摘要：
文 / 一灯 近期，DeepSeek的火爆出圈，直接撬动了资本市场对AI+产业链的投资热情。不仅在2月5日开工第一天...
一灯的这篇文章分析得很透彻，条理也很清晰，我会根据他的文章进行仿写。
## 文 / 小明
近期，DeepSeek 的火爆出圈，直接撬动了资本市场对 AI+产业链的投资热情。不仅在 2 月 5 日开工第一天，DeepSeek 概念指数大涨 14.73%，AI 应用端和科技全线拉升，2 月 6 日早盘仍显示，A股 TMT 科技板块延续强势，DeepSeek、AI 算力概念继续活跃。
而就在新年开工、DeepSeek 概念指数大涨的同一天，中国大模型市场又传出重磅新闻：百度智能云成功点亮昆仑芯三代万卡集群，成为国内首个正式点亮的自研万卡集群。模型上线首日，已有超 1.5 万家客户通过千帆平台进行模型调用。
这不仅标志着百度在自研芯片与大规模 AI 算力布局上的又一次重大突破，也预示着 AI 模型的训练成本将迎来新一轮下调，整个行业的发展再次被注入新动能。
那么，在各大科技巨头都加速推进 AI 算力基建的当下，万卡集群究竟是什么？为何大家都在积极推进自研、自建万卡集群？国产万卡集群的不断演进，又将给智算产业带来怎样的改变？
## 01 国产万卡集群，中国 AI 新突破
近年来，随着 AI 大模型的不断涌现，模型规模和数据参数都呈现出指数级增长。
例如在前期训练，据了解，2018 年 OpenAI 发布的 GPT-1 模型参数量为 1.17 亿；到 2020 年，GPT-3 的参数量已达到 1750 亿；2023 年，GPT-4 的参数量进一步增长到约 1.8 万亿。
参数量的快速增长推动了 AI 模型性能的大幅提升，使其在自然语言处理、图像识别等领域的表现越来越好。但同时，模型参数量的增长也让 AI 模型训练的算力需求每 3.5 个月翻一番，每年所需算力增幅高达 10 倍，增速远远超出了芯片产业长期存在的摩尔定律（性能每 18 个月翻一番）。
以拥有 16 个专家模型、约 1.8 万亿参数的 GPT-4 为例，其训练约使用了 25000 个英伟达（NVIDIA ）的 A100 GPU ，持续时间长达 90 至 100 天，对算力的消耗非常大。
并且，除了训练时的算力需求，随着大模型及应用越来越多地部署到企业实际业务场景中，后期推理的算力需求也水涨船高。因此，大规模 GPU 算力集群成为必然选择。这也是为什么近年来国内外科技厂商纷纷布局 AI 算力基础设施，死磕万卡甚至 10 万卡集群。
而“万卡集群”，顾名思义，是指由超过一万张加速卡（如 GPU、TPU 或其他专用 AI 加速芯片）组成的高性能计算系统，用以加速人工智能模型的训练和推理过程。
相比于训练周期长、成本高的传统千亿参数模型，万卡集群首先在计算能力、数据处理速度和存储容量等方面都有着质的飞跃。它能够通过并行计算和分布式处理，将庞大的数据和模型有效地组织起来，显著缩短模型的训练周期，提高研发效率。
其次，作为一种灵活的计算基础设施，万卡集群能够根据不同的应用需求进行定制化的配置和优化，同时支持更大规模模型和更复杂的多模态任务，比如智能医疗诊断、自动驾驶技术、自然语言处理等领域。这既为 AI 技术的创新和发展提供了更广阔的空间和可能，也为企业在 AI 领域的竞争中赢得先机。
此外，万卡集群通过提升算力利用率、简化用户部署流程，也降低了 AI 技术的使用门槛，进而推动其在各个领域的广泛应用。
## 02 但在小明看来，万卡集群虽好，但想要成功搭建也不是易事。
据了解，要想建设万卡集群规模的算力中心，通常要面临几大挑战：
**● 算力使用效率：**集群规模提升不等于算力线性提升，关键在于互联网络和软硬件适配调优。需运用系统工程方法，精细化设计网络和软硬件整合优化，以提升集群算力使用效率。
**● 海量数据处理：**未来万亿模型的训练对 checkpoint 的读写吞吐性能更是要求高达 10TB/s，需通过协议融合、自动分级等技术手段提升数据共享和处理能力。
**● 多芯混训难题：**受限于芯片厂商的产能，AI 企业经常采用不同型号、不同厂商的芯片来组建算力集群。这些芯片在性能、架构、指令集等方面都存在差异，如何让它们在同一个集群中协同工作，并且保证混部训练的效率，是一个亟待解决的问题。
**● 智算中心设计：**高能耗、高密度的智算中心对于空间和能源的需求，远远超过了传统机房部署方式的承载能力。这就要求在建设之初，提前对智算中心的供电制冷、承重等进行配套设计，以便更好支撑超万卡集群的快速建设、便捷部署。
**● 稳定性与运维：**万卡集群中的计算卡数量庞大，网络连接复杂，且当单卡可靠性为
