在人工智能大模型迅猛发展的今天，算力成为了人们追求的新瓶颈。过去，拥有人才意味着拥有优势；而在当前算法同质化严重、竞争异常激烈的环境下，算力成为了竞争的新焦点。数据的重要性不言而喻，每个行业的数据都是大模型的核心竞争力。此外，训练速度和迭代次数也是衡量模型性能的关键指标。

大模型的准确性取决于多个因素：首先是数据的权威性和完整性，其次是算力的强弱。

今天，我将带领大家简要了解当前顶尖的算力技术。对于细分行业的小型模型而言，消费级显卡已足够使用。但今天我们的讨论重点不在于消费级显卡，而是聚焦于服务器级别的 AI 加速显卡，探讨它们区别。

1.首先大家常说的 A100 ，是什么货色？

A100 确实是 4 年前的作品了，7nm 的工艺，理论算力是 19。

2.目前已发布排名情况？

图可以看出来，最后发布的是 23 年的H 架构的 H200，目前算力遥遥领先达到了 67。

我大致了解了到英伟达有 3 个架构的产品，分别为A 架构，B 架构，H 架构

A 架构，分为 A100 ，阉割版的 A800

H 架构，分为 H100，H200 ，阉割版的 H800

B 架构，分为 B100，B200，已经屌炸天的 ARM 架构的GB200

3.最前沿的芯片

4.显存和算力是芯片的两个重点，怎么平衡？

显存（Video Memory）和算力（Computational Power）是评估GPU性能的两个重要指标，但它们服务于不同的目的，并且在选择时需要根据您的具体需求来取舍：

显存容量（Video Memory） ：

显存是GPU专用的内存，用于存储图形数据、纹理、帧缓冲区等。 大显存对于高分辨率渲染、复杂场景、以及需要处理大量数据的任务（如某些科学计算或数据分析任务）非常重要。 如果您的应用涉及大量纹理或高精度数据，或者您需要同时打开多个高分辨率窗口，那么大显存会非常有用。 算力（Computational Power） ：

算力通常指的是GPU的浮点运算能力，可以用TFLOPS（每秒万亿次浮点运算）来衡量。 高算力意味着GPU可以更快地完成计算任务，这对于需要快速处理大量数据的应用（如深度学习训练、实时物理模拟等）至关重要。 如果您的任务对计算速度有严格要求，或者您需要处理复杂的算法和模型，那么高算力GPU会是更好的选择。

如何取舍 ：

需求分析 ：首先，分析您的应用场景，确定显存和算力哪个对您的工作更为关键。 性能平衡 ：理想情况下，选择显存和算力都满足您需求的GPU。但在现实中，可能需要在两者之间做出平衡，根据任务的具体需求来决定。 预算限制 ：显存和算力更高的GPU通常价格更高，因此预算也是一个考虑因素。 扩展性 ：如果您预计未来的需求可能会增长，选择具有较大显存的GPU可能更具有前瞻性。 特定应用需求 ：某些应用可能对显存或算力有特定的最低要求，确保所选GPU至少满足这些要求。

5.价格和选购

目前JD 第三方商家，A100 是 16W，H100 是 20W-25W，其他暂未购买渠道，只能找二手贩子

虽然我起来迟了，但是现在芯片还是卡脖子，所以国内市场，AI芯片就是强大的生产力，有升值空间

6.国产平替产品

摩尔线程全功能GPU芯片采用自研MUSA架构，内置图形渲染、视频编解码、AI计算加速、物理仿真和科学计算四大引擎。“摩尔线程全功能GPU芯片可完整兼容英伟达CUDA系统，是国内唯一可从功能上实现英伟达替代的自主可控高端GPU芯片。成立三年，公司已经布局了从GPU芯片到智算卡再到大规模算力集群的智算版图。”罗文勇介绍。目前，摩尔线程多款产品已推向市场，旨在以智能、绿色和安全的算力，在大模型、数字孪生、物理仿真、元宇宙等场景中发挥算力基石作用，助推金融、教育、电力、农业、能源等重点行业的数字化转型，持续助力我国数字经济发展。

所以，在当前芯片慌，被封锁的窗口期，如果能投资到相关公司，未来发展巨大。