【赛迪前瞻】2025大模型时代主要国家破解算力困局的做法及建议_13页_588kb

大模型时代主要国家破解算力困局的做法及建议总结

核心内容

本文分析了2024年全球主要国家在应对大模型时代智能算力需求激增方面的策略与做法，并针对我国当前面临的算力供给不足、互联带宽受限、能源消耗大及算力调度体系不完善等问题，提出了提升我国智能算力供给水平、加快大模型产业发展的建议。

主要观点

一、主要国家应对智能算力困局的主要做法

1. 重视高性能芯片研发和生产

   • 美国投入30亿美元支持“国家先进封装制造计划”，聚焦芯片制造、封装、测试等关键技术。
   • 日本提出230亿美元基金预算，支持半导体行业发展。
   • 德国拨款200亿欧元补贴半导体制造业，增强国际竞争力。
   • 韩国计划投资2744亿韩元，联合多家企业开发半导体封装技术。

2. 支持高性能计算能力建设

   • 美国通过多项计划持续优化高性能计算能力。
   • 德国追加20亿欧元用于AI研究，支持高性能计算中心网络建设。
   • 韩国计划建设35Peta FLOPS规模的AI创新数据中心，推动高风险AI研究。
   • 日本提供50%的费用支持Sakura Internet公司配备超级计算机。

3. 重视算力产业生态建设

   • 美国推动政府、学术界、行业部门等共同参与先进计算生态系统。
   • 韩国计划培育10000家SaaS企业，构建由民间主导、政府支持的AI合作生态系统。
   • 欧盟成立欧洲高性能计算联合委员会，汇集多方资源推动智能计算生态发展。

二、我国破解算力困局需在三方面下功夫

1. 高性能算力芯片供给不足

   • 我国高性能算力芯片对外依存度高，GPU、FPGA、ASIC等领域均存在短板。
   • GPU方面，国产芯片在软件生态和性能上与国际巨头差距较大。
   • FPGA市场由美国企业主导，我国自给率低。
   • ASIC虽与国际差距较小，但面临CUDA平台等生态壁垒。

2. 算力需求对互联带宽和能源消耗提出更高要求

   • 大模型训练过程中通信需求占比高达50%，传统网络架构存在丢包、重传等问题，影响训练效率。
   • 数据中心用电量年增速约15%，预计2030年将超3000亿千瓦时。
   • 芯片制造和数据中心冷却过程消耗大量水资源，带来环境压力。

3. 算力调度体系不完善

   • 跨区域、跨设备、跨种类调度存在困难，导致算力资源分配不均、调度效率低。
   • 东部地区因能耗紧张难以大规模建设数据中心，西部地区则因网络带宽和传输成本限制难以承接需求。

关键信息

• 全球算力需求增长迅猛，但算力供给增速缓慢，供需矛盾突出。
• 美国、日本、德国、韩国等国均加大了对高性能芯片、算力网络和产业生态的投入。
• 我国需在高性能芯片研发、全国一体化算力网络建设和绿色低碳发展方面重点突破。

建议与对策

1. 强化高性能算力芯片供给

• 鼓励龙头企业联合创新主体，攻关GPU、FPGA、ASIC等芯片关键技术。
• 加快芯片生产与推广应用，提升国产芯片在分布式大模型训练、多模态处理等领域的适配能力。

2. 加快全国一体化算力网络建设

• 建立直连超宽带光网络，提升算力节点之间的传输效率。
• 完善算力统一调度体系，推动云算力、智能算力、超算算力等一体化调度应用。

3. 推动算力中心绿色化发展

• 提高新建算力中心的能效和水效标准，优化资源配置。
• 推进存量算力中心节能降碳改造，提升自然冷源利用率。
• 鼓励使用可再生能源，推广高效节能技术装备。

4. 培育算力产业新生态

• 梯次培育链主企业，提升产业链协同能力。
• 完善算力产业配套服务，建设国家级、省级创新中心和开源平台。
• 加强算力产业人才储备，设立重点实验室和人才培养基地。

结论

大模型时代对智能算力提出了更高要求，我国需借鉴国际经验，从芯片研发、网络建设、绿色低碳和生态构建四个方面发力，以提升算力供给能力，支撑大模型产业高质量发展。