剛剛，智譜建了一座只用國產芯片的數(shù)據(jù)中心

AI 大廠正從「訓練模型」走向「建設計算工廠」。

作者丨鄭佳美

編輯丨馬曉寧

過去兩年，全球人工智能行業(yè)最搶手的東西，是英偉達 GPU。

從 OpenAI 到 Meta，再到 Google、Amazon，幾乎所有希望在 AI 領域占據(jù)優(yōu)勢的公司，都在爭奪計算資源。

行業(yè)最初盯著模型能力，后來逐漸發(fā)現(xiàn)，模型背后的那套“機器”，同樣決定著迭代速度。

算法可以調整，數(shù)據(jù)可以補充，算力中心卻不能臨時搭建。

芯片要提前采購，機房要提前建設，電力也要排隊接入。等模型方案確定后再尋找資源，往往已經晚了。

于是，AI 行業(yè)出現(xiàn)了一個頗有反差的場景：一群研究最前沿軟件的公司，開始忙著找土地、談能源、修數(shù)據(jù)中心。

就在這輪建設潮中，智譜完成了一座規(guī)模達到 1GW 的 AI 數(shù)據(jù)中心。據(jù)彭博社報道，該中心全部采用中國制造的芯片，并將用于模型訓練。

單獨看，這像是一條國產芯片新聞。但放進全球 AI 公司的動作里，它更像一個新的產業(yè)信號：大模型公司正在從算力使用者，變成算力基礎設施的組織者。

01

大模型公司開始提前備貨

過去，大模型公司通常從云廠商手中購買算力。

這套方式適合創(chuàng)業(yè)初期。公司不需要自己買地、建機房，也不必管理復雜的硬件集群，租用 GPU 就可以開始訓練。

但當計算需求從幾百張芯片增長到幾萬甚至幾十萬張時，云端資源很難像水龍頭一樣隨開隨有。

前沿模型的訓練可能持續(xù)數(shù)月，期間還要同時安排后訓練、推理和大量實驗。頭部公司需要的已經不是一次性的計算資源，而是一套能夠長期調動的系統(tǒng)。

OpenAI 因此推進 Stargate，首批設施從 1GW 級起步，整體規(guī)劃達到數(shù) GW；

xAI 在孟菲斯建設 Colossus，并把規(guī)模擴大到約 2GW；Meta 的 Hyperion 目標達到 5GW，其更大的基礎設施規(guī)劃還準備繼續(xù)擴張；

Anthropic 則通過與 Amazon 的長期合作鎖定約 5GW 算力。Google 很早就圍繞 TPU 建立自己的計算集群，國內的字節(jié)和智譜也都進入了 1GW 級建設階段。

這些公司的方式并不相同。有的直接修建園區(qū)，有的和云廠商深度綁定，有的擁有自研芯片。但它們面對的是同一個時間差：模型幾個月就會更新一次，數(shù)據(jù)中心卻需要幾年才能建成。

今天簽下的土地和電力合同，服務的可能是三年后的模型。所謂建設算力中心，其實是在為尚未確定的下一代技術提前留位置。

02

軟件生意開始有了鋼筋水泥味

算力中心把 AI 公司帶進了一個陌生世界。

軟件產品開發(fā)完成后，可以近乎零成本地復制給更多用戶；數(shù)據(jù)中心卻需要土地、變電設施、冷卻設備、高速網絡和長期能源合同。

服務器進入機房前，可能已經有數(shù)十億美元投入到看不見的土建和供電工程里。

過去，一家 AI 公司最重要的能力是招到研究人員、訓練模型和推出產品。現(xiàn)在，它還要處理電網接入、施工進度、設備折舊和資本安排。基礎設施基金、能源企業(yè)、地產商和長期債務，也開始進入大模型產業(yè)鏈。

這讓 AI 競爭多了一層賭注。

頭部公司普遍相信，未來的模型會消耗更多計算資源，因此必須提前擴建。雷峰網

但幾年后的訓練方式會不會改變，新增算力能否被充分利用，模型收入又能否覆蓋持續(xù)增長的成本，目前都沒有確定答案。

一座空閑的數(shù)據(jù)中心不會因為屬于 AI 行業(yè)就變得更便宜。昂貴芯片只有持續(xù)運行，才可能轉化為研發(fā)效率；一旦需求低于預期，它也可能迅速變成沉重的折舊負擔。

算法公司最擅長預測下一個詞，現(xiàn)在卻不得不預測幾年后的電力需求。

03

路怎么修？

智譜項目與海外同行最大的差別，在于它全部采用中國制造的芯片。雷峰網

全球公司的底層選擇已經開始分化：OpenAI 和 xAI 主要依賴英偉達，Meta 在采購英偉達的同時推進自研 MTIA，Anthropic 使用 Amazon Trainium 與英偉達，Google 堅持 TPU，字節(jié)的相關項目采用華為昇騰。

智譜則把整座 1GW 數(shù)據(jù)中心放在國產芯片體系上運行。

當模型公司只是在云上租用算力時，芯片更像一項被封裝好的服務。

開始建設自己的數(shù)據(jù)中心后，底層硬件會牽動整套系統(tǒng)：服務器如何設計，芯片之間如何通信，編譯器和訓練框架如何適配，故障發(fā)生后如何恢復，都需要重新磨合。

單顆芯片能夠運行模型，和成千上萬顆芯片能夠一起高效訓練，并不是同一件事。

集群擴大后，任何通信延遲、軟件兼容問題或者設備故障，都可能讓大量機器停下來等待。

英偉達的優(yōu)勢，很大一部分來自 CUDA 和長期積累的工程生態(tài)。

使用這套體系擴建算力，更像在已經鋪好的高速公路上增加車道。智譜面對的情況更復雜：它既要擴大車流，還要參與修路。

所以，1GW 只是一個工程規(guī)模，不能直接等同于模型能力。

這座數(shù)據(jù)中心最終有沒有價值，要看它能否穩(wěn)定承擔大規(guī)模訓練，是否能保持較高利用率，以及能不能真正縮短 GLM 系列模型的迭代周期。

只有當機房里的芯片持續(xù)轉化成新的模型和產品，算力中心才不只是一個醒目的數(shù)字。

過去，人們習慣通過排行榜和發(fā)布會觀察 AI 競爭。下一輪差距，可能在模型登場前就已經形成——藏在提前鎖定的電力、尚未安裝的服務器，以及那些需要幾年才能建成的數(shù)據(jù)中心里。

智譜進入的，正是這場更慢、更重，也更難臨時追趕的比賽。

https://www.bloomberg.com/news/articles/2026-07-20/z-ai-completes-giant-data-center-with-chinese-chips-to-train-ai

https://x.com/lentils80/status/2079270703224811777?s=46

上車，帶你看遍全球 AI 頂會精華

可獨家暢覽：

專家演講PPT

大會報告全文

熱門論文解讀

學術新星訪談