03算力与国产芯片

如果我半年之内就把这个钱花完的话，可能是最理想的。因为我把钱变成英伟达卡，肯定是比放在银行里面好。放银行里面，我现在已经可能是存两个点，好像就要。但是买英伟达卡，十个月的社会成本。

所以肯定是你能买到多少就买到多少。最先如果买了卡之后，后面我有很多空间，我通过提供服务或者我怎么样，我总是能够有现金流的。我有现金流我就可以活，我就不需要在我账上面放很多很多钱。

所以说，我们只担心买不到那么多卡。如果能够把钱都变成卡的话，那我们会毫不犹豫把所有的钱都变成卡，并且在这里面我们是愿意付一定的溢价的。就是我们愿意付一定的溢价去把它变成卡，因为这太划算了。

哪怕我们在付完溢价之后，其实我们也很难实现这个目标。那么客观上来讲，如果说我今年能够花掉两百亿，那么就属于我们的采购部门业绩超级好了。

我们跟美国的差距主要在资源上面，然后人上面差距不是很大的。人上面几乎没有差距，因为就是同一批人，可能是中国人。中国人出去的时候，有一些人留在国内，有些人留在国外，有些人去国外，他并没有说是聪明的人去国外，没有的。

其实它是比较随机的。最聪明的那些人，可能不是说一半多一点去国外的，但有一半少一点留在国内。国内人才是不缺的，而且我们的基数大，我们每年有那么多人的补充。

人才不是瓶颈，资源是最大的瓶颈。资源首先影响到人才培养，因为算力少，我们能做的实验机会比较少，所以我们的人才整体上比美国有差距。人才的差距，本质上也是因为算力的差距。

在现在最大的模型上，我们其实训不起的。我们哪怕把五百亿全花掉，其实也训不起。哪怕能堆起来也用不起。现在最大的模型，它激活大概是八百B；国内的话，我们还在几十B的这个规模，国内最大模型可能就几十B激活，那么差一个数量级。

如果我要训练跟 AI 同样大的模型，应该需要五万张 GB300 ，或者华为 950 ，二十万卡。

这只是训练，还没有考虑做研究。所以我们跟美国之间最大的差距是在资源上面。

我们现在的资源，以及我们今年之内、接下来几个月的资源，包括马上大资源，也只足够我们在十B激活的这个规模里面去做更多的实验。因为我在几十B激活的这个规模里面，还有很多实验要做，还有很多事情需要搞清楚的。我们应该离能够训八百B的模型还比较远，时间还非常多，没有那么多卡。

所以我们跟美国的区别，我认为就是资源上的区别。我们可能会认为，我们看到的所有区别，包括人才的区别、模型能力的区别、应用的区别，可以认为都是因为算力资源上的区别。

算力资源一方面是国内本身卡就买不到，另外一方面是我们的资本投入比美国要少。我们在资本投入层面上少了很多，基于人才的工资在这里面占的比重是很低的。你看他们开的薪水一个亿美金这种，但算起来，人才的薪水还是占比很少，大头还是算力。

这个问题目前基本上无解，因为华为的产量也是有限的。因为我要训八百B的话，我就得二十万张华为最新的卡，这只是训练，还没有考虑做研究。

所以我们现在根本就不会考虑，到这么大的一个规模上去跟美国竞争。我们现在输，还是在我们能够训练得起、能够用得起的规模上，就几十B激活的规模上要先把它做好。再等下一步有更多的资源的时候，再把它做到一百五十B、一百五十六B，或者两百五十B激活的这个规模。

所以我们跟美国在这里面有一个目前看起来很难弥补的差距。你要硬要训那么大模型也是能训，但是你没法做充分的研究。就是你在训之前，没法做充分的研究。

还有个大家比较关心的问题是，所有大模型竞争，它终局的差距会体现在什么地方？就是当大模型最终差距会体现在哪里？我觉得这个差距最终可能是没有太大差距的。

最终的差距应该是三方面：一方面成本，一方面时间，一方面用户体验。除此以外，可能是没有什么差距的。

成本比较好理解，你提供同样的服务、同样质量的服务，你能够以什么成本来提供。同样一件服务，不如说比亚迪的电池，在同等技术量的情况下，其他家是不是能够按照这个价格来提供，我觉得这个是个较难的事情。不是那么容易做到的，肯定是壁垒。

所以成本肯定是一个差异，我觉得可能成本是排在第一位的区别。然后第二个就是时间，你什么时候能够做到。你早几个月、晚几个月，它就不一样了。

第三个可能是体验，用户体验还是有些不一样的。这个用户中间还是会有一些用户粘性和用户壁垒的，但它可能不本质。本质还是第一个成本，第二个时间。你先做出来还是后做出来，你做到同样东西，是快点还是慢一点。

长期商业化路径和产品线进一步丰富后，怎么定价？我们觉得现在最值得做、最值得花精力的，还是做 AGI 。现在要把 AGI 往前再往前推，就是把智能的下限往上推，往前推。

这个应该是在现阶段，比做更多的产品线、考虑更多商业化路径更划算，或者说它是一个收益更大的路径。我觉得在未来的一段时间，以及过去的任何一段时间，可能都是这样的。就是说，如果说我们

我可以用 AI 来构建这个生态，就可以把跟英伟达一模一样的生态构建出来。第一个，因为有 AI ；第二个，有一些新的技术。比如说，我们家出了一个技术，叫 TileLang ，是一种高级语言。

用这个高级语言来写 CUDA 的算子，可以很快地把英伟达的整套生态全部都写一遍，再结合 AI ，这个看起来没有什么障碍。但是现在还没有完成，还没有做完，不过这个技术路线看起来是没有什么障碍的。

还有一点，因为 CUDA ，英伟达它是从游戏卡演变出来的，所以它在很多地方，游戏卡的设计跟游戏卡的设置是一脉相承的。 CUDA 是兼容游戏卡的。以前因为 AI 计算是一个很小的领域，比游戏卡的市场要小，所以这样是合理的。

但是现在计算卡的市场已经比游戏卡更大了，就没有理由这两个还需要耦合起来。现在的趋势是，以后就不再耦合了。那么专用芯片，不管是华为还是英伟达自己，以后都是专用芯片，都不是之前的这些东西了。

在这个背景下，原来英伟达生态的作用就大幅度减少了。因为对于一个专用芯片来讲，跟 CUDA 没有什么关系，它跟 CUDA 是不绑定的。或者说，这个芯片在设计的时候，就已经考虑到怎么建立这个生态了。

有点复杂，但 anyway ，国产 AI 芯片替代现在是有个历史性机会的。我们认为，未来一年之内，我们能够看到有一个事情被验证：国产芯片的生态完全没有问题。之前认为是有问题的，认为是用不起来、不好用，但是未来我觉得一年之内，我们能够扭转这个认知，或者会用事实来扭转这些。

国产 AI 芯片的硬件和生态都没有问题，唯一有问题的是产能不够。国产卡适配这一点，没有障碍，英伟达挡不住。如果是在一个正常的商业环境里面，我能买到英伟达的卡，那么国产替代是比较难的；但是在英伟达的卡买不到的情况下，所有人都迫不得已，都要去做国产芯片。

在这个背景下，国产卡的适配是没有任何障碍的。国产卡建立起跟英伟达一样、甚至比英伟达还好的生态，我觉得没有障碍，但还需要时间。

我们现在主要是跟华为有合作。华为他们自己适配，但我们自己会参与这个生态，会深入参与到华为这个里面去。华为的问题还是产能不足。像华为给我们的大概是一万六千张卡的产能，互联网大厂可能是十几万张，我们一万多张，我觉得这个比例也是比较 …… 但这已经可能是华为就这么多产能了。

所以我们也没法指望在华为上面训后面那个更大的模型，或者说训练几百B参数激活的模型，有时就有说在今年。但是明年、后年说不定是有机会的。

华为卡适配，我们主要做的工作是把它的高级语言编译器做好，把 TileLang 做好。把 TileLang 做好之后，问题可能就迎刃而解了。这个事情说起来比较复杂，但是我们在做，做完之后再来解释会清晰比较多。

你可以理解， V3 训练的时候，它用的还是英伟达的卡，但是已经不用英伟达的生态了。

V3 用英伟达的卡，但是没有用英伟达的生态，而是我们先写一个高级编译器叫 TileLang ，然后基于 TileLang 的生态来完成其他所有的事情，就已经几乎不依赖英伟达的生态了。

只要我把这一套东西，把这个过程重新在华为卡上做一遍，那么就完成了。我觉得这里可能是一个历史性的使命，即可以完全扭转之前大家对国产卡生态不好的认知。现在有些天时地利基本上都全了，就差时间。我觉得一年之内，应该会有很多人在上面都有，或者说都明白这问题算是解决了，剩下就是产能的问题。

我对国产算力是比较乐观的。我觉得在这一点上，英伟达是在掘自己的坟墓。华为的超节点，华为的 950 超节点，在性能和价格上可以完全平替英伟达的 GB200 、 GB300 。价格肯定要贵，但贵得有限。价格贵百分之五十、百分之一百，贵百分之一百无所谓，贵百分之两百都无所谓。

比如贵百分之一百，我觉得已经可以认为在价格上可以平替了。在任务上也是可以平替的，所有 GB300 能做的任务，华为超节点都能做，延时什么都一样。唯一的代价是，四张华为卡顶一张英伟达的卡，同时落后两年。

四张顶一张这个可以理解。落后两年的意思是，四张华为 950 能顶一张 GB300 。落后两年是时间上落后两年。华为 950 超节点是今年 Q3 还是 Q4 的货，英伟达 GB200 是两年前 Q3 的货，差两年。

英伟达今年 Q3 可能已经有新一代了。所以我们跟美国在芯片上的差距，我认为生态上以后不会再有差距，但是在芯片上是四倍加两年。

还有问题是，我们会不会向上游进行垂直整合？我希望不要。所以有个问题是，我们是不是会往上游应用进行垂直整合？我们希望不用这个，我希望是其他人来做这个事情。我不希望我把所有东西都吃了，我只要吃一块就好，我只要吃我最擅长那一块，或者我觉得我们自己认为最核心那一块，然后跟用户