1. 首頁 > 生活百科 > >

從囤卡競賽到全棧競爭：GPU云賽道在卷什么？

煙臺人工智能ai5g5g通信

從囤卡競賽到全棧競爭：GPU云賽道在卷什么？

文章圖片

從囤卡競賽到全棧競爭：GPU云賽道在卷什么？

文章圖片

從囤卡競賽到全棧競爭：GPU云賽道在卷什么？

文章圖片

從囤卡競賽到全棧競爭：GPU云賽道在卷什么？

文章圖片

從囤卡競賽到全棧競爭：GPU云賽道在卷什么？

文章圖片

從囤卡競賽到全棧競爭：GPU云賽道在卷什么？

文章圖片

從囤卡競賽到全棧競爭：GPU云賽道在卷什么？

文章圖片



昨天發的《云廠商的AI決戰》里 ， 我們聊到一個關鍵判斷：今天的AI云競爭 ， 早就不是比誰家GPU多、Token跑得快了 ， 而是進入了全棧AI Infra的深水區 。
今天咱們就順著這個思路再往下探一層：既然勝負手不在表面指標 ， 而在底層效率 ， 那到底該怎么評估一家云廠商是不是真的能打？
回望2025年 ， AI Infra的發展已經清晰地走過了一個關鍵拐點 。 過去一年 ， 模型能力的躍遷不再只是參數規模的競賽 ， 而是越來越多地被算力可獲得性、成本結構、部署效率所重新定義 。 頭部廠商在GPU云、算力調度、異構集群以及工程化落地能力上的差距逐漸拉大 ， 而這種分化正決定著誰有能力真正承載下一階段的AI商業化浪潮 。
在這一進程中 ， 一些曾被廣泛依賴的評估標準開始顯露出其局限性 。

比如 ， Token這個易于量化、便于傳播的指標 ， 一度被部分廠商視為衡量AI云市場的北極星 。 但現實卻給出了不同的答案：國家統計局最新數據顯示 ， 2025年中國日均Token消耗量已從年初的約1000億飆升至30萬億 。 但據全球權威技術市場研究機構Omdia統計 ， 按Token計費的MaaS服務收入僅占整個AI云市場規模的不到1% 。
究其原因 ， 大量發生在GPU云租賃、私有化部署乃至端側設備的AI算力消耗根本無法被MaaS平臺統計 。 將Token等同于AI云本身 ， 不僅忽略了中國數字化市場復雜多樣的需求 ， 更可能誤判了真正的技術護城河 。 同樣具有誤導性的還有對硬件數量的迷信 ， GPU的絕對數量并不等于穩定、高效的可用算力 ， 某頭部云廠商的模型市場中曾出現17.7%的GPU算力僅用于處理1.35%的極少量請求 ， 資源浪費嚴重 。
由此可見 ， 評估一家云廠商的GPU云實力 ， 不能只看Token消耗量或GPU卡數 ， 而應關注其底層系統的整體效率與可控性 。 而要實現這種效率與可控性 ， 往往離不開對基礎設施的深度掌控 。

正是在這一背景下 ， 具備自研GPU云能力的廠商逐漸顯現出結構性優勢：它們不僅能規避通用硬件的性能瓶頸與供應鏈風險 ， 還能在軟硬協同、調度優化和成本控制上實現更高維度的突破 。
于是 ， 當堆砌硬件的競賽逐漸失效、大模型進入工程期后 ， 一個更深刻的問題浮出水面：云廠商選擇什么樣的AI Infra的建設路徑才真的可持續？對于志在擁抱AI的企業而言 ， 決定其智能化進程成敗的究竟是采購了多少塊芯片 ， 還是選擇一個具備怎樣系統性效率的合作伙伴？

在模型快速發展的關鍵時期 ， 打開任何一篇關于AI基礎設施的報道 ， 幾乎都會看到這樣的討論：誰又拿到了多少H20或B200？哪家云廠商降價了多少？卡型、規格、單價、交付周期……似乎只要擁有更多高端GPU ， 就能在這場AI競賽中勝出 。
這種“唯卡論”的敘事在過去一段時間確實主導了市場情緒 。 畢竟 ， 在大模型訓練高度依賴算力的背景下 ， 硬件似乎成了最直觀的勝負手 。 然而 ， 隨著行業從狂熱擴張走向理性落地 ， 越來越多的實踐案例開始揭示一個行業現實：擁有算力 ， 不等于能用好算力 。 AI算力的價值 ， 最終要通過高效、穩定、可規模化的服務形式釋放出來 。
而這其中最關鍵的板塊就是GPU云 。 GPU云作為AI基礎設施的核心 ， 其競賽邏輯已經發生了根本性變革 。
一方面 ， 高端GPU供應鏈高度集中且波動劇烈 。 市場機構IDC統計數據顯示 ， 英偉達在訓練級AI芯片（如H100、H200、B200）領域占據全球超90%的市場份額 ， 而在中國市場 ， 受出口管制影響 ， H20、L20等合規型號供應持續緊張 ， 價格波動劇烈 ， 交付周期長達數月 ， 即便企業愿意支付溢價 ， 也未必能及時拿到所需資源 。

但比拿不到更棘手的 ， 是“用不好” 。 以近期備受關注的英偉達H200為例 ， 盡管已有消息傳出春節前可交付數萬顆的消息 ， 但即便交易成行 ， H200也早已不是技術前沿 。 它的下一代Blackwell系列（如B200/GB200）性能更高 。 更重要的是 ， 即便企業成功采購到H200 ， 若缺乏底層系統整合能力 ， 依然難以發揮其潛力 。
【從囤卡競賽到全棧競爭：GPU云賽道在卷什么？】許多智算中心直接部署整機柜設備 ， 卻在上層面臨調度系統割裂、通信協議不統一、驅動與框架適配粗糙等問題 ， 導致跨節點任務調度效率低下、故障恢復緩慢、資源碎片化嚴重 。 結果往往是顯存占滿 ， 算力空轉 。
這一矛盾在現實中尤為突出 。 在“2025云網智聯大會”上 ， SNAI推委會榮譽主席韋樂平指出 ， 當前國內智算中心已超280個 ， 看似算力充沛 ， 實則GPU平均利用率不足30% ， 且分布極不均衡 。 大量設施長期閑置或低效運行 ， 暴露出典型的“有硬件、無體系”短板 。 而隨著MoE（Mixture of Experts）等新一代大模型架構的普及 ， 對算力調度精度、通信效率和資源彈性的要求更是大幅提升 ， 這也進一步放大了能用與好用之間的鴻溝 。
問題顯然不在芯片本身 ， 而在于缺少一套自主可控、軟硬協同的全棧技術底座 。 今天的GPU云競爭早已超越資源囤積階段 ， 進入系統工程深水區 ， 成為芯片、集群、調度、穩定性與商業化服務有機整合的綜合博弈 。
也正是在這樣的行業轉折點上 ， 百度昆侖芯、華為昇騰等國產AI芯片開始嶄露頭角 ， 贏得越來越多頭部客戶的實際認可 。 國際權威咨詢機構弗若斯特沙利文發布的《2025年中國GPU云市場研究報告》清晰捕捉到了這一趨勢 。 報告首次以“自研AI加速芯片 + 萬卡級算力集群 + 云服務商業化能力”為三大核心維度 ， 對中國GPU云市場進行系統評估 。

報告指出 ， 2025年上半年的中國自研GPU云市場中 ， 百度智能云以40.4%的市場份額位居第一 ， 華為云以29.5%份額位居第二 ， 其他廠商合計份額為30.1% 。 值得注意的是 ， 此前百度智能云已經連續六年穩居AI云領域榜首 。
乍看之下 ， 這似乎只是又一份廠商排名 ， 但結合當下GPU云市場的現實 ， 這個第一其實揭示了一個更深層的趨勢 ， AI基礎設施的競爭正在從搶卡轉向用卡 ， 以及更深層次、更系統性的布局 。
沿著這條路徑 ， 我們可以以百度智能云這個領先的案例去看一看 ， 為什么GPU云競賽的焦點不再是某一個單一指標 ， 而是轉變成了一整個系統工程的轉型 。

自研AI基礎設施從來不是一條容易走的路 ， 投入大、周期長、技術風險高 ， 任何一個環節都可能讓前期努力付諸東流 ， 且短期內難以看到商業回報 。 正因如此 ， 盡管“全棧自研”被廣泛視為長期競爭力的關鍵 ， 真正躬身入局的玩家卻寥寥無幾 。 目前 ， 在中國AI云市場中 ， 僅有百度智能云、華為云等少數頭部廠商選擇堅持這一路徑 ， 并形成了從底層算力到上層應用的高效閉環 。
回溯他們脫穎而出的路徑 ， 一個關鍵問題浮現出來：領先 ， 究竟源于什么？
根據報告來看 ， 答案并非某個單點技術的突破 ， 而是一整套關于自研芯片、集群規模、云服務能力的長期實踐 。
以百度智能云為例 ， 從硬件底層開始 ， 其就選擇從自研AI芯片昆侖芯切入 ， 為整個算力體系預留了持續演進的空間 。 算力架構不再被通用硬件鎖定 ， 而是能圍繞真實模型需求動態優化 。 值得注意的是 ， 昆侖芯的研發起源于十余年前百度對大規模搜索場景下FPGA加速器的深度探索 ， 其從誕生之初 ， 就帶有為AI基礎設施服務的強烈基因 。 目前 ， 昆侖芯已完成數萬卡的規模化部署 ， 服務于招商銀行、南方電網、中國鋼研等上百家行業客戶 。

目前昆侖芯不僅能大規模支撐百度內部的推理業務 ， 在訓練層面也取得了一定的成績 ， 而前不久發布的全新一代AI芯片 ， 在面向大規模推理場景進行深度優化的同時 ， 也將推出更適配多模態模型超大規模訓推的產品 ， 為后續的算力演進預留空間 。
芯片只是起點 ， 要釋放規模算力的真正價值 ， 還需要更高維度的系統整合 。 為此 ， 在節點層 ， 百度智能云進一步構建了百度天池超節點 ， 通過更高密度的算力組織與更低延遲的互聯 ， 為大規模并行計算提供穩定基礎 。 根據百度智能云官方披露 ， 相比上一代產品 ， 天池256超節點的整體性能提升50% ， 天池512超節點單個超節點即可支撐萬億參數模型訓練 ， 大幅降低跨節點通信開銷與任務碎片化 。

單節點的強悍能夠進一步提升算力使用的性價比 ， 也讓集群的建設更加快速 。 2025年4月 ， 百度智能云就已經點亮了昆侖芯三萬卡集群 ， 在去年11月的百度世界大會上 ， 百度智能云表示還將不斷擴大集群規模 ， 未來目標推向百萬級 。
隨著算力規模邁過萬卡向更高層次進發 ， 挑戰也從\"有沒有算力\"轉向\"能不能用好算力\" 。
面對大規模的模型訓推需求 ， 在高并發、高負載的情況下保持可預期的性能表現至關重要 。 在最上層 ， 上述那些分散在芯片 ， 超節點與集群層面的能力被百度百舸AI計算平臺上進一步整合、放大 ， 并以云服務的形式高效輸出 。
據悉 ， 百度百舸5.0在深度適配昆侖芯的同時 ， 也支持多款國內外主流芯片 ， 在超大規模集群上的有效訓練時長超過95% ， 從結果來看 ， 其在異構算力調度和集群穩定性方面已相當成熟 。 不只是穩定性 ， 百度百舸定位面向大模型訓推一體化的AI基礎設施 ， 能夠通過領先的AI工程加速能力 ， 覆蓋企業在模型開發、訓練、部署及推理的全流程需求 ， 為AI落地提供高效易用的服務 。

這種多維度、全棧式的能力建設 ， 顯著提升了對客戶多樣化、復雜化AI需求的支撐能力 。 目前 ， 百度智能云已服務超過65%的央企、全部系統重要性銀行、95%的主流車企、一半以上的頭部游戲公司 ， 以及眾多走在前沿的具身智能企業 。 這些對穩定性、安全性和效率要求極高的客戶 ， 用真金白銀投出了信任票 。
可以說 ， 百度智能云的全棧優勢再次證明了研發為王、底層自研這種長期主義邏輯 。 在技術深水區 ， 沒有捷徑可走 。 唯有堅持底層自研、系統思維與工程落地三者合一 ， 才能構筑真正難以逾越的競爭壁壘 。 如今市場份額位居第一 ， 本質上就是對這條路線已然跑通的有力驗證 。

站在產業演進的高度回望 ， GPU云的競爭早已超越技術參數與市場份額的表層較量 ， 其真正價值在于 ， 能否成為千行百業智能化轉型的可靠底座 。
隨著模型智能的進一步提升 ， 大規模推理需求開始對GPU云提出了更高的要求 。 各行各業正在將AI融入業務流程 ， 具身智能、AI Agent等新興應用的發展 ， 對AI基礎設施提出了更為苛刻的需求 。 這不僅僅是峰值算力 ， 還包括低延遲響應、高通信效率、確定性調度以及長期可用性 。
過去幾年 ， 大模型從實驗室走向工廠、電網、銀行和汽車生產線 。 但當 AI 從“試驗性能力”進入“業務基礎設施”階段 ， 產業側提出的要求發生了本質變化 。
產業客戶要的從來都不只是最強算力 ， 更是穩定、安全、可預期、可負擔的智能服務 。 他們無法承受因調度抖動導致訓練中斷 ， 不能接受因芯片斷供而業務停擺 ， 更難以承擔高昂且不可控的推理成本 。 在這樣的現實需求面前 ， 單純堆砌英偉達GPU的“快餐式”方案顯得力不從心 。 硬件再強 ， 若缺乏底層協同與長期演進能力 ， 終究難以支撐產業級AI的持續運行 。
也正是在這一現實約束下 ， 國產GPU云的縱深價值開始顯現 ， 云廠商需要通過從芯片到超節點 ， 再到集群與云服務的全棧布局 ， 構建高度協同、自主可控的AI基礎設施體系 。 這種系統性能力 ， 不僅降低了大規模AI應用的工程門檻 ， 更讓企業在面對快速演進的技術環境時 ， 擁有了更強的適應力與確定性 。

例如 ， 百度天池超節點可將單卡性能提升95% ， 單實例推理性能提升高達8倍；華為昇騰910B的FP16算力達到256 TFLOPS ， 寒武紀思元590在邊緣端推理能跑出128 TOPS 。 這些性能優勢使得國產芯片在實際應用中展現出強大的競爭力 。
實際業務中 ， 國產AI云已經深度結合進產業之中 ， 百度智能云以昆侖芯P800為核心 ， 結合百度百舸AI計算平臺5.0 ， 為招商銀行提供高效、穩定的算力支持 ， 推動大模型在金融場景的深度應用；百度智能云與長安汽車共建長安汽車智算中心 ， 為深藍汽車等在售全系車型提供實時推理算力支持 ， 總算力規模已超1000PFLOPs 。
對企業和開發者而言 ， 選擇GPU云 ， 本質上是在選擇未來數年AI演進的底座 。 從自研芯片 ， 到超節點算力組織 ， 再到云平臺級的統一調度與服務輸出 ， 這種縱向一體化能力 ， 決定了這一底座是否穩定、可控、可持續 。 它降低的不只是技術門檻 ， 更是產業在使用AI過程中面臨的不確定性成本 。
一個經過全棧優化、具備長期演進能力的基礎設施 ， 不僅能支撐當前模型訓練與推理需求 ， 更能為未來的架構升級、成本優化和業務創新預留空間 。 底座越牢固 ， 底層加持越顯著 ， 在應用層和模型層構建的差異化優勢也就越難以被復制 。

更重要的是 ， 這種自研路徑為中國產業保留了技術主動權 。 在全球供應鏈高度不確定的背景下 ， 一個能同時駕馭國產芯片與國際硬件、并實現高效調度的平臺 ， 意味著企業不必在安全與性能之間做痛苦取舍 。 AI由此真正從可選項變為必選項 。
因此 ， GPU云的競爭終局 ， 不是資源規模的簡單比拼 ， 而是系統效率與長期價值的較量 。 在這場比耐力、比深度、比工程定力的長跑中 ， 真正能將算力轉化為穩定生產力的一方 ， 才有望笑到最后 ， 托起最廣闊的產業未來 。

    推薦閱讀