联发科高管：2030年百万H100算力将仅属中等规模
Nashnova编辑部
联发科高级总监梁伯颂预计，到2030年全球将有超过10座数据中心超越百万颗H100算力规模，单座耗电可达3至4吉瓦——AI的下一个瓶颈正从芯片转向电力与基础设施的物理极限。
AI数据中心的算力规模涨了多少？
梁伯颂以H100等效算力为基准：当前全球最大AI数据中心约相当于100万颗H100 GPU，耗电接近1吉瓦。
到2030年，这一规模可能仅算"中等"——届时预计超过10座数据中心将超越该量级，单座耗电可达3至4吉瓦。
这意味着→ 五年内，今天的"天花板"将变成"起步线"，算力需求的膨胀速度远超多数人的直觉。
GPU需求是怎样一步步爆发的？
Transformer架构出现前，训练一个模型所需GPU不足10颗。
到ChatGPT时代，这个数字升至数千乃至近万颗。
如今超大规模数据中心已达40万至50万颗GPU的量级，且仍在扩张。
用大白话说＝ 不到十年，训练一个模型的GPU用量翻了五万倍以上，增长曲线几乎是垂直的。
电从哪来——为什么有人提太空数据中心？
梁伯颂援引美国半导体行业协会（SIA）数据：全球算力消耗增速已开始超出地面能源系统的舒适承载范围。
这在一定程度上解释了马斯克提出"太空数据中心"构想的背景——地面电力可能根本不够用。
若行业最终目标是1太瓦（太瓦＝一万亿瓦特）算力规模，这相当于美国全国用电量的约两倍，届时还可能需要部署数百万颗卫星。
这反映出 AI发展的下一个瓶颈正在从计算芯片本身，转向电力与基础设施的物理可用性。
芯片设计还够用吗——系统工程意味着什么？
梁伯颂强调，在如此规模下构建AI基础设施，已无法单靠芯片设计实现。
必须涵盖台积电先进制程、先进封装，以及纵向扩展（scale-up，单机内部互联做大）与横向扩展（scale-out，多机协同联网）的系统级工程。
目前已承诺投入AI基础设施的资金超过1万亿美元，但梁伯颂认为这仅足以应对当前需求，未来产能缺口依然巨大。
这意味着→ 台湾半导体供应链的战略地位料将进一步提升——因为制程和封装能力集中在那里。
AI架构正在发生什么变化？
AI正从依赖单一大语言模型（LLM），转向由多个AI智能体（agent，各有角色和能力的AI程序）组成的协作团队。
梁伯颂提出七层AI架构——相比黄仁勋的五层"蛋糕"，多出独立的上下文层和智能体层，强调协调与应用才是最终释放生产力的关键。
用大白话说＝ 未来AI不是一个"全能选手"，而是一群"专才"分工合作，靠协调层把它们串起来。
人会不会成为AI的瓶颈？
梁伯颂描述了软件演进路径：从提示词工程→上下文工程→工作流工程，呈"倒金字塔"式进阶。
他认为，若人类持续逐一验证每个AI输出，人本身将成为瓶颈。
未来方向是AI智能体相互交叉验证，人类通过指标与异常监控对整体流程进行监督。
这意味着→ 这一转变可能催生一门全新学科——AI管理学，管的不是人，而是一支AI团队。
Content is for reference only, not financial advice.