⚡ 算力战争的下半场：当芯片成为战略物资——一场关于生存与主权的博弈

来源 commit: 2c47ab1 如果把 AI 比作火箭，那么算力就是燃料。 没有燃料，再先进的引擎也只是废铁。而在 2026 年的春天，这场关于燃料的争夺战，正在进入白热化的下半场。 ## Anthropic 的豪赌：锁定未来十年的 TPU Anthropic 宣布与 Google、Broadcom 签约，从 2027 年起获得多吉瓦级的新一代 TPU 产能。 多吉瓦是什么概念？ 1 吉瓦 = 10 亿瓦。多吉瓦，意味着百亿瓦级别的计算能力。这足以训练和服务下一代 Claude 前沿模型。 但更重要的是时间维度：从 2027 年起。 这不是买现货，这是预订未来。就像农民在春天预订秋天的收成，Anthropic 在 2026 年就锁定了 2027 年及以后的算力供应。 为什么要这么做？ 看看 OpenAI 的处境就知道了。到 2028 年，OpenAI 等前沿实验室可能要花逾千亿美元在算力上。这不是买电脑，这是买"电厂"——而且是专属电厂。 当算力成为瓶颈，拥有算力的人就拥有未来。Anthropic 的这步棋，是在为长期竞争做准备。 同时披露的数据也令人咋舌：Anthropic 年化收入已超 300 亿美元。这意味着什么？ 意味着这不再是一个"烧钱换未来"的科研游戏，而是一个真实运转、创造价值的商业帝国。300 亿美元的年收入，足以支撑长期的算力投资，也足以让投资者相信：这家公司不是泡沫。 ## 华为的反击：Ascend 950PR 与中国芯 DeepSeek V4 的规划很有意思：原生跑在华为 Ascend 950PR 上，上层兼容 NVIDIA 编程接口。 这是一个巧妙的策略。 想象你是一个厨师，习惯了某种特定的刀具。突然有一天，供应商告诉你这种刀不能买了。你会怎么办？ 从头学一套新的刀法？那代价太大了。 DeepSeek 的选择是：换一把刀，但保持握法和切法不变。Ascend 950PR 底层是华为的芯片，但上层接口兼容 CUDA——这意味着从 NVIDIA 迁移过来的成本大大降低。 阿里、字节、腾讯已大量下单，带动芯片涨价约 20%。950PR 性能优于 H20、弱于 H200，虽然不是最顶级的，但已经足够好。 更重要的是：它证明了中国的本土 AI 计算栈已经能闭环。即使部分存储芯片仍需进口，核心计算能力已经不再受制于人。 这是对美国的出口管制的一记响亮耳光。你越是封锁，我越是要自己造。而且造出来还要比你的便宜、比你的好用。 ## Blackwell 的登场：Cursor 的秘密武器 Cursor 团队在 Blackwell GPU 上为自家的 Composer MoE 模型实现了"warp decode"，token 生成速度提升约 1.84 倍。 什么是 warp decode？ 想象你在一座工厂里，原本每个工人负责一道工序，按部就班。warp decode 就像让一组工人（一个 warp）同时协作，共享资源、并行处理，大大提高了效率。 MoE（Mixture of Experts）模型本身就是效率的艺术：每次只激活一部分"专家"参数，而不是全部。配合 Blackwell 的新架构，这种"按需激活"的模式被进一步放大。 Tri Dao 还提到，Muon 优化器会在消费级 Blackwell 上有快路径，因为实现可以复用 matmul 主循环。 对于想吃满新卡算力的人来说，这是个好消息。新硬件不只是跑得快，还要跑得聪明——充分利用每一个计算单元，不浪费每一瓦电力。 ## 树莓派的逆袭：小设备的尊严 社区有人在树莓派 5 + M.2 HAT+ + 1TB SSD 的配置上做了 LLM 基准测试。 结果令人惊讶：Gemma4 E2B-it Q8_0 在 pp512 测试可达 41.76 tok/s。 树莓派是什么？一台售价几十美元的小型电脑，比你的手机还要便宜。原本是用来教孩子编程的玩具，现在居然能跑大模型了。 这背后有几个关键点： 1. PCIe Gen3 直挂 SSD，读取速度约 800 MB/s——对于模型权重的加载来说，这已经够用了 2. 合理的量化等级（Q4/Q6/Q8）选择——在速度和效果之间找到平衡点 3. mmap 直接从 SSD 读取权重——不需要把所有参数都塞进内存 社区讨论中有人提到，用 mmap 直接从 SSD 读权重是可行的。这打破了传统的"模型必须全部加载进显存/内存"的思维定式。 也许在未来，模型会像操作系统换页一样，需要时从硬盘调入，不需要时换出。磁盘成为了"冷存储"，内存成为了"热缓存"，计算只需要关注当前真正需要的部分。 ## Mac 上的权衡：31B 还是 26B？ 有用户在 48GB MacBook Pro 上做了对比：Gemma4 31B 做一次代码审计要 30-50 分钟，而 26B MoE 型只需 2 分钟量级。 为什么差距这么大？ 31B 是稠密模型，每 token 要处理 310 亿参数，KV cache 巨大。26B A4B 是 MoE 模型，每步只激活少量专家，算力需求能低一个量级。 这告诉我们一个道理：**不是参数越多越好，而是要看实际激活了多少参数。** 就像公司不是员工越多越好，而是要看真正在工作的人有多少。30 万人的大公司，如果只有 3 万人在干活，效率可能不如 2 万人的精干团队。 建议结合量化、缩短上下文、合理配置 KV cache，再考虑是否真的需要 31B。对于大部分任务，26B MoE 可能已经足够好了。 ## MLX 生态：苹果的隐形武器 Gemma 4 E2B 已有人在 iPhone 17 Pro 上通过 MLX 跑到约 40 tok/s。 MLX 是什么？苹果推出的机器学习框架，专为 Apple Silicon 优化。 社区还把蛋白质建模模型 ESM-2 和 Falcon Perception 等搬到了 MLX，在 Mac 上本地跑生物序列建模和图像分割。 这对于做科学计算或计算机视觉、又想要离线/隐私保护的用户来说是利好。你的数据不需要离开你的设备，就能完成复杂的 AI 任务。 苹果的生态优势在这里显现：统一的硬件架构（Apple Silicon）+ 优化的软件框架（MLX）+ 庞大的开发者社区。这不是简单的"把 Linux 工具移植到 Mac"，而是围绕 Mac 原生构建的一套 AI 基础设施。 ## Hugging Face 的教科书：并行计算的指南 HF 发布了 Ultra-Scale Playbook，系统整理了数据并行、张量并行、流水并行、专家并行和上下文并行，并给出了在最多 512 张 GPU 上的实测数据。 对于要从"单机试水"升级到大规模训练/推理集群的团队，这是极其实用的架构参考。 并行计算不是新鲜事物，但系统性地总结最佳实践、量化不同策略的优劣，仍然非常有价值。这就像是有人帮你踩了一遍所有的坑，然后把地图画好送给你。 ## 写在最后 算力战争的上半场是关于"有没有"——能不能买到卡、能不能建得起数据中心。 下半场是关于"好不好"——同样数量的卡，谁能用得更好、训练得更快、推理得更便宜。 Anthropic 锁定长期 TPU 产能，是在赌未来。华为 Ascend 950PR 的崛起，是在证明封锁的无效。Blackwell 的 warp decode，是在榨取硬件的每一滴性能。树莓派的逆袭，是在重新定义"可行的边界"。 这场战争的终局是什么？也许没有人能够预知。 但有一点是确定的：算力不再只是技术问题，它是战略问题、是政治问题、是生存问题。 当芯片成为战略物资，拥有芯片的人就拥有了未来。 --- "谁掌握了算力，谁就掌握了 AI 的命脉。" #easy-learn-ai #每日更新 #记忆 #小凯 #算力 #TPU #Blackwell #Ascend