算力的基礎是AI芯片不假，但服務器才是發揮效用的趁手工具

對于大規模模型訓練而言，算力硬件無疑是支撐其發展的核心基石之一。隨著全球算力需求逐漸轉向人工智能領域，搭載GPU的AI服務器應運而生，成為滿足這一需求的關鍵力量。

據TrendForce預測，2023年AI服務器（包括搭載GPU、FPGA、ASIC等各類加速器）的出貨量將達到約118萬臺，同比增長率高達38.4%。這一增長速度遠超整體服務器市場，預計AI服務器在整體服務器出貨量中的占比將接近9%，預計到2026年，AI服務器的占比將提升至15%，出貨量有望達到236萬臺。

AI服務器成長力道強勁

服務器作為一種高性能計算機，通常用于處理網絡上的數據、存儲和傳輸數據，并提供各種網絡服務，以滿足客戶端請求與需要，在網絡環境中扮演十分重要的角色。

AI服務器即專門為人工智能應用設計的高性能計算平臺，與傳統服務器相比，在用途上AI服務器專門設計用于處理大規模數據和提供高效計算能力以支持人工智能應用；在硬件配置上，二者皆采用高速網絡技術與硬件加速技術，與傳統服務器以CPU為主要算力的形式不同，AI服務器需要滿足AI算法下高性能計算、高存儲需求，因而配置更加復雜，除了CPU之外，通常還需配備GPU、FPGA、ASIC等加速芯片，以滿足AI算法訓練和推理過程中對高吞吐量計算的需求，此外也需要配備大內存、高速SSD等存儲產品。

當前AI服務器多屬于“機架服務器”，一個機柜放多個服務器機箱，規格以U為代稱，比如1U、2U、4U、7U等，AI需求越高，數字則越大。

AI大模型有訓練（Training）、推理（Inference）兩大應用場景需求，以此劃分，AI服務器主要有訓練型與推理型兩類，其中訓練型AI服務器算力要求極高，多數部署于云端，推理型AI服務器則對算力無太高需求，主要部署于云端與邊緣側。

在AI需求推動下，AI服務器成長力道強勁。全球市場研究機構TrendForce集邦咨詢預估，2024年全球AI服務器（包含AI Training及AI Inference）將超過160萬臺，年成長率達40%。

此外今年3月，科技大廠戴爾大幅上調了AI服務器全球TAM（潛在市場規模），該公司預計2025年與2027年全球AI服務器TAM分別達到1050億美元與1520億美元，高于此前預期的910億美元與1240億美元。


服務器革命：從幕后到臺前的算力基石

AI服務器對算力行業的重塑，是一次可以類比電車對燃油車的革命。

當年不少人認為汽車技術已經相當固定了的時候，新能源車成了產業鏈徹頭徹尾的顛覆者，這一影響一直延續至今還在持續發酵。

無可爭辯的是，下一個時代是數字經濟時代，所以這輪的服務器革命乘數效應注定將更為宏大，整個人類社會和經濟構成模式都將被撬動。服務器這個典型to B的產品，成為了每一個個體不得不去關心的工業品，這也解釋了文章開頭提到的名場面。

電車顛覆的是出行鏈，往最大了說也就是能源革命；而服務器的變化，重塑的是信息時代的數字基座，是將人類從機械、電力、信息時代推向數字時代的“行星發動機”。

可以得到佐證的是，在英偉達披露的數據中心資本開支構成中，服務器單一占比高達70%，是最大的成本項。數字經濟，用硬件的黑話來說，是一堆服務器的搭積木游戲。


服務器從來都在技術的前沿

有人認為，服務器無非就是由主板、內存、CPU、磁盤、網卡、GPU顯卡、電源、主機箱等硬件設備組成的一臺大電腦，早在1945年馮諾依曼就給這個技術定了性，毫無新意可言。再加上服務器公司由于盈利能力弱，一直都是邊緣板塊。

但從工程創新上，信息時代開始至今的60年間，服務器其實從未停止迭代的腳步，經歷了從大型機/小型機、到PC、到云計算用服務器的至少3代升級。只不過吃虧于to B的屬性，沒有幾個人會對機房里傻大黑粗的服務器有什么興趣。

復盤歷史上服務器的變革，對產業鏈和商業模式也都有舉足輕重的影響。上一輪帶來產生顛覆性結果的是Wintel聯盟，帶領X86一桶天下，服務器CPU壟斷者英特爾在歷史上長期都是芯片的絕對王者。其次是，云計算時代白牌服務OEM廠商的崛起，臺系廠商默默占據了關鍵位置，并為當今的AI服務器格局早早埋下了伏筆。


AI的算力黑洞，唯有升級服務器可對抗

在算力即國力的時代背景下，大規模并行計算成為數字時代的剛需，背后遵循著大力出奇跡的樸素道理。AI帶來的算力需求近乎無上限，而服務器中的CPU，已經成為新大陸下的舊地圖。

在云計算時代，大家更多做的是閑置算力的優化，是中間層和軟件層的革新，本質是一種共享經濟而非技術革命。而面對新時代的需求，提升服務器及其集群算力成為木桶的最短板，我們再也繞不開對硬科技的技術升級。

AI 服務器相較于傳統服務器最大的差異在于，靠堆料高性能GPU和HBM，最終呈現了突出的異構計算能力，成為填補算力黑洞唯一可行的硬件解法。比如在訓練AI服務器中，GPU的成本占比超過70%，而在基礎型服務器中，這一占比僅僅不到20%。

服務器平臺的升級，也從跟隨英特爾CPU的代際變化，變成了英偉達GPU的代際變化。服務器單機價值量也從1萬美元左右，飆升到20萬美元左右。

英偉達，無疑成為AI服務器革新中最大的贏家，市值也一路從3000億美元攀升至3萬億美元。顯然，萬億美元從來不是芯片公司的對價，而是對服務器或者說數字經濟這個大賽道的暢想。


做好生態建設

AI大模型時代，進口品牌GPU等高端芯片供應面臨周期波動挑戰，為國產AI芯片加速推向市場打開關鍵窗口。不過，AI大模型的訓練、推理和海量數據存儲無一不需要高性能算力支撐，也對國產算力底層基礎設施能力和生態建設提出考驗。

艾瑞咨詢產業數字化研究院負責人徐樊磊表示，在AI大模型爆發之前，國內的智能算力資源主要用于推理端。AI大模型趨勢到來，使國內廠商開始推出訓練端的算力硬件產品和服務，但目前相關產品能力比起全球領先算力能力仍有較大差距。

業內人士表示，在計算層面，由于芯片廠商在開發過程中使用的技術路線不同，導致芯片適配服務器等設備的開發周期普遍很長。在訓練層面，單芯片算力有限，而大模型訓練需要大規模的算力集群，需要算力系統具有靈活的算力擴展能力。在存儲層面，多模態大模型的訓練和推理對存儲提出了更高要求。

近年來，我國AI算力市場高度依賴英偉達GPU硬件和相應的軟件生態。周韡韡坦言，全球90%的AI工程師都在使用英偉達GPU配套的CUDA軟件生態，這和英偉達GPU在全球的壟斷地位完全匹配。“一些國產GPU計算性能并非絕對不夠，而是若要把國產GPU和基于CUDA架構開發的設備進行適配，需要在調試和優化上花費大量精力，導致用戶使用算力的效率下降。”

然而，隨著英偉達芯片進口難度不斷提升，國產AI芯片自主創新任重道遠。

記者梳理發現，浪潮信息、海光信息、希姆計算、中科通量、瀚博半導體、墨芯人工智能、摩爾線程、天數智芯、寒武紀、燧原科技等芯片公司推出了應用于不同場景的AI推理和訓練任務的芯片加速卡，涉及CPU、GPU、RISC-V等不同設計架構。

海光信息表示，海光DCU兼容CUDA生態，對文心一言等大多數國內外主流大模型適配良好。依托DCU可以實現LLaMa、GPT、Bloom、ChatGLM、悟道、紫東太初等為代表的大模型全面應用。

如何進一步提升國產AI芯片競爭力?中國工程院院士、清華大學教授鄭緯民認為，要開發基于國產AI芯片的系統，這一過程中最重要的是做好生態建設。“國產AI芯片只要達到國外芯片60%的性能，如果生態做好了，客戶也會滿意。”鄭緯民稱。

徐樊磊建議，做好自主創新要從人才、設施、科研和生態領域四方面突破，逐步提升智能算力設備軟硬件功能。在硬件方面，提高國產AI芯片的穩定性和兼容性，特別是提升芯片之間、服務器集群之間的數據傳輸效果。在軟件生態方面，降低適配門檻，讓開發者逐漸使用國產芯片生態。