了记者分享活动。 Gartner研究副总裁盛陵海（Roger Sheng）进行了精彩的分享。

AI时代到来，美国对中国的高性能AI芯片限制不断加码

为了在即将到来的AI时代保持技术主导权，近年来美国对中国AI领域的限制措施逐步升级，从最初的黑名单、禁令到现在的全面禁运和技术封锁，涉及到多个层面，尤其是高性能计算和芯片制造领域。

【芯片禁运和限制】

美国政府早在几年前就开始对中国的高科技企业实施限制，特别是针对芯片领域的出口禁令。2020年，美国出台了针对人工智能芯片的禁令，直接影响了中国企业对高性能计算资源的获取。为了应对这些限制，英伟达推出了专门为中国市场设计的 A800 和 H800 GPU，这些产品在原有 A100 和 H100 基础上进行了性能削减以符合出口规定。例如，A800 和 H800 的通信带宽被限制在 400 GB/s 以下，但它们仍保留了强大的计算能力，能够满足大多数 AI 和高性能计算需求。

然而，这些措施显然不足以满足美国的限制意图。2022年，美国进一步降低了对高性能计算芯片的限制阈值，将禁令适用的性能上限设定为每秒 300 万亿次浮点运算（300 TFLOPS），几乎等同于 A100 的水平。去年下半年，禁令范围再次收紧，不仅限制总体计算性能，还开始关注单位芯片面积的性能密度，超过每平方毫米 370 GFLOPS 的芯片也被列入受限范围。这些严格的限制措施，显著打击了中国在超级计算和 AI 训练领域的进步能力。

【制造工艺和供应链的封锁】

除了芯片本身的禁运，美国还在芯片制造工艺和供应链上进行严厉封锁。高端芯片的制造依赖于先进的工艺和设备，例如 TSMC 等公司提供的 14nm 及以下的技术，这些技术对提升芯片的性能和降低能耗至关重要。美国的禁令禁止国际先进制造工艺向中国出口，这使得中国在追赶全球芯片制造技术水平上面临巨大的挑战。

同时，美国还禁止其公民参与中国的先进制造业设备相关领域，这直接打击了中国吸引顶尖人才和技术的能力。例如，最近的一个案例显示，中微公司的一位高管为了专注于中国的半导体设备制造，选择了出售一部分股票，以支付美国的离境税。这表明，即使在巨大的经济和个人压力下，中国的企业和个人仍在努力推进本土半导体制造技术的发展。

“从整体上来看，美国不断地是在‘补漏洞’，中国这边也是不断地在看有没有机会利用现有的资源打一些‘游击战’，当前是不断地‘补漏洞’和‘打游击战’的状况。”盛总分享道。

为了突破封锁，中国企业和研究机构正在积极寻找应对之策，一方面努力发展自主创新技术，另一方面积极寻求国际合作和替代方案。对于中国的芯片厂商而言，即使当下提供的替代方案并不尽如人意，但唯有政府和企业坚定地选择和支持，才能有机会获得市场实践，通过不断地技术迭代来实现追赶。

当下国内产业变局和未来端侧推理发展，给中国AI芯片厂商带来新机遇

国内企业要在被封锁的局面中构建AI基础设施，可能有三种不同的选择。第一是选择本土供应商的替代方案。尤其是对于国内大型云服务商、政府机构和国有企业而言，长期受制的局面无法改变，必须寻找国产替代方案来保证国内的基础关键民生、政务业务不会受到影响。而选择本土供应商的替代方案，存在着训练效率、性能受限和生态不完备的难题，要让当前业务尽量平滑地迁移到新的国产替代平台上，也有很多的额外工作量。

第二种选择是选择NVIDIA的降级方案，这对于互联网公司、跨国公司和中小型企业可能是一个合适的选择。优点在于平台成熟，缺点在于性能受限、价格较高。

第三种选择是通过非官方渠道来使用NVIDIA的芯片。例如直接购买市场上的整机或直接进行算力租赁等。这种方式只适用于中小型公司，缺点也很明显，就是没有官方保障和技术支持。

从长期来看，掌握AI底层芯片能力，构建本土GenAI生态系统，是我们不得不走的道路。长期的局势倒逼着我们的应用者必须要选择国产的替代方案，来构建本地化的场景和应用；而对于本土芯片供应商而言，就一定要抓住这一机遇，从芯片底层做好主流大模型的适配，为开发者提供高效的开发体验。

“不管如何的原因、怎么样的原因，现在已经走到这一步上、大势所趋吧。”盛总总结道。

在这种大变局的背景下，还有一个来自应用推动的重大机遇，中国芯片厂商必须要抓住。那就是根据Gartner推测，从2025年开始，云端的推理芯片需求将超越训练芯片需求；而从2026年开始，随着端侧的AI能力也持续推动GenAI应用增长，所以端侧的推理芯片需求也会越来越大。

从2024年OpenAI的几次服务崩溃我们可以感知到，人们对于生成式AI的使用量和频率越来越高，而随着越来越多的人会去用这个生成式AI，必然在云端上的推理诉求、对算力的需求会不断地、极速级地增加。而为了提高能效，降低云端的负载，有一部分的推理算力会迁移到端侧来运行，那么端侧AI能力将会被持续推高。

“就是设备端可以支持十亿到一百亿规模的模型，然后边缘端它支持一百亿到一千亿的这个参数规模的大模型，它都可以实际来支持一定的企业或者个人的应用。所以这个从技术上，它其实也是可行的。”盛总总结道，“边缘侧和端侧的生成式人工智能应用会从智能手机、电脑，不断地扩散、到消费物联网、智能家居，然后进一步到汽车上。”

当前市场上主要的芯片制造商如高通、联发科和英特尔等都在积极开发端侧AI芯片，而我国的AI芯片厂商要如何抓住设备端和边缘侧的GenAI机遇？盛总强调了硬件标准化的重要性，为了更好地利用生成式AI的潜力，中国的芯片制造商应该考虑合作建立一个统一的标准，从而促进AI芯片的兼容性和软件生态的发展。这样的标准化不仅有助于技术的推进，还能简化后续的软件开发和生态系统建设。

“其实对照过去的历史来看，我们现在的情况其实并不是非常糟。”盛总坦言道，“中国的大模型，其实现在也不会差到哪里去。我们还是要根据过去的这样一个历史借鉴，从‘一无所有’再到‘自主研发’，一定要有这个坚定的信心，我们才能把AI芯片这个事情、AI产业能够搞起来。”