在聊产业链之前，我们得先搞清楚一个问题：为什么AI时代算力突然成了"香饽饽"？
答案其实很简单：大模型是"吃"算力长大的。训练一个大语言模型，需要海量的数据和庞大的计算资源。GPT-3的训练用了约355个GPU年（也就是一块GPU跑355年），参数达到1750亿。而到了GPT-4级别，外界估算其训练算力可能是GPT-3的10倍以上。随着模型越来越大、能力越来越强，对算力的需求也在呈指数级增长。
这就好比工业革命时期，蒸汽机的发明让煤炭成了核心资源一样。AI革命的到来，让算力成了最核心的基础设施。谁拥有更多的算力，谁就能训练出更强的模型，谁就能在AI竞争中占据有利位置。
从全球范围来看，各大科技公司都在疯狂"囤"算力。微软、谷歌、Meta、亚马逊……这些巨头每年在数据中心上的投入都是数百亿甚至上千亿美元。国内的字节、阿里、腾讯、百度也不遑多让，纷纷加码算力基础设施。这种级别的投入，放在以前是不可想象的。
更重要的是，算力需求的增长不是一次性的，而是持续性的。一方面，模型参数量还在不断膨胀，训练阶段需要的算力越来越大；另一方面，推理阶段（也就是用户实际使用AI的过程）消耗的算力更加惊人。当AI应用越来越普及，数亿用户每天和大模型对话、生成图片和视频，背后需要的推理算力是一个天文数字。
很多人一提到算力，第一反应就是GPU。其实GPU只是算力产业链中的一环，整条产业链非常长，涉及的环节众多。我们可以把它大致分为三层：上游的核心硬件、中游的算力基础设施、下游的算力应用与服务。
这一层是算力的基础，没有硬件就没有算力。主要包括以下几类：
（1）计算芯片：算力的"大脑"
这是算力最核心的部分，主要包括GPU、AI加速芯片、CPU等。其中GPU是目前AI训练和推理的主力军。
GPU，也就是图形处理器，原本是用来打游戏、做图形渲染的。后来人们发现，GPU的并行计算能力特别适合AI训练——因为AI的神经网络计算本质上就是大量的矩阵运算，正好和GPU的架构匹配。于是GPU"跨界"成了AI算力的核心。
说到GPU，就不得不提英伟达。这家公司几乎垄断了全球AI训练芯片市场，其H100、H200等产品是各大科技公司的"必争之物"。为什么英伟达这么强？一方面是硬件性能确实领先，另一方面更重要的是它的CUDA生态——一套完整的软件工具链，让开发者可以方便地用英伟达的GPU做AI开发。这种软硬件结合的优势，是其他厂商短期内很难追赶的。
除了GPU，还有专门针对AI设计的加速芯片，比如谷歌的TPU、国内的各类AI芯片等。这些芯片在特定场景下可能比GPU效率更高，但生态和通用性目前还比不上GPU。
（2）存储芯片：算力的"记忆"
光有计算能力还不够，还得有足够快、足够大的存储来配合。AI训练过程中，数据需要在计算单元和存储之间频繁移动，如果存储速度跟不上，GPU再快也没用——这就是所谓的"存储墙"问题。
HBM（高带宽内存）就是为了解决这个问题而生的。和普通的DDR内存不同，HBM是把内存芯片堆叠起来，通过硅通孔（TSV）技术连接，带宽比传统内存高好几倍。目前HBM已经成了高端AI芯片的"标配"，没有HBM的GPU，算力会大打折扣。
除了HBM，还有DDR内存、NAND闪存等也很重要。数据中心需要大量的存储设备来存放训练数据和模型参数。
（3）光模块/光芯片：算力的"血管"
AI训练不是用一块GPU就能搞定的，而是成千上万块GPU组成一个大集群。这些GPU之间需要高速通信，否则就会出现"一个人干活、其他人等着"的情况。光模块就是实现高速数据传输的关键设备。
光模块的作用是把电信号转换成光信号，通过光纤进行远距离高速传输。从100G到400G再到800G，光模块的速率在不断提升。现在1.6T的光模块也已经开始商用了。
为什么光模块这么重要？因为在大模型训练中，GPU之间的通信开销可能占到总时间的30%甚至更多。如果光模块速度跟不上，整个集群的效率就会大幅下降。这也是为什么AI越发展，光模块越重要的原因。
（4）散热/电源：算力的"空调"
GPU的功耗非常惊人。一块H100的功耗约700瓦，下一代产品可能更高。一个机柜如果装上十几块GPU，功耗就能达到十几千瓦。这么大的功耗会产生大量的热量，如果散热不好，芯片就会降频甚至损坏。
传统的风冷散热已经逐渐不够用了，液冷技术开始成为主流。液冷就是用液体（比如绝缘冷却液）来带走热量，效率比风冷高很多。液冷又分冷板式、浸没式等不同路线，目前冷板式应用更广泛一些。
还有电源相关的设备，比如UPS、变压器、PDU等等。数据中心的电力供应是个大工程，据统计，一个大型数据中心的用电量可能相当于一个中等城市的用电量。
有了硬件之后，还需要把它们组装起来，变成可以使用的算力。这一层主要包括：
（1）服务器厂商：组装"算力机器"
服务器厂商负责把GPU、CPU、内存、硬盘、网卡等零部件组装成一台完整的AI服务器。你可以把它们理解成"电脑组装厂"，只不过组装的是价值几十万甚至上百万的高端服务器。
AI服务器和普通服务器最大的区别，就是搭载了多块高端GPU。比如一台标准的AI服务器可能装8块GPU，通过NVLink或者其他高速互联技术连接在一起。
全球AI服务器市场主要由几家大厂占据，国内的浪潮信息、紫光股份、中科曙光等都有较强的实力。
（2）IDC/数据中心：算力的"厂房"
服务器需要放在数据中心里运行。数据中心不仅要提供场地，还要提供电力、散热、网络带宽等基础条件。好的数据中心需要靠近能源基地（电费便宜）、气候凉爽（散热成本低）、网络基础设施完善。
AI时代对数据中心的要求比以前更高了。普通的数据中心可能一个机柜只有几千瓦的电力容量，而AI数据中心需要单柜十几千瓦甚至几十千瓦。这对电力供应和散热系统都是巨大的挑战。
国内有很多IDC厂商，比如万国数据、世纪互联、数据港等等。另外，三大运营商也有大量的数据中心资源。
（3）云计算厂商：算力的"供电局"
不是每家公司都有能力自己建数据中心、买服务器。大多数中小企业甚至一些大公司，都是通过云服务来获取算力的。云计算厂商把自己的算力资源打包成服务，用户按需付费使用，就像用电一样方便。
全球云计算市场主要是亚马逊AWS、微软Azure、谷歌云这"三巨头"。国内则是阿里云、腾讯云、华为云、百度智能云等厂商在竞争。
云计算是算力的重要"变现"渠道，也是AI应用发展的重要推手。有了云算力，创业公司不需要投入巨资买硬件，就能开展AI业务，大大降低了AI创业的门槛。
算力最终是要被用掉的。下游的应用层是算力的最终"消费者"，主要包括：
（1）大模型公司：算力的最大买家
OpenAI、Anthropic、国内的各种大模型公司，是算力的最大购买者。训练一个大模型可能需要几万甚至几十万块GPU，花费数亿甚至数十亿美元。这些公司要么自己建算力集群，要么向云厂商租用算力。
（2）行业应用：把AI用起来
除了大模型公司，越来越多的传统行业也在拥抱AI。金融、医疗、教育、制造、零售……几乎每个行业都在探索AI的应用场景。这些应用不一定需要训练大模型，但推理算力的消耗非常大。
比如，一家金融公司用AI做风控，每天要处理大量的交易数据，背后就需要大量的推理算力。一家医院用AI做医学影像分析，也需要算力支撑。随着AI应用越来越普及，推理算力的需求可能会超过训练算力。
（3）普通用户：最终的算力受益者
我们每个人都是算力的最终受益者。用AI聊天、生成图片、做翻译、写代码……这些看似免费的服务背后，都是真金白银的算力成本。当你用AI工具的时候，你其实是在"消耗"算力。
刚才我们把产业链大致过了一遍，接下来挑几个最受关注的环节深入聊聊。
GPU毫无疑问是算力产业链中最核心、最受关注的环节。我们来详细说说。
为什么GPU这么贵还供不应求？
一块高端AI GPU的价格可能达到几万甚至十几万元人民币，而且还经常买不到。为什么会这样？主要有几个原因：
第一，技术壁垒极高。GPU的设计和制造难度非常大，全球能做高端AI GPU的厂商屈指可数。英伟达之所以能垄断市场，靠的是多年的技术积累和生态优势。
第二，产能有限。高端GPU需要用最先进的制程工艺（比如台积电的4nm、3nm）来制造，而先进制程的产能本身就很紧张。再加上AI需求爆发，供需矛盾就更加突出了。
第三，生态护城河。英伟达不只是卖硬件，更重要的是它的CUDA软件生态。全球的AI开发者几乎都在使用CUDA，这种软件生态的粘性非常强。其他厂商即使做出了性能相当的硬件，没有软件生态的支持，也很难被市场接受。
国内GPU厂商的机会在哪里？
很多人关心国产GPU能不能追上来。客观来说，和英伟达的差距确实存在，而且还不小——不仅是硬件性能的差距，更重要的是软件生态的差距。
但这并不意味着没有机会。首先，国内有庞大的市场需求，而且出于安全可控的考虑，很多国内客户愿意给国产厂商机会。其次，国内厂商可以从特定场景切入，比如推理、训练的细分领域，逐步积累技术和生态。最后，AI的发展还在早期，未来的技术路线可能会发生变化，比如专用AI芯片、存算一体、光子计算等等，新的技术路线可能带来"换道超车"的机会。
光模块是算力产业链中另一个非常重要的环节，也是近期市场关注度很高的方向。
为什么AI时代光模块升级这么快？
在传统的数据中心里，服务器之间的通信量相对有限，光模块的升级节奏比较平稳。但AI时代完全不一样了。大模型训练需要成千上万块GPU协同工作，GPU之间要频繁地交换数据。这些数据通过交换机、光模块在数据中心内部传输，如果传输速度不够快，GPU就得等着，整个训练效率就会大幅下降。
举个简单的例子：假设有10000块GPU一起训练模型，如果每块GPU的计算时间是100，但通信时间要50，那整个集群的效率就被通信拖慢了三分之一。如果把光模块的速度提高一倍，通信时间降到25，整体训练时间就能缩短很多。
所以，AI越发展，对光模块的速率要求就越高。从100G到400G再到800G，再到现在的1.6T，光模块的升级速度在不断加快。
光模块的产业链格局
全球光模块市场，中国厂商占据了非常重要的地位。根据行业数据，全球前十大光模块厂商中，有好几家都是中国公司。中际旭创、新易盛、天孚通信、光迅科技……这些国内厂商在全球市场都有很强的竞争力。
光模块的上游是光芯片。光芯片是光模块中最核心的部件，技术含量也最高。高端光芯片目前还是海外厂商（比如博通、英伟达的Mellanox等）占据主导，但国内厂商也在逐步追赶。
HBM（高带宽内存）可能是很多人不太熟悉，但其实非常关键的一个环节。
前面我们提到了"存储墙"的概念——GPU的算力增长很快，但内存的带宽增长跟不上，导致GPU"喂不饱"，算力发挥不出来。HBM就是用来解决这个问题的。
HBM的原理说起来也不复杂：把多块内存芯片像叠罗汉一样叠起来，通过硅通孔（TSV）技术垂直连接。这样做的好处是，既增加了容量，又大幅提高了带宽——因为数据可以在垂直方向上传输，路径更短、速度更快。
目前HBM已经发展到了第三代、第四代。HBM3的带宽已经达到了每秒数TB，是传统DDR5内存的好几倍。下一代HBM4的性能还会更高。
为什么说HBM重要？因为现在高端AI芯片的性能，很大程度上受限于内存带宽。没有HBM，GPU的算力再强也没用。而且HBM的产能也很紧张——全球能做HBM的厂商很少，主要是三星、海力士、美光这几家。这也导致HBM的价格居高不下。
了解了产业链之后，我们再来看看这个行业未来的发展方向和面临的挑战。
趋势一：算力需求持续指数级增长
这可能是最确定的一个趋势。随着AI技术的不断进步，模型越来越大、应用越来越多，对算力的需求只会越来越大。有研究机构预测，未来几年AI算力需求可能保持每年10倍以上的增长速度。这个速度是非常惊人的。
趋势二：算力芯片多元化
虽然现在GPU是主流，但未来的算力芯片可能会更加多元化。专用AI芯片（ASIC）、存算一体芯片、光子芯片、量子芯片……各种新技术路线都在探索中。不同的场景可能需要不同的芯片，不会是"一种芯片打天下"的局面。
趋势三：算力网络的兴起
现在的算力大多是集中式的——一个大的数据中心里集中了几十万块GPU。但未来可能会出现"算力网络"，也就是把分散在各地的算力资源连接起来，像电网一样统一调度。用户需要算力的时候，就近获取，就像用电一样方便。
国内已经在推进"东数西算"工程，本质上就是在构建全国性的算力网络。把东部的数据拿到西部去计算，利用西部丰富的能源和较低的成本。
趋势四：推理算力占比提升
目前大家关注比较多的是训练算力，也就是训练大模型需要的算力。但随着AI应用的普及，推理算力的需求增长可能会更快。毕竟，训练一个模型只需要一次，而使用这个模型可能有亿万次。未来推理算力占总算力的比例可能会超过训练算力。
趋势五：国产替代加速
出于安全可控的考虑，国产算力的发展是必然趋势。从芯片到服务器再到软件生态，国内厂商都在加速布局。虽然目前和国际先进水平还有差距，但这个方向是确定的，只是时间问题。
挑战一：能耗问题
算力的发展离不开电力。一个大型AI数据中心的用电量可能相当于一个小城市。随着算力需求的增长，电力供应会不会成为瓶颈？这是一个很现实的问题。
而且，大量的电力消耗还会带来碳排放的问题。在"双碳"目标下，怎么在发展算力的同时控制碳排放，是整个行业需要面对的课题。
挑战二：散热问题
功耗越高，散热越难。高端AI芯片的功耗已经达到了几百瓦甚至上千瓦，传统的风冷已经不够用了。液冷虽然效率更高，但成本也更高，而且还有漏水风险等技术问题。
未来可能还会出现更多新型散热技术，比如浸没式液冷、两相冷却、芯片级散热等等。散热技术的进步，也是推动算力发展的重要因素。
挑战三：供给瓶颈
算力的供给不是说想增加就能增加的。从芯片的设计、制造，到数据中心的建设，都需要时间。而且先进制程的芯片产能本身就很有限。如果需求增长太快，供给跟不上，就会出现"算力荒"。
最后，我们来聊聊一个更贴近生活的话题：算力浪潮和普通人有什么关系？我们应该怎么看待这件事？
可能你觉得"算力"这个词离自己很远，但其实它已经渗透到了生活的方方面面。你用的AI聊天机器人、拍照的AI美颜、短视频平台的推荐算法、导航的路径规划……背后都有算力在支撑。
未来，AI会越来越普及，算力会像水电一样，成为我们生活中不可或缺的基础设施。你可能感觉不到它的存在，但它无处不在。
很多人谈论AI，只关注模型本身——什么参数多大、能力多强。但实际上，AI的发展是建立在算力进步的基础上的。没有算力的提升，再先进的算法也只能停留在论文里。
理解了算力，你才能更深刻地理解为什么AI这几年突然爆发，为什么大模型越来越强，为什么AI会是一个长期的趋势。
算力是个好东西，但并不是沾上"算力"两个字就一定靠谱。市场上有很多概念炒作，什么公司都想往AI、算力上靠。作为普通人，我们要保持理性，学会分辨哪些是真的有技术、有产品，哪些只是在讲故事。