算力真能打赢 AI 战争吗？

2025 年，一张英伟达 H100 GPU 的价格在 3.5 万到 4 万美元之间。

这一块看起来“就一块电路板”的硬件，被马斯克买了十万张，用来搭建名为 Colossus 的超级计算机，为 XAI 的大模型 Grok 提供算力，短时间内就把模型推到了世界顶级水平，也开始实实在在地赚钱。

在很多人眼里，H100 就是 AI 时代的“石油”和“电力”。有了足够的 H100，就能打赢这场 AI 战争。

真的是这样吗？

这篇文章想从头梳理一遍：算力到底是什么，为什么 H100 会变成全球争抢的战略资源，DeepSeek R1 又是怎么用“平民算力”撼动这个共识的。最终回到那个核心问题：

在 AI 时代，算力是不是唯一的王？

一、H100：AI 时代的“燃料棒”

先从这张 H100 说起。

一张 H100 的核心，是面积 814 平方毫米的 GH100 芯片，里面密密麻麻分布着 144 个 SM（Streaming Multiprocessor，流式多处理器）。

每个 SM 中包含多种核心单元：

• 第四代 Tensor Core，用于深度学习中的矩阵运算
• FP32 CUDA 核心，用来做常规单精度浮点计算
• FP64 核心，用于双精度计算

FP64 是什么概念？

它是一种可以处理高精度数据的计算核心，典型应用包括：

• 气候模拟
• 金融量化分析
• 高精度自动驾驶仿真

一张 H100 上，大约有 8,448 个 FP64 核心。

而在同一代的消费级旗舰卡 RTX 4090 上，只有区区 288 个 FP64 核心。差距不是一星半点。

换句话说，同样一份复杂的仿真任务：

• H100 可能一天就算完了
• 4090 可能得算三个月

这也是为什么 H100 不仅“卖爆了”，还直接上升为各国争抢的战略资源。

二、从一张卡到一个算力中心

如果你有幸真的拿到了几张 H100，会发生什么？

• 把 8 张 H100 和 CPU、DPU、交换芯片、存储、散热等硬件组装在一起，你会得到一个金光闪闪的盒子：DGX-H100。
• 把 32 台 DGX-H100 放进机柜，你就有了一排小型算力集群。
• 再把一排排机柜塞进一个巨大的厂房，你就拥有了一个数据中心——一个 AI 时代的“发电厂”。

但算力中心不是只有 GPU，本质上是一整条工业链的集合：

• 上游：电网、储能系统（超大号“充电宝”）、变电和配电系统
• 机房：机柜、电源分配单元（PDU）、冷却系统（风冷 / 液冷 / 浸没式）
• 网络：交换机、光模块、光纤光缆
• 板级：PCB、电源模块、各种高速接口

甚至是那一颗颗不起眼的光模块，只占数据中心 3%～5% 的成本，却撑起了好几家市值千亿级的企业。

所以，GPU 只是“算力能源”的基础单元。

真正的 AI 工业革命，是围绕整个算力基础设施展开。

晨涧云AI算力平台 提供高效的算力租赁服务，多种显卡资源选择，主打性价比和易用性，刚接触AI算力使用的可以试试。

三、算力真的是 AI 的唯一护城河吗？

看完上面这套“金色 DGX”叙事，很容易得出一个简单粗暴的结论：

谁能买到更多 H100，谁就能打赢 AI 战争。

这个结论在相当长时间里，几乎成为行业共识。OpenAI 从 GPT-1 到 GPT-4，大模型的参数量一路飙升，从 1.17 亿到万亿级别，训练用的 GPU 数量也从几块卡增加到几万块 A100，训练时间动辄 90～100 天。

在这样的叙事里，算力几乎等同于“脑力”，堆得越多、堆得越快，就越有希望领先。

直到 2025 年 1 月，DeepSeek R1 出现，让这套等式第一次被大众认真质疑。

四、DeepSeek R1：用“平民装”撕开一道口子

DeepSeek R1 做了几件颇具颠覆意味的事：

• 它没有用最新的 H100，而是用被阉割的中国特供版 H800
• 用了 512 张 H800，训练 80 小时
• 训练成本约 29.4 万美元
• 性能却逼近甚至对标 GPT-4 这一档的大模型，引发全球关注

更关键的是，它的商业模式也没有走“烧钱换规模”的路子。

DeepSeek 官方公开过一组 24 小时的收入与成本数据（针对 V3 / R1 推理系统）：

• 当天总收入约 56 万美元
• 租用 H800 的算力成本约 8.7 万美元
• 也就是说，用 3 个小时就能把一天的成本赚回来
• 成本利润率超过 500%

这一点和很多还在“疯狂烧钱”的大模型形成鲜明对比。

为什么在同样受限的算力条件下，DeepSeek 可以做到“便宜、好用、还赚钱”？

关键在于，它在 算法和系统层面做了很多优化。

五、算法 vs 算力：不是非此即彼，而是螺旋上升

DeepSeek V3 的技术报告里，给出了几条核心思路：

• 采用 Mixture-of-Experts（MoE，混合专家）架构，让模型在每次推理时只激活部分专家网络，从而在不牺牲表现的前提下降低计算开销。
• 使用 MLA 等架构优化，在推理和训练环节进一步压缩无效计算。

可以粗暴理解为：

别人还在“全模型全开火”硬算，DeepSeek 已经在“挑着用脑子”，只算真正有用的部分。

这并不是投机取巧，而是一次真正的算法创新。相关工作被顶级期刊和媒体持续报道，也让“算力至上”的叙事第一次出现明显裂缝。

但这并不意味着算力就不重要了。

更接近现实的说法是：

• 算法创新需要一定的算力基础来验证与迭代
• 算力的提升又会反过来逼迫算法继续优化，否则成本失控
• 二者是一种 螺旋上升 的关系，而不是“谁干掉谁”

六、推理模型：算力需求在另一端被拉高

算法优化真的能“省算力”吗？

能，但只说了一半。

从 GPT-4 开始，业界开始更多讨论“推理模型”（reasoning model）与链式思考（Chain-of-Thought）。DeepSeek R1、Kimi K1.5 等模型，都把“推理能力”当成卖点。

区别在于：

• 传统大模型：
• 大量算力花在预训练和微调阶段
• 真正回答用户问题时，反而计算量有限
• 推理模型：
• 在交互时也会花大量算力进行“思考”
• 你看到的是那一串串“深度思考中”的灰色小字

举个简单的类比：

• 普通模型：你问“怎么给视频点赞”，它直接拍脑袋说“点右下角大拇指”。
• 推理模型：会先分析你在哪个平台、看什么视频、点赞入口在哪，综合上下文再做决策。

这意味着，推理阶段本身就会消耗更多算力。

所以，当我们一边用算法把训练成本压下去，另一边又用推理模型把使用阶段的算力需求推上去，整体算力需求并不会自然下降，甚至可能持续增长。

七、数据：AI 革命跑到“库存见底”的拐点

算力和算法之外，还有一个经常被忽略的变量：数据。

有研究指出，按照当前的训练规模和互联网上高质量文本的库存速度推算，AI 训练用的公开文本数据将在数年内被“学完”。

这会带来几个趋势：

1. 通用网络文本的边际价值开始下降
2. 高质量、结构化、领域专有的数据价值上升
3. 模型会更多走向两个方向：

• 面向物理世界的多模态 / 智能体
• 面向行业场景的垂直小模型

比如：

• 自动驾驶依赖真实道路和极端场景数据
• 医疗 AI 需要结构化医疗记录、影像数据
• 工业和机器人需要大量传感器、动作与反馈数据

这一切都意味着，AI 不会永远停留在“只和文本对话”的阶段，而会越来越深地进入物理世界，与人和环境发生真实交互。

八、算力战争背后，其实是产业链与人才战争

当我们把视野从单纯的“显卡大战”拉远一点，会发现 AI 战争本质是 产业链和人才的综合较量。

1. 三层结构：基础层、技术层、应用层

可以粗略把 AI 产业拆成三层：

• 基础层：
• 算力（数据中心、云计算、AI 芯片）
• 算力配套（电力、储能、冷却、光模块、网络）
• 数据（采集、标注、存储、治理）
• 技术层：
• 大模型和开发平台
• 各类通用技术：CV、NLP、语音、知识图谱、推荐系统、强化学习等
• 应用层：
• 行业应用：医疗、金融、教育、工业、零售、交通、物流等
• 终端形态：人形机器人、AI 手机、AIPC、无人机、无人车、AR/VR 等

从过去几年的融资数据看，行业应用的融资金额已经超过了基础层和技术层的总和，说明资本和市场的注意力已经开始向“落地场景”倾斜。

2. 中国的现实位置

从锂电池到新能源汽车，中国的优势在于：

把一项技术从论文里“拧成”一个完整产业的能力。

AI 也类似：

• 中国在算力基础设施上进展很快，智能算力规模已占全球较大份额
• 多家互联网与科技企业建设了数十 EFLOPS 级别的智算中心
• 在应用层的想象空间更大，尤其是在制造业、交通、城市治理等场景

黄仁勋曾说，全球约 50% 的 AI 研究人员是华人。

无论站在哪一侧，这都是一个不容忽视的现实。

九、对普通人来说，AI 是夺命镰刀还是一次新风口？

每次技术革命，都会伴随着“工作被取代”的恐慌。

历史上消失的职业很多：

• 切冰人：冬天从湖面切冰块，夏天供冷藏，冰箱普及后自然消失
• 电报员：要背上千个电码，电话普及后成为历史
• 点灯人：城市煤气灯时代的专职人员，电灯一普及就没了

但这些职业本身，也是技术进步的产物。

没有电报，就不会有电报员；没有报纸，就不会有读报员。

同样的：

• 没有计算机和互联网，就没有程序员
• 没有智能手机，就没有 App 开发者和移动运营岗位

技术确实会吞掉旧岗位，但也会创造新岗位。

关键不在于“工作会不会被替代”，而在于“你是否有机会站在新的技术浪潮里”。

AI 也是如此：

• 基础设施层，催生了一大批算力运维、芯片工程师、冷却与电力工程岗位
• 模型层，需要大量数据工程师、模型工程师、AI 平台开发者
• 应用层，则涌现出各种与行业结合的“AI+X”岗位

从招聘数据来看，人工智能工程师的平均薪资已经站在了所有职位的前列，甚至超过很多传统的高管岗位。

十、结语：算力重要，但决定胜负的不是算力一项

回到最初的问题：

算力真能打赢 AI 战争吗？

如果只看短期，很容易被 H100、DGX、超级数据中心的叙事吸引，觉得只要能多堆几排机柜，就能赢下未来几十年的 AI 战争。

但 DeepSeek R1 的出现提醒我们：

• 算力是必要条件，却不是充分条件
• 算法创新可以在一定程度上“弯道超车”
• 数据、场景、工程能力和人才储备，同样决定一个国家、一家企业能走多远

更重要的是，AI 不是一场零和博弈。

它更像是一块新的“文明底座”，是数字版的水、电、燃气。

真正值得我们关心的，也许不是“谁赢了”，而是：

• 我们能不能用这波技术，把更多枯燥的劳动交给机器
• 把有限的时间，从重复工作解放出来
• 去做一些更有创造力、更有想象力的事情

算力，是 AI 这场革命中最显眼的硬件符号。

但真正改变世界的，往往是那些在算力、算法、数据和应用之间，搭起桥梁的人。