如何看待英偉達RTX50係新顯卡？

　　1月7日上午，英偉達總裁黃仁勳在全球最大的消費電子展上作了演講。

　　此前就有海外科技博主預測，英偉達即將發佈的新版顯卡，其GPU性能，又要提升一大截。而在今天的演講中，黃仁勳發佈了英偉達RTX 50系列顯卡。按英偉達的説法，RTX 5090整體性能是上一代RTX 4090的兩倍。

　　由此，也有些聲音擔憂，在美國對華斷供高端芯片的背景下，無法獲得最高性能GPU用於訓練的中國人工智慧行業，與美國的差距是否會被進一步拉大。

　　人工智慧領域，“算力焦慮”一直是種流行的敘事。作為主導全球的GPU企業，英偉達H100 GPU數量一度成為了衡量大模型公司算力的指標，黃仁勳曾言：“英偉達是AI世界的引擎”，在他的敘事下，英偉達的硬體是發展人工智慧大模型的決定性産品。

　　不過，譚主跟在現場的朋友聊了聊，他表示：

　　算力和人工智慧大模型已經不再是現場多數企業最關心的問題。相比之下，如何將人工智慧落地應用是2024年很明顯的一個重點，在這方面，很多時候並不需要最高性能的GPU芯片。

　　相比之下，黃仁勳卻顯得沒有那麼“淡定”，在演講中渲染英偉達“Blackwell架構芯片是人類歷史上最大的單芯片”“前所未有的規模”的同時，卻也對其消費級的産品採取了性能不變，但降價至三分之一的策略。

　　這跟此前輿論場認為英偉達産品將繼續漲價的預期，形成了反差。顯然，在主導地位遭遇越來越多挑戰的情況下，英偉達也開始考慮多找“幾條腿”走路。

　　實際上，全球幾家還在全力投入人工智慧大模型研發的頭部企業，也正在掀起一股“去英偉達”的趨勢。

　　諸如Open AI、蘋果公司等都開始自研芯片和生態系統，支撐自身的大模型訓練。

　　而這股趨勢更重要的意義在於，英偉達營銷人工智慧“算力為王”的認知，已經被人工智慧行業的新動向打破了。

　　除了自研AI芯片，Open AI等全球頭部的人工智慧公司，都在更多地聚焦大模型本身的設計優化。

　　模型訓練層面，Mistral AI公司公開將混合專家模型引入大模型訓練，用許多個特定領域的“小專家”配合幾個“通用專家”，先決定問題類型，再用少數適合的專家處理不同類型的問題。 以DPO、LoRA為代表的高效微調方法，將原本需要高算力和複雜調優算法的模型對齊過程進行了化簡，大幅度降低了模型對齊複雜度。

　　在這樣的趨勢下，國産大模型也逐漸明確了自己的發展方向。    2024年，國産大模型突飛猛進，不乏通過底層優化，實現用2048塊GPU，接近頭部公司數萬塊GPU訓練才具備的大模型性能的案例。

　　在全球最大的大模型和數據集社區Hugging Face推出的開源大模型排行榜單上，從去年6月開始，中國國産開源大模型曾一度第一名，到年末，這個紀錄又被新的國産開源大模型刷新，身位已經穩定在領先行列。

　　業內人士跟譚主分析：

　　之所以能做到這一點，是因為國産大模型主要進行了三個方面的創新：底層大模型數據結構的創新，訓練過程的創新，以及數據準備有創新。

　　中國工業互聯網研究院的最新數據顯示，DeepSeek-V3通過採用混合精度方法，有效平衡訓練精度和效率，結合混合專家模型架構，大模型訓練成本降低至500萬美元，僅為同性能模型的5%～10%，其性能上卻跟GPT-4o以及Claude 3.5 Sonnet相差無幾。而目前，國內類似的大模型成本、訓練時長都已經大幅下降。

　　這種新的模型訓練方法，不僅大幅度降低了大模型行業的門檻，還推動了全球大模型的降價潮。而大模型的降價，對於人工智慧技術的應用和轉化有著革命性的意義。

　　行業人士告訴譚主：

　　在當前全球人工智慧大模型的競爭中，算力雖然重要，但從來不是決定性因素。只有跟軟體、應用場景結合起來，才能真正成為賦能行業轉型、提高經濟效率的引擎。

　　相比之下，目前部分人工智慧項目存在“假智慧”的問題——靠大量數據疊加出來答案，缺乏真正的創造力和想象力。

　　這與當前發展道路的“唯算力論”有關。現在市場上的許多AI，説白了就是用戶告訴它怎麼改，它一步步按要求調整，最終生成一個看上去“對”的答案，但它本身缺少主動思考或提出創新解決方案的能力。

　　雖然一些前沿大模型探索了“思維鏈”，試圖讓大模型長時間思考模擬人類的思維推導，在一些問題上已經有一定效果，但如何實現“通用人工智慧”仍然有較大障礙。

　　更大的問題是，這種只靠算力的方式，遲早會碰到天花板。

　　行業人士跟譚主分析：

　　拿美國當前的大模型來説，他們的模型已經讀完了幾乎所有的英文書籍。可是，接下來怎麼辦？這就是人工智慧大模型的發展瓶頸。由於世界上沒有更多的新書可以喂進去，那AI只能讓自己寫書，但這種“自己生成自己喂”的方式，其實並沒有真正突破。這就好比餓了沒東西吃，只能“自給自足”，顯然不長久。

　　要突破這個瓶頸，就不能再光盯著算力和數據，而是要回到大模型的技術本質，去解決更關鍵的方向性問題。就像一個不算聰明但記性好的同學，讀了一萬本書以後，問到的問題只要書裏有答案，他就能直接告訴你怎麼解決。可如果書裏沒有，他就無從回答了。這正是現有大模型的局限。

　　也就是説，真正要把大模型做好，不只是加算力，而是讓它“活”起來，這就需要操作系統、應用場景的發展協同，幫助它從歸納走向創新。

　　中國的國産大模型，顯然正在運用這種高效、靈活的路徑，找到更加“聰明”的人工智慧發展方向。

　　人工智慧，不是一場跑道和圈數劃定的跑步比賽，而是一場向著未知的探險。中國企業選定的方向，不會輕易被各式的“焦慮”裹挾。

　　能者非他，能自樹立不因循者是也。