中国AI的四场战争--必胜---杭州余杭区办公楼的故事
❝开头还是介绍一下群,如果感兴趣PolarDB ,MongoDB ,MySQL ,PostgreSQL ,Redis, OceanBase, Sql Server等有问题,有需求都可以加群加群请联系 liuaustin3 ,(共3600人左右 1 + 2 + 3 + 4 +5 + 6 + 7 + 8 )(1 2 3 4 5 6 7 8群已经爆满 9群 为纯聊天群,默认不加入不得发广告,自己公众号文章链接等,发一次直接踢,默认加入8群)
深夜十一点,杭州余杭区。
一栋科技园区的写字楼里,大部分办公室早已熄灯,只有十四层的一间会议室还亮着。
林哲盯着电脑屏幕,已经有十几分钟没有动过鼠标。
屏幕左边,是刚刚结束的一组AI集群压力测试数据;右边,是一条刚刚刷出来的硅谷新闻。
又一家明星AI公司传出巨额融资消息,前任技术掌门人准备重新入场,顶级人才、芯片资源和资本正在重新洗牌。
评论区里,有人兴奋,有人焦虑,还有人断言:下一轮AI竞争,依然是美国巨头的游戏。
林哲关掉新闻,靠在椅子上。
他突然想起三年前的一次客户会议。
当时,一家制造企业的老板问过他一个问题:
“林总,我们是不是必须买几百张最先进的GPU,才能真正进入AI时代?”
当时的会议室里,几乎没有人敢给出否定答案。
可三年过去了,答案似乎完全变了。
“还没走啊?”
会议室的门突然被推开。
老周走了进来,手里提着两份夜宵。
他是一家大型工业制造企业的信息化负责人,也是林哲合作了三年的老客户。
“听说你们今天的压力测试跑通了,我本来想请你吃顿饭,结果发现你还在公司。”
林哲笑了笑:“你来得正好,今天有个事情想跟你聊聊。”
老周把夜宵放在桌上:“什么事?”
“你还记得三年前,我们讨论AI项目的时候,你最担心什么吗?”
“当然记得。算力不够,模型不够好,数据不够多。”老周打开餐盒,“那时候我甚至觉得,如果不买最贵的卡,我们根本没资格谈AI。”
林哲没有马上回答,而是把屏幕转向老周。
“你看看今天的测试结果。”
老周凑过去,盯着数据看了半天。
“吞吐量提升了这么多?功耗还下降了?”
“是的。而且这套方案没有使用我们最初计划的那种单一旗舰GPU架构。”
老周愣了一下。
林哲拿起桌上的矿泉水,拧开瓶盖。
“老周,我觉得现在整个AI行业,可能正在经历一次非常重要的转折。”
“什么转折?”
“过去大家都在问,谁的芯片最多,谁的模型最大,谁的参数最高。可接下来真正重要的问题可能是:谁能用更低的成本,把AI真正变成生产力?”
他停顿了一下。
“而且,中国AI的发展,可能正在走出一条和美国不完全相同的路。”
一、第一场战争:算力不再只是堆芯片,而是比谁更会使用算力
老周放下筷子。
“可是说到底,AI不还是需要算力吗?没有先进芯片,拿什么训练模型?”
“当然需要。但你有没有发现一个问题?”
林哲打开另一张图表。
“过去几年,行业有一个很明显的思维惯性:只要算力不足,就继续买卡;只要模型不够好,就继续扩大参数规模。”
“这套逻辑在技术探索阶段没有问题,但到了企业应用阶段,账就不是这么算的了。”
他指了指屏幕上的集群数据。
“你们去年那套系统,采购成本、机房改造、电力、散热、网络、运维人员,全部加起来,实际成本远远超过了最初的预算。”
老周苦笑了一声。
“别提了,老板现在看到GPU三个字就头疼。”
“所以,我们今年换了一个思路。”
林哲在白板上写下几个字:
异构计算、混合调度、通信优化、资源利用率。
“我们不再要求所有任务都跑在最贵的芯片上。训练、推理、数据处理、向量检索,不同的任务采用不同的计算资源。国产加速卡、专用推理卡和其他计算资源,根据任务特征进行组合。”
“单卡性能不一定最强,但通过软件栈、算子适配、任务调度和通信优化,让整个系统的有效算力更高。”
老周看着白板。
“也就是说,过去比的是单张卡有多强,现在比的是整个集群能干多少活?”
“你终于说到点子上了。”
林哲笑了。
“芯片性能是算力的一部分,但不是全部。编译器、通信网络、调度系统、存储架构,甚至开发人员对底层硬件的理解,都决定着最终能释放多少有效算力。”
这也是中国AI发展中一个值得关注的方向。
在先进芯片供应受到限制、硬件成本持续攀升的背景下,如何通过系统工程、异构计算和软件优化,提高现有硬件的利用效率,正在成为重要的竞争方向。
未来的算力竞争,不一定是谁拥有最多的芯片,而是谁能让每一张芯片发挥最大的价值。
二、第二场战争:模型不再只有一个方向,大模型开始走向分工
“那模型呢?”老周问道,“是不是模型越大,能力就越强?”
“这个问题,可能要重新理解。”
林哲打开了一张模型部署架构图。
“前几年,整个行业都在追求大模型。参数规模、训练数据、推理能力,似乎谁的模型更大,谁就更接近AI的未来。”
“但企业不是实验室。”
他把屏幕切换到一套制造业视觉质检系统。
“你看这个系统,每天需要处理大量工业相机采集的图片。它真正需要的是什么?”
“识别准确率、响应速度,还有稳定性。”
“对。它不需要每识别一个零件,就调用一个几百亿参数的通用大模型。”
林哲继续解释:
“在很多具体业务里,一个经过行业数据训练和优化的轻量化模型,可能比通用大模型更合适。它可以部署在工厂边缘设备上,数据不必离开厂区,推理延迟更低,运行成本也更容易控制。”
老周点了点头。
“这就是我们去年一直在做的事情。”
“没错。”
林哲在白板上画出了三个层次:
前沿大模型: 继续探索复杂推理、多模态和通用智能能力。
行业模型: 针对制造、能源、医疗、金融等领域进行专业化优化。
端侧小模型: 在工厂、设备、终端和边缘节点承担高频、低延迟任务。
“它们不是相互替代,而是在形成分工。”
老周突然问了一句:
“那是不是意味着,未来不一定每家企业都需要自己的大模型?”
林哲笑了。
“终于有人问到这个问题了。”
“企业需要的是解决问题的能力,不是拥有一个听起来很厉害的模型。买一个大模型回来,接上几个接口,然后告诉老板我们已经完成AI转型,这种事情恐怕越来越难交代了。”
两个人都笑了。
但这句话背后,其实是整个AI产业正在面对的现实。
模型能力不断增强,并不意味着所有企业都必须使用最昂贵、最庞大的模型。
未来的AI架构,很可能是大模型负责复杂任务,行业模型承担专业工作,小模型深入业务现场。
模型的价值,不再只由参数规模决定,而是由它解决问题的能力与实际成本共同决定。
三、第三场战争:真正的AI竞争,不在实验室,而在工厂车间
老周夹起一块煎饺,突然叹了口气。
“其实我现在最担心的不是算力,也不是模型。”
“那是什么?”
“落地。”
他说得很直接。
“去年我们做视觉质检,供应商给我们演示的时候,识别率非常漂亮。现场一跑,情况就完全不一样了。光线变化、零件反光、设备振动、产品批次差异,各种问题接踵而来。”
“前三个月,误报率高得离谱。老师傅根本不相信系统,最后还得安排人重新检查。”
林哲听完,笑了笑。
“这才是真正的AI。”
他站起来,走到白板前。
“很多人把AI落地想得太简单了。以为有模型、有数据、有算力,系统就能自动解决问题。”
“但工业现场不是互联网产品。”
“一个互联网应用出错,可能只是用户重新刷新页面。可工业生产线上,一个错误的判断,可能造成整批产品报废,甚至影响生产安全。”
他继续说道:
“工业、能源、医疗这些领域,真正看重的是准确性、稳定性、可解释性和长期维护能力。模型今天能运行,不代表三个月后还能稳定运行;实验室里准确,不代表换一条产线依然准确。”
老周点点头。
“这就是为什么我们现在要求供应商必须跟着生产部门一起做测试。”
“对。”
林哲在白板上写下四个词:
数据、工艺、场景、交付。
“这四个东西,比一份漂亮的模型排行榜重要得多。”
“尤其是中国。我们拥有非常完整的工业体系,制造业场景丰富,产业链条复杂。这是中国AI发展非常重要的优势。”
“但是,场景丰富不等于天然成功。”
他转过身来。
“如果一个团队不了解工艺,不了解设备,不了解生产流程,只是拿一个通用模型套上行业界面,最后一定会遇到交付问题。”
“未来真正有竞争力的AI企业,可能不是那些发布会办得最漂亮的公司,而是那些愿意在车间里待三个月、半年,甚至几年,把一个具体问题真正解决的团队。”
老周举起纸杯。
“这杯茶,我敬那些真正下车间的人。”
四、第四场战争:谁能建立自己的生态,谁才有资格谈未来
夜已经很深了。
窗外开始下雨,玻璃上慢慢出现一道道水痕。
老周看了一眼手机,突然问道:
“不过,还有一个问题。”
“你说。”
“现在海外技术封锁越来越复杂,芯片、软件、工具链、开发框架,很多东西都绕不开国外。我们会不会最后变成一个技术孤岛?”
林哲没有立即回答。
他重新打开电脑,调出一张软件生态图。
“这可能是中国AI接下来最值得关注的一场竞争。”
他指着屏幕上的几个模块。
“芯片只是一个起点。真正完整的AI生态,还包括操作系统、驱动、编译器、开发框架、模型训练、推理引擎、数据管理、应用工具,以及开发者社区。”
“假如我们有自己的芯片,但是没有成熟的编译器;有自己的模型,但是缺乏适配工具;有自己的产品,但是开发者不愿意使用,那么这个生态依然是不完整的。”
老周问:
“所以国产替代不是简单地把国外的产品换成国内的产品?”
“当然不是。”
林哲语气变得严肃起来。
“真正的自主能力,不是把所有东西都重新造一遍,更不是关起门来拒绝外部技术。”
“而是在关键环节拥有自己的选择权,同时能够吸收全球开源社区的技术成果和工程经验。”
他继续说道:
“过去,很多开发者习惯了国外成熟的工具链。现在,国内开源项目、模型社区、推理框架和硬件适配体系都在发展。这个过程肯定不容易,也不可能一夜之间完成。”
“但生态是可以逐渐建立起来的。”
“而且我认为,中国AI不能只追求硬件和模型上的自主,还应该形成一个开放、有竞争力的开发者生态。”
老周沉默了一会儿。
“如果有一天,开发者不再因为芯片品牌决定使用什么模型,而是根据业务需要自由选择硬件、框架和模型,那才是真正成熟的生态。”
林哲看了他一眼。
“对。这才是我们希望看到的未来。”
五、真正的分水岭:AI最终拼的不是技术参数,而是商业价值
凌晨十二点半。
两份夜宵已经吃完,桌上只剩下几个空纸盒。
老周站起来,准备离开。
“今天聊得挺有意思。以前总觉得中国AI就是追着美国跑,人家发布什么,我们就研究什么。现在听你说完,感觉好像还有另外一种可能。”
林哲笑了笑。
“当然有。但我也不认为我们已经赢了。”
他关掉电脑,继续说道:
“美国在基础研究、先进芯片、资本投入和全球软件生态方面,依然有很强的优势。中国也有自己的产业基础、应用场景、工程化能力和成本优化空间。”
“双方的技术路线、产业结构和客户需求并不完全相同。”
“所以,未来的竞争不会只有一个答案。”
他走到窗边,看着雨夜里的杭州。
“你想想,过去几年,AI行业最喜欢讲什么?”
“算力规模、参数规模、融资规模。”
“没错。”
林哲转过身来。
“但接下来,我觉得有几个问题会越来越重要。”
“第一,企业能不能负担得起AI的成本?”
“第二,AI能不能真正提高生产效率,而不是增加一套新的运维负担?”
“第三,AI能不能在复杂的真实环境中长期稳定运行?”
“第四,能不能建立一个让芯片、模型、软件和开发者共同发展的生态?”
“这些问题,才是AI从技术竞赛走向产业竞争之后,真正需要回答的事情。”
结语中国AI的未来,或许并不在某一场发布会上,也不在某一个参数规模惊人的模型里。
它可能藏在一间间还没有熄灯的实验室里,藏在一条条仍在运转的生产线上,藏在工程师反复修改的代码里,也藏在企业一次次对成本、效率和稳定性的权衡中。
中国AI不一定要复制另一条已经走过的路。
真正有价值的竞争,是在自己的产业土壤里,找到一条能够走得通、用得起、持续发展的路。
而这场战争,才刚刚开始,中国必胜。
破壁与共生:IvorySQL 的发展之路及其对开源 PostgreSQL 生态的贡献
当“MySQL 当家花旦”跨界打劫PostgreSQL,ProxySQL 对 PgBouncer 的一场“降维偷家”
从今年最火的AI工具“扣子”倒闭,到普通人在AI上的机会的大讨论 !
AI 越狱了, OpenAI 急了,要摆脱互联网单独训练模型
普通人的AI 终极武器,怎么3分钟把一周的活干完--workbuddy
MySQL Json 怎么处理,8.021后有什么变化,哪些不应该用JSON
世界知名餐饮企业迁移到POLARDB FOR POSTGRESQL 为整体迁移工作画上圆满句号!
普通人的AI 终极武器,怎么3分钟把一周的活干完--workbuddy
GEQO 是什么,POSTGRESQL SQL优化核心原理为什么在这里
AI技术,太早夭折,太晚吃不上热的,要得就是这半生不熟的 workbuddy 大托拉斯
我和OceanBase集中式滚了4个月,其实OB想做的并不只是数据库
我和OceanBase集中式滚了4个月,其实OB想做的并不只是数据库
我和OceanBase集中式 滚了4个月回顾,MySQL兼容性的惊喜
PostgerSQL 14-17备份的变化 PG17更贴近商业数据库 与 实际命令
PostgreSQL 怎么用好高版本的PG调优--PG14-PG18
同学问 PG17 的备份比老的版本 好哪了? 你给总结总结 !!
算法领主与数据农奴:AI时代的不能说的问题-- 此文为AI临时工所做与公众号作者无关
从亚马逊 AGI 部门裁员看 AI 商业逻辑的必然转向 -- 资本不会给AGI 半点脸
比起简单的Skill技能,我更想建立Agent Skill的系统思维能力--- 感谢本书作者答疑解惑
MongoDB 全文索引 与 展示查询数据的一部分,提高性能
体现价值-我们靠PostgreSQL迁移PolarDB,给公司省下了100万 “巨款”
《告别迁移焦虑:OceanBase MySQL 模式能否兼容 DBA 的“祖传”运维 SQL?》
干数据库不是买白菜:光盯着License几毛钱,看不见300台机器的电费?
一个秘密,不是你 SQL 写对了,是优化器帮“擦了屁股” 客户问迁移后为什么快了--迁移到PolarDB后的故事
AI 引入后,MySQL 列权限控制,插入,更新,读取,删除 --有了AI 真是越帮越忙
PostgreSQL 大表改字段卡死的问题解决了吗? 解决了方案在此
AI 引入DBA 工作,造成工作量增加,忙不过来,根本忙不过来!!!
三无项目导致MongoDB 持续1406% CPU 问题解决