量子位
·
国产AI芯片看两个指标：模型覆盖+集群规模能力 | 百度智能云王雁鹏@MEET2026
💡
原文中文，约3300字，阅读约需8分钟。
📝
内容提要
国产AI芯片发展面临模型覆盖和集群规模的挑战。王雁鹏指出，芯片需支持从百亿到万亿参数的训练，并解决集群的稳定性、扩展性和模型生态问题。同时，MoE模型和多模态模型的应用也带来了通信优化和系统协同设计的新挑战。
🎯
关键要点
- 国产AI芯片发展面临模型覆盖和集群规模的挑战。
- 芯片需支持从百亿到万亿参数的训练。
- 集群的稳定性、扩展性和模型生态问题亟待解决。
- MoE模型和多模态模型的应用带来了通信优化和系统协同设计的新挑战。
- 国产芯片的替代是一个渐进式的过程，尤其在大规模训练场景中。
- 集群稳定性是大规模训练的首要挑战，需精细化监控与快速恢复机制。
- 实现集群的线性扩展需要优化网络亲和性调度和芯片与网络的联合设计。
- 模型生态与精度体系是另一个挑战，需建立高度泛化的算子体系。
- MoE模型能扩展参数规模，但也带来通信占比提升的挑战。
- 多模态模型需要异构数据均衡的调度和优化。
- 衡量国产芯片的标准包括模型覆盖能力和集群规模能力。
- 百度在模型覆盖上已达到主流大模型体系，未来将向数万卡推进。
❓
延伸问答
国产AI芯片面临哪些主要挑战？
国产AI芯片面临模型覆盖和集群规模的挑战，尤其是在大规模训练场景中。
如何评估国产AI芯片的能力？
评估国产AI芯片的能力主要看模型覆盖能力和集群规模能力。
MoE模型对国产AI芯片有什么影响？
MoE模型能扩展参数规模，但也带来了通信占比提升的挑战，需要优化通信和系统设计。
集群稳定性在大规模训练中为何重要？
集群稳定性是大规模训练的首要挑战，任何一台卡的中断都可能导致任务重启。
国产AI芯片的替代过程是怎样的？
国产芯片的替代是一个渐进式的过程，尤其在大规模训练场景中面临较大困难。
如何实现集群的线性扩展？
实现集群的线性扩展需要优化网络亲和性调度和芯片与网络的联合设计。
➡️
