北京
新智元報(bào)道
編輯：桃子
【新智元導(dǎo)讀】AI推理游戲規(guī)則，正悄然改變。一份最新報(bào)告揭示了關(guān)鍵轉(zhuǎn)折：如今決定勝負(fù)的，不再是單純的芯片性能或GPU數(shù)量，而是 「每一美元能輸出多少智能」。
AI推理，現(xiàn)已不只看算力硬指標(biāo)了！
Signal65一份最新報(bào)告中，英偉達(dá)GB200 NVL72是AMD MI350X吞吐量28倍。
而且，在高交互場(chǎng)景在，DeepSeek R1每Token成本還能低到15倍。
GB200每小時(shí)單價(jià)大概是貴一倍左右，但這根本不重要。因?yàn)闄C(jī)柜級(jí)NVLink互聯(lián)+軟件調(diào)度能力，徹底改變了成本結(jié)構(gòu)。
頂級(jí)投資人Ben Pouladian稱，「目前的關(guān)鍵不再是算力或GPU數(shù)量，而是每一美元能買到多少智能輸出」。
如今，英偉達(dá)仍是王者。其他競(jìng)爭(zhēng)對(duì)手根本做不到這種交互水平，這就是護(hù)城河。
最關(guān)鍵的是，這還沒有集成200億刀買入Groq的推理能力。
這里，再mark下老黃至理名言——The more you buy, the more you save！
AI推理重心：一美元輸出多少智能？
這篇萬(wàn)字報(bào)告，探索了從稠密模型（Dense）到混合專家模型（MoE）推理背后的一些本質(zhì)現(xiàn)象。
傳統(tǒng)的「稠密模型」架構(gòu)要求：在生成每個(gè)Token時(shí)都激活模型里的全部參數(shù)。
這就意味著：模型越大，運(yùn)行越慢、成本越高，同時(shí)還會(huì)帶來相應(yīng)的內(nèi)存需求增長(zhǎng)等問題。
MoE架構(gòu)，正是為了釋放更高水平的智能而生——在每個(gè)Token上只激活最相關(guān)的「專家」。
摟一眼Artificial Analysis排行榜即可發(fā)現(xiàn)，全球TOP 10開源LLM，全部都是MoE推理模型。
它們會(huì)在推理階段額外「加算力」來提高準(zhǔn)確性：
LLM不會(huì)立刻吐出答案，而是先生成中間的推理Token，再輸出，相當(dāng)于先把請(qǐng)求和解法「想一遍」。
前16名里有12個(gè)是MoE模型
這些推理Token往往遠(yuǎn)多于最終回復(fù)，而且可能完全不會(huì)展示出來。能否既快又便宜地生成Token，對(duì)推理部署來說就變得至關(guān)重要。
那么，MoE方法的主要約束在哪里？
一個(gè)核心限制在于「通信瓶頸」。
當(dāng)不同專家分布在多塊GPU上時(shí)，任何GPU之間通信的延遲，都會(huì)讓GPU空閑等待數(shù)據(jù)。
OpenRouter一份近期報(bào)告，超50%的Token會(huì)被路由到推理模型上
這些「空轉(zhuǎn)時(shí)間」（idle time）代表著被浪費(fèi)的、低效的算力，并且會(huì)直接體現(xiàn)在服務(wù)提供商的成本底線上。
當(dāng)評(píng)估AI基礎(chǔ)設(shè)施的「經(jīng)濟(jì)性」時(shí)，一般會(huì)聚焦在三個(gè)方面：
性能（吞吐量與交互性）
能效（在既定功耗預(yù)算下，可生成的Token數(shù)）
總體擁有成本（通常以Token/每百萬(wàn)的成本衡量）
基于公開可用的基準(zhǔn)測(cè)試數(shù)據(jù)，Signal65對(duì)不同LLM架構(gòu)下AI基礎(chǔ)設(shè)施方案進(jìn)行了對(duì)比分析。
分析中，團(tuán)隊(duì)采用第三方基準(zhǔn)測(cè)試所提供的性能數(shù)據(jù)，來估算相對(duì)的Token經(jīng)濟(jì)性。
具體來說，他們選取了B200、GB200 NVL72，以及AMD MI355X部分結(jié)果，用以對(duì)比它們?cè)诓煌Ｐ蛨?chǎng)景下的真實(shí)性能表現(xiàn)及相應(yīng)的TCO估算。
結(jié)果顯示，在稠密架構(gòu)以及較小規(guī)模的MoE中，B200性能優(yōu)于AMD MI355X。
當(dāng)模型擴(kuò)展到像DeepSeek-R1這樣需跨越單節(jié)點(diǎn)的前沿級(jí)規(guī)模時(shí)，GB200 NVL72性能最高可達(dá)到MI355X的28倍。
在高交互性的推理工作負(fù)載中，NVL72的單位Token成本最低，可降至其他方案的約1/15。
盡管GB200 NVL72的單GPU小時(shí)價(jià)格幾乎是這些競(jìng)爭(zhēng)平臺(tái)的2倍，但其機(jī)架級(jí)能力——從NVLink高速互連，到覆蓋72塊GPU的軟件編排——共同推動(dòng)了這種顯著更優(yōu)的單位經(jīng)濟(jì)性。
價(jià)值評(píng)估的重心，正在從單純的原始FLOPs，轉(zhuǎn)向「每一美元所獲得的總體智能」。
這一結(jié)論非常明確：
隨著MoE模型和推理工作負(fù)載帶來的復(fù)雜性與規(guī)模持續(xù)上升，行業(yè)已無(wú)法僅依賴芯片層面的性能提升。
能夠在系統(tǒng)層面實(shí)現(xiàn)峰值性能的端到端平臺(tái)設(shè)計(jì)，已經(jīng)成為實(shí)現(xiàn)低成本、高響應(yīng)AI服務(wù)的關(guān)鍵杠桿。
「稠密模型」推理，英偉達(dá)領(lǐng)先
Signal65選擇了Llama 3.3 70B作為稠密模型的性能基準(zhǔn)，結(jié)果如下所示：
帕累托曲線清晰顯示出，HGX B200-TRT方案在整個(gè)吞吐量與交互性區(qū)間內(nèi)，都具備持續(xù)的性能優(yōu)勢(shì)。
具體到基線交互性水平，B200的性能大約是MI355X的1.8倍，這為交互式應(yīng)用部署，以及更高的單GPU并發(fā)密度提供了顯著余量。
再來看，當(dāng)交互性提升至110 tokens/sec/user時(shí)，這一優(yōu)勢(shì)進(jìn)一步被放大：B200吞吐量超過MI355X的6倍。
整體上，在Llama 3.3 70B測(cè)試中，AMD MI355X在單位成本性能方面確實(shí)具備一定吸引力。
但這種優(yōu)勢(shì)并不能代表更現(xiàn)代的推理技術(shù)棧，尤其是以MoE架構(gòu)和高強(qiáng)度推理工作負(fù)載構(gòu)建的系統(tǒng)。
MoE推理，英偉達(dá)領(lǐng)先
那么，在MoE架構(gòu)上，英偉達(dá)和AMD表現(xiàn)又如何？
中等規(guī)模推理：gpt-oss-120B
Signal65認(rèn)為，OpenAI gpt-oss-120B是理解MoE部署特性的一個(gè)理想「橋梁案例」。
它足夠大，可以把MoE的復(fù)雜性暴露出來；
但規(guī)模又沒有大到離譜，仍然是很多團(tuán)隊(duì)能現(xiàn)實(shí)部署并調(diào)優(yōu)的范圍。
它處在一個(gè)很有用的中間地帶：介于稠密的70B級(jí)模型，與市場(chǎng)正在快速轉(zhuǎn)向的、更前沿的推理型MoE架構(gòu)之間。
在10月下旬?dāng)?shù)據(jù)里，當(dāng)目標(biāo)是100 tokens/sec/user時(shí)，B200大約比MI355X快1.4倍；
但當(dāng)目標(biāo)提高到250 tokens/sec/user時(shí)，差距會(huì)擴(kuò)大到約3.5倍，說明越追求「更快的交互」，平臺(tái)差異越容易被放大。
不過，12月上旬的數(shù)據(jù)則呈現(xiàn)出不同局面。
得益于軟件優(yōu)化，兩邊平臺(tái)的絕對(duì)性能都明顯提升：英偉達(dá)單GPU峰值吞吐從大約7,000 tokens/sec提升到超過14,000；AMD也從約6,000提升到大約8,500。
前沿推理：DeepSeek-R1
在DeepSeek-R1推理上，測(cè)試結(jié)果正如開篇所介紹那樣，英偉達(dá)GB200 NVL72大幅領(lǐng)先。
更多數(shù)據(jù)如下圖所示：
基準(zhǔn)測(cè)試數(shù)據(jù)展示了一個(gè)被重塑的格局：
GB200 NVL72讓「超過8塊GPU的張量并行配置」也能進(jìn)入帕累托前沿，達(dá)到單節(jié)點(diǎn)平臺(tái)根本無(wú)法匹敵的性能。
在25 tokens/sec/user交互性目標(biāo)下，GB200 NVL72單GPU性能大約是H200的10倍，并且超過MI325X單GPU性能的16倍。
這類性能差距，正是能為AI服務(wù)提供商帶來「斷崖式」TCO改善的那種差距。
當(dāng)交互性目標(biāo)提高到60 tokens/sec/user時(shí)，GB200 NVL72相比H200帶來了超24倍的代際提升，同時(shí)也接近MI355X的11.5倍性能。
在同樣25 tokens/sec/user下，GB200 NVL72單GPU性能大約是B200的2倍、是MI355X的5.9倍；
而到60 tokens/sec/user時(shí)，這些優(yōu)勢(shì)進(jìn)一步擴(kuò)大：相對(duì)單節(jié)點(diǎn)B200達(dá)到5.3倍、相對(duì)MI355X達(dá)到11.5倍。
GPU越貴，token成本越低
英偉達(dá)從Hopper過渡到Blackwell，并推出GB200 NVL72時(shí)，不僅提升了每GPU算力、內(nèi)存帶寬以及NVLink互連帶寬，還對(duì)底層系統(tǒng)架構(gòu)做了重新設(shè)計(jì)。
從8-GPU風(fēng)冷HGX服務(wù)器轉(zhuǎn)向全液冷的機(jī)架級(jí)系統(tǒng)，并把72塊GPU連接在同一個(gè)域內(nèi)，系統(tǒng)成本和復(fù)雜度顯然都上升了。
據(jù)CoreWeave公布的目錄價(jià)，按單GPU口徑，GB200 NVL72價(jià)格大約比H200貴1.7倍。
不過，每一代新技術(shù)的目標(biāo)之一，就是壓低「每Token成本」。
對(duì)推理而言，具體就是：實(shí)際交付的Token吞吐提升幅度，要超過底層基礎(chǔ)設(shè)施成本的提升幅度。
而從公開的性能數(shù)據(jù)來看，這正是GB200 NVL72相比Hopper所呈現(xiàn)出的結(jié)果。
Signal65把本次的tokenomics（Token經(jīng)濟(jì)學(xué)）分析，錨定在前文建立的DeepSeek-R1性能差距上：
在25 tokens/sec/user時(shí)，GB200 NVL72單GPU性能大約是H200的10倍；
在更高的交互點(diǎn)位上，這個(gè)差距會(huì)更大（24倍）。
下表總結(jié)了成本歸一化，以及由此得到的「每美元性能」計(jì)算：
這些結(jié)果一開始可能有點(diǎn)反直覺：更「貴」的GPU反而更省錢——因?yàn)樗鼛淼男阅芴嵘h(yuǎn)大于價(jià)格差異，使得它能以更低成本生成Token。
與AMD相比，英偉達(dá)系統(tǒng)在推理token成本上的一些數(shù)據(jù)對(duì)比：
按單GPU口徑，MI355X價(jià)格大約只有GB200 NVL72配置的一半；
但由于GB200 NVL72單GPU性能優(yōu)勢(shì)從低端接近6倍，到高交互性時(shí)高達(dá)28倍不等，英偉達(dá)仍然能提供最高15倍的每美元性能優(yōu)勢(shì)。
換句話說，英偉達(dá)能實(shí)現(xiàn)相對(duì)每Token成本僅為競(jìng)爭(zhēng)對(duì)手的1/15。
結(jié)論
前沿AI模型的未來，會(huì)是更大、更復(fù)雜的MoE。
隨著模型更深地走向MoE與推理架構(gòu)，最終效果將不再只取決于原始GPU性能或內(nèi)存容量。
平臺(tái)級(jí)設(shè)計(jì)會(huì)成為決定性因素——包括互連與通信效率、多節(jié)點(diǎn)擴(kuò)展特性、軟件棧成熟度、生態(tài)支持與編排能力，以及在并發(fā)與混合負(fù)載下維持高利用率的能力。
從當(dāng)前趨勢(shì)看，來自O(shè)penAI、Meta、Anthropic等前沿公司的旗艦?zāi)Ｐ停芸赡軙?huì)繼續(xù)沿著MoE與推理方向演進(jìn)。
如果這一軌跡成立，英偉達(dá)將維持關(guān)鍵的性能與經(jīng)濟(jì)性優(yōu)勢(shì)。
谷歌TPU這類架構(gòu)也提供機(jī)架級(jí)方案，但它們對(duì)非自家模型的適用性與性能表現(xiàn)仍不明確。
本文記錄的性能差異，能夠直接轉(zhuǎn)化為可量化的商業(yè)結(jié)果：
在既定交互性閾值下，每部署一塊GPU能服務(wù)更多用戶，就能降低每個(gè)「有用Token」的生成成本，提高每機(jī)架的收入潛力（通過規(guī)?；桓陡邇r(jià)值的體驗(yàn)），最終AI企業(yè)和部署AI的企業(yè)獲得更好的TCO。
一個(gè)具體例子足以說明量級(jí)：當(dāng)一個(gè)平臺(tái)在某個(gè)交互性目標(biāo)下，能提供28倍的單GPU吞吐提升時(shí)，它可以在不需要線性擴(kuò)大硬件規(guī)模的情況下，解鎖新的產(chǎn)品檔位以及更復(fù)雜的功能。
這就是AI推理「經(jīng)濟(jì)學(xué)」，而它會(huì)更偏向那些從底層就為MoE與推理時(shí)代而設(shè)計(jì)的平臺(tái)。
參考資料：
https://x.com/kimmonismus/status/2005753458188771768
https://signal65.com/research/ai/from-dense-to-mixture-of-experts-the-new-economics-of-ai-inference/
特別聲明：以上內(nèi)容(如有圖片或視頻亦包括在內(nèi))為自媒體平臺(tái)“網(wǎng)易號(hào)”用戶上傳并發(fā)布，本平臺(tái)僅提供信息存儲(chǔ)服務(wù)。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
