誰擁有最多的AI芯片？
當前位置： 主页 > HK News 香港新聞 > 香港看世界 > 產業新聞 > 《誰擁有最多的AI芯片？》
2025-Jun-07
如果您希望可以時常見面，歡迎標星收藏哦~人工智能的進步依賴於指數級增長的人工智能超級計算機。自2010年以來，用於訓練最著名人工智能模型的計算量每年增長4.1倍，從而實現了先進聊天機器人、圖像生成和蛋白質結構預測等突破。這種訓練計算量的增長主要依賴於更大規模的人工智能超級計算機，這些計算機現在包含超過10萬個AI芯片，硬件成本達數十億美元，並且消耗相當於一箇中等城市用電量的電力。我們通過系統地收集2019年至2025年的公開數據，彙編了一箇包含全球500多臺人工智能超級計算機的數據集。我們將人工智能超級計算機定義爲使用AI芯片的系統，該系統在其首次投入運營時達到了領先人工智能超級計算機至少1%的計算性能。通過將總性能與公開的AI芯片生產和銷售估算進行比較，我們估計我們的數據集涵蓋了現有AI超級計算機總容量的10-20%。領先人工智能超級計算機的計算性能每9個月翻一番，這得益於更多和更好的AI芯片的部署（圖1）。兩個關鍵因素推動了這一增長：芯片數量每年增加1.6倍，以及每個芯片的性能每年提高1.6倍。雖然在2019年擁有超過1萬個芯片的系統很少見，但到2024年，各公司部署的人工智能超級計算機的規模是當時的十倍以上，例如xAI擁有20萬個AI芯片的Colossus。圖1：領先人工智能超級計算機的性能（以16位精度的FLOP/s計）每9個月翻一番（年增長率爲2.5倍）領先人工智能超級計算機的電力需求和硬件成本每年翻一番。人工智能超級計算機的硬件成本每年增長1.9倍，而電力需求每年增長2.0倍。因此，截至2025年3月，性能最強的人工智能超級計算機，即xAI的Colossus，其估計硬件成本爲70億美元（圖2），電力需求約爲300兆瓦——相當於25萬戶家庭的用電量。在電力需求大幅增長的同時，人工智能超級計算機的能源效率也更高了：每瓦計算性能每年提高1.34倍，這幾乎完全歸功於更節能芯片的採用。如果觀察到的趨勢持續下去，到2030年6月，領先的人工智能超級計算機將需要200萬個AI芯片，硬件成本將達到2000億美元，電力需求將達到9GW。歷史AI芯片生產的增長以及像5000億美元的“星際之門計劃”（Project Stargate）這樣的重大資本投入表明，前兩個要求很可能能夠滿足。然而，9GW的電力相當於9個核反應堆的發電量，這超出了任何現有工業設施的規模。爲了克服電力限制，各公司可能會越來越多地採用分佈式訓練方法，這將使他們能夠將訓練任務分佈在多箇地點的人工智能超級計算機上進行。圖2：領先人工智能超級計算機的成本（以2025年美元計）大約每年翻一番公司現在主導着人工智能超級計算機。隨着人工智能發展吸引了數十億美元的投資，各公司迅速擴大其人工智能超級計算機的規模，以進行更大規模的訓練。這導致領先的行業系統性能每年增長2.7倍，遠高於公共部門系統每年1.9倍的增長率。除了更快的性能增長外，各公司還迅速增加了他們部署的人工智能超級計算機的總數，以服務於快速增長的用戶羣。因此，工業界在人工智能總計算力中的份額從2019年的40%飆升至2025年的80%，而公共部門的份額則降至20%以下（圖3）。圖3：公共部門與私營部門人工智能超級計算機總性能份額隨時間的變化美國擁有75%的人工智能超級計算機，其次是中國。美國約佔人工智能超級計算機總性能的四分之三，中國以15%位居第二（圖4）。與此同時，英國、德國和日本等傳統的超級計算強國在人工智能超級計算機領域的作用已變得微不足道。這種轉變反映了總部位於美國的的大型公司在人工智能開發和計算領域的主導地位。然而，鑑於我們數據庫中的許多系統都可以遠程使用，例如通過雲服務，人工智能超級計算機的地理位置並不一定決定誰在使用計算資源。圖4：按國家劃分的AI超級計算機計算性能份額隨時間的變化。我們展示了在任何時間點份額超過3%的所有國家我們將在本次發佈後不久發佈我們的數據集以及相關文檔。我們的數據將成爲Epoch AI的AI數據中心的一部分，並將定期更新維護。引言自2010年深度學習時代開始以來，用於訓練著名AI模型的計算資源（算力）以每年4-5倍的速度增長（Sevilla & Roldan, 2024）。這種指數級的增長一直是許多領域（如大型語言模型或圖像生成（Erdil & Besiroglu, 2022; Ho et al., 2024））人工智能能力提升的主要驅動力。這種算力增長的大部分是由更大、更高性能的AI超級計算機推動的（Hobbhahn et al., 2023; Frymire, 2024）。鑑於人工智能超級計算機對人工智能發展的重要性，系統地收集相關數據能夠幫助我們更好地理解其硬件成本、電力需求和全球分佈等趨勢。這種分析對政策制定者具有重要意義，因爲算力既是人工智能進步的推動力，也是潛在的治理工具（Sastry et al., 2024; Khan & Mann, 2020）。例如，關於人工智能超級計算機在各國分佈的信息能夠幫助政府評估其在人工智能領域的國家競爭力，而電力需求增長的數據則有助於電網規劃。然而，儘管人工智能算力非常重要，但目前尚不存在關於特定於人工智能的超級計算機的全面數據集。諸如Top500榜單或MLPerf基準測試等資源依賴於自願提交，因此缺乏足夠的數據來可靠地分析趨勢（Top500,）。與此同時，用於商業智能的數據庫（如SemiAnalysis的數據中心模型）不公開用於分析，並且側重於當前的系統而非歷史趨勢（SemiAnalysis, 2024）。我們試圖通過收集各種公共來源的數據，建立一箇包含2019年至2025年間500臺人工智能超級計算機的數據集來彌補這一差距。我們利用這個數據集來研究幾個關鍵趨勢：人工智能超級計算機性能的增長、硬件成本、功耗以及人工智能超級計算能力在國家和部門之間的分佈。方法人工智能超級計算機的定義我們將人工智能超級計算機定義爲可以支持訓練大規模人工智能模型，並部署在同一園區內的計算機系統。我們使用兩個標準來評估給定的系統是否可以支持訓練大規模人工智能模型：1. 該系統包含可以加速人工智能工作負載的芯片，例如英偉達的V100、A100、H100和GB200，谷歌的TPU，以及其他常用於訓練前沿人工智能模型的芯片。爲了評估給定的芯片是否適用於大規模人工智能訓練，我們使用了Hobbhahn等人（2023）創建的機器學習硬件數據集。如果某個芯片不在該數據集中，如果它具有以下特徵，我們將其視爲人工智能芯片：支持人工智能訓練中常用的精度，例如FP16或INT8。具有專用於矩陣乘法的計算單元，例如英偉達GPU中的張量核心。具有高帶寬內存（HBM）或其他能夠實現高內存帶寬的內存類型。曾用於訓練Epoch AI（2025）的著名人工智能模型數據集中的模型。2. 該系統在人工智能相關精度上具有較高的理論計算性能。由於硬件改進速度很快，我們使用移動定義，並且只包括在當時至少具有現有性能最強人工智能超級計算機1%性能的系統。爲了平衡數據收集工作和代表性，我們將數據收集的範圍限制在大約6年，從2019年初到2025年2月。我們將在https://epoch.ai/data/ai-supercomputers上維護數據集，並將其與Epoch AI的Data on AI hub集成。數據收集我們使用谷歌搜索API、現有（AI）超級計算機的彙編以及手動搜索來收集2019年至2025年間501臺領先人工智能超級計算機的數據集。我們還涵蓋了2019年之前的225個額外系統，總計726臺人工智能超級計算機。我們最重要的來源是公司公告、包含大量GPU的Top500條目以及Epoch AI（2025）的著名AI模型數據集。對於每個潛在的人工智能超級計算機，我們手動搜索詳細信息，例如系統使用的芯片數量和類型、首次投入運營的時間、報告的性能、所有者和位置。我們估計我們的數據集涵蓋了到2025年生產的所有AI芯片總性能的約10%，以及截至2025年初最大公司的AI芯片庫存的約15%。截至2025年3月，我們的數據集涵蓋了Epoch AI著名模型數據集中25個最大規模訓練任務所用系統的大約一半（Epoch AI, 2025）。分析我們將收集到的數據與Epoch AI的機器學習硬件數據相結合，以估算我們數據庫中系統的總性能、硬件成本和電力需求（Epoch AI, 2024; Hobbhahn et al., 2023）。我們篩選了數據集，得到2019年1月1日至2025年3月1日期間389個高確定性、已確認運行的系統。然後，我們對研究期間首次運行時在全球16位FLOP/s性能排名前十的57臺人工智能超級計算機的關鍵指標進行了迴歸分析。我們分析的指標包括計算性能、芯片數量、電力需求、能源效率和硬件成本。我們進一步評估了數據集中所有人工智能超級計算機（包括2019年之前的系統，總計470個系統）的總性能在不同部門和國家之間的分佈情況。結果我們首先評估了數據集中領先人工智能超級計算機在性能、電力和硬件成本方面的增長情況。然後，我們考察了數據集中人工智能超級計算機在私營部門與公共部門以及不同國家之間的分佈情況。領先人工智能超級計算機的計算性能每九個月翻一番2019年至2025年間，領先人工智能超級計算機的計算性能每年增長2.5倍（圖5）。僅考慮公司擁有的人工智能超級計算機時，性能增長速度甚至更快（3.1.3節）。性能的快速增長使得2025年3月領先的系統，即xAI的Colossus，其性能達到了2019年領先的人工智能超級計算機——橡樹嶺國家實驗室的Summit的50多倍。我們在2017年和2018年發現了幾臺大型人工智能超級計算機，其性能顯著高於我們2018年之後的結果所顯示的趨勢。目前尚不清楚這在多大程度上反映了我們數據集的覆蓋不足，或者這些是否確實是直到2021年部署的最大系統。我們在4.1節中討論了這些早期系統主要用於科學研究，而不是用於進行大規模訓練，因此可能無法與後來的系統直接比較。圖5：排名前十的領先人工智能超級計算機的性能（以16位精度FLOP/s計）每年增長2.5倍（90%置信區間（CI）：2.4–2.7倍）。我們從2019年開始迴歸分析，但考慮了2019年之前的人工智能超級計算機，以確定哪些系統在2019年初排名前十。我們2019年之前的數據有限，無法納入迴歸分析。我們突出顯示了一些值得注意的系統。性能提升依賴於使用更多和更好AI芯片的人工智能超級計算機(1) 每年2.5倍的性能增長主要源於兩個大致相等的因素：AI芯片數量的增加和每個芯片性能的提高。首先，性能最高的人工智能超級計算機中的芯片數量每年增加1.6倍（圖12）。2019年1月，橡樹嶺國家實驗室的Summit擁有最高的芯片數量，爲27,648個NVIDIA V100芯片。到2025年3月，xAI的Colossus擁有所有已知系統中最高的芯片數量，爲20萬個NVIDIA H100和H200芯片。將2019年之前的系統納入迴歸分析可能會導致較低的增長率。然而，由於我們的數據收集只追溯到2019年，我們無法可靠地進行此項分析。其次，性能最高的人工智能超級計算機中每個芯片的計算性能每年提高1.6倍。在我們的研究期間，有三個值得注意的芯片代系。2019年至2021年間，NVIDIA的V100是最主要的芯片，佔已安裝性能的90%以上。2021年，NVIDIA的A100開始變得突出，並在2023年成爲最主要的芯片，而AMD的MI250X和谷歌的TPU v4僅佔少數份額。2023年，NVIDIA的H100變得更加普及，到2024年7月，在我們數據集中超過了總性能的50%。領先人工智能超級計算機每個芯片計算性能的1.6倍（90%置信區間：1.5–1.7）的提升略快於FP32精度下AI芯片性能每年提升1.28倍（90%置信區間：1.24–1.32）和FP16精度下每年提升1.38倍（90%置信區間：1.28–1.48）的總體趨勢（Rahman, 2025; Hobbhahn et al., 2023）。這種差異可能源於人工智能超級計算機主要採用領先的AI芯片，而不是平均性能的芯片。圖6：領先人工智能超級計算機中的AI芯片數量每年增長1.6倍（90%置信區間：1.5–1.8倍）。我們從2019年開始迴歸分析，但也收集了更早的數據，以確定哪些2019年的人工智能超級計算機位列前十。我們2019年之前的數據有限，無法納入迴歸分析。完整方法見第2節。(2) 人工智能超級計算機的性能增長速度超過了傳統超級計算機Benhari等人（2024）發現，1994年至2023年間，最大的Top500超級計算機的64位性能每年增長1.45倍。這一增長率使得排名前十的人工智能超級計算機的性能增長速度顯著快於Top 500頂級機器的歷史趨勢。兩個因素可能導致了這種差異：特定於AI的芯片和更快的投資增長。首先，AI芯片的性能已經超過了CPU的性能（Hobbhahn et al., 2023）。這是因爲AI計算工作負載的特性與傳統計算不同，這使得AI芯片設計者能夠優化並行矩陣運算的性能，從而導致AI芯片的性能提升速度顯著快於CPU的性能（Hobbhahn et al., 2023）。其次，對人工智能超級計算機的投資增長速度快於對傳統超級計算機的投資增長速度。Top 500榜單歷史上主要由政府資助的項目構成，這些項目的預算增長緩慢。然而，我們的人工智能超級計算機數據集主要包含大型公司擁有的系統，這些公司在2020年代迅速增加了對人工智能超級計算機的投資（Cottier et al., 2024）。(3) 私營行業的人工智能超級計算機已經超越了政府或學術界2019年至2025年3月期間，公司擁有的領先人工智能超級計算機的性能每年增長2.7倍。與此同時，政府和學術機構擁有和資助的領先人工智能超級計算機的性能增長速度明顯較慢，每年僅增長1.9倍（p = 0.022）。目前已知最大的公共人工智能超級計算機——勞倫斯利弗莫爾國家實驗室的El Capitan，其計算性能僅爲目前已知最大的工業界人工智能超級計算機——xAI的Colossus的22%。我們將在4.4節討論這種從公共部門到私營部門的轉變。圖7：私營部門（公司）與公共部門（政府和學術界）擁有的領先人工智能超級計算機的性能。領先的公共部門系統最初規模較大，但未能跟上工業界系統的發展速度，工業界系統每年增長2.7倍（90%置信區間：2.5–2.9倍），而公共部門系統每年僅增長1.9倍（90%置信區間：1.6–2.2倍）。請注意，我們排除了由公共和私營機構共同資助和擁有的人工智能超級計算機。(4) 人工智能超級計算機的增長速度與最大規模訓練任務每年4-5倍的增長速度保持一致Sevilla & Roldan（2024）發現，2018年至2024年間，最大人工智能模型的訓練算力每年增長4.2倍（90%置信區間：3.6–4.9倍）。這與我們觀察到的人工智能超級計算機性能增長相符，在我們考慮了訓練時長增加的情況下。在圖8中，我們展示了最大人工智能訓練任務所需的計算性能，以及我們數據集中領先人工智能超級計算機的性能。我們只考慮了運行絕大多數人工智能訓練任務的工業界系統（Besiroglu et al., 2024）。爲了計算訓練任務所需的性能，我們將訓練所需的FLOP數除以訓練時長（以秒爲單位），並根據40%的平均性能利用率進行調整（Sevilla et al., 2022）。2019年至2025年間，最大的工業界人工智能超級計算機始終達到最大人工智能訓練任務所需計算性能的10倍（不包括最終訓練運行之前實驗所需的計算量）。雖然最大訓練任務所需的系統增長速度略快於領先的人工智能超級計算機（3.4倍 vs 3.0倍），但我們發現這兩個趨勢之間沒有統計學上的顯著差異（p=0.18）。因此，如圖9所示，人工智能超級計算機的增長與訓練算力的增長保持一致。圖8：最大工業界人工智能超級計算機的計算性能以及最大已報告人工智能訓練任務所需的性能（Epoch AI, 2025）。爲了估算這些訓練任務所需的人工智能超級計算機規模，我們假設GPU利用率爲40%，並使用可用的聲明訓練時長，或者根據最大人工智能模型的訓練時長迴歸估算值。我們從著名模型的發佈日期減去訓練時長，以更好地估計其訓練開始時間。鑑於著名模型數據集未報告訓練所用的數值精度，我們還報告了人工智能超級計算機的精度無關OP/s，考慮了32位、16位和8位數字格式下的最高可用性能。圖9：訓練算力增長驅動因素概述。“OOM”代表數量級。人工智能超級計算機指標基於私營部門系統以及跨精度的最高計算性能。領先人工智能超級計算機的電力需求每13個月翻一番我們根據報告的電力需求或（如果不可用）通過估算基於AI芯片數量和類型（包括額外的IT基礎設施，如CPU、網絡交換機，以及數據中心支持基礎設施，如冷卻和電源轉換）的電力需求來評估領先人工智能超級計算機的年度電力需求增長率。我們發現，2019年至2025年間，領先人工智能超級計算機的電力需求每年增長2.0倍。2019年1月，橡樹嶺國家實驗室的Summit擁有最高的電力需求，爲13兆瓦。2024年，首批系統的電力需求開始超過100兆瓦，到2025年3月，xAI的Colossus擁有最高的電力需求，估計爲300兆瓦。相比之下，這相當於25萬美國家庭的用電量（美國能源信息署，2024）。訓練前沿模型所需電力快速增長的情況已有充分記錄（Fist & Datta, 2024; Sevilla et al., 2024; Pilz et al., 2025）。我們將在4.2.3節討論這種趨勢是否能夠持續。圖10：領先的10臺人工智能超級計算機的峯值數據中心電力需求每年翻一番（90%置信區間：每年1.6–2.2倍）。我們在有報告的情況下顯示報告的電力需求。否則，我們根據所用芯片的數量和類型估算容量。(1) 領先人工智能超級計算機的能源效率每年提高1.34倍我們計算人工智能超級計算機的能源效率，單位爲每瓦FLOP/s（16位精度），包括硬件和數據中心的電力需求。爲了計算效率，我們將FLOP/s的計算性能除以報告或估計的瓦特數據中心電力需求。數據中心級別的能源效率包括服務器、額外的集羣組件（如網絡交換機）以及支持基礎設施（如冷卻和電源轉換）。我們發現，2019年至2025年間，人工智能超級計算機的能源效率每年提高1.34倍（圖11）。在計算性能保持不變的情況下，人工智能超級計算機每年所需的能源減少約25%。這與Benhari等人（2024）在研究期間Top500中最節能超級計算機的能源效率每年提高1.31倍的情況大致一致。圖11：2019年至2025年間，排名前十的領先人工智能超級計算機的能源效率（每瓦16位FLOP/s）每年提高1.34倍（90%置信區間：1.25–1.43倍）。新芯片的採用是能源效率提高的主要驅動因素，而數據中心基礎設施效率僅發揮了次要作用。我們在有報告的情況下使用報告的電力需求，否則使用估計的電力需求。人工智能超級計算機的能源效率提升可能來自兩個方面：硬件效率的提升和數據中心基礎設施（如冷卻）效率的提升。硬件效率的提升主要源於AI芯片的改進，但也包括CPU、網絡交換機和存儲等其他硬件的改進。我們通過假設人工智能超級計算機所在數據中心的能源效率遵循Shehabi等人（2024）報告的行業範圍內的電源使用效率（PUE）趨勢來建模其改進。PUE是提供給硬件的電力除以提供給數據中心的電力的商。理想的PUE爲1.0表示所有輸送到數據中心的電力都直接用於硬件，而沒有電力在電壓轉換中損失或用於冷卻和其他操作（Pilz & Heim, 2023）。圖11顯示，每次有新的AI芯片可用時，能源效率都會顯著提高。與此同時，PUE的改進速度較慢，並且在我們的估計中已經接近1.0的理想值，導致每年的效率提升不到5%（Shehabi et al., 2024）。因此，能源效率的提高主要歸功於人工智能超級計算機採用了更節能的硬件。領先人工智能超級計算機的硬件成本每年翻一番我們基於公開報告的成本數據或（如果不可用）通過根據所用芯片的數量和公開可用的價格數據估算總硬件成本來分析領先人工智能超級計算機硬件成本的年度增長情況。我們進一步包括了諸如CPU和網絡交換機等額外硬件的估計成本，但不包括髮電或數據中心建設成本。我們對所有數值進行通貨膨脹調整，以顯示2025年1月的美元成本。我們的成本估算與所有者報告的數值存在顯著差異，但這可能是因爲報告的數值主要來自公共項目，這些項目通常在硬件採購方面獲得更高的折扣。我們發現，2019年至2025年間，領先人工智能超級計算機的硬件成本每年增長1.9倍。我們有限的2019年之前的數據表明，在我們的研究期間之前，超過1億美元的硬件成本並不少見，例如橡樹嶺國家實驗室的Summit在2025年美元的成本約爲2億美元。截至2025年3月，最昂貴的人工智能超級計算機是xAI的Colossus，其估計硬件成本爲70億美元。圖12：領先人工智能超級計算機（按16位性能排序）首次投入運營時的硬件成本從2019年到2025年以每年1.9倍的速度增長（90%置信區間：每年1.8–2.1倍）。我們使用報告的成本，如果不可用，則使用改編自Cottier等人（2024）的硬件購置成本公式來建模成本。我們將所有數值調整爲2025年美元以反映通貨膨脹。領先人工智能超級計算機硬件成本每年1.9倍的增長速度低於Cottier等人（2024）報告的總訓練成本每年2.4倍（90%置信區間：2.0–2.9倍）的增長速度。這種差異歸因於兩個因素：首先，前沿模型的訓練時長每年延長1.4倍（Frymire, 2024），這意味着訓練任務使用同一臺人工智能超級計算機的時間更長，即使人工智能超級計算機的成本保持不變，也會增加攤銷成本。其次，研究人員成本是人工智能開發中佔比很大且不斷增長的部分，但不會影響人工智能超級計算機的硬件成本（Cottier et al., 2024）。我們的數據覆蓋範圍的侷限性在分析人工智能超級計算機在部門和國家之間的分佈之前，我們強調我們數據集的兩個重要侷限性：a) 我們僅捕獲了符合我們定義的所有人工智能超級計算機的10%到20%。具體來說，我們估計我們的數據集涵蓋了2023年和2024年生產的所有相關AI芯片的約10%，以及截至2025年初最大公司的芯片庫存的約15%。截至2025年3月，我們的數據集涵蓋了Epoch AI（2025）中25個最大規模訓練任務所用系統的大約一半。較低的覆蓋率意味着我們的數據精度有限，單個系統的添加可能會顯著改變整體分佈。b) 不同部門、芯片類型和公司的覆蓋水平可能存在顯著差異。例如，我們捕獲了Meta公司約一半的人工智能超級計算機總性能，而沒有捕獲任何蘋果公司的人工智能超級計算機。由於政府往往對其項目更加透明，我們可能比行業系統更好地覆蓋了政府人工智能超級計算機。鑑於這些侷限性，我們側重於人工智能超級計算機在部門和國家之間的分佈，因爲儘管我們的覆蓋率較低，這兩者都提供了可靠的見解：所有權從公共部門向私營部門的轉變是我們整個數據集中的一箇顯著且穩健的影響。我們的國家層面數據可能比較可靠，因爲我們能夠與其他數據進行交叉覈對（見附錄C.3）。與此同時，我們不分析特定AI芯片類型或個別公司的分佈情況，因爲這些更容易受到我們數據集中覆蓋偏差的影響。公司現在擁有大多數人工智能超級計算機對於我們數據集中的每臺人工智能超級計算機，我們將所有者分爲三類之一：私營：所有者是公司公共：所有者是政府實體或大學公私合營：人工智能超級計算機有多箇屬於這兩個部門的所有者，或者如果一箇私人項目獲得了超過25%的總資金來自政府我們發現，私營部門的計算份額從2019年不到40%迅速增加到2025年的約80%（圖13），而公共人工智能超級計算機的份額從2019年的約60%迅速下降到2025年的約15%。鑑於公司不太可能像公共所有者那樣公開其系統的數據，我們的數據甚至可能低估了這種轉變。然而，請注意，鑑於許多人工智能超級計算機通過雲服務提供，公共部門實體可能仍然能夠訪問私營部門的人工智能超級計算機。在4.1節中，我們討論了人工智能開發和部署的經濟重要性日益增加如何可能導致私營部門份額的快速增長。圖13：基於人工智能超級計算機所有者的公共和私營部門的相對性能份額。一臺人工智能超級計算機可能擁有多箇所有者（例如，如果它是一箇合作項目，或者如果政府資助了一箇行業項目）。美國佔全球人工智能超級計算機性能的大部分，其次是中國在分析跨國家的分佈時，我們發現在2019年初，美國約佔我們數據集中計算性能的70%，而中國約佔20%（圖14）。2019年至2022年間，中國的份額顯著增長，在2022年初達到約40%，儘管我們不確定這是否反映了真實的趨勢，還是我們較低數據覆蓋率造成的假象。此後，中國的份額有所下降；截至2025年3月，按性能計算，美國擁有約75%的人工智能超級計算機，而中國約佔15%。圖14：我們數據集中人工智能超級計算機按國家劃分的聚合16位計算能力份額隨時間的變化。我們展示了在任何時間點份額超過3%的所有國家。截至2025年3月，我們數據集中所有在美國運行的人工智能超級計算機的總性能相當於85萬個H100（9.1×102? FLOP/s），其次是中國，相當於11萬個H100（1.9×102? FLOP/s），歐盟相當於5萬個H100（5.6×101? FLOP/s）（圖15）。因此，美國的總計算性能幾乎是中國大陸的9倍，是歐盟總性能的17倍。圖15：按國家劃分的人工智能超級計算機總性能（以H100當量計）。要將系統的性能轉換爲H100當量，我們首先取其AI芯片支持的最低精度的性能（考慮32位、16位和8位），然後除以H100的8位性能。在本節中，我們首先討論是什麼導致了人工智能超級計算機性能和資源需求的快速增長。然後，我們將這些趨勢外推到2030年，並簡要討論芯片數量、電力和硬件成本的增長是否能夠持續。我們進一步討論了人工智能超級計算機在各國分佈的地緣政治影響，以及人工智能超級計算機工業界份額的增加可能如何影響人工智能研究。人工智能算力的快速增長既依賴於人工智能產業日益增長的經濟重要性，也促進了這種重要性的提升我們觀察到的人工智能超級計算機性能的快速增長主要由人工智能投資的激增驅動。雖然芯片設計和製造方面的傳統改進也促進了這一增長（Roser et al., 2023; Hobbhahn et al., 2023），但人工智能超級計算機的增長速度遠快於傳統人工智能超級計算機（第3.1.2節）。這種加速反映了人工智能超級計算機的主要用例發生了根本性的轉變，從用於科學發現的學術工具轉變爲運行具有經濟價值的工作負載的工業機器。2019年，最大的人工智能超級計算機主要由政府超級計算機主導，例如美國能源部的Summit和Sierra。這些系統旨在處理不同科學領域的各種工作負載並推進基礎研究（橡樹嶺國家實驗室，未註明日期）。然而，在2020年代初，各公司越來越多地使用人工智能超級計算機來訓練具有商業應用的人工智能模型，例如OpenAI的GPT-3和GitHub的Copilot集成（Brown et al., 2020; Dohmke & GitHub, 2021）。這些人工智能能力的展示導致了對人工智能投資的顯著增加，創造了對人工智能芯片的創紀錄需求（Our World in Data, 2024; Samborska, 2024; Richter, 2025）。隨着對人工智能投資的增加，各公司能夠構建性能更高、擁有更多和更好AI芯片的人工智能超級計算機。這形成了一箇良性循環：增加的投資實現了更好的人工智能基礎設施，從而產生了更強大的人工智能系統，吸引了更多的用戶和進一步的投資。因此，人工智能超級計算機的增長既是資金增加的結果，也是人工智能超級計算機展示其經濟價值後持續投資的原因。觀察到的趨勢能否持續？在第上文中，我們得出結論，人工智能超級計算機的增長速度與最大規模人工智能訓練任務中算力每年4-5倍的增長速度保持一致。本節將討論芯片、硬件成本和電力需求方面的趨勢持續到2030年意味着什麼。表1：基於當前最大的人工智能超級計算機和第3節描述的歷史增長率對趨勢進行的歷史數據和外推。僅使用工業界擁有的人工智能超級計算機的增長率將導致更高的外推值。外推值已四捨五入，以避免暗示精確性。(1) 到2030年，最大的人工智能超級計算機可能需要兩百萬個芯片如果AI芯片的數量繼續以每年1.6倍的速度增長，那麼到2030年，最大的人工智能超級計算機將需要大約200萬個AI芯片（表1）。Sevilla等人（2024）估計，到2030年，AI芯片的產量每年可能增長1.3倍到2倍。從目前的芯片產量外推來看，這意味着2030年的年產量將達到740萬到1.44億個AI芯片。如果到2030年，最大的人工智能超級計算機使用了200萬個AI芯片，那麼它將需要全球年AI芯片產量的1%到27%，這表明如果AI芯片(2) 到2030年，最大的人工智能超級計算機的硬件成本可能約爲2000億美元如果領先人工智能超級計算機的硬件成本繼續以每年1.9倍的速度增長，那麼到2030年，領先系統的硬件成本將約爲2000億美元（以2025年美元計）。這還不包括數據中心設施的成本，後者可能約爲每GW100億美元，從而使購置成本再增加900億美元（Pilz & Heim, 2023）。當前的AI基礎設施已經接近這個規模：2025年，微軟宣佈計劃在全球範圍內投資800億美元用於AI基礎設施，而亞馬遜雲科技（AWS）宣佈計劃投資超過1000億美元（Smith, 2025; Gonsalves, 2025）。與此同時，OpenAI宣佈計劃在四年內爲“星際之門”項目投入高達5000億美元（OpenAI, 2025）。這些公告與到2030年單個項目2000億美元的硬件成本是相符的，尤其是在預計AI投資將持續增長的情況下（Zoting, Shivani, 2025; IDC, 2025; Grand View Research, 2024）。(3) 到2030年，最大的人工智能超級計算機可能需要9GW的電力如果人工智能超級計算機的電力需求繼續以每年2.0倍的速度增長，那麼到2030年，領先的人工智能超級計算機將需要大約9GW的電力（表1）。這略高於Sevilla等人（2024）外推的6GW，並且與Pilz等人（2025）對2030年運行最大規模訓練任務的人工智能超級計算機的估計相符。目前最大的數據中心園區的容量爲數百兆瓦，截至2025年初，尚未公開報道有超過1GW的現有園區。雖然到2028年建成一箇2GW的人工智能超級計算機可能是可行的，但到2030年建成一箇容量爲9GW的系統將需要相當於9個核反應堆的發電量，並且可能面臨嚴重的許可和設備供應鏈挑戰，以及當地社區反對等其他潛在挑戰（Pilz et al., 2025）。由於難以獲得足夠的電力，各公司可能會越來越多地使用分佈式訓練技術，使其能夠將訓練任務分佈在多箇地點的人工智能超級計算機上進行。據報道，一些著名的訓練任務，包括谷歌DeepMind的Gemini 1.0和OpenAI的GPT-4.5，已經跨多箇AI超級計算機進行訓練。(4) 結論：電力限制可能成爲持續增長的主要制約因素電力限制很可能成爲人工智能超級計算機增長的主要瓶頸，推動訓練向跨多箇站點的分佈式訓練轉變。這種演變可能會改變我們衡量人工智能訓練能力的方式——從關注單個AI超級計算機轉向評估公司的總計算能力。雖然芯片生產和硬件成本趨勢在2030年之前似乎是可持續的，但所有這些趨勢的持續最終取決於AI應用是否能帶來足夠的經濟價值，以證明基礎設施擴張所需的大規模投資是合理的。美國在全球人工智能超級計算機分佈中佔據主導地位本節討論美國的主導地位很可能源於其在相關產業的領先地位，並且鑑於美國既定的政策以及對關鍵AI芯片生產瓶頸的控制，這種主導地位很可能會持續下去。(1) 美國的主導地位源於在雲計算和人工智能開發領域的領先地位根據我們的數據，目前約75%的AI超級計算機性能位於美國（圖14）。在曾經在公共超級計算領域發揮重要作用的國家（如英國、德國或日本）的重要性下降的同時，美國是如何在AI超級計算機領域佔據如此主導地位的？美國的主導地位很可能直接源於AI超級計算機日益商業化並由公司（而非政府或學術界）主導，而這些公司主要位於美國，這是由於其在先前技術中的主導地位所致。這種優勢在雲計算基礎設施中顯而易見，2019年，僅亞馬遜雲科技（AWS）、微軟和谷歌這三大領先的美國雲計算公司就佔據了全球市場份額的68%（Gartner, 2020）。美國公司在關鍵AI進步方面也發揮了主導作用，包括推薦系統、AlphaFold等科學應用以及ChatGPT等LLM聊天機器人。總體而言，在Epoch AI（2025）記錄的476個著名AI模型中，美國公司參與開發了338個，並訓練了其中25個最大AI模型中的18個（按訓練算力計算）。雖然關於AI應用全球市場份額的可靠數據有限，但創紀錄的用戶增長可能表明美國公司在用戶總數方面也處於領先地位。(2) 美國很可能將繼續在人工智能超級計算機領域保持領先地位美國不僅在人工智能開發和雲服務提供方面佔據主導地位，而且在AI芯片的設計以及半導體制造的若干關鍵投入方面也處於領先地位。美國政府此前已利用其在AI芯片領域的主導地位對向中國出口AI芯片和關鍵設備實施出口管制，並引入了一項AI擴散框架，該框架對向非美國親密盟友國家出口AI芯片設置了條件。與此同時，一些挑戰可能會限制美國在AI超級計算機領域的主導地位：電力需求：無論是在AI超級計算機所需的電力方面，還是在主要用於推理而部署的AI芯片總數方面，AI的電力需求都在大規模增長。美國在增加足夠的發電能力以維持當前AI數據中心增長速度方面正面臨重大挑戰。外國政府對主權基礎設施的投資：一些政府已開始投資於本地AI基礎設施，例如法國、英國、沙特阿拉伯和阿聯酋。然而，與領先的美國AI超級計算機相比，這些項目大多規模較小。此外，鑑於美國對AI芯片生產的控制，如果這些項目威脅到美國在計算領域的主導地位，美國可能會阻止這些項目獲得芯片。來自中國的競爭：中國政府和中國公司正在大力投資AI基礎設施，但由於無法進口領先的美國AI芯片，該國依賴性能較差的美國或國產AI芯片。有限的AI芯片獲取渠道使得建立大型AI超級計算機的成本更高，並限制了中國的項目總數。到目前爲止，中國自主生產AI芯片的努力因無法生產或進口DUV和EUV光刻機等關鍵設備而受到嚴重阻礙，而這些設備的生產極具挑戰性。總而言之，美國在AI模型開發和雲計算領域處於領先地位，並控制着半導體供應鏈中的關鍵瓶頸。再加上美國政府推進美國AI領導地位的既定政策，這使我們得出結論，至少在未來六年內，美國很可能將繼續在AI超級計算機領域保持領先地位。私營部門主導地位增強的後果我們發現公司擁有越來越大份額的AI超級計算機，這與先前報道的一箇趨勢相符：AI研究越來越由大型公司而非學術或政府機構主導。Besiroglu等人發現，學術機構在大型機器學習模型中的份額急劇下降，從2012年的約65%降至2023年的僅10%。AI超級計算機所有權從公共部門向私營部門的轉變很可能是由於其經濟重要性日益增加（第4.1節），這迅速增加了私人AI投資。更多的投資使得公司能夠建造像xAI的Colossus這樣昂貴的系統，其估計硬件成本爲70億美元。與此同時，最昂貴的政府項目，Frontier和El Capitan，每個僅耗資6億美元。此外，政府通常只建造少量系統用於研究目的。然而，主要的科技公司通常建造數十臺AI超級計算機，因爲它們不僅要訓練更大的模型，還要爲全球數百萬用戶提供服務。AI超級計算機所有權從公共部門向私營部門的這種轉變對AI研究產生了兩個重要後果：學術研究人員的訪問受限以及AI開發和部署的可見性降低。學術研究人員的訪問受限： AI超級計算機集中在工業界減少了學術研究人員對前沿計算資源的訪問，而學術研究人員歷史上爲AI的進步做出了貢獻，並提供了獨立的評估和審查。系統的所有權本身並不決定計算資源的訪問權限，因爲研究人員可以通過雲計算公司租用AI超級計算機。然而，即使是短時間租用大量AI芯片（超過幾千個）對於學術研究人員來說仍然可能過於昂貴，迫使他們依賴較小、功能較弱的模型。缺乏可見性：隨着公司現在運營着領先的AI超級計算機，它們已成爲前沿AI進步的主要驅動力，將政府和學術實驗室降爲輔助角色。由於公司通常對其研究不太公開，政府可能越來越難以跟蹤AI模型的能力提升。此外，鑑於計算資源對於AI開發和部署的重要性，一箇國家頂級AI超級計算機的規模和數量越來越與其在AI領域的競爭力相關。由於公司控制着大多數系統，政府越來越缺乏關於其國家AI基礎設施規模的數據，這阻礙了政策制定者制定連貫的技術競爭戰略的能力。政府增加對AI開發和部署的可見性並更好地瞭解國家競爭力的一種選擇可能是要求公司報告其基礎設施的關鍵數據，例如其最大AI超級計算機的性能及其基礎設施的總規模。政府還可以收集其他國家AI計算能力的情報，使其能夠更好地瞭解自身的競爭地位，並可能更容易覈實未來潛在的國際AI協議。結論我們彙編了一箇包含2019年至2025年間500臺AI超級計算機的數據集，發現性能、芯片數量、電力需求和硬件成本都呈指數級增長。AI超級計算機性能的快速增長，加上訓練時長的增加，使得前沿AI模型的訓練算力每年增長4-5倍，這推動了AI能力的顯著進步，並進一步刺激了對基礎設施的投資。如果趨勢持續下去，到2030年，領先的AI超級計算機的硬件成本可能超過2000億美元，幷包含超過200萬個AI芯片。然而，預計9吉瓦的電力需求在單個地點難以滿足，很可能迫使公司採用跨多箇站點的分佈式訓練方法。我們的數據還揭示了AI超級計算機所有權的關鍵趨勢，公司在AI超級計算機總性能中的份額從2019年的40%增加到2025年的80%以上。這一發現強調了先前觀察到的工業界和學術界之間日益擴大的計算鴻溝。美國擁有全球約75%的AI超級計算機性能，並且很可能通過其對AI芯片供應鏈的控制保持這種主導地位。總而言之，AI超級計算機一直是AI進步的關鍵驅動力，並且是AI供應鏈的核心組成部分。我們的分析提供了關於AI超級計算機的增長模式、分佈和資源需求的寶貴信息。這些信息對於政策制定者以及更廣泛地理解AI的發展軌跡將變得越來越重要。感謝本文作者：Konstantin F.PilzJames SandersRobi RahmanLennart Heim半導體精品公衆號推薦專注半導體領域更多原創內容關注全球半導體產業動向與趨勢*免責聲明：本文由作者原創。文章內容系作者個人觀點，半導體行業觀察轉載僅爲了傳達一種不同的觀點，不代表半導體行業觀察對該觀點贊同或支持，如果有任何異議，歡迎聯繫半導體行業觀察。今天是《半導體行業觀察》爲您分享的第4023期內容，歡迎關注。『半導體第一垂直媒體』實時 專業 原創 深度公衆號ID：icbank喜歡我們的內容就點“在看”分享給小夥伴哦
(請各位謹慎甄別內容，自擔風險。)
2025-Jun-07
如果您希望可以時常見面，歡迎標星收藏哦~人工智能的進步依賴於指數級增長的人工智能超級計算機。自2010年以來，用於訓練最著名人工智能模型的計算量每年增長4.1倍，從而實現了先進聊天機器人、圖像生成和蛋白質結構預測等突破。這種訓練計算量的增長主要依賴於更大規模的人工智能超級計算機，這些計算機現在包含超過10萬個AI芯片，硬件成本達數十億美元，並且消耗相當於一箇中等城市用電量的電力。我們通過系統地收集2019年至2025年的公開數據，彙編了一箇包含全球500多臺人工智能超級計算機的數據集。我們將人工智能超級計算機定義爲使用AI芯片的系統，該系統在其首次投入運營時達到了領先人工智能超級計算機至少1%的計算性能。通過將總性能與公開的AI芯片生產和銷售估算進行比較，我們估計我們的數據集涵蓋了現有AI超級計算機總容量的10-20%。領先人工智能超級計算機的計算性能每9個月翻一番，這得益於更多和更好的AI芯片的部署（圖1）。兩個關鍵因素推動了這一增長：芯片數量每年增加1.6倍，以及每個芯片的性能每年提高1.6倍。雖然在2019年擁有超過1萬個芯片的系統很少見，但到2024年，各公司部署的人工智能超級計算機的規模是當時的十倍以上，例如xAI擁有20萬個AI芯片的Colossus。圖1：領先人工智能超級計算機的性能（以16位精度的FLOP/s計）每9個月翻一番（年增長率爲2.5倍）領先人工智能超級計算機的電力需求和硬件成本每年翻一番。人工智能超級計算機的硬件成本每年增長1.9倍，而電力需求每年增長2.0倍。因此，截至2025年3月，性能最強的人工智能超級計算機，即xAI的Colossus，其估計硬件成本爲70億美元（圖2），電力需求約爲300兆瓦——相當於25萬戶家庭的用電量。在電力需求大幅增長的同時，人工智能超級計算機的能源效率也更高了：每瓦計算性能每年提高1.34倍，這幾乎完全歸功於更節能芯片的採用。如果觀察到的趨勢持續下去，到2030年6月，領先的人工智能超級計算機將需要200萬個AI芯片，硬件成本將達到2000億美元，電力需求將達到9GW。歷史AI芯片生產的增長以及像5000億美元的“星際之門計劃”（Project Stargate）這樣的重大資本投入表明，前兩個要求很可能能夠滿足。然而，9GW的電力相當於9個核反應堆的發電量，這超出了任何現有工業設施的規模。爲了克服電力限制，各公司可能會越來越多地採用分佈式訓練方法，這將使他們能夠將訓練任務分佈在多箇地點的人工智能超級計算機上進行。圖2：領先人工智能超級計算機的成本（以2025年美元計）大約每年翻一番公司現在主導着人工智能超級計算機。隨着人工智能發展吸引了數十億美元的投資，各公司迅速擴大其人工智能超級計算機的規模，以進行更大規模的訓練。這導致領先的行業系統性能每年增長2.7倍，遠高於公共部門系統每年1.9倍的增長率。除了更快的性能增長外，各公司還迅速增加了他們部署的人工智能超級計算機的總數，以服務於快速增長的用戶羣。因此，工業界在人工智能總計算力中的份額從2019年的40%飆升至2025年的80%，而公共部門的份額則降至20%以下（圖3）。圖3：公共部門與私營部門人工智能超級計算機總性能份額隨時間的變化美國擁有75%的人工智能超級計算機，其次是中國。美國約佔人工智能超級計算機總性能的四分之三，中國以15%位居第二（圖4）。與此同時，英國、德國和日本等傳統的超級計算強國在人工智能超級計算機領域的作用已變得微不足道。這種轉變反映了總部位於美國的的大型公司在人工智能開發和計算領域的主導地位。然而，鑑於我們數據庫中的許多系統都可以遠程使用，例如通過雲服務，人工智能超級計算機的地理位置並不一定決定誰在使用計算資源。圖4：按國家劃分的AI超級計算機計算性能份額隨時間的變化。我們展示了在任何時間點份額超過3%的所有國家我們將在本次發佈後不久發佈我們的數據集以及相關文檔。我們的數據將成爲Epoch AI的AI數據中心的一部分，並將定期更新維護。引言自2010年深度學習時代開始以來，用於訓練著名AI模型的計算資源（算力）以每年4-5倍的速度增長（Sevilla & Roldan, 2024）。這種指數級的增長一直是許多領域（如大型語言模型或圖像生成（Erdil & Besiroglu, 2022; Ho et al., 2024））人工智能能力提升的主要驅動力。這種算力增長的大部分是由更大、更高性能的AI超級計算機推動的（Hobbhahn et al., 2023; Frymire, 2024）。鑑於人工智能超級計算機對人工智能發展的重要性，系統地收集相關數據能夠幫助我們更好地理解其硬件成本、電力需求和全球分佈等趨勢。這種分析對政策制定者具有重要意義，因爲算力既是人工智能進步的推動力，也是潛在的治理工具（Sastry et al., 2024; Khan & Mann, 2020）。例如，關於人工智能超級計算機在各國分佈的信息能夠幫助政府評估其在人工智能領域的國家競爭力，而電力需求增長的數據則有助於電網規劃。然而，儘管人工智能算力非常重要，但目前尚不存在關於特定於人工智能的超級計算機的全面數據集。諸如Top500榜單或MLPerf基準測試等資源依賴於自願提交，因此缺乏足夠的數據來可靠地分析趨勢（Top500,）。與此同時，用於商業智能的數據庫（如SemiAnalysis的數據中心模型）不公開用於分析，並且側重於當前的系統而非歷史趨勢（SemiAnalysis, 2024）。我們試圖通過收集各種公共來源的數據，建立一箇包含2019年至2025年間500臺人工智能超級計算機的數據集來彌補這一差距。我們利用這個數據集來研究幾個關鍵趨勢：人工智能超級計算機性能的增長、硬件成本、功耗以及人工智能超級計算能力在國家和部門之間的分佈。方法人工智能超級計算機的定義我們將人工智能超級計算機定義爲可以支持訓練大規模人工智能模型，並部署在同一園區內的計算機系統。我們使用兩個標準來評估給定的系統是否可以支持訓練大規模人工智能模型：1. 該系統包含可以加速人工智能工作負載的芯片，例如英偉達的V100、A100、H100和GB200，谷歌的TPU，以及其他常用於訓練前沿人工智能模型的芯片。爲了評估給定的芯片是否適用於大規模人工智能訓練，我們使用了Hobbhahn等人（2023）創建的機器學習硬件數據集。如果某個芯片不在該數據集中，如果它具有以下特徵，我們將其視爲人工智能芯片：支持人工智能訓練中常用的精度，例如FP16或INT8。具有專用於矩陣乘法的計算單元，例如英偉達GPU中的張量核心。具有高帶寬內存（HBM）或其他能夠實現高內存帶寬的內存類型。曾用於訓練Epoch AI（2025）的著名人工智能模型數據集中的模型。2. 該系統在人工智能相關精度上具有較高的理論計算性能。由於硬件改進速度很快，我們使用移動定義，並且只包括在當時至少具有現有性能最強人工智能超級計算機1%性能的系統。爲了平衡數據收集工作和代表性，我們將數據收集的範圍限制在大約6年，從2019年初到2025年2月。我們將在https://epoch.ai/data/ai-supercomputers上維護數據集，並將其與Epoch AI的Data on AI hub集成。數據收集我們使用谷歌搜索API、現有（AI）超級計算機的彙編以及手動搜索來收集2019年至2025年間501臺領先人工智能超級計算機的數據集。我們還涵蓋了2019年之前的225個額外系統，總計726臺人工智能超級計算機。我們最重要的來源是公司公告、包含大量GPU的Top500條目以及Epoch AI（2025）的著名AI模型數據集。對於每個潛在的人工智能超級計算機，我們手動搜索詳細信息，例如系統使用的芯片數量和類型、首次投入運營的時間、報告的性能、所有者和位置。我們估計我們的數據集涵蓋了到2025年生產的所有AI芯片總性能的約10%，以及截至2025年初最大公司的AI芯片庫存的約15%。截至2025年3月，我們的數據集涵蓋了Epoch AI著名模型數據集中25個最大規模訓練任務所用系統的大約一半（Epoch AI, 2025）。分析我們將收集到的數據與Epoch AI的機器學習硬件數據相結合，以估算我們數據庫中系統的總性能、硬件成本和電力需求（Epoch AI, 2024; Hobbhahn et al., 2023）。我們篩選了數據集，得到2019年1月1日至2025年3月1日期間389個高確定性、已確認運行的系統。然後，我們對研究期間首次運行時在全球16位FLOP/s性能排名前十的57臺人工智能超級計算機的關鍵指標進行了迴歸分析。我們分析的指標包括計算性能、芯片數量、電力需求、能源效率和硬件成本。我們進一步評估了數據集中所有人工智能超級計算機（包括2019年之前的系統，總計470個系統）的總性能在不同部門和國家之間的分佈情況。結果我們首先評估了數據集中領先人工智能超級計算機在性能、電力和硬件成本方面的增長情況。然後，我們考察了數據集中人工智能超級計算機在私營部門與公共部門以及不同國家之間的分佈情況。領先人工智能超級計算機的計算性能每九個月翻一番2019年至2025年間，領先人工智能超級計算機的計算性能每年增長2.5倍（圖5）。僅考慮公司擁有的人工智能超級計算機時，性能增長速度甚至更快（3.1.3節）。性能的快速增長使得2025年3月領先的系統，即xAI的Colossus，其性能達到了2019年領先的人工智能超級計算機——橡樹嶺國家實驗室的Summit的50多倍。我們在2017年和2018年發現了幾臺大型人工智能超級計算機，其性能顯著高於我們2018年之後的結果所顯示的趨勢。目前尚不清楚這在多大程度上反映了我們數據集的覆蓋不足，或者這些是否確實是直到2021年部署的最大系統。我們在4.1節中討論了這些早期系統主要用於科學研究，而不是用於進行大規模訓練，因此可能無法與後來的系統直接比較。圖5：排名前十的領先人工智能超級計算機的性能（以16位精度FLOP/s計）每年增長2.5倍（90%置信區間（CI）：2.4–2.7倍）。我們從2019年開始迴歸分析，但考慮了2019年之前的人工智能超級計算機，以確定哪些系統在2019年初排名前十。我們2019年之前的數據有限，無法納入迴歸分析。我們突出顯示了一些值得注意的系統。性能提升依賴於使用更多和更好AI芯片的人工智能超級計算機(1) 每年2.5倍的性能增長主要源於兩個大致相等的因素：AI芯片數量的增加和每個芯片性能的提高。首先，性能最高的人工智能超級計算機中的芯片數量每年增加1.6倍（圖12）。2019年1月，橡樹嶺國家實驗室的Summit擁有最高的芯片數量，爲27,648個NVIDIA V100芯片。到2025年3月，xAI的Colossus擁有所有已知系統中最高的芯片數量，爲20萬個NVIDIA H100和H200芯片。將2019年之前的系統納入迴歸分析可能會導致較低的增長率。然而，由於我們的數據收集只追溯到2019年，我們無法可靠地進行此項分析。其次，性能最高的人工智能超級計算機中每個芯片的計算性能每年提高1.6倍。在我們的研究期間，有三個值得注意的芯片代系。2019年至2021年間，NVIDIA的V100是最主要的芯片，佔已安裝性能的90%以上。2021年，NVIDIA的A100開始變得突出，並在2023年成爲最主要的芯片，而AMD的MI250X和谷歌的TPU v4僅佔少數份額。2023年，NVIDIA的H100變得更加普及，到2024年7月，在我們數據集中超過了總性能的50%。領先人工智能超級計算機每個芯片計算性能的1.6倍（90%置信區間：1.5–1.7）的提升略快於FP32精度下AI芯片性能每年提升1.28倍（90%置信區間：1.24–1.32）和FP16精度下每年提升1.38倍（90%置信區間：1.28–1.48）的總體趨勢（Rahman, 2025; Hobbhahn et al., 2023）。這種差異可能源於人工智能超級計算機主要採用領先的AI芯片，而不是平均性能的芯片。圖6：領先人工智能超級計算機中的AI芯片數量每年增長1.6倍（90%置信區間：1.5–1.8倍）。我們從2019年開始迴歸分析，但也收集了更早的數據，以確定哪些2019年的人工智能超級計算機位列前十。我們2019年之前的數據有限，無法納入迴歸分析。完整方法見第2節。(2) 人工智能超級計算機的性能增長速度超過了傳統超級計算機Benhari等人（2024）發現，1994年至2023年間，最大的Top500超級計算機的64位性能每年增長1.45倍。這一增長率使得排名前十的人工智能超級計算機的性能增長速度顯著快於Top 500頂級機器的歷史趨勢。兩個因素可能導致了這種差異：特定於AI的芯片和更快的投資增長。首先，AI芯片的性能已經超過了CPU的性能（Hobbhahn et al., 2023）。這是因爲AI計算工作負載的特性與傳統計算不同，這使得AI芯片設計者能夠優化並行矩陣運算的性能，從而導致AI芯片的性能提升速度顯著快於CPU的性能（Hobbhahn et al., 2023）。其次，對人工智能超級計算機的投資增長速度快於對傳統超級計算機的投資增長速度。Top 500榜單歷史上主要由政府資助的項目構成，這些項目的預算增長緩慢。然而，我們的人工智能超級計算機數據集主要包含大型公司擁有的系統，這些公司在2020年代迅速增加了對人工智能超級計算機的投資（Cottier et al., 2024）。(3) 私營行業的人工智能超級計算機已經超越了政府或學術界2019年至2025年3月期間，公司擁有的領先人工智能超級計算機的性能每年增長2.7倍。與此同時，政府和學術機構擁有和資助的領先人工智能超級計算機的性能增長速度明顯較慢，每年僅增長1.9倍（p = 0.022）。目前已知最大的公共人工智能超級計算機——勞倫斯利弗莫爾國家實驗室的El Capitan，其計算性能僅爲目前已知最大的工業界人工智能超級計算機——xAI的Colossus的22%。我們將在4.4節討論這種從公共部門到私營部門的轉變。圖7：私營部門（公司）與公共部門（政府和學術界）擁有的領先人工智能超級計算機的性能。領先的公共部門系統最初規模較大，但未能跟上工業界系統的發展速度，工業界系統每年增長2.7倍（90%置信區間：2.5–2.9倍），而公共部門系統每年僅增長1.9倍（90%置信區間：1.6–2.2倍）。請注意，我們排除了由公共和私營機構共同資助和擁有的人工智能超級計算機。(4) 人工智能超級計算機的增長速度與最大規模訓練任務每年4-5倍的增長速度保持一致Sevilla & Roldan（2024）發現，2018年至2024年間，最大人工智能模型的訓練算力每年增長4.2倍（90%置信區間：3.6–4.9倍）。這與我們觀察到的人工智能超級計算機性能增長相符，在我們考慮了訓練時長增加的情況下。在圖8中，我們展示了最大人工智能訓練任務所需的計算性能，以及我們數據集中領先人工智能超級計算機的性能。我們只考慮了運行絕大多數人工智能訓練任務的工業界系統（Besiroglu et al., 2024）。爲了計算訓練任務所需的性能，我們將訓練所需的FLOP數除以訓練時長（以秒爲單位），並根據40%的平均性能利用率進行調整（Sevilla et al., 2022）。2019年至2025年間，最大的工業界人工智能超級計算機始終達到最大人工智能訓練任務所需計算性能的10倍（不包括最終訓練運行之前實驗所需的計算量）。雖然最大訓練任務所需的系統增長速度略快於領先的人工智能超級計算機（3.4倍 vs 3.0倍），但我們發現這兩個趨勢之間沒有統計學上的顯著差異（p=0.18）。因此，如圖9所示，人工智能超級計算機的增長與訓練算力的增長保持一致。圖8：最大工業界人工智能超級計算機的計算性能以及最大已報告人工智能訓練任務所需的性能（Epoch AI, 2025）。爲了估算這些訓練任務所需的人工智能超級計算機規模，我們假設GPU利用率爲40%，並使用可用的聲明訓練時長，或者根據最大人工智能模型的訓練時長迴歸估算值。我們從著名模型的發佈日期減去訓練時長，以更好地估計其訓練開始時間。鑑於著名模型數據集未報告訓練所用的數值精度，我們還報告了人工智能超級計算機的精度無關OP/s，考慮了32位、16位和8位數字格式下的最高可用性能。圖9：訓練算力增長驅動因素概述。“OOM”代表數量級。人工智能超級計算機指標基於私營部門系統以及跨精度的最高計算性能。領先人工智能超級計算機的電力需求每13個月翻一番我們根據報告的電力需求或（如果不可用）通過估算基於AI芯片數量和類型（包括額外的IT基礎設施，如CPU、網絡交換機，以及數據中心支持基礎設施，如冷卻和電源轉換）的電力需求來評估領先人工智能超級計算機的年度電力需求增長率。我們發現，2019年至2025年間，領先人工智能超級計算機的電力需求每年增長2.0倍。2019年1月，橡樹嶺國家實驗室的Summit擁有最高的電力需求，爲13兆瓦。2024年，首批系統的電力需求開始超過100兆瓦，到2025年3月，xAI的Colossus擁有最高的電力需求，估計爲300兆瓦。相比之下，這相當於25萬美國家庭的用電量（美國能源信息署，2024）。訓練前沿模型所需電力快速增長的情況已有充分記錄（Fist & Datta, 2024; Sevilla et al., 2024; Pilz et al., 2025）。我們將在4.2.3節討論這種趨勢是否能夠持續。圖10：領先的10臺人工智能超級計算機的峯值數據中心電力需求每年翻一番（90%置信區間：每年1.6–2.2倍）。我們在有報告的情況下顯示報告的電力需求。否則，我們根據所用芯片的數量和類型估算容量。(1) 領先人工智能超級計算機的能源效率每年提高1.34倍我們計算人工智能超級計算機的能源效率，單位爲每瓦FLOP/s（16位精度），包括硬件和數據中心的電力需求。爲了計算效率，我們將FLOP/s的計算性能除以報告或估計的瓦特數據中心電力需求。數據中心級別的能源效率包括服務器、額外的集羣組件（如網絡交換機）以及支持基礎設施（如冷卻和電源轉換）。我們發現，2019年至2025年間，人工智能超級計算機的能源效率每年提高1.34倍（圖11）。在計算性能保持不變的情況下，人工智能超級計算機每年所需的能源減少約25%。這與Benhari等人（2024）在研究期間Top500中最節能超級計算機的能源效率每年提高1.31倍的情況大致一致。圖11：2019年至2025年間，排名前十的領先人工智能超級計算機的能源效率（每瓦16位FLOP/s）每年提高1.34倍（90%置信區間：1.25–1.43倍）。新芯片的採用是能源效率提高的主要驅動因素，而數據中心基礎設施效率僅發揮了次要作用。我們在有報告的情況下使用報告的電力需求，否則使用估計的電力需求。人工智能超級計算機的能源效率提升可能來自兩個方面：硬件效率的提升和數據中心基礎設施（如冷卻）效率的提升。硬件效率的提升主要源於AI芯片的改進，但也包括CPU、網絡交換機和存儲等其他硬件的改進。我們通過假設人工智能超級計算機所在數據中心的能源效率遵循Shehabi等人（2024）報告的行業範圍內的電源使用效率（PUE）趨勢來建模其改進。PUE是提供給硬件的電力除以提供給數據中心的電力的商。理想的PUE爲1.0表示所有輸送到數據中心的電力都直接用於硬件，而沒有電力在電壓轉換中損失或用於冷卻和其他操作（Pilz & Heim, 2023）。圖11顯示，每次有新的AI芯片可用時，能源效率都會顯著提高。與此同時，PUE的改進速度較慢，並且在我們的估計中已經接近1.0的理想值，導致每年的效率提升不到5%（Shehabi et al., 2024）。因此，能源效率的提高主要歸功於人工智能超級計算機採用了更節能的硬件。領先人工智能超級計算機的硬件成本每年翻一番我們基於公開報告的成本數據或（如果不可用）通過根據所用芯片的數量和公開可用的價格數據估算總硬件成本來分析領先人工智能超級計算機硬件成本的年度增長情況。我們進一步包括了諸如CPU和網絡交換機等額外硬件的估計成本，但不包括髮電或數據中心建設成本。我們對所有數值進行通貨膨脹調整，以顯示2025年1月的美元成本。我們的成本估算與所有者報告的數值存在顯著差異，但這可能是因爲報告的數值主要來自公共項目，這些項目通常在硬件採購方面獲得更高的折扣。我們發現，2019年至2025年間，領先人工智能超級計算機的硬件成本每年增長1.9倍。我們有限的2019年之前的數據表明，在我們的研究期間之前，超過1億美元的硬件成本並不少見，例如橡樹嶺國家實驗室的Summit在2025年美元的成本約爲2億美元。截至2025年3月，最昂貴的人工智能超級計算機是xAI的Colossus，其估計硬件成本爲70億美元。圖12：領先人工智能超級計算機（按16位性能排序）首次投入運營時的硬件成本從2019年到2025年以每年1.9倍的速度增長（90%置信區間：每年1.8–2.1倍）。我們使用報告的成本，如果不可用，則使用改編自Cottier等人（2024）的硬件購置成本公式來建模成本。我們將所有數值調整爲2025年美元以反映通貨膨脹。領先人工智能超級計算機硬件成本每年1.9倍的增長速度低於Cottier等人（2024）報告的總訓練成本每年2.4倍（90%置信區間：2.0–2.9倍）的增長速度。這種差異歸因於兩個因素：首先，前沿模型的訓練時長每年延長1.4倍（Frymire, 2024），這意味着訓練任務使用同一臺人工智能超級計算機的時間更長，即使人工智能超級計算機的成本保持不變，也會增加攤銷成本。其次，研究人員成本是人工智能開發中佔比很大且不斷增長的部分，但不會影響人工智能超級計算機的硬件成本（Cottier et al., 2024）。我們的數據覆蓋範圍的侷限性在分析人工智能超級計算機在部門和國家之間的分佈之前，我們強調我們數據集的兩個重要侷限性：a) 我們僅捕獲了符合我們定義的所有人工智能超級計算機的10%到20%。具體來說，我們估計我們的數據集涵蓋了2023年和2024年生產的所有相關AI芯片的約10%，以及截至2025年初最大公司的芯片庫存的約15%。截至2025年3月，我們的數據集涵蓋了Epoch AI（2025）中25個最大規模訓練任務所用系統的大約一半。較低的覆蓋率意味着我們的數據精度有限，單個系統的添加可能會顯著改變整體分佈。b) 不同部門、芯片類型和公司的覆蓋水平可能存在顯著差異。例如，我們捕獲了Meta公司約一半的人工智能超級計算機總性能，而沒有捕獲任何蘋果公司的人工智能超級計算機。由於政府往往對其項目更加透明，我們可能比行業系統更好地覆蓋了政府人工智能超級計算機。鑑於這些侷限性，我們側重於人工智能超級計算機在部門和國家之間的分佈，因爲儘管我們的覆蓋率較低，這兩者都提供了可靠的見解：所有權從公共部門向私營部門的轉變是我們整個數據集中的一箇顯著且穩健的影響。我們的國家層面數據可能比較可靠，因爲我們能夠與其他數據進行交叉覈對（見附錄C.3）。與此同時，我們不分析特定AI芯片類型或個別公司的分佈情況，因爲這些更容易受到我們數據集中覆蓋偏差的影響。公司現在擁有大多數人工智能超級計算機對於我們數據集中的每臺人工智能超級計算機，我們將所有者分爲三類之一：私營：所有者是公司公共：所有者是政府實體或大學公私合營：人工智能超級計算機有多箇屬於這兩個部門的所有者，或者如果一箇私人項目獲得了超過25%的總資金來自政府我們發現，私營部門的計算份額從2019年不到40%迅速增加到2025年的約80%（圖13），而公共人工智能超級計算機的份額從2019年的約60%迅速下降到2025年的約15%。鑑於公司不太可能像公共所有者那樣公開其系統的數據，我們的數據甚至可能低估了這種轉變。然而，請注意，鑑於許多人工智能超級計算機通過雲服務提供，公共部門實體可能仍然能夠訪問私營部門的人工智能超級計算機。在4.1節中，我們討論了人工智能開發和部署的經濟重要性日益增加如何可能導致私營部門份額的快速增長。圖13：基於人工智能超級計算機所有者的公共和私營部門的相對性能份額。一臺人工智能超級計算機可能擁有多箇所有者（例如，如果它是一箇合作項目，或者如果政府資助了一箇行業項目）。美國佔全球人工智能超級計算機性能的大部分，其次是中國在分析跨國家的分佈時，我們發現在2019年初，美國約佔我們數據集中計算性能的70%，而中國約佔20%（圖14）。2019年至2022年間，中國的份額顯著增長，在2022年初達到約40%，儘管我們不確定這是否反映了真實的趨勢，還是我們較低數據覆蓋率造成的假象。此後，中國的份額有所下降；截至2025年3月，按性能計算，美國擁有約75%的人工智能超級計算機，而中國約佔15%。圖14：我們數據集中人工智能超級計算機按國家劃分的聚合16位計算能力份額隨時間的變化。我們展示了在任何時間點份額超過3%的所有國家。截至2025年3月，我們數據集中所有在美國運行的人工智能超級計算機的總性能相當於85萬個H100（9.1×102? FLOP/s），其次是中國，相當於11萬個H100（1.9×102? FLOP/s），歐盟相當於5萬個H100（5.6×101? FLOP/s）（圖15）。因此，美國的總計算性能幾乎是中國大陸的9倍，是歐盟總性能的17倍。圖15：按國家劃分的人工智能超級計算機總性能（以H100當量計）。要將系統的性能轉換爲H100當量，我們首先取其AI芯片支持的最低精度的性能（考慮32位、16位和8位），然後除以H100的8位性能。在本節中，我們首先討論是什麼導致了人工智能超級計算機性能和資源需求的快速增長。然後，我們將這些趨勢外推到2030年，並簡要討論芯片數量、電力和硬件成本的增長是否能夠持續。我們進一步討論了人工智能超級計算機在各國分佈的地緣政治影響，以及人工智能超級計算機工業界份額的增加可能如何影響人工智能研究。人工智能算力的快速增長既依賴於人工智能產業日益增長的經濟重要性，也促進了這種重要性的提升我們觀察到的人工智能超級計算機性能的快速增長主要由人工智能投資的激增驅動。雖然芯片設計和製造方面的傳統改進也促進了這一增長（Roser et al., 2023; Hobbhahn et al., 2023），但人工智能超級計算機的增長速度遠快於傳統人工智能超級計算機（第3.1.2節）。這種加速反映了人工智能超級計算機的主要用例發生了根本性的轉變，從用於科學發現的學術工具轉變爲運行具有經濟價值的工作負載的工業機器。2019年，最大的人工智能超級計算機主要由政府超級計算機主導，例如美國能源部的Summit和Sierra。這些系統旨在處理不同科學領域的各種工作負載並推進基礎研究（橡樹嶺國家實驗室，未註明日期）。然而，在2020年代初，各公司越來越多地使用人工智能超級計算機來訓練具有商業應用的人工智能模型，例如OpenAI的GPT-3和GitHub的Copilot集成（Brown et al., 2020; Dohmke & GitHub, 2021）。這些人工智能能力的展示導致了對人工智能投資的顯著增加，創造了對人工智能芯片的創紀錄需求（Our World in Data, 2024; Samborska, 2024; Richter, 2025）。隨着對人工智能投資的增加，各公司能夠構建性能更高、擁有更多和更好AI芯片的人工智能超級計算機。這形成了一箇良性循環：增加的投資實現了更好的人工智能基礎設施，從而產生了更強大的人工智能系統，吸引了更多的用戶和進一步的投資。因此，人工智能超級計算機的增長既是資金增加的結果，也是人工智能超級計算機展示其經濟價值後持續投資的原因。觀察到的趨勢能否持續？在第上文中，我們得出結論，人工智能超級計算機的增長速度與最大規模人工智能訓練任務中算力每年4-5倍的增長速度保持一致。本節將討論芯片、硬件成本和電力需求方面的趨勢持續到2030年意味着什麼。表1：基於當前最大的人工智能超級計算機和第3節描述的歷史增長率對趨勢進行的歷史數據和外推。僅使用工業界擁有的人工智能超級計算機的增長率將導致更高的外推值。外推值已四捨五入，以避免暗示精確性。(1) 到2030年，最大的人工智能超級計算機可能需要兩百萬個芯片如果AI芯片的數量繼續以每年1.6倍的速度增長，那麼到2030年，最大的人工智能超級計算機將需要大約200萬個AI芯片（表1）。Sevilla等人（2024）估計，到2030年，AI芯片的產量每年可能增長1.3倍到2倍。從目前的芯片產量外推來看，這意味着2030年的年產量將達到740萬到1.44億個AI芯片。如果到2030年，最大的人工智能超級計算機使用了200萬個AI芯片，那麼它將需要全球年AI芯片產量的1%到27%，這表明如果AI芯片(2) 到2030年，最大的人工智能超級計算機的硬件成本可能約爲2000億美元如果領先人工智能超級計算機的硬件成本繼續以每年1.9倍的速度增長，那麼到2030年，領先系統的硬件成本將約爲2000億美元（以2025年美元計）。這還不包括數據中心設施的成本，後者可能約爲每GW100億美元，從而使購置成本再增加900億美元（Pilz & Heim, 2023）。當前的AI基礎設施已經接近這個規模：2025年，微軟宣佈計劃在全球範圍內投資800億美元用於AI基礎設施，而亞馬遜雲科技（AWS）宣佈計劃投資超過1000億美元（Smith, 2025; Gonsalves, 2025）。與此同時，OpenAI宣佈計劃在四年內爲“星際之門”項目投入高達5000億美元（OpenAI, 2025）。這些公告與到2030年單個項目2000億美元的硬件成本是相符的，尤其是在預計AI投資將持續增長的情況下（Zoting, Shivani, 2025; IDC, 2025; Grand View Research, 2024）。(3) 到2030年，最大的人工智能超級計算機可能需要9GW的電力如果人工智能超級計算機的電力需求繼續以每年2.0倍的速度增長，那麼到2030年，領先的人工智能超級計算機將需要大約9GW的電力（表1）。這略高於Sevilla等人（2024）外推的6GW，並且與Pilz等人（2025）對2030年運行最大規模訓練任務的人工智能超級計算機的估計相符。目前最大的數據中心園區的容量爲數百兆瓦，截至2025年初，尚未公開報道有超過1GW的現有園區。雖然到2028年建成一箇2GW的人工智能超級計算機可能是可行的，但到2030年建成一箇容量爲9GW的系統將需要相當於9個核反應堆的發電量，並且可能面臨嚴重的許可和設備供應鏈挑戰，以及當地社區反對等其他潛在挑戰（Pilz et al., 2025）。由於難以獲得足夠的電力，各公司可能會越來越多地使用分佈式訓練技術，使其能夠將訓練任務分佈在多箇地點的人工智能超級計算機上進行。據報道，一些著名的訓練任務，包括谷歌DeepMind的Gemini 1.0和OpenAI的GPT-4.5，已經跨多箇AI超級計算機進行訓練。(4) 結論：電力限制可能成爲持續增長的主要制約因素電力限制很可能成爲人工智能超級計算機增長的主要瓶頸，推動訓練向跨多箇站點的分佈式訓練轉變。這種演變可能會改變我們衡量人工智能訓練能力的方式——從關注單個AI超級計算機轉向評估公司的總計算能力。雖然芯片生產和硬件成本趨勢在2030年之前似乎是可持續的，但所有這些趨勢的持續最終取決於AI應用是否能帶來足夠的經濟價值，以證明基礎設施擴張所需的大規模投資是合理的。美國在全球人工智能超級計算機分佈中佔據主導地位本節討論美國的主導地位很可能源於其在相關產業的領先地位，並且鑑於美國既定的政策以及對關鍵AI芯片生產瓶頸的控制，這種主導地位很可能會持續下去。(1) 美國的主導地位源於在雲計算和人工智能開發領域的領先地位根據我們的數據，目前約75%的AI超級計算機性能位於美國（圖14）。在曾經在公共超級計算領域發揮重要作用的國家（如英國、德國或日本）的重要性下降的同時，美國是如何在AI超級計算機領域佔據如此主導地位的？美國的主導地位很可能直接源於AI超級計算機日益商業化並由公司（而非政府或學術界）主導，而這些公司主要位於美國，這是由於其在先前技術中的主導地位所致。這種優勢在雲計算基礎設施中顯而易見，2019年，僅亞馬遜雲科技（AWS）、微軟和谷歌這三大領先的美國雲計算公司就佔據了全球市場份額的68%（Gartner, 2020）。美國公司在關鍵AI進步方面也發揮了主導作用，包括推薦系統、AlphaFold等科學應用以及ChatGPT等LLM聊天機器人。總體而言，在Epoch AI（2025）記錄的476個著名AI模型中，美國公司參與開發了338個，並訓練了其中25個最大AI模型中的18個（按訓練算力計算）。雖然關於AI應用全球市場份額的可靠數據有限，但創紀錄的用戶增長可能表明美國公司在用戶總數方面也處於領先地位。(2) 美國很可能將繼續在人工智能超級計算機領域保持領先地位美國不僅在人工智能開發和雲服務提供方面佔據主導地位，而且在AI芯片的設計以及半導體制造的若干關鍵投入方面也處於領先地位。美國政府此前已利用其在AI芯片領域的主導地位對向中國出口AI芯片和關鍵設備實施出口管制，並引入了一項AI擴散框架，該框架對向非美國親密盟友國家出口AI芯片設置了條件。與此同時，一些挑戰可能會限制美國在AI超級計算機領域的主導地位：電力需求：無論是在AI超級計算機所需的電力方面，還是在主要用於推理而部署的AI芯片總數方面，AI的電力需求都在大規模增長。美國在增加足夠的發電能力以維持當前AI數據中心增長速度方面正面臨重大挑戰。外國政府對主權基礎設施的投資：一些政府已開始投資於本地AI基礎設施，例如法國、英國、沙特阿拉伯和阿聯酋。然而，與領先的美國AI超級計算機相比，這些項目大多規模較小。此外，鑑於美國對AI芯片生產的控制，如果這些項目威脅到美國在計算領域的主導地位，美國可能會阻止這些項目獲得芯片。來自中國的競爭：中國政府和中國公司正在大力投資AI基礎設施，但由於無法進口領先的美國AI芯片，該國依賴性能較差的美國或國產AI芯片。有限的AI芯片獲取渠道使得建立大型AI超級計算機的成本更高，並限制了中國的項目總數。到目前爲止，中國自主生產AI芯片的努力因無法生產或進口DUV和EUV光刻機等關鍵設備而受到嚴重阻礙，而這些設備的生產極具挑戰性。總而言之，美國在AI模型開發和雲計算領域處於領先地位，並控制着半導體供應鏈中的關鍵瓶頸。再加上美國政府推進美國AI領導地位的既定政策，這使我們得出結論，至少在未來六年內，美國很可能將繼續在AI超級計算機領域保持領先地位。私營部門主導地位增強的後果我們發現公司擁有越來越大份額的AI超級計算機，這與先前報道的一箇趨勢相符：AI研究越來越由大型公司而非學術或政府機構主導。Besiroglu等人發現，學術機構在大型機器學習模型中的份額急劇下降，從2012年的約65%降至2023年的僅10%。AI超級計算機所有權從公共部門向私營部門的轉變很可能是由於其經濟重要性日益增加（第4.1節），這迅速增加了私人AI投資。更多的投資使得公司能夠建造像xAI的Colossus這樣昂貴的系統，其估計硬件成本爲70億美元。與此同時，最昂貴的政府項目，Frontier和El Capitan，每個僅耗資6億美元。此外，政府通常只建造少量系統用於研究目的。然而，主要的科技公司通常建造數十臺AI超級計算機，因爲它們不僅要訓練更大的模型，還要爲全球數百萬用戶提供服務。AI超級計算機所有權從公共部門向私營部門的這種轉變對AI研究產生了兩個重要後果：學術研究人員的訪問受限以及AI開發和部署的可見性降低。學術研究人員的訪問受限： AI超級計算機集中在工業界減少了學術研究人員對前沿計算資源的訪問，而學術研究人員歷史上爲AI的進步做出了貢獻，並提供了獨立的評估和審查。系統的所有權本身並不決定計算資源的訪問權限，因爲研究人員可以通過雲計算公司租用AI超級計算機。然而，即使是短時間租用大量AI芯片（超過幾千個）對於學術研究人員來說仍然可能過於昂貴，迫使他們依賴較小、功能較弱的模型。缺乏可見性：隨着公司現在運營着領先的AI超級計算機，它們已成爲前沿AI進步的主要驅動力，將政府和學術實驗室降爲輔助角色。由於公司通常對其研究不太公開，政府可能越來越難以跟蹤AI模型的能力提升。此外，鑑於計算資源對於AI開發和部署的重要性，一箇國家頂級AI超級計算機的規模和數量越來越與其在AI領域的競爭力相關。由於公司控制着大多數系統，政府越來越缺乏關於其國家AI基礎設施規模的數據，這阻礙了政策制定者制定連貫的技術競爭戰略的能力。政府增加對AI開發和部署的可見性並更好地瞭解國家競爭力的一種選擇可能是要求公司報告其基礎設施的關鍵數據，例如其最大AI超級計算機的性能及其基礎設施的總規模。政府還可以收集其他國家AI計算能力的情報，使其能夠更好地瞭解自身的競爭地位，並可能更容易覈實未來潛在的國際AI協議。結論我們彙編了一箇包含2019年至2025年間500臺AI超級計算機的數據集，發現性能、芯片數量、電力需求和硬件成本都呈指數級增長。AI超級計算機性能的快速增長，加上訓練時長的增加，使得前沿AI模型的訓練算力每年增長4-5倍，這推動了AI能力的顯著進步，並進一步刺激了對基礎設施的投資。如果趨勢持續下去，到2030年，領先的AI超級計算機的硬件成本可能超過2000億美元，幷包含超過200萬個AI芯片。然而，預計9吉瓦的電力需求在單個地點難以滿足，很可能迫使公司採用跨多箇站點的分佈式訓練方法。我們的數據還揭示了AI超級計算機所有權的關鍵趨勢，公司在AI超級計算機總性能中的份額從2019年的40%增加到2025年的80%以上。這一發現強調了先前觀察到的工業界和學術界之間日益擴大的計算鴻溝。美國擁有全球約75%的AI超級計算機性能，並且很可能通過其對AI芯片供應鏈的控制保持這種主導地位。總而言之，AI超級計算機一直是AI進步的關鍵驅動力，並且是AI供應鏈的核心組成部分。我們的分析提供了關於AI超級計算機的增長模式、分佈和資源需求的寶貴信息。這些信息對於政策制定者以及更廣泛地理解AI的發展軌跡將變得越來越重要。感謝本文作者：Konstantin F.PilzJames SandersRobi RahmanLennart Heim半導體精品公衆號推薦專注半導體領域更多原創內容關注全球半導體產業動向與趨勢*免責聲明：本文由作者原創。文章內容系作者個人觀點，半導體行業觀察轉載僅爲了傳達一種不同的觀點，不代表半導體行業觀察對該觀點贊同或支持，如果有任何異議，歡迎聯繫半導體行業觀察。今天是《半導體行業觀察》爲您分享的第4023期內容，歡迎關注。『半導體第一垂直媒體』實時 專業 原創 深度公衆號ID：icbank喜歡我們的內容就點“在看”分享給小夥伴哦
(請各位謹慎甄別內容，自擔風險。)
This website contains Chinese text.
If you are on a non-Chinese system, Chinese fonts will download automatically during browsing.
Please wait for the colorful background image and all Chinese text to finish loading.
Mobile screens may truncate site content. For full‑content reference, use desktop display.
本網頁通過CDN cache緩存，顯示的版本不一定是最新內容。 | UTF-8 Encoding.
UDRP《統一域名爭議解決政策》第4條(c)(i)和第4條(c)(iii)的規定，本網站的域名登記人對有關域名有行使權或合法利益。
香港《域名爭議解決政策》第4條(d)(i)項的規定，本網站的域名登記人對有關域名有行使權或合法利益。
暫統計至2026年6月17日，本網站共141543篇文章和網頁。 | 本網站以及域名有 仲裁協議 (arbitration agreement)。
依據《伯爾尼公約 Berne Convention》、香港、中國內地的法律規定，本站對相應內容享有對應的版權。
本網站是「非商業」，"non-commercial"，沒有涉及商業利益，也沒有涉及商業競爭。本網站是私人個人性質。
如本站涉及法律問題或糾紛等，請及時email通知本站。 本網站外聘的法律顧問3的Email電郵： [email protected]
2026-Aug-21 03:25pm (UTC +8) | 請各位謹慎甄別內容，自擔風險。
2026 © skytop.hk.cn
