“一个聪明人从敌人那里得到的东西，比从一个傻瓜朋友那里得到的东西更多。”
——哲学家格拉西安
这句格言，正在AI领域被现实验证。美国的限制政策总会告诉我们，哪些东西是发展AI至关重要的。
2024年10月，美国商务部再次升级制裁，限制中国实体访问美国的云服务，理由是“防止利用美国基础设施训练AI模型”。这标志着美国对华算力基础设施的“双管齐下”：先断GPU芯片，再封云服务，最终目标是让中国AI陷入算力断崖。
有读者会问，DeepSeek降低了单模型算力需求，把英伟达股价都打下来了，怎么AI算力仍然短缺呢？
一方面是总量在增长。正如杰文斯悖论所说，技术进步降低了使用成本时，资源的总消耗量反而会增加。比如燃油效率提高了更省油，但随着开车变得便宜，人们就会更多选择开车，结果导致汽油的总消耗量增加。AI也是如此，模型门槛下降导致智能化应用多了，总算力需求也就更大了。
此外，还跟算力集群的利用率有关。一位银行总工程师分享到，自家搭建的混合异构算力平台，高峰期算力集群利用率能达到60%就算优秀了，花大价钱采购的算卡资源，很多都被浪费或闲置了，加上配套系统与运维成本，整个资金投入非常大。
既然自建算力集群买不到卡、成本高，从云端获取算力的GPU云服务，就成了绝大多数企业用好、用活大模型的最佳选择。
那么，GPU云服务作为AI算力的另一根支柱，中国准备好了吗？
从云端获取算力，理想很丰满，但现实很骨感。GPU云服务还没有被企业普遍接受。一位金融从业者就告诉我们，整个金融行业对GPU 云的认知还比较模糊，大家习惯了传统的硬件采购模式，对云服务的接受度并不高。
为什么不高？这有两个原因：
一是同质化严重。对比市面上的GPU云解决方案，会发现算力层、平台层都高度同质化，采用的GPU芯片大同小异，平台功能也差不多。以至于有人觉得GPU云服务商提供的软件没什么太大价值。结果就是GPU云市场，目前的竞争主要是卷低价。
二是创新不足。同质化并不意味着GPU云服务的痛点和挑战都已经被解决了，实际上，同质化正是创新不足的表现。比如说，随着大模型的参数规模扩大，一个千卡集群的百P算力，训一个类Sora大模型就被占满了，其他客户需要算力，就得扩大集群规模，但AI芯片是很敏感的，从千卡到万卡、超万卡，故障率和运维难度也快速上升，怎么保证集群的稳定性，不能动不动就中断重写checkpoint？
花了大价钱买的GPU卡，结果有一半都在“摸鱼”，怎么让资源管理更精益，投资不浪费？
算卡供应链的不稳定，很多集群的架构不同、批次不同，无法合池训练，存在资源墙怎么打破？
国产芯片的适配难，新模型的训练时长比英伟达方案多出好几倍，一直沿用的训练推理一体化流程，在异构算力环境下漏洞百出，又该怎么办？
不难看到，不是行业用户不想用GPU云服务，而是市面上的解决方案都趋于同质化，过早开始卷价格。这种情况，与内卷化的定义异常契合。就像农业发展到一个确定形式之后，便停滞不前或无法向更高级转化。
GPU云市场，还处于方兴未艾的发展初期，各行各业都需要上云用算来进行AI训推，有巨大的市场空间等待打开，不应过早跌入同质化、内卷化的泥潭。
但要打破内卷，就得拿出有壁垒的差异化解决方案，让GPU云算力真正降本增效，从而带动企业用户的增长，以及整个GPU云的产业升级，就像一块耕地，通过优化种植技术和精耕细作，进一步提高粮食亩产量，从而避免卷入“谷贱伤农”的价格战内卷。
向技术要答案，一直是百度的特点。AI时代，百度智能云也凭借AI基础设施和技术能力在云市场异军突起，率先点亮了国产三万卡GPU集群，并且实现了几乎无损的混合训练能力，集群利用率高达95%以上。凭借GPU云领域的突出能力，百度智能云成为超半数央企的选择。
我们就以百度智能云为例，拆解一下GPU云逃离内卷的技术密码。
破解GPU云市场的内卷难题，必然要改变传统集群规模拓展难、故障率高、资源利用率低等问题，那就要从基础设施下功夫。
具体来说，百度智能云以技术为工具，对GPU集群进行了三重改造。让GPU集群从小农经济式的粗放经营，变成现代农场一样的规模化、集约化、精益化生产模式。
第一重改造：规模化，释放超万卡集群的澎湃算力。
“深度思考的大模型，业务用着不错，下面要全集团推广，你们尽快给算力扩容吧”，进入2025年，大模型上量成了IT人的一大挑战。因为集群规模扩大一倍，故障率能飙升好几倍，而实际运算效率却出现了边际递减。如果集群是由不同城市的小规模集群互联来构建的，那资源性能损耗就更严重了，数据时延也会让在线推理服务的体验大打折扣。如果AI思考一次就得十几分钟，员工用起来不耐烦，CTO怎么能不着急上火。
所以，百度智能云在构建规模化GPU算力集群，面临的首要技术挑战，就是如何提高集群的稳定性，降低故障率，给性能调优。
解题思路，就是软硬协同。有点类似于NVlink+ CUDA联手，充分释放N卡算力。那百度智能云靠的就是百舸。百度百舸是专为AI计算设计的高性能算力平台，让多个芯片、多个集群都用“普通话”，实现跨芯片“交流”。
硬件资源层，百舸设计了一套新的物理网络架构，就像是城市里精心规划的高效路线，新一代的HPN网络规模上支持10万卡，可同时容纳十万卡并行训练，这就为计算资源的高效运行提供了有力保障，让AI模型训起来更快更稳定。
集群组件层，百舸自研的集合通信库BCCL，可以实现GPU、昆仑芯等标准RDMA设备的互联互通，使得通信效果达到最优。以前没有统一沟通方式的时候，不同芯片互不打通，常常出现混乱，那协同工作效率自然就很低了。BCC制定了一套统一的通行规则，就可以让芯片高效协作，加上自适应并行策略搜索，自动规划出最佳方案，就能让各种硬件充分发挥作用，提升多芯混合训练任务的整体效能。
训推加速层，百舸在AI加速套件AIAK-LLM中构建了Accelerator抽象层，屏蔽硬件差异，相当于为多个集群开辟高速路，快速通信，让各种硬件都能充分发挥作用，高效协作，由此来构建极致规模、极致高密和极致互联的GPU集群。
想象一下，当企业使用万卡、超万卡集群时，就像一个源源不断供给养分的算力土壤，无论是金融机构处理海量交易数据，还是运行复杂的科学计算模型，或者是AI智能体实时响应客户需求，都能游刃有余。
目前，百舸已经具备了成熟的10万卡集群部署和管理能力，在横跨几十公里的集群上，百舸可以把单一训练任务的性能折损控制在4%以内，也让百度智能云成为GPU云厂商中纳管超大规模集群的一个标杆。
第二重改造：精益化，PD分离让AI应用随时在线。
如今，企业对算力的需求发生了巨大转变，从过去侧重于模型训练，逐渐转向更注重实时性的推理和后训练阶段，有点像城市交通发展到了一定阶段，新路（训练）就建得少了，取而代之的是防止车流拥堵（推理优化）。
无论是B端用户还是C端用户，如果大模型思考十几秒才给回应，用户都会不耐烦直接退出，这就是“首token延迟”。为了尽可能满足用户“即时反馈”的严苛要求，就迫使模型厂商绞尽脑汁。不能忽略的是，算力基础设施的优化，就像是把路铺平、修上护栏，提升系统的处理能力和并发效率，从而让在线服务像上高速一样顺畅运行，大大降低延迟率。
PD分离加速技术成为云厂商们竞相展示的“王牌”，而百度智能云的PD分离式推理基础设施，凭借全局优化能力脱颖而出。
物理网络层面，百度智能云打造了HPN（High-Performance Network）高性能网络集群，拥有自适应路由算法，像智能导航一样，避免了大规模数据传输时（如Alltoall）的流量集中问题。全新的拓扑结构，如同重新规划的城市路网，降低通信瓶颈，使带宽有效性达到90%以上，让交换机转发延迟大大降低，集群传输又快又稳。
流量管理层面，百度智能云自研的高性能KV Cache传输库，为高优先级队列预留带宽，相当于“特殊车辆优先通行通道”；分层传输设计支持多层KV Cache复用，相当于潮汐车道，根据数据流量灵活调整传输通道，提升通行效率，并且训推任务互不干扰，货车轿车“各走各道”，实现了DCN弹性RDMA满带宽传输，让数据高效流通。
通信组件层面，百度智能通过Alltoall算子优化和动态冗余专家编排，优化计算流与通信流，确保集群中所有GPU通信时间一致，显著提升吞吐量和性能。
以往企业使用大模型时，常因算力瓶颈、数据传输慢等问题受限，如同灌溉管道不畅影响了养分输送。而百度智能云将网络基础设施、通信组件与上层业务深度融合，精心修建了一套高效的“算力管网”，可以让数据、算力在不同业务场景间快速流动，能够助力各行各业快速应用大模型，解决企业智能化转型的当务之急。
第三重改造：多元化，一云多芯筑起算力可靠围墙。
限卡又限云，已经是美国遏制中国AI发展的明牌。完全依赖英伟达风险太大了，国际形势变化频繁，供应链随时可能被卡脖子，企业构建算力集群，不能押注在单一芯片，会考虑一云多芯。但采购国产芯片分散风险，异构芯片纳管与并行计算效率低，不同类型芯片之间协同工作困难重重，算力资源浪费严重。
在国内算卡供应紧张的当下，让多样化芯片能够协同训练，意义不用多说。“一云多芯混训”的能力，也让百度智能云成为多数企业GPU云的选择，比如长安汽车。
走进长安汽车智算中心，就像是一座算力工厂，依靠百舸平台与长安汽车自研的 “星环平台”，将算力资源发挥到极致。过去，服务器像低效运转的老旧生产线，大量算力被闲置浪费。如今，百舸升级的智能调度系统，集群平均算力使用率飙升至90%，综合资源利用率提升50%。
再比如某个头部城商行。对银行来说，业务可持续性至关重要，如果用户访问不了系统、办不了业务是重大事故。既要自主可控的异构算力集群，又要稳定可靠的服务保障，对城商行的基础设施提出了巨大挑战。该城商行与百度智能云合作，通过异构平台在算力感知的情况下，进行统一调度，让不同芯片不再“打群架”，可以被混合管理、混合使用，从而兼顾了算力安全与业务稳定。
再到百度自建的国产昆仑芯 P800 大型单一集群里一看，资源利用率更是高达 98%，让每一张GPU都物尽其用。
原来，单一服务器最多容纳8张计算卡，而昆仑芯超节点技术可以将64张昆仑芯P800集中于单机柜，并且通信效率堪比单一机型。跨集群层面，百度百舸打通集群内的网络墙，实现异构芯片互联互通。通过accelerator 抽象层，屏蔽底层芯片差异，通过统一接口实现异构芯片的“即插即用”；采用自适应并行工具，找到最优的切分策略，根据芯片性能自动分配任务，减少性能损失。最终实现了近乎无损的“万卡级多芯混训”能力。
在万卡规模上，百舸可将两种芯片混合训练，目前一共支持 18 种以上芯片类型，彻底解决了一云多芯混训的复杂难题。
如今，经过规模化、精益化、多元化的三重技术改造，GPU云已从零散低效的“算力作坊”，升级为高效精益的“现代农场”。百度智能云也凭借在GPU云服务领域的卓越表现，成为头部厂商中增速最快的云服务厂商。IDC最新发布的《中国智算专业服务市场报告》中，百度智能云凭借AI解决方案实施服务，成为行业第一，领跑市场。
这说明，依靠技术创新，GPU云厂商可以逃离内卷，为行业和客户创造差异化价值，让GPU云服务在企业级市场焕发出充沛的价值。
坚持“技术精耕”，百度智能云走了一条向技术要效益、向技术要价值的良性发展之路。不仅让其在GPU云市场建立差异化竞争的壁垒，也为整个行业从粗放走向精益，从内卷走向高质量发展，提供了一个很好的参考样本。
那我们不禁要问，为什么百度智能云能摆脱内卷的漩涡？是什么让百度智能云有所不同？
一方面，是百度的技术基因，经过多年在AI领域的发展，百度及百度智能云已经打造了一系列高度适配AI业务、具有独特创新能力的“尖刀型”技术，有力地解决GPU云集群建设中的痛点与难点。
另一方面，是百度智能云的发展路径清晰，向技术要答案、不走内卷化之路的战略选择是明确的，这也决定了百度智能云必须在技术上下苦功、登天梯。面对需求侧的企业客户，以供给侧的高质量GPU云服务，回应AI规模应用的复杂算力需求；面对云市场的竞争对手，以技术领导力带动GPU云产业的高质量发展，避免裸金属的红海价格战，以百舸为核心的能力与服务，开拓更大的价值空间。
GPU云的未来，不是卷“谁更便宜”，而是看“谁敢创新”。真正的技术领导者，将赢下这场AI算力革命的主导权。
