Perbandingan Cip AI AS vs China: Siapa mendahului dalam perlumbaan pemprosesan pintar?
AS kini mendahului dari segi prestasi pemecut AI mewah yang didokumenkan dengan AMD MI325X (≈1.3 PFLOPS FP16, 256GB HBM3E) dan Google TPU v6e (918 TFLOPs bf16 setiap cip) [83][61]. Strategi China memberi tumpuan kepada alternatif domestik seperti siri Huawei Ascend 910 dan GPU Biren BR100 yang direka untuk latihan m...
Diterbitkan olehDisunting dengan GPT-5.5Imej dijana dengan GPT Image 2
AS kini mendahului dari segi prestasi pemecut AI mewah yang didokumenkan dengan AMD MI325X (≈1.3 PFLOPS FP16, 256GB HBM3E) dan Google TPU v6e (918 TFLOPs bf16 setiap cip) [83][61].
Strategi China memberi tumpuan kepada alternatif domestik seperti siri Huawei Ascend 910 dan GPU Biren BR100 yang direka untuk latihan model besar dan inferens, sering dipasangkan dengan kluster sistem besar [36][48].
Keunggulan AS melangkaui cip itu sendiri ke ekosistem perisian dan rantaian bekalan pembuatan, sementara kemajuan China tertumpu pada penskalaan reka bentuk domestik dan membina infrastruktur AI bebas.
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
Perlumbaan global untuk pengkomputeran kecerdasan buatan (AI) banyak ditentukan oleh persaingan antara ekosistem cip AS dan China. Amerika Syarikat mendominasi pasaran pemecut berprestasi tinggi dengan syarikat seperti Nvidia, AMD, dan Google, sementara China membina alternatif melalui Huawei, Biren, dan Cambricon.
Walaupun kedua-dua negara kini menghasilkan pemecut AI khusus untuk latihan dan inferens, persaingan ini bukan sahaja terletak pada prestasi cip mentah, tetapi juga pada lebar jalur memori, keupayaan pembuatan, ekosistem perisian, dan reka bentuk kluster berskala besar.
Berikut adalah perbandingan komprehensif cip AI utama dari setiap pihak menggunakan spesifikasi terdokumen yang tersedia.
Cip AI Utama dalam Persaingan AS–China
Amerika Syarikat
AMD Instinct MI325X
Google TPU v6e (Trillium)
China
Siri Huawei Ascend 910 (termasuk 910C)
Biren BR100 / BR104
Cambricon MLU370‑X8
Cip-cip ini direka terutamanya untuk beban kerja AI berskala besar seperti latihan model bahasa besar (LLM), perkhidmatan inferens, dan pengkomputeran saintifik.
Perbandingan Cip Komprehensif
Cip
Negara / Syarikat
Seni Bina / Node
Puncak Komput
Memori
Lebar Jalur Memori
Kuasa
Ciri Penting
AMD Instinct MI325X
AS / AMD
Seni bina pemecut CDNA3
~1.3 PFLOPS FP16 (2.6 PFLOPS FP8 dengan sparsity)
256GB HBM3E
~6 TB/s
sehingga ~750–1000W
Kapasiti HBM besar untuk latihan dan inferens model besar.
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 "Perbandingan Cip AI AS vs China: Siapa mendahului dalam perlumbaan pemprosesan pintar?"?
AS kini mendahului dari segi prestasi pemecut AI mewah yang didokumenkan dengan AMD MI325X (≈1.3 PFLOPS FP16, 256GB HBM3E) dan Google TPU v6e (918 TFLOPs bf16 setiap cip) [83][61].
What are the key points to validate first?
AS kini mendahului dari segi prestasi pemecut AI mewah yang didokumenkan dengan AMD MI325X (≈1.3 PFLOPS FP16, 256GB HBM3E) dan Google TPU v6e (918 TFLOPs bf16 setiap cip) [83][61]. Strategi China memberi tumpuan kepada alternatif domestik seperti siri Huawei Ascend 910 dan GPU Biren BR100 yang direka untuk latihan model besar dan inferens, sering dipasangkan dengan kluster sistem besar [36][48].
What should I do next in practice?
Keunggulan AS melangkaui cip itu sendiri ke ekosistem perisian dan rantaian bekalan pembuatan, sementara kemajuan China tertumpu pada penskalaan reka bentuk domestik dan membina infrastruktur AI bebas.
Perbandingan Cip AI AS vs China: Siapa mendahului dalam perlumbaan pemprosesan pintar?
AS kini mendahului dari segi prestasi pemecut AI mewah yang didokumenkan dengan AMD MI325X (≈1.3 PFLOPS FP16, 256GB HBM3E) dan Google TPU v6e (918 TFLOPs bf16 setiap cip) [83][61]. Strategi China memberi tumpuan kepada alternatif domestik seperti siri Huawei Ascend 910 dan GPU Biren BR100 yang direka untuk latihan m...
Diterbitkan olehDisunting dengan GPT-5.5Imej dijana dengan GPT Image 2
AS kini mendahului dari segi prestasi pemecut AI mewah yang didokumenkan dengan AMD MI325X (≈1.3 PFLOPS FP16, 256GB HBM3E) dan Google TPU v6e (918 TFLOPs bf16 setiap cip) [83][61].
Strategi China memberi tumpuan kepada alternatif domestik seperti siri Huawei Ascend 910 dan GPU Biren BR100 yang direka untuk latihan model besar dan inferens, sering dipasangkan dengan kluster sistem besar [36][48].
Keunggulan AS melangkaui cip itu sendiri ke ekosistem perisian dan rantaian bekalan pembuatan, sementara kemajuan China tertumpu pada penskalaan reka bentuk domestik dan membina infrastruktur AI bebas.
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
Perlumbaan global untuk pengkomputeran kecerdasan buatan (AI) banyak ditentukan oleh persaingan antara ekosistem cip AS dan China. Amerika Syarikat mendominasi pasaran pemecut berprestasi tinggi dengan syarikat seperti Nvidia, AMD, dan Google, sementara China membina alternatif melalui Huawei, Biren, dan Cambricon.
Walaupun kedua-dua negara kini menghasilkan pemecut AI khusus untuk latihan dan inferens, persaingan ini bukan sahaja terletak pada prestasi cip mentah, tetapi juga pada lebar jalur memori, keupayaan pembuatan, ekosistem perisian, dan reka bentuk kluster berskala besar.
Berikut adalah perbandingan komprehensif cip AI utama dari setiap pihak menggunakan spesifikasi terdokumen yang tersedia.
Cip AI Utama dalam Persaingan AS–China
Amerika Syarikat
AMD Instinct MI325X
Google TPU v6e (Trillium)
China
Siri Huawei Ascend 910 (termasuk 910C)
Biren BR100 / BR104
Cambricon MLU370‑X8
Cip-cip ini direka terutamanya untuk beban kerja AI berskala besar seperti latihan model bahasa besar (LLM), perkhidmatan inferens, dan pengkomputeran saintifik.
Perbandingan Cip Komprehensif
Cip
Negara / Syarikat
Seni Bina / Node
Puncak Komput
Memori
Lebar Jalur Memori
Kuasa
Ciri Penting
AMD Instinct MI325X
AS / AMD
Seni bina pemecut CDNA3
~1.3 PFLOPS FP16 (2.6 PFLOPS FP8 dengan sparsity)
256GB HBM3E
~6 TB/s
sehingga ~750–1000W
Kapasiti HBM besar untuk latihan dan inferens model besar.
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 "Perbandingan Cip AI AS vs China: Siapa mendahului dalam perlumbaan pemprosesan pintar?"?
AS kini mendahului dari segi prestasi pemecut AI mewah yang didokumenkan dengan AMD MI325X (≈1.3 PFLOPS FP16, 256GB HBM3E) dan Google TPU v6e (918 TFLOPs bf16 setiap cip) [83][61].
What are the key points to validate first?
AS kini mendahului dari segi prestasi pemecut AI mewah yang didokumenkan dengan AMD MI325X (≈1.3 PFLOPS FP16, 256GB HBM3E) dan Google TPU v6e (918 TFLOPs bf16 setiap cip) [83][61]. Strategi China memberi tumpuan kepada alternatif domestik seperti siri Huawei Ascend 910 dan GPU Biren BR100 yang direka untuk latihan model besar dan inferens, sering dipasangkan dengan kluster sistem besar [36][48].
What should I do next in practice?
Keunggulan AS melangkaui cip itu sendiri ke ekosistem perisian dan rantaian bekalan pembuatan, sementara kemajuan China tertumpu pada penskalaan reka bentuk domestik dan membina infrastruktur AI bebas.
Satu TensorCore dengan dua unit matriks-ganda; direka untuk pod TPU besar sehingga 256 cip.
Huawei Ascend 910 (asli)
China / Huawei
Seni bina Da Vinci, ~7 nm
~256 TFLOPS FP16
Memori HBM
~1.2 TB/s
~350W
Diperkenalkan pada 2019 sebagai pemecut AI utama Huawei.
Huawei Ascend 910C
China / Huawei
Reka bentuk Chiplet (dua die 910B), kelas ~7 nm
~800 TFLOPS FP16 (anggaran)
sehingga ~96–128GB HBM
~3.2 TB/s
~310W
Direka untuk bersaing dengan cip kelas Nvidia A100/H100 untuk latihan AI.
Biren BR100
China / Biren Technology
GPU dwi-die, TSMC 7 nm CoWoS
256 TFLOPS FP32 / ~2,048 TOPS INT8
64GB HBM2E
sehingga ~2.3 TB/s
~550W
GPU gaya chiplet dengan ~77B transistor, menyasarkan AI pusat data.
Biren BR104
China / Biren Technology
Variasi GPU die tunggal
~128 TFLOPS FP32
32GB HBM2E
~819 GB/s
~300W
Varian peringkat rendah untuk kad pemecut PCIe.
Cambricon MLU370‑X8
China / Cambricon
Seni bina MLUarch03, 7 nm
24 TFLOPS FP32 / 96 TFLOPS FP16 / 256 TOPS INT8
48GB LPDDR5
~614 GB/s
~250W
Menyokong kluster pelbagai kad melalui sambung MLU‑Link.
Seni Bina dan Prestasi Komput
Pemecut AS kini mendahului dari segi daya pemprosesan mentah yang didokumenkan untuk latihan AI berskala besar. Sebagai contoh, MI325X AMD mencapai kira-kira 1.3 PFLOPS prestasi FP16, sementara TPU v6e Google menghantar 918 TFLOPs bf16 setiap cip.
Cip China seperti Ascend 910C Huawei berusaha merapatkan jurang ini, dengan anggaran sekitar 800 TFLOPS FP16 menggunakan konfigurasi dwi-chiplet yang diperoleh daripada cip Ascend terdahulu.
Pemecut BR100 Biren merupakan satu lagi percubaan China untuk bersaing di peringkat tinggi, memberikan sehingga 256 TFLOPS FP32 dan sekitar 2,048 TOPS INT8 dalam reka bentuk GPU berbilang die.
Cambricon MLU370‑X8 menyasarkan beban kerja inferens dan latihan AI dengan keupayaan 256 TOPS INT8 dan 96 TFLOPS FP16.
Memori dan Lebar Jalur
Model AI moden sangat bergantung pada kapasiti memori dan lebar jalur, menjadikan integrasi HBM sebagai faktor kritikal.
AMD MI325X termasuk 256GB memori HBM3E dan kira-kira 6 TB/s lebar jalur, salah satu kapasiti memori terbesar di kalangan pemecut AI.
TPU v6e menggunakan 32GB HBM dengan kira-kira 1.6 TB/s lebar jalur, tetapi direka untuk menskalakan kepada ratusan cip yang saling bersambung dalam pod TPU.
Huawei Ascend 910C dilaporkan mencapai kira-kira 3.2 TB/s lebar jalur memori, menyokong beban kerja model berskala besar.
Biren BR100 termasuk 64GB memori HBM2E dan sekitar 2.3 TB/s lebar jalur.
Lebar jalur memori yang lebih tinggi membantu mempercepatkan operasi matriks dan latihan model besar, yang sering menggerakkan tensor besar merentas unit memori dan komput.
Sambung dan Penskalaan
Model AI besar jarang dilatih pada satu cip. Sebaliknya, ratusan atau ribuan pemecut disambungkan ke dalam kluster.
Cip TPU v6e Google bersambung menggunakan rangkaian Inter‑Chip Interconnect (ICI) khusus yang direka untuk pod TPU yang mengandungi sehingga 256 cip.
Cambricon MLU370‑X8 menggunakan MLU‑Link, menyediakan 200GB/s daya pemprosesan komunikasi antara kad untuk latihan berbilang GPU.
GPU Biren termasuk pautan sambung GPU‑ke‑GPU berkelajuan tinggi yang direka untuk kluster berbilang pemecut.
Seni bina kluster semakin penting setanding prestasi komput mentah cip individu.
Pembuatan dan Rantaian Bekalan
Teknologi pembuatan sangat mempengaruhi prestasi dan kecekapan tenaga.
Banyak cip AI China bergantung pada teknologi fabrikasi luaran. Sebagai contoh, BR100 Biren dibina menggunakan proses 7‑nm TSMC dan pembungkusan CoWoS termaju.
Cip Ascend terbaru Huawei menggabungkan reka bentuk yang dihasilkan pada proses kelas 7‑nm SMIC dengan wafer terdahulu yang dikeluarkan sebelum sekatan eksport AS.
Sebaliknya, cip reka bentuk AS biasanya bergantung pada faundri termaju dan rantaian bekalan yang mampu menghasilkan nod dan teknologi pembungkusan terkini.
Ekosistem dan Perisian
Prestasi perkakasan sahaja tidak menentukan kejayaan dalam pengkomputeran AI.
Cip AS mendapat manfaat daripada ekosistem matang seperti CUDA (Nvidia), ROCm (AMD), dan timbunan perisian TPU Google.
Huawei mempromosikan rangka kerja CANN (Compute Architecture for Neural Networks) untuk cip Ascend bagi membina ekosistem perisian AI domestik.
Alat pembangun, rangka kerja, dan integrasi awan sering menentukan perkakasan mana yang diterima pakai untuk beban kerja AI dunia sebenar.
Apa yang Ditunjukkan oleh Perbandingan Ini
Beberapa corak muncul daripada generasi semasa pemecut AI:
Kepimpinan prestasi: Pemecut AS kini menunjukkan puncak komput dan kapasiti memori yang lebih tinggi yang didokumenkan.
Alternatif domestik: China telah membina pelbagai barisan cip bersaing—termasuk Ascend, GPU Biren, dan pemecut Cambricon—untuk mengurangkan pergantungan pada perkakasan AS.
Strategi kluster: Kedua-dua pihak semakin bersaing melalui sistem AI besar dan kluster skala superkomputer daripada cip individu.
Perlumbaan cip AI oleh itu bukan sekadar pertandingan jumlah transistor atau TFLOPs—ia juga merupakan persaingan antara ekosistem, keupayaan pembuatan, dan keupayaan untuk menskalakan ribuan pemecut ke dalam infrastruktur AI yang cekap.
Memandangkan model AI generatif terus berkembang, perbezaan dalam seni bina, sistem memori, dan ekosistem perisian ini mungkin akan menentukan platform mana yang akan mendominasi pengkomputeran AI masa depan.
cset.georgetown.edu
Pushing the Limits: Huawei's AI Chip Tests U.S. Export Controls
Satu TensorCore dengan dua unit matriks-ganda; direka untuk pod TPU besar sehingga 256 cip.
Huawei Ascend 910 (asli)
China / Huawei
Seni bina Da Vinci, ~7 nm
~256 TFLOPS FP16
Memori HBM
~1.2 TB/s
~350W
Diperkenalkan pada 2019 sebagai pemecut AI utama Huawei.
Huawei Ascend 910C
China / Huawei
Reka bentuk Chiplet (dua die 910B), kelas ~7 nm
~800 TFLOPS FP16 (anggaran)
sehingga ~96–128GB HBM
~3.2 TB/s
~310W
Direka untuk bersaing dengan cip kelas Nvidia A100/H100 untuk latihan AI.
Biren BR100
China / Biren Technology
GPU dwi-die, TSMC 7 nm CoWoS
256 TFLOPS FP32 / ~2,048 TOPS INT8
64GB HBM2E
sehingga ~2.3 TB/s
~550W
GPU gaya chiplet dengan ~77B transistor, menyasarkan AI pusat data.
Biren BR104
China / Biren Technology
Variasi GPU die tunggal
~128 TFLOPS FP32
32GB HBM2E
~819 GB/s
~300W
Varian peringkat rendah untuk kad pemecut PCIe.
Cambricon MLU370‑X8
China / Cambricon
Seni bina MLUarch03, 7 nm
24 TFLOPS FP32 / 96 TFLOPS FP16 / 256 TOPS INT8
48GB LPDDR5
~614 GB/s
~250W
Menyokong kluster pelbagai kad melalui sambung MLU‑Link.
Seni Bina dan Prestasi Komput
Pemecut AS kini mendahului dari segi daya pemprosesan mentah yang didokumenkan untuk latihan AI berskala besar. Sebagai contoh, MI325X AMD mencapai kira-kira 1.3 PFLOPS prestasi FP16, sementara TPU v6e Google menghantar 918 TFLOPs bf16 setiap cip.
Cip China seperti Ascend 910C Huawei berusaha merapatkan jurang ini, dengan anggaran sekitar 800 TFLOPS FP16 menggunakan konfigurasi dwi-chiplet yang diperoleh daripada cip Ascend terdahulu.
Pemecut BR100 Biren merupakan satu lagi percubaan China untuk bersaing di peringkat tinggi, memberikan sehingga 256 TFLOPS FP32 dan sekitar 2,048 TOPS INT8 dalam reka bentuk GPU berbilang die.
Cambricon MLU370‑X8 menyasarkan beban kerja inferens dan latihan AI dengan keupayaan 256 TOPS INT8 dan 96 TFLOPS FP16.
Memori dan Lebar Jalur
Model AI moden sangat bergantung pada kapasiti memori dan lebar jalur, menjadikan integrasi HBM sebagai faktor kritikal.
AMD MI325X termasuk 256GB memori HBM3E dan kira-kira 6 TB/s lebar jalur, salah satu kapasiti memori terbesar di kalangan pemecut AI.
TPU v6e menggunakan 32GB HBM dengan kira-kira 1.6 TB/s lebar jalur, tetapi direka untuk menskalakan kepada ratusan cip yang saling bersambung dalam pod TPU.
Huawei Ascend 910C dilaporkan mencapai kira-kira 3.2 TB/s lebar jalur memori, menyokong beban kerja model berskala besar.
Biren BR100 termasuk 64GB memori HBM2E dan sekitar 2.3 TB/s lebar jalur.
Lebar jalur memori yang lebih tinggi membantu mempercepatkan operasi matriks dan latihan model besar, yang sering menggerakkan tensor besar merentas unit memori dan komput.
Sambung dan Penskalaan
Model AI besar jarang dilatih pada satu cip. Sebaliknya, ratusan atau ribuan pemecut disambungkan ke dalam kluster.
Cip TPU v6e Google bersambung menggunakan rangkaian Inter‑Chip Interconnect (ICI) khusus yang direka untuk pod TPU yang mengandungi sehingga 256 cip.
Cambricon MLU370‑X8 menggunakan MLU‑Link, menyediakan 200GB/s daya pemprosesan komunikasi antara kad untuk latihan berbilang GPU.
GPU Biren termasuk pautan sambung GPU‑ke‑GPU berkelajuan tinggi yang direka untuk kluster berbilang pemecut.
Seni bina kluster semakin penting setanding prestasi komput mentah cip individu.
Pembuatan dan Rantaian Bekalan
Teknologi pembuatan sangat mempengaruhi prestasi dan kecekapan tenaga.
Banyak cip AI China bergantung pada teknologi fabrikasi luaran. Sebagai contoh, BR100 Biren dibina menggunakan proses 7‑nm TSMC dan pembungkusan CoWoS termaju.
Cip Ascend terbaru Huawei menggabungkan reka bentuk yang dihasilkan pada proses kelas 7‑nm SMIC dengan wafer terdahulu yang dikeluarkan sebelum sekatan eksport AS.
Sebaliknya, cip reka bentuk AS biasanya bergantung pada faundri termaju dan rantaian bekalan yang mampu menghasilkan nod dan teknologi pembungkusan terkini.
Ekosistem dan Perisian
Prestasi perkakasan sahaja tidak menentukan kejayaan dalam pengkomputeran AI.
Cip AS mendapat manfaat daripada ekosistem matang seperti CUDA (Nvidia), ROCm (AMD), dan timbunan perisian TPU Google.
Huawei mempromosikan rangka kerja CANN (Compute Architecture for Neural Networks) untuk cip Ascend bagi membina ekosistem perisian AI domestik.
Alat pembangun, rangka kerja, dan integrasi awan sering menentukan perkakasan mana yang diterima pakai untuk beban kerja AI dunia sebenar.
Apa yang Ditunjukkan oleh Perbandingan Ini
Beberapa corak muncul daripada generasi semasa pemecut AI:
Kepimpinan prestasi: Pemecut AS kini menunjukkan puncak komput dan kapasiti memori yang lebih tinggi yang didokumenkan.
Alternatif domestik: China telah membina pelbagai barisan cip bersaing—termasuk Ascend, GPU Biren, dan pemecut Cambricon—untuk mengurangkan pergantungan pada perkakasan AS.
Strategi kluster: Kedua-dua pihak semakin bersaing melalui sistem AI besar dan kluster skala superkomputer daripada cip individu.
Perlumbaan cip AI oleh itu bukan sekadar pertandingan jumlah transistor atau TFLOPs—ia juga merupakan persaingan antara ekosistem, keupayaan pembuatan, dan keupayaan untuk menskalakan ribuan pemecut ke dalam infrastruktur AI yang cekap.
Memandangkan model AI generatif terus berkembang, perbezaan dalam seni bina, sistem memori, dan ekosistem perisian ini mungkin akan menentukan platform mana yang akan mendominasi pengkomputeran AI masa depan.
cset.georgetown.edu
Pushing the Limits: Huawei's AI Chip Tests U.S. Export Controls
