创金合信周志敏表示，算力提升在促进性能增加的同时也能有效地控制成本，性能提升方式的不同，大模型的算力需求、理论、供应链和技术路线也将不同。
　　以下为文字精华：
　　提问：关于上游的算力方面，你怎么看？
　　周志敏：其实我们也在关注最新发布的超级架构GH200，其CPU + GPU + DPU的架构模式使得算力比原来提升了许多，从该架构中可以看出。
　　第一，光有算力是不够的，性能也需要提升。
　　第二，提升性能的同时，成本也需要降下来。
　　这符合科技行业的发展规律，发展初期大家追求的都是够用就行，用现有产品测试新场景，在确定其可行性后才会针对该场景发展新的应用，随着新应用的不断迭代，当初较高的使用成本则随之下降。
　　所以，我觉得AI也不例外，虽然从全球范围来看AI现在还处在上升趋势当中，但是因为产业还在孕育过程中应用并未得到有效开发，算力计算也并没有一个好的标准，此外因为大部分的模型还处于训练阶段，模型的训练算力和推理算力的要求在算法上面有一些区别，所以当前想要得到准确的算力数据是不太科学的，但是在总需求上将来可能是在逐步上升的。
　　对于如何提升AI的性能，市场上有两种说法，第一，根据大模型的参数量，逐步增加参数。 第二，使用较大的参数量，通过提升间隔的方式将模型的参数分割为多段，从而达到减少算力需求的目的，但这依旧需要拥有能容纳足够大参数的模型。
　　另外，人工智能在美股的股价创新高，这与业绩发布有一定的关系，如果上季度业绩还不错，那么展望下季度的业绩也不会太差，所以短期太担心风险。对于国内来讲，因为贸易限制的问题就相对复杂一些，所以国内的大模型公司可能还需要考虑得更多，比如，是否需要多囤一点h800？是否需要寻找备用方案？是否需要开始尝试使用国内算力供应商的算力？这是技术和供应链安全的问题。
　　其实还有路线之争，例如，英伟达代表的是GPU路线，还有以谷歌代表的TPU（ASIC专用芯片）。对于路线的选择，现在还没有明确的定论，将来算法模型相对稳定或者架构稳定了，那么大公司也可能会使用ASIC芯片，所以我觉得科技股有趣的就是这个地方，在刚兴起时，并不能用成熟行业的眼光来看待它的，因为随着技术、理论或者供应链的变化，科技公司的成本会随之升高或者下降，那么公司就需要考虑新技术路线是否有探索价值了。