USA fører på dokumenteret ydelse og modne software økosystemer med chips som AMD's MI325X (≈1,3 PFLOPS FP16, 256GB HBM3E) og Googles TPU v6e (918 TFLOPs bf16 pr. Kinas modsvar er hjemmeudviklede alternativer som Huaweis Ascend 910 serie og Birens BR100, der skal mindske afhængigheden af amerikansk hardware og ofte a...
Udgivet afRedigeret med GPT-5.5Billeder genereret med GPT Image 2
USA fører på dokumenteret ydelse og modne software økosystemer med chips som AMD's MI325X (≈1,3 PFLOPS FP16, 256GB HBM3E) og Googles TPU v6e (918 TFLOPs bf16 pr.
Kinas modsvar er hjemmeudviklede alternativer som Huaweis Ascend 910 serie og Birens BR100, der skal mindske afhængigheden af amerikansk hardware og ofte anvendes i store clusters.
Den amerikanske fordel rækker også ind i forsyningskæder og software, mens Kina satser på at skalere egne designs op og opbygge en uafhængig AI infrastruktur.
Research US vs China AI Chips and compare them as comprehensively as possible in table formatThe global AI accelerator race increasingly centers on competing chip ecosystems in the United States and China.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: Research US vs China AI Chips and compare them as comprehensively as possible in table format. Article summary: The US side in this evidence set includes Nvidia H200, AMD MI325X, and Google TPU v6e, while the China side is represented mainly by Huawei’s Ascend 910B.. Topic tags: deepresearch, documentation, general web, education, user generated. Reference image context from search candidates: Reference image 1: visual subject "RAND's divisions conduct research on a uniquely broad front for clients around the globe. #### U.S. research divisions. U.S. and China flags on a computer chip on a motherboard. **" source context "China's AI Models Are Closing the Gap—but America's Real Advantage Lies Elsewhere | RAND" Reference image 2: visual subject "RAND's divisions conduct research on a uniquely broad front for clients a
openai.com
Kapløbet om at udvikle de bedste chips til kunstig intelligens handler i stigende grad om et opgør mellem USA's og Kinas teknologiske økosystemer. USA dominerer det højtydende marked for AI-acceleratorer med giganter som Nvidia, AMD og Google, mens Kina bygger sine egne alternativer med virksomheder som Huawei, Biren og Cambricon.
Begge lejre producerer nu specialiserede acceleratorer til både træning og inferens, men konkurrencen handler ikke kun om rå ydelse. Den udspiller sig også på parametre som hukommelsesbåndbredde, fremstillingskapacitet, software-økosystemer og evnen til at bygge store clusters.
Herunder følger en detaljeret sammenligning af de mest markante AI-chips fra hver side, baseret på tilgængelige dokumenterede specifikationer.
De centrale aktører i den amerikansk-kinesiske chip-konkurrence
USA
AMD Instinct MI325X
Google TPU v6e (Trillium)
Kina
Huawei Ascend 910-serien (herunder 910C)
Biren BR100 / BR104
Cambricon MLU370‑X8
Disse chips er primært designet til tunge AI-arbejdsopgaver som træning af store sprogmodeller (LLM'er), inferenstjenester og videnskabelig databehandling.
Detaljeret sammenligning af chips
Chip
Land / Virksomhed
Arkitektur / Fremstillingsnode
Maksimal ydelse
Hukommelse
Hukommelsesbåndbredde
Strømforbrug
Bemærkelsesværdige egenskaber
AMD Instinct MI325X
USA / AMD
CDNA3 accelerator-arkitektur
~1,3 PFLOPS FP16 (2,6 PFLOPS FP8 med sparsity)
256GB HBM3E
~6 TB/s
op til ~750–1000W
Stor HBM-kapacitet designet til træning og inferens af store modeller.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "USA vs. Kina: Sådan står AI-chip-slaget"?
USA fører på dokumenteret ydelse og modne software økosystemer med chips som AMD's MI325X (≈1,3 PFLOPS FP16, 256GB HBM3E) og Googles TPU v6e (918 TFLOPs bf16 pr.
What are the key points to validate first?
USA fører på dokumenteret ydelse og modne software økosystemer med chips som AMD's MI325X (≈1,3 PFLOPS FP16, 256GB HBM3E) og Googles TPU v6e (918 TFLOPs bf16 pr. Kinas modsvar er hjemmeudviklede alternativer som Huaweis Ascend 910 serie og Birens BR100, der skal mindske afhængigheden af amerikansk hardware og ofte anvendes i store clusters.
What should I do next in practice?
Den amerikanske fordel rækker også ind i forsyningskæder og software, mens Kina satser på at skalere egne designs op og opbygge en uafhængig AI infrastruktur.
USA fører på dokumenteret ydelse og modne software økosystemer med chips som AMD's MI325X (≈1,3 PFLOPS FP16, 256GB HBM3E) og Googles TPU v6e (918 TFLOPs bf16 pr. Kinas modsvar er hjemmeudviklede alternativer som Huaweis Ascend 910 serie og Birens BR100, der skal mindske afhængigheden af amerikansk hardware og ofte a...
Udgivet afRedigeret med GPT-5.5Billeder genereret med GPT Image 2
USA fører på dokumenteret ydelse og modne software økosystemer med chips som AMD's MI325X (≈1,3 PFLOPS FP16, 256GB HBM3E) og Googles TPU v6e (918 TFLOPs bf16 pr.
Kinas modsvar er hjemmeudviklede alternativer som Huaweis Ascend 910 serie og Birens BR100, der skal mindske afhængigheden af amerikansk hardware og ofte anvendes i store clusters.
Den amerikanske fordel rækker også ind i forsyningskæder og software, mens Kina satser på at skalere egne designs op og opbygge en uafhængig AI infrastruktur.
Research US vs China AI Chips and compare them as comprehensively as possible in table formatThe global AI accelerator race increasingly centers on competing chip ecosystems in the United States and China.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: Research US vs China AI Chips and compare them as comprehensively as possible in table format. Article summary: The US side in this evidence set includes Nvidia H200, AMD MI325X, and Google TPU v6e, while the China side is represented mainly by Huawei’s Ascend 910B.. Topic tags: deepresearch, documentation, general web, education, user generated. Reference image context from search candidates: Reference image 1: visual subject "RAND's divisions conduct research on a uniquely broad front for clients around the globe. #### U.S. research divisions. U.S. and China flags on a computer chip on a motherboard. **" source context "China's AI Models Are Closing the Gap—but America's Real Advantage Lies Elsewhere | RAND" Reference image 2: visual subject "RAND's divisions conduct research on a uniquely broad front for clients a
openai.com
Kapløbet om at udvikle de bedste chips til kunstig intelligens handler i stigende grad om et opgør mellem USA's og Kinas teknologiske økosystemer. USA dominerer det højtydende marked for AI-acceleratorer med giganter som Nvidia, AMD og Google, mens Kina bygger sine egne alternativer med virksomheder som Huawei, Biren og Cambricon.
Begge lejre producerer nu specialiserede acceleratorer til både træning og inferens, men konkurrencen handler ikke kun om rå ydelse. Den udspiller sig også på parametre som hukommelsesbåndbredde, fremstillingskapacitet, software-økosystemer og evnen til at bygge store clusters.
Herunder følger en detaljeret sammenligning af de mest markante AI-chips fra hver side, baseret på tilgængelige dokumenterede specifikationer.
De centrale aktører i den amerikansk-kinesiske chip-konkurrence
USA
AMD Instinct MI325X
Google TPU v6e (Trillium)
Kina
Huawei Ascend 910-serien (herunder 910C)
Biren BR100 / BR104
Cambricon MLU370‑X8
Disse chips er primært designet til tunge AI-arbejdsopgaver som træning af store sprogmodeller (LLM'er), inferenstjenester og videnskabelig databehandling.
Detaljeret sammenligning af chips
Chip
Land / Virksomhed
Arkitektur / Fremstillingsnode
Maksimal ydelse
Hukommelse
Hukommelsesbåndbredde
Strømforbrug
Bemærkelsesværdige egenskaber
AMD Instinct MI325X
USA / AMD
CDNA3 accelerator-arkitektur
~1,3 PFLOPS FP16 (2,6 PFLOPS FP8 med sparsity)
256GB HBM3E
~6 TB/s
op til ~750–1000W
Stor HBM-kapacitet designet til træning og inferens af store modeller.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "USA vs. Kina: Sådan står AI-chip-slaget"?
USA fører på dokumenteret ydelse og modne software økosystemer med chips som AMD's MI325X (≈1,3 PFLOPS FP16, 256GB HBM3E) og Googles TPU v6e (918 TFLOPs bf16 pr.
What are the key points to validate first?
USA fører på dokumenteret ydelse og modne software økosystemer med chips som AMD's MI325X (≈1,3 PFLOPS FP16, 256GB HBM3E) og Googles TPU v6e (918 TFLOPs bf16 pr. Kinas modsvar er hjemmeudviklede alternativer som Huaweis Ascend 910 serie og Birens BR100, der skal mindske afhængigheden af amerikansk hardware og ofte anvendes i store clusters.
What should I do next in practice?
Den amerikanske fordel rækker også ind i forsyningskæder og software, mens Kina satser på at skalere egne designs op og opbygge en uafhængig AI infrastruktur.
Én TensorCore med to matrix-multiplikationsenheder; designet til store TPU-pods med op til 256 chips.
Huawei Ascend 910 (original)
Kina / Huawei
Da Vinci-arkitektur, ~7 nm
~256 TFLOPS FP16
HBM-hukommelse
~1,2 TB/s båndbredde
~350W
Introduceret i 2019 som Huaweis flagskibs-AI-accelerator.
Huawei Ascend 910C
Kina / Huawei
Chiplet-design (dobbelt 910B-dies), ~7 nm-klasse
Estimeret ~800 TFLOPS FP16
op til ~96–128GB HBM
~3,2 TB/s
~310W
Designet til at konkurrere med Nvidias A100/H100-klasse chips til AI-træning.
Biren BR100
Kina / Biren Technology
Dual-die GPU, TSMC 7 nm CoWoS
256 TFLOPS FP32 / ~2.048 TOPS INT8
64GB HBM2E
op til ~2,3 TB/s
~550W
Chiplet-baseret GPU med ~77 mia. transistorer målrettet datacenter-AI.
Biren BR104
Kina / Biren Technology
Single-die GPU-variant
~128 TFLOPS FP32
32GB HBM2E
~819 GB/s
~300W
Billigere variant designet til PCIe-acceleratorkort.
Cambricon MLU370‑X8
Kina / Cambricon
MLUarch03-arkitektur, 7 nm
24 TFLOPS FP32 / 96 TFLOPS FP16 / 256 TOPS INT8
48GB LPDDR5
~614 GB/s
~250W
Understøtter multi-card clusters via MLU-Link interconnect.
Arkitektur og regnekraft
De amerikanske acceleratorer har i øjeblikket en fordel, når det kommer til dokumenteret rå regnekraft til stor-skala AI-træning. AMD's MI325X leverer for eksempel omkring 1,3 PFLOPS FP16-ydelse, mens Googles TPU v6e præsterer 918 TFLOPs bf16 pr. chip.
Kinesiske chips som Huaweis Ascend 910C forsøger at mindske dette gab med anslået omkring 800 TFLOPS FP16 via et dual-chiplet-design.
Birens BR100-accelerator er et andet kinesisk bud på at konkurrere i den tunge ende og leverer op til 256 TFLOPS FP32 og omkring 2.048 TOPS INT8 i et multi-die GPU-design.
Cambricons MLU370-X8 retter sig mod både AI-inferens og træning med 256 TOPS INT8 og 96 TFLOPS FP16.
Hukommelse og båndbredde
Moderne AI-modeller stiller store krav til hukommelseskapacitet og -båndbredde, hvilket gør integration af HBM (High Bandwidth Memory) afgørende.
AMD MI325X har 256 GB HBM3E-hukommelse og omkring 6 TB/s båndbredde, en af de største hukommelseskapaciteter blandt AI-acceleratorer.
TPU v6e bruger 32 GB HBM med cirka 1,6 TB/s båndbredde, men er designet til at skalere til hundredvis af chips i TPU-pods.
Huawei Ascend 910C når angiveligt omkring 3,2 TB/s hukommelsesbåndbredde.
Biren BR100 inkluderer 64 GB HBM2E-hukommelse og cirka 2,3 TB/s båndbredde.
Højere hukommelsesbåndbredde er med til at accelerere matrix-operationer og træning af store modeller, hvor enorme mængder data flyttes mellem hukommelse og regneenheder.
Interconnect og skalering
Store AI-modeller trænes sjældent på en enkelt chip. I stedet forbindes hundredvis eller tusindvis af acceleratorer i clusters.
Googles TPU v6e-chips forbindes via et dedikeret Inter-Chip Interconnect (ICI)-netværk designet til TPU-pods med op til 256 chips.
Cambricons MLU370-X8 bruger MLU-Link, der giver 200 GB/s kommunikationsgennemstrømning mellem kort til multi-GPU-træning.
Birens GPU'er inkluderer hurtige GPU-til-GPU-interconnects designet til multi-accelerator clusters.
Cluster-arkitektur bliver i stigende grad lige så vigtig som chip'ens rå regnekraft.
Fremstilling og forsyningskæder
Fremstillingsteknologi har stor indflydelse på ydelse og energieffektivitet.
Mange kinesiske AI-chips er afhængige af ekstern produktion. Birens BR100 blev for eksempel bygget på TSMC's 7 nm-proces med avanceret CoWoS-pakning.
Huaweis nyere Ascend-chips kombinerer designs produceret på SMIC's 7 nm-klasse proces med ældre wafere produceret før de amerikanske eksportrestriktioner.
Til sammenligning benytter amerikansk-designede chips typisk avancerede støberier og forsyningskæder, der kan håndtere de nyeste fremstillings-noder og pakningsteknologier.
Økosystem og software
Hardwareydelse alene afgør ikke succes inden for AI-computing.
Amerikanske chips nyder godt af modne økosystemer som CUDA (Nvidia), ROCm (AMD) og Googles TPU-software-stak.
Huawei promoverer CANN (Compute Architecture for Neural Networks)-rammeværket til Ascend-chips for at opbygge et lokalt AI-software-økosystem.
Udvikler-værktøjer, frameworks og cloud-integration afgør ofte, hvilken hardware der bliver anvendt til virkelige AI-opgaver.
Hvad sammenligningen viser
Flere mønstre træder frem i den nuværende generation af AI-acceleratorer:
Ydelsesmæssigt forspring: Amerikanske acceleratorer viser i øjeblikket højere dokumenteret topydelse og større hukommelseskapaciteter.
Indenlandske alternativer: Kina har opbygget flere konkurrerende chip-linjer – herunder Ascend, Biren GPU'er og Cambricon-acceleratorer – for at reducere afhængigheden af amerikansk hardware.
Cluster-strategi: Begge sider konkurrerer i stigende grad gennem store AI-systemer og supercomputer-skala clusters frem for individuelle chips.
AI-chip-kapløbet er derfor ikke blot en konkurrence om transistortal eller TFLOPs – det er også en kamp mellem økosystemer, fremstillingskapacitet og evnen til at skalere tusindvis af acceleratorer i effektiv AI-infrastruktur.
I takt med at generative AI-modeller fortsætter med at vokse, vil disse forskelle i arkitektur, hukommelsessystemer og software-økosystemer sandsynligvis afgøre, hvilke platforme der kommer til at dominere fremtidens AI-computing.
cset.georgetown.edu
Pushing the Limits: Huawei's AI Chip Tests U.S. Export Controls
Én TensorCore med to matrix-multiplikationsenheder; designet til store TPU-pods med op til 256 chips.
Huawei Ascend 910 (original)
Kina / Huawei
Da Vinci-arkitektur, ~7 nm
~256 TFLOPS FP16
HBM-hukommelse
~1,2 TB/s båndbredde
~350W
Introduceret i 2019 som Huaweis flagskibs-AI-accelerator.
Huawei Ascend 910C
Kina / Huawei
Chiplet-design (dobbelt 910B-dies), ~7 nm-klasse
Estimeret ~800 TFLOPS FP16
op til ~96–128GB HBM
~3,2 TB/s
~310W
Designet til at konkurrere med Nvidias A100/H100-klasse chips til AI-træning.
Biren BR100
Kina / Biren Technology
Dual-die GPU, TSMC 7 nm CoWoS
256 TFLOPS FP32 / ~2.048 TOPS INT8
64GB HBM2E
op til ~2,3 TB/s
~550W
Chiplet-baseret GPU med ~77 mia. transistorer målrettet datacenter-AI.
Biren BR104
Kina / Biren Technology
Single-die GPU-variant
~128 TFLOPS FP32
32GB HBM2E
~819 GB/s
~300W
Billigere variant designet til PCIe-acceleratorkort.
Cambricon MLU370‑X8
Kina / Cambricon
MLUarch03-arkitektur, 7 nm
24 TFLOPS FP32 / 96 TFLOPS FP16 / 256 TOPS INT8
48GB LPDDR5
~614 GB/s
~250W
Understøtter multi-card clusters via MLU-Link interconnect.
Arkitektur og regnekraft
De amerikanske acceleratorer har i øjeblikket en fordel, når det kommer til dokumenteret rå regnekraft til stor-skala AI-træning. AMD's MI325X leverer for eksempel omkring 1,3 PFLOPS FP16-ydelse, mens Googles TPU v6e præsterer 918 TFLOPs bf16 pr. chip.
Kinesiske chips som Huaweis Ascend 910C forsøger at mindske dette gab med anslået omkring 800 TFLOPS FP16 via et dual-chiplet-design.
Birens BR100-accelerator er et andet kinesisk bud på at konkurrere i den tunge ende og leverer op til 256 TFLOPS FP32 og omkring 2.048 TOPS INT8 i et multi-die GPU-design.
Cambricons MLU370-X8 retter sig mod både AI-inferens og træning med 256 TOPS INT8 og 96 TFLOPS FP16.
Hukommelse og båndbredde
Moderne AI-modeller stiller store krav til hukommelseskapacitet og -båndbredde, hvilket gør integration af HBM (High Bandwidth Memory) afgørende.
AMD MI325X har 256 GB HBM3E-hukommelse og omkring 6 TB/s båndbredde, en af de største hukommelseskapaciteter blandt AI-acceleratorer.
TPU v6e bruger 32 GB HBM med cirka 1,6 TB/s båndbredde, men er designet til at skalere til hundredvis af chips i TPU-pods.
Huawei Ascend 910C når angiveligt omkring 3,2 TB/s hukommelsesbåndbredde.
Biren BR100 inkluderer 64 GB HBM2E-hukommelse og cirka 2,3 TB/s båndbredde.
Højere hukommelsesbåndbredde er med til at accelerere matrix-operationer og træning af store modeller, hvor enorme mængder data flyttes mellem hukommelse og regneenheder.
Interconnect og skalering
Store AI-modeller trænes sjældent på en enkelt chip. I stedet forbindes hundredvis eller tusindvis af acceleratorer i clusters.
Googles TPU v6e-chips forbindes via et dedikeret Inter-Chip Interconnect (ICI)-netværk designet til TPU-pods med op til 256 chips.
Cambricons MLU370-X8 bruger MLU-Link, der giver 200 GB/s kommunikationsgennemstrømning mellem kort til multi-GPU-træning.
Birens GPU'er inkluderer hurtige GPU-til-GPU-interconnects designet til multi-accelerator clusters.
Cluster-arkitektur bliver i stigende grad lige så vigtig som chip'ens rå regnekraft.
Fremstilling og forsyningskæder
Fremstillingsteknologi har stor indflydelse på ydelse og energieffektivitet.
Mange kinesiske AI-chips er afhængige af ekstern produktion. Birens BR100 blev for eksempel bygget på TSMC's 7 nm-proces med avanceret CoWoS-pakning.
Huaweis nyere Ascend-chips kombinerer designs produceret på SMIC's 7 nm-klasse proces med ældre wafere produceret før de amerikanske eksportrestriktioner.
Til sammenligning benytter amerikansk-designede chips typisk avancerede støberier og forsyningskæder, der kan håndtere de nyeste fremstillings-noder og pakningsteknologier.
Økosystem og software
Hardwareydelse alene afgør ikke succes inden for AI-computing.
Amerikanske chips nyder godt af modne økosystemer som CUDA (Nvidia), ROCm (AMD) og Googles TPU-software-stak.
Huawei promoverer CANN (Compute Architecture for Neural Networks)-rammeværket til Ascend-chips for at opbygge et lokalt AI-software-økosystem.
Udvikler-værktøjer, frameworks og cloud-integration afgør ofte, hvilken hardware der bliver anvendt til virkelige AI-opgaver.
Hvad sammenligningen viser
Flere mønstre træder frem i den nuværende generation af AI-acceleratorer:
Ydelsesmæssigt forspring: Amerikanske acceleratorer viser i øjeblikket højere dokumenteret topydelse og større hukommelseskapaciteter.
Indenlandske alternativer: Kina har opbygget flere konkurrerende chip-linjer – herunder Ascend, Biren GPU'er og Cambricon-acceleratorer – for at reducere afhængigheden af amerikansk hardware.
Cluster-strategi: Begge sider konkurrerer i stigende grad gennem store AI-systemer og supercomputer-skala clusters frem for individuelle chips.
AI-chip-kapløbet er derfor ikke blot en konkurrence om transistortal eller TFLOPs – det er også en kamp mellem økosystemer, fremstillingskapacitet og evnen til at skalere tusindvis af acceleratorer i effektiv AI-infrastruktur.
I takt med at generative AI-modeller fortsætter med at vokse, vil disse forskelle i arkitektur, hukommelsessystemer og software-økosystemer sandsynligvis afgøre, hvilke platforme der kommer til at dominere fremtidens AI-computing.
cset.georgetown.edu
Pushing the Limits: Huawei's AI Chip Tests U.S. Export Controls
