從囤卡競賽到全棧競爭：GPU云賽道在卷什么？

昨天發的《云廠商的AI決戰》里，我們聊到一個關鍵判斷：今天的AI云競爭，早就不是比誰家GPU多、Token跑得快了，而是進入了全棧AI Infra的深水區。

今天咱們就順著這個思路再往下探一層：既然勝負手不在表面指標，而在底層效率，那到底該怎么評估一家云廠商是不是真的能打？

回望2025年，AI Infra的發展已經清晰地走過了一個關鍵拐點。過去一年，模型能力的躍遷不再只是參數規模的競賽，而是越來越多地被算力可獲得性、成本結構、部署效率所重新定義。頭部廠商在GPU云、算力調度、異構集群以及工程化落地能力上的差距逐漸拉大，而這種分化正決定著誰有能力真正承載下一階段的AI商業化浪潮。

在這一進程中，一些曾被廣泛依賴的評估標準開始顯露出其局限性。

比如，Token這個易于量化、便于傳播的指標，一度被部分廠商視為衡量AI云市場的北極星。但現實卻給出了不同的答案：國家統計局最新數據顯示，2025年中國日均Token消耗量已從年初的約1000億飆升至30萬億。但據全球權威技術市場研究機構Omdia統計，按Token計費的MaaS服務收入僅占整個AI云市場規模的不到1%。

究其原因，大量發生在GPU云租賃、私有化部署乃至端側設備的AI算力消耗根本無法被MaaS平臺統計。將Token等同于AI云本身，不僅忽略了中國數字化市場復雜多樣的需求，更可能誤判了真正的技術護城河。同樣具有誤導性的還有對硬件數量的迷信，GPU的絕對數量并不等于穩定、高效的可用算力，某頭部云廠商的模型市場中曾出現17.7%的GPU算力僅用于處理1.35%的極少量請求，資源浪費嚴重。

由此可見，評估一家云廠商的GPU云實力，不能只看Token消耗量或GPU卡數，而應關注其底層系統的整體效率與可控性。而要實現這種效率與可控性，往往離不開對基礎設施的深度掌控。

正是在這一背景下，具備自研GPU云能力的廠商逐漸顯現出結構性優勢：它們不僅能規避通用硬件的性能瓶頸與供應鏈風險，還能在軟硬協同、調度優化和成本控制上實現更高維度的突破。

于是，當堆砌硬件的競賽逐漸失效、大模型進入工程期后，一個更深刻的問題浮出水面：云廠商選擇什么樣的AI Infra的建設路徑才真的可持續？對于志在擁抱AI的企業而言，決定其智能化進程成敗的究竟是采購了多少塊芯片，還是選擇一個具備怎樣系統性效率的合作伙伴？

在模型快速發展的關鍵時期，打開任何一篇關于AI基礎設施的報道，幾乎都會看到這樣的討論：誰又拿到了多少H20或B200？哪家云廠商降價了多少？卡型、規格、單價、交付周期……似乎只要擁有更多高端GPU，就能在這場AI競賽中勝出。

這種“唯卡論”的敘事在過去一段時間確實主導了市場情緒。畢竟，在大模型訓練高度依賴算力的背景下，硬件似乎成了最直觀的勝負手。然而，隨著行業從狂熱擴張走向理性落地，越來越多的實踐案例開始揭示一個行業現實：擁有算力，不等于能用好算力。AI算力的價值，最終要通過高效、穩定、可規模化的服務形式釋放出來。

而這其中最關鍵的板塊就是GPU云。GPU云作為AI基礎設施的核心，其競賽邏輯已經發生了根本性變革。

一方面，高端GPU供應鏈高度集中且波動劇烈。市場機構IDC統計數據顯示，英偉達在訓練級AI芯片（如H100、H200、B200）領域占據全球超90%的市場份額，而在中國市場，受出口管制影響，H20、L20等合規型號供應持續緊張，價格波動劇烈，交付周期長達數月，即便企業愿意支付溢價，也未必能及時拿到所需資源。

但比拿不到更棘手的，是“用不好”。以近期備受關注的英偉達H200為例，盡管已有消息傳出春節前可交付數萬顆的消息，但即便交易成行，H200也早已不是技術前沿。它的下一代Blackwell系列（如B200/GB200）性能更高。更重要的是，即便企業成功采購到H200，若缺乏底層系統整合能力，依然難以發揮其潛力。

許多智算中心直接部署整機柜設備，卻在上層面臨調度系統割裂、通信協議不統一、驅動與框架適配粗糙等問題，導致跨節點任務調度效率低下、故障恢復緩慢、資源碎片化嚴重。結果往往是顯存占滿，算力空轉。

這一矛盾在現實中尤為突出。在“2025云網智聯大會”上，SNAI推委會榮譽主席韋樂平指出，當前國內智算中心已超280個，看似算力充沛，實則GPU平均利用率不足30%，且分布極不均衡。大量設施長期閑置或低效運行，暴露出典型的“有硬件、無體系”短板。而隨著MoE（Mixture of Experts）等新一代大模型架構的普及，對算力調度精度、通信效率和資源彈性的要求更是大幅提升，這也進一步放大了能用與好用之間的鴻溝。

問題顯然不在芯片本身，而在于缺少一套自主可控、軟硬協同的全棧技術底座。今天的GPU云競爭早已超越資源囤積階段，進入系統工程深水區，成為芯片、集群、調度、穩定性與商業化服務有機整合的綜合博弈。

也正是在這樣的行業轉折點上，百度昆侖芯、華為昇騰等國產AI芯片開始嶄露頭角，贏得越來越多頭部客戶的實際認可。國際權威咨詢機構弗若斯特沙利文發布的《2025年中國GPU云市場研究報告》清晰捕捉到了這一趨勢。報告首次以“自研AI加速芯片 + 萬卡級算力集群 + 云服務商業化能力”為三大核心維度，對中國GPU云市場進行系統評估。

報告指出，2025年上半年的中國自研GPU云市場中，百度智能云以40.4%的市場份額位居第一，華為云以29.5%份額位居第二，其他廠商合計份額為30.1%。值得注意的是，此前百度智能云已經連續六年穩居AI云領域榜首。

乍看之下，這似乎只是又一份廠商排名，但結合當下GPU云市場的現實，這個第一其實揭示了一個更深層的趨勢，AI基礎設施的競爭正在從搶卡轉向用卡，以及更深層次、更系統性的布局。

沿著這條路徑，我們可以以百度智能云這個領先的案例去看一看，為什么GPU云競賽的焦點不再是某一個單一指標，而是轉變成了一整個系統工程的轉型。

自研AI基礎設施從來不是一條容易走的路，投入大、周期長、技術風險高，任何一個環節都可能讓前期努力付諸東流，且短期內難以看到商業回報。正因如此，盡管“全棧自研”被廣泛視為長期競爭力的關鍵，真正躬身入局的玩家卻寥寥無幾。目前，在中國AI云市場中，僅有百度智能云、華為云等少數頭部廠商選擇堅持這一路徑，并形成了從底層算力到上層應用的高效閉環。

回溯他們脫穎而出的路徑，一個關鍵問題浮現出來：領先，究竟源于什么？

根據報告來看，答案并非某個單點技術的突破，而是一整套關于自研芯片、集群規模、云服務能力的長期實踐。

以百度智能云為例，從硬件底層開始，其就選擇從自研AI芯片昆侖芯切入，為整個算力體系預留了持續演進的空間。算力架構不再被通用硬件鎖定，而是能圍繞真實模型需求動態優化。值得注意的是，昆侖芯的研發起源于十余年前百度對大規模搜索場景下FPGA加速器的深度探索，其從誕生之初，就帶有為AI基礎設施服務的強烈基因。目前，昆侖芯已完成數萬卡的規模化部署，服務于招商銀行、南方電網、中國鋼研等上百家行業客戶。

目前昆侖芯不僅能大規模支撐百度內部的推理業務，在訓練層面也取得了一定的成績，而前不久發布的全新一代AI芯片，在面向大規模推理場景進行深度優化的同時，也將推出更適配多模態模型超大規模訓推的產品，為后續的算力演進預留空間。

芯片只是起點，要釋放規模算力的真正價值，還需要更高維度的系統整合。為此，在節點層，百度智能云進一步構建了百度天池超節點，通過更高密度的算力組織與更低延遲的互聯，為大規模并行計算提供穩定基礎。根據百度智能云官方披露，相比上一代產品，天池256超節點的整體性能提升50%，天池512超節點單個超節點即可支撐萬億參數模型訓練，大幅降低跨節點通信開銷與任務碎片化。

單節點的強悍能夠進一步提升算力使用的性價比，也讓集群的建設更加快速。2025年4月，百度智能云就已經點亮了昆侖芯三萬卡集群，在去年11月的百度世界大會上，百度智能云表示還將不斷擴大集群規模，未來目標推向百萬級。

隨著算力規模邁過萬卡向更高層次進發，挑戰也從"有沒有算力"轉向"能不能用好算力"。

面對大規模的模型訓推需求，在高并發、高負載的情況下保持可預期的性能表現至關重要。在最上層，上述那些分散在芯片，超節點與集群層面的能力被百度百舸AI計算平臺上進一步整合、放大，并以云服務的形式高效輸出。

據悉，百度百舸5.0在深度適配昆侖芯的同時，也支持多款國內外主流芯片，在超大規模集群上的有效訓練時長超過95%，從結果來看，其在異構算力調度和集群穩定性方面已相當成熟。不只是穩定性，百度百舸定位面向大模型訓推一體化的AI基礎設施，能夠通過領先的AI工程加速能力，覆蓋企業在模型開發、訓練、部署及推理的全流程需求，為AI落地提供高效易用的服務。

這種多維度、全棧式的能力建設，顯著提升了對客戶多樣化、復雜化AI需求的支撐能力。目前，百度智能云已服務超過65%的央企、全部系統重要性銀行、95%的主流車企、一半以上的頭部游戲公司，以及眾多走在前沿的具身智能企業。這些對穩定性、安全性和效率要求極高的客戶，用真金白銀投出了信任票。

可以說，百度智能云的全棧優勢再次證明了研發為王、底層自研這種長期主義邏輯。在技術深水區，沒有捷徑可走。唯有堅持底層自研、系統思維與工程落地三者合一，才能構筑真正難以逾越的競爭壁壘。如今市場份額位居第一，本質上就是對這條路線已然跑通的有力驗證。

站在產業演進的高度回望，GPU云的競爭早已超越技術參數與市場份額的表層較量，其真正價值在于，能否成為千行百業智能化轉型的可靠底座。

隨著模型智能的進一步提升，大規模推理需求開始對GPU云提出了更高的要求。各行各業正在將AI融入業務流程，具身智能、AI Agent等新興應用的發展，對AI基礎設施提出了更為苛刻的需求。這不僅僅是峰值算力，還包括低延遲響應、高通信效率、確定性調度以及長期可用性。

過去幾年，大模型從實驗室走向工廠、電網、銀行和汽車生產線。但當 AI 從“試驗性能力”進入“業務基礎設施”階段，產業側提出的要求發生了本質變化。

產業客戶要的從來都不只是最強算力，更是穩定、安全、可預期、可負擔的智能服務。他們無法承受因調度抖動導致訓練中斷，不能接受因芯片斷供而業務停擺，更難以承擔高昂且不可控的推理成本。在這樣的現實需求面前，單純堆砌英偉達GPU的“快餐式”方案顯得力不從心。硬件再強，若缺乏底層協同與長期演進能力，終究難以支撐產業級AI的持續運行。

也正是在這一現實約束下，國產GPU云的縱深價值開始顯現，云廠商需要通過從芯片到超節點，再到集群與云服務的全棧布局，構建高度協同、自主可控的AI基礎設施體系。這種系統性能力，不僅降低了大規模AI應用的工程門檻，更讓企業在面對快速演進的技術環境時，擁有了更強的適應力與確定性。

例如，百度天池超節點可將單卡性能提升95%，單實例推理性能提升高達8倍；華為昇騰910B的FP16算力達到256 TFLOPS，寒武紀思元590在邊緣端推理能跑出128 TOPS。這些性能優勢使得國產芯片在實際應用中展現出強大的競爭力。

實際業務中，國產AI云已經深度結合進產業之中，百度智能云以昆侖芯P800為核心，結合百度百舸AI計算平臺5.0，為招商銀行提供高效、穩定的算力支持，推動大模型在金融場景的深度應用；百度智能云與長安汽車共建長安汽車智算中心，為深藍汽車等在售全系車型提供實時推理算力支持，總算力規模已超1000PFLOPs。

對企業和開發者而言，選擇GPU云，本質上是在選擇未來數年AI演進的底座。從自研芯片，到超節點算力組織，再到云平臺級的統一調度與服務輸出，這種縱向一體化能力，決定了這一底座是否穩定、可控、可持續。它降低的不只是技術門檻，更是產業在使用AI過程中面臨的不確定性成本。

一個經過全棧優化、具備長期演進能力的基礎設施，不僅能支撐當前模型訓練與推理需求，更能為未來的架構升級、成本優化和業務創新預留空間。底座越牢固，底層加持越顯著，在應用層和模型層構建的差異化優勢也就越難以被復制。

更重要的是，這種自研路徑為中國產業保留了技術主動權。在全球供應鏈高度不確定的背景下，一個能同時駕馭國產芯片與國際硬件、并實現高效調度的平臺，意味著企業不必在安全與性能之間做痛苦取舍。AI由此真正從可選項變為必選項。

因此，GPU云的競爭終局，不是資源規模的簡單比拼，而是系統效率與長期價值的較量。在這場比耐力、比深度、比工程定力的長跑中，真正能將算力轉化為穩定生產力的一方，才有望笑到最后，托起最廣闊的產業未來。