All Node List by Editor

Gartner预测，到2028年，中国60%的大型企业将部署集成了DeepSeek功能的分布式人工智能（AI）基础设施方案，而2025年这一比例不到20%。2025年Gartner CIO和技术高管调研显示，2025年中国企业计划增加对生成式人工智能（GenAI）和人工智能的技术投资，平均增幅分别为40.3%和33.3%。这一快速增长的投资预计将主要集中在AI基础设施上。

Garter研究副总裁周玲表示： “AI功能颠覆业务模式和流程的吸引力是不可否认的。然而，在现实中，这些投资中的很大一部分未能实现其预期的业务成果，造成数百万美元投资和宝贵时间的浪费。”

实现AI基础设施目标的旅程成功不易，需要应对AI基础设施转型的纷繁复杂局面，包括各类挑战、盘根错节的问题以及未能满足的期望。为了有效推动更有效的AI基础设施投资，中国基础设施和运营（I&O）领导者需要了解以下中国企业AI基础设施投资失利的三大原因。

技术优先于实际AI业务用例导致投资失败

全球AI热潮使中美两国对高端图形处理器（GPU）的需求都大幅提升。AI基础设施是下一代计算基础架构，AI和GenAI引发了一系列变革，涉及服务器（如液冷服务器）、网络、存储、专用集成电路（ASIC）、现场可编程内阵列（FPGA）和高能耗的新型超算数据中心设计。训练和运营这些模型的基础设施成本高昂。

周玲表示：“最近，DeepSeek获得了极大关注，因其使用经过验证的技术，显著减少了大语言模型（LLM）的训练成本，并使推理场景对最新高性能GPU的依赖降低。如果得到验证，这种方法可以从根本上改变AI基础设施市场。”

中国的I&O领导者必须避免因担心芯片短缺和将基础设施置于实际用例之上的自上而下策略而仓促投资。一个常见的错误是，在未评估投资回报率的情况下就贸然投资于新技术热潮，以期实现快速采用。

周玲强调：“中国的I&O领导者应采取与上述相反的做法，首先观察AI市场变化、新业务模式和新兴的业务环境。在投资之前，应谨慎确认、定义和采用相关用例，确保AI基础设施的整体投资计划与企业的AI战略协调一致。”

AI基础设施资源碎片化导致低利用率和低投资回报率

由于AI基础设施资源分散和异构架构错综复杂，企业面临众多问题。一些企业机构可能由于数据主权要求、监管合规要求、安全问题或特定延迟需求等因素而限制对公有云服务的使用。这些企业机构的I&O领导者应优先使用AI超级计算数据中心主机托管提供商或云服务提供商提供的专有AI基础设施解决方案。与尝试独立构建基础设施相比，此方法在满足企业AI基础设施需求方面更加有效。

周玲表示：“为有效使用云服务或托管服务提供商的现有专有AI基础设施产品，中国的I&O领导者应与业务、数据和分析（D&A）、AI和安全团队合作，对解决方案进行全面评估。” （见图1）

图1：专有AI基础设施评估框架

人才短缺阻碍Al超级计算中心的有效运营和管理

2024年Gartner标志性I&O领导者调研显示，开发和获取技能仍然是在I&O领域内实施（和集成）GenAl的痛点和挑战。除此之外，I&O领导者在实施GenAI时，还面临AI基础设施部署方面的挑战。

周玲表示：“随着AI技术在企业机构中的快速整合，对新技能的需求也随之激增。I&O领导者应制定重要的再培训和提升技能战略，以增强员工的适应性并提高生产力。”

关于Gartner

Gartner（纽约证券交易所代码： IT）为企业机构提供切实可行的客观洞察，助力企业机构在最关键的优先事项上做出明智决策，取得出色业绩。欲了解更多信息，请访问http://www.gartner.com/cn。

作者：电子创新网张国斌

华为首创始人正非近日在深圳总部接受了记者的采访，就多个备受瞩目的社会议题展开了深入对话。在谈到昇腾芯片被美国“警告”使用风险等话题时任正非表示，中国做芯片的公司很多，许多都做得不错，华为是其中一家，美国是夸大了华为的成绩，华为还没有这么厉害，要努力做才能达到他们的评价。

任正非坦言，我们单芯片还是落后美国一代，我们用数学补物理、非摩尔补摩尔，用群计算补单芯片，在结果上也能达到实用状况。

在谈及华为的研发投入时，任正非透露了一个惊人的数字：公司每年将高达1800亿元的资金投入到研发领域。他进一步解释，这其中包括约600亿元用于基础理论研究，且这部分投入不进行考核，这部分资金的使用并不受短期成果的束缚，而是着眼于长远的科技突破。另外1200亿元则专注于具体产品的研发，每一项都有明确的目标和严格的评估体系。任正非强调，基础理论研究是攀登科技高峰的基石，缺乏坚实的理论基础，就无法在科技领域与美国等先进国家并驾齐驱。

基础理论研究是科技创新的源头，没有基础理论的突破，就难以实现技术的质变。任正非强调“没有理论就没有突破，我们就赶不上美国”，表明华为深知基础理论研究对于企业长期发展的重要性。

在当前复杂的国际环境下，华为面临着诸多技术封锁。通过加大基础理论研究投入，华为能够在关键技术领域实现自主创新，减少对外部技术的依赖，增强企业的核心竞争力。

基础理论研究不仅有助于华为自身的技术发展，还能推动整个行业的技术进步。例如，华为在通信领域的基础理论研究，为5G技术的广泛应用奠定了基础，也为全球通信行业的发展做出了贡献。

根据2024年的预测数据，以下是研发投入最多的科技公司排名：

1、谷歌母公司（Alphabet）：约496亿美元

主要投入领域：人工智能基础设施、量子计算、自动驾驶等。

2、Meta：约430亿美元

主要投入领域：人工智能模型、增强现实（AR）/虚拟现实（VR）、大型语言模型基础设施等。

3、苹果（Apple）：约330亿美元

主要投入领域：自研芯片、AR/VR平台、人工智能集成等。

4、微软（Microsoft）：约319亿美元

主要投入领域：人工智能集成、云计算基础设施、企业技术等。

5、华为（Huawei）：约273亿美元

主要投入领域：通信技术、智能手机技术、汽车技术等。

6、三星（Samsung Electronics）：约252亿美元

主要投入领域：半导体、显示屏、人工智能集成等。

7、百时美施贵宝（Bristol-Myers Squibb）：约241亿美元

主要投入领域：生物制药管线扩展、免疫肿瘤学等。

8、大众汽车（Volkswagen）：约205亿美元

主要投入领域：电动汽车、自动驾驶、软件集成等。

9、默克（Merck）：约189亿美元

主要投入领域：药物发现、临床试验、免疫疗法等。

10、英特尔（Intel）：约168亿美元

主要投入领域：先进半导体、人工智能加速器等。

华为研发投入的分配与策略

基础理论研究（约600亿元）：这部分资金主要用于支持科学家和研究人员进行前沿技术探索和基础理论研究。任正非提到，基础理论研究的周期通常较长，可能需要10年、20年甚至更长时间才能看到成果，因此华为对这部分投入不设考核目标，鼓励研究人员大胆探索，追求创新。

产品研发（约1200亿元）：这部分资金用于将基础理论研究成果转化为实际的产品和解决方案。与基础理论研究不同，产品研发需要在一定时间内取得明确的成果，因此华为对这部分投入设置了考核目标，以确保研发效率和产品质量。

华为研发投入的成效与未来展望

技术突破与创新：华为在通信技术、芯片设计、人工智能等领域取得了显著的技术突破。例如，华为的5G技术在全球处于领先地位，其自研的鲲鹏、昇腾芯片也在不断进步，为华为的产品和服务提供了强大的技术支撑。

华为通过与高校、科研机构以及全球合作伙伴的紧密合作，构建了强大的创新生态。例如，华为的“黄大年茶思屋”平台为科研人员提供了一个交流合作的场所，促进了基础理论研究与实际应用的结合。

展望未来，华为将继续加大研发投入，特别是在人工智能、量子计算、6G通信等前沿领域。任正非表示，人工智能也许是人类社会最后一次技术革命，华为将积极布局，通过技术创新推动社会进步。

稿源：美通社

作者： Imagination Technologies 的产品管理副总裁 Dennis Laudick

人工智能（AI）在边缘计算领域正经历着突飞猛进的高速发展，根据IDC的最新数据，全球边缘计算支出将从2024年的2280亿美元快速增长到2028年的3780亿美元*。这种需求的增长速度，以及在智能制造、智慧城市等数十个行业中越来越多的应用场景中出现的渗透率快速提升，也为执行计算任务的硬件设计以及面对多样化场景的模型迭代的速度带来了挑战。

AI不仅是一项技术突破，它更是软件编写、理解和执行方式的一次永久性变革。传统的软件开发基于确定性逻辑和大多是顺序执行的流程，而如今这一范式正在让位于概率模型、训练行为以及数据驱动的计算。这并不是一时的潮流。AI 代表了计算机科学的一次根本性、不可逆的转变 —— 从基于规则的编程，迈向自适应的、基于学习的系统，这些系统正逐步被集成到越来越广泛的计算问题与能力中。

这一转变也对硬件提出了相应的变革需求。在AI架构和算法不断演进（并将持续演进）的时代，为狭窄定义任务而打造的高度专用芯片的旧模式已不再适用。为了满足不断变化的AI需求（尤其是在边缘侧)，我们需要具备与工作负载同样动态、适应能力强的计算平台。

这正是通用并行处理器（即GPU）成为边缘AI未来的关键所在，并开始取代专门的处理器，如神经网络处理器（NPU）。这不仅仅是性能上的考量——它关乎灵活性、可扩展性，以及与未来软件发展趋势的同步。

Makimoto波动理论与“灵活性”的回归

要理解这一转变，我们只需回顾“Makimoto波动理论”：这是由日本工程师牧本次雄（Tsugio Makimoto）提出的一个概念，描述了计算产业在不同阶段不断在“标准化”与“定制化”之间摆动的趋势，其背后是市场需求、技术创新和软件复杂性等因素的持续变化。

（Makimoto 波动理论展现了计算产业在“灵活性”与“专用性”之间的历史摆动。而当前AI的发展轨迹，标志着计算正再次呈现出在“灵活性”和“通用平台”之间的摆动。）

这一模型与AI硬件的演变过程高度契合。在AI发展的早期阶段，工作负载较为明确且稳定，此时采用NPU等固定功能加速器是合理的。这类处理器对特定任务（例如使用CNN进行图像分类或目标检测）进行了深度优化。

但如今AI已进入高速演进阶段。我们已走出简单、静态模型的时代，迈入混合网络、Transformer架构、基础模型和持续创新的浪潮之中。为去年AI打造的定制硬件，根本无法跟上当今的发展节奏。

正如我们在本文一开始所介绍的那样，当一个行业不得不去面对超高的增长率，以及每天都在不断出现的新应用场景和为此而快速迭代的模型，使我们再次站在了“Makimoto拐点”上 —— 从专用硬件，回归到可扩展、可适配的通用计算平台。

AI是一个并行计算问题，而非专用计算问题

AI的本质在于并行计算。深度学习严重依赖并发操作 —— 矩阵运算、张量乘法、向量计算 —— 这些正是GPU天生擅长的工作负载。能够同时渲染数百万像素的架构，如今正好可以处理数百万神经元的激活。

如今的通用GPU早已不仅仅用于图形处理。它们拥有可编程管线、计算着色器，以及日益增强的AI中心化设计，不仅能加速传统负载，也能支持新兴的AI工作负载，是边缘AI中强大而灵活的计算引擎。

相比之下，像NPU这样的专用处理器则难以应对持续的变革。它们对特定操作进行了优化，而当AI领域快速演进时，这些芯片便迅速被淘汰。显然，面对这种全新的软件范式，我们需要的是一种通用的、并行的、灵活的硬件平台 —— GPU。

为什么通用平台在边缘侧更具优势

边缘AI不仅需要性能，更需要适应性、可重用性与较长的生命周期；随着AI处理器的设计越来越复杂，且随着市场规模的扩大会吸引更多的玩家，大家都争相采用更先进的工艺来实现性价比和功耗的优化，以及在生态建设方面的大量花费，使得每个芯片项目的投入正变得越来越高。针对这些技术经济学挑战，现代GPU等通用并行处理器在这几个方面均具备明显优势：

灵活性：可编程，能够支持新的模型类型而无需更换硬件；

可扩展性：可适配从物联网（IoT）传感器到智能摄像头再到自动驾驶汽车等各种边缘设备；

软件生态成熟：拥有丰富的开源工具与开发标准（如OpenCL、LiteRT和TVM）；

可持续性：延长产品生命周期，减少不断重新设计芯片的需求。

简而言之，GPU的通用并行计算从架构层面就为AI的持续演进而设计。而GPU领域内的本身创新也在快速验证这一趋势，例如Imagination在不久前发布的E系列GPU就具有突破性的高效并行处理架构，在提供卓越图形性能的同时，针对人工智能工作负载，其 INT8/FP8 算力可在 2 到 200 TOPS 之间扩展。

展望未来

尽管有越来越多的证据说明GPU具备的优势，市场仍然习惯将AI加速与NPU或定制芯片划等号。但正如图形行业早年发现，固定功能的图形管线无法跟上游戏创新的节奏；如今AI行业也发现：固定硬件无法匹配快速变化的软件需求。

是时候重新教育整个生态了。边缘AI的未来不属于那些高度优化但功能狭窄的芯片，而是属于可编程的、可适配的并行计算平台，它们能与智能软件共同成长并扩展。诸如Imagination全新的E系列GPU，它为未来的边缘应用提供了一种通用且可编程的解决方案，涵盖图形渲染、桌面和智能手机等领域，可实现自然语言处理、工业计算机视觉以及自动驾驶等应用。

几十年前，Makimoto就洞察了这一趋势。如今，我们正在亲身经历他的远见 —— 顺应着通用性和灵活性的浪潮前行。GPU 不再是追赶者，它已处于领先位置。

关于作者

Dennis Laudick担任Imagination Technologies 的产品管理副总裁。在加入公司之前，Dennis 曾在 Arm 任职超过13年，担任汽车、AI和 GPU 相关业务的产品与市场领导职务。在此之前，他还曾在多家半导体与OEM巨头企业担任高级管理岗位。