AI-chips VS versus China: wie maakt de snelste versnellers?
De VS heeft momenteel een voorsprong in gedocumenteerde piekprestaties en ecosysteemgrootte, met chips als AMD's MI325X ( 1,3 PFLOPS FP16 en 256 GB HBM3E) en Google's TPU v6e (918 TFLOPs bf16 per chip). China zet in op eigen alternatieven, zoals Huawei's Ascend 910 serie en Biren's BR100 GPU's, die zijn ontworpen vo...
Gepubliceerd doorBewerkt met GPT-5.5Afbeeldingen gegenereerd met GPT Image 2
De VS heeft momenteel een voorsprong in gedocumenteerde piekprestaties en ecosysteemgrootte, met chips als AMD's MI325X ( 1,3 PFLOPS FP16 en 256 GB HBM3E) en Google's TPU v6e (918 TFLOPs bf16 per chip).
China zet in op eigen alternatieven, zoals Huawei's Ascend 910 serie en Biren's BR100 GPU's, die zijn ontworpen voor training en inferentie van grote modellen en vaak worden ingezet in grote clusters.
Het Amerikaanse voordeel reikt verder dan de chips zelf; software ecosystemen en productieketens spelen een cruciale rol.
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
De wereldwijde race om AI-rekenkracht wordt grotendeels bepaald door de concurrentie tussen Amerikaanse en Chinese chip-ecosystemen. De Verenigde Staten domineren de markt voor hoogwaardige versnellers met bedrijven als Nvidia, AMD en Google, terwijl China eigen alternatieven ontwikkelt via Huawei, Biren en Cambricon.
Hoewel beide landen nu gespecialiseerde AI-versnellers produceren voor training en inferentie, verschilt de concurrentie niet alleen in ruwe chipprestaties, maar ook in geheugenbandbreedte, productiemogelijkheden, software-ecosystemen en het ontwerp van grootschalige clusters.
Hieronder vindt u een uitgebreide vergelijking van de belangrijkste AI-chips van beide kanten, gebaseerd op beschikbare gedocumenteerde specificaties.
Belangrijkste AI-chips in de VS-China concurrentie
Verenigde Staten
AMD Instinct MI325X
Google TPU v6e (Trillium)
China
Huawei Ascend 910-serie (inclusief 910C)
Biren BR100 / BR104
Cambricon MLU370-X8
Deze chips zijn primair ontworpen voor grootschalige AI-workloads zoals het trainen van grote taalmodellen (LLM's), inferentiediensten en wetenschappelijk rekenwerk.
Uitgebreide chipvergelijking
Chip
Land / Bedrijf
Architectuur / Node
Piekprestaties
Geheugen
Geheugenbandbreedte
Vermogen
Opmerkelijke kenmerken
AMD Instinct MI325X
VS / AMD
CDNA3 accelerator architecture
~1,3 PFLOPS FP16 (2,6 PFLOPS FP8 met sparsity)
256 GB HBM3E
~6 TB/s
tot ~750-1000W
Grote HBM-capaciteit, ontworpen voor training en inferentie van grote modellen.
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 "AI-chips VS versus China: wie maakt de snelste versnellers?"?
De VS heeft momenteel een voorsprong in gedocumenteerde piekprestaties en ecosysteemgrootte, met chips als AMD's MI325X ( 1,3 PFLOPS FP16 en 256 GB HBM3E) en Google's TPU v6e (918 TFLOPs bf16 per chip).
What are the key points to validate first?
De VS heeft momenteel een voorsprong in gedocumenteerde piekprestaties en ecosysteemgrootte, met chips als AMD's MI325X ( 1,3 PFLOPS FP16 en 256 GB HBM3E) en Google's TPU v6e (918 TFLOPs bf16 per chip). China zet in op eigen alternatieven, zoals Huawei's Ascend 910 serie en Biren's BR100 GPU's, die zijn ontworpen voor training en inferentie van grote modellen en vaak worden ingezet in grote clusters.
What should I do next in practice?
Het Amerikaanse voordeel reikt verder dan de chips zelf; software ecosystemen en productieketens spelen een cruciale rol.
AI-chips VS versus China: wie maakt de snelste versnellers?
De VS heeft momenteel een voorsprong in gedocumenteerde piekprestaties en ecosysteemgrootte, met chips als AMD's MI325X ( 1,3 PFLOPS FP16 en 256 GB HBM3E) en Google's TPU v6e (918 TFLOPs bf16 per chip). China zet in op eigen alternatieven, zoals Huawei's Ascend 910 serie en Biren's BR100 GPU's, die zijn ontworpen vo...
Gepubliceerd doorBewerkt met GPT-5.5Afbeeldingen gegenereerd met GPT Image 2
De VS heeft momenteel een voorsprong in gedocumenteerde piekprestaties en ecosysteemgrootte, met chips als AMD's MI325X ( 1,3 PFLOPS FP16 en 256 GB HBM3E) en Google's TPU v6e (918 TFLOPs bf16 per chip).
China zet in op eigen alternatieven, zoals Huawei's Ascend 910 serie en Biren's BR100 GPU's, die zijn ontworpen voor training en inferentie van grote modellen en vaak worden ingezet in grote clusters.
Het Amerikaanse voordeel reikt verder dan de chips zelf; software ecosystemen en productieketens spelen een cruciale rol.
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
De wereldwijde race om AI-rekenkracht wordt grotendeels bepaald door de concurrentie tussen Amerikaanse en Chinese chip-ecosystemen. De Verenigde Staten domineren de markt voor hoogwaardige versnellers met bedrijven als Nvidia, AMD en Google, terwijl China eigen alternatieven ontwikkelt via Huawei, Biren en Cambricon.
Hoewel beide landen nu gespecialiseerde AI-versnellers produceren voor training en inferentie, verschilt de concurrentie niet alleen in ruwe chipprestaties, maar ook in geheugenbandbreedte, productiemogelijkheden, software-ecosystemen en het ontwerp van grootschalige clusters.
Hieronder vindt u een uitgebreide vergelijking van de belangrijkste AI-chips van beide kanten, gebaseerd op beschikbare gedocumenteerde specificaties.
Belangrijkste AI-chips in de VS-China concurrentie
Verenigde Staten
AMD Instinct MI325X
Google TPU v6e (Trillium)
China
Huawei Ascend 910-serie (inclusief 910C)
Biren BR100 / BR104
Cambricon MLU370-X8
Deze chips zijn primair ontworpen voor grootschalige AI-workloads zoals het trainen van grote taalmodellen (LLM's), inferentiediensten en wetenschappelijk rekenwerk.
Uitgebreide chipvergelijking
Chip
Land / Bedrijf
Architectuur / Node
Piekprestaties
Geheugen
Geheugenbandbreedte
Vermogen
Opmerkelijke kenmerken
AMD Instinct MI325X
VS / AMD
CDNA3 accelerator architecture
~1,3 PFLOPS FP16 (2,6 PFLOPS FP8 met sparsity)
256 GB HBM3E
~6 TB/s
tot ~750-1000W
Grote HBM-capaciteit, ontworpen voor training en inferentie van grote modellen.
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 "AI-chips VS versus China: wie maakt de snelste versnellers?"?
De VS heeft momenteel een voorsprong in gedocumenteerde piekprestaties en ecosysteemgrootte, met chips als AMD's MI325X ( 1,3 PFLOPS FP16 en 256 GB HBM3E) en Google's TPU v6e (918 TFLOPs bf16 per chip).
What are the key points to validate first?
De VS heeft momenteel een voorsprong in gedocumenteerde piekprestaties en ecosysteemgrootte, met chips als AMD's MI325X ( 1,3 PFLOPS FP16 en 256 GB HBM3E) en Google's TPU v6e (918 TFLOPs bf16 per chip). China zet in op eigen alternatieven, zoals Huawei's Ascend 910 serie en Biren's BR100 GPU's, die zijn ontworpen voor training en inferentie van grote modellen en vaak worden ingezet in grote clusters.
What should I do next in practice?
Het Amerikaanse voordeel reikt verder dan de chips zelf; software ecosystemen en productieketens spelen een cruciale rol.
Eén TensorCore met twee matrix-vermenigvuldigingseenheden; ontworpen voor grote TPU-pods van maximaal 256 chips.
Huawei Ascend 910 (origineel)
China / Huawei
Da Vinci architecture, ~7 nm
~256 TFLOPS FP16
HBM-geheugen
~1,2 TB/s bandbreedte
~350W
Geïntroduceerd in 2019 als Huawei's vlaggenschip AI-versneller.
Huawei Ascend 910C
China / Huawei
Chiplet-ontwerp (dual 910B dies), ~7 nm klasse
~800 TFLOPS FP16 (schatting)
tot ~96-128 GB HBM
~3,2 TB/s
~310W
Ontworpen om te concurreren met Nvidia A100/H100-klasse chips voor AI-training.
Biren BR100
China / Biren Technology
Dual-die GPU, TSMC 7 nm CoWoS
256 TFLOPS FP32 / ~2.048 TOPS INT8
64 GB HBM2E
tot ~2,3 TB/s
~550W
Chiplet-stijl GPU met ~77 miljard transistoren, gericht op datacenter-AI.
Biren BR104
China / Biren Technology
Single-die GPU variant
~128 TFLOPS FP32
32 GB HBM2E
~819 GB/s
~300W
Lagere variant ontworpen voor PCIe-versnellerkaarten.
Cambricon MLU370-X8
China / Cambricon
MLUarch03 architecture, 7 nm
24 TFLOPS FP32 / 96 TFLOPS FP16 / 256 TOPS INT8
48 GB LPDDR5
~614 GB/s
~250W
Ondersteunt multi-card clusters via MLU-Link interconnect.
Architectuur en rekenprestaties
Amerikaanse versnellers hebben momenteel een voorsprong in gedocumenteerde ruwe rekenprestaties voor grootschalige AI-training. De AMD MI325X haalt bijvoorbeeld ongeveer 1,3 PFLOPS FP16-prestaties, terwijl Google's TPU v6e 918 TFLOPs bf16 per chip levert.
Chinese chips zoals Huawei's Ascend 910C proberen deze kloof te verkleinen, met schattingen van rond de 800 TFLOPS FP16 in een dual-chiplet configuratie die is afgeleid van eerdere Ascend-chips.
Biren's BR100-versneller is een andere Chinese poging om op hoog niveau te concurreren, met tot 256 TFLOPS FP32-rekenkracht en ongeveer 2.048 TOPS INT8-prestaties in een multi-die GPU-ontwerp.
Cambricon's MLU370-X8 is gericht op AI-inferentie en training met 256 TOPS INT8 en 96 TFLOPS FP16 rekenvermogen.
Geheugen en bandbreedte
Moderne AI-modellen zijn sterk afhankelijk van geheugencapaciteit en -bandbreedte, waardoor HBM-integratie cruciaal is.
De AMD MI325X heeft 256 GB HBM3E-geheugen en ongeveer 6 TB/s bandbreedte, een van de grootste geheugencapaciteiten onder AI-versnellers.
TPU v6e gebruikt 32 GB HBM met ongeveer 1,6 TB/s bandbreedte, maar is ontworpen om te schalen naar honderden onderling verbonden chips in TPU-pods.
Huawei Ascend 910C haalt naar verluidt ongeveer 3,2 TB/s geheugenbandbreedte, wat grootschalige modelworkloads ondersteunt.
Biren BR100 heeft 64 GB HBM2E-geheugen en ongeveer 2,3 TB/s bandbreedte.
Hogere geheugenbandbreedte helpt bij het versnellen van matrixbewerkingen en training van grote modellen, waarbij vaak massieve tensoren tussen geheugen en rekeneenheden worden verplaatst.
Interconnect en schaalbaarheid
Grote AI-modellen worden zelden op één enkele chip getraind. In plaats daarvan worden honderden of duizenden versnellers in clusters verbonden.
Google's TPU v6e-chips maken verbinding via een speciale Inter-Chip Interconnect (ICI) netwerk, ontworpen voor TPU-pods met maximaal 256 chips.
Cambricon's MLU370-X8 gebruikt MLU-Link, met 200 GB/s communicatiedoorvoer tussen kaarten voor multi-GPU-training.
Biren GPU's hebben snelle GPU-naar-GPU interconnect links, ontworpen voor multi-versneller clusters.
Clusterarchitectuur wordt steeds belangrijker dan de ruwe rekenprestaties van de individuele chip.
Productie en toeleveringsketens
Productietechnologie heeft een sterke invloed op prestaties en energie-efficiëntie.
Veel Chinese AI-chips zijn afhankelijk van externe productietechnologieën. Biren's BR100 werd bijvoorbeeld gebouwd met behulp van TSMC's 7nm-proces en geavanceerde CoWoS-verpakking.
Huawei's nieuwere Ascend-chips combineren ontwerpen die zijn geproduceerd op SMIC's 7nm-klasse proces met eerdere wafers die vóór de Amerikaanse exportbeperkingen zijn geproduceerd.
Amerikaans ontworpen chips zijn daarentegen doorgaans afhankelijk van geavanceerde gieterijen en toeleveringsketens die in staat zijn om geavanceerde nodes en verpakkingstechnologieën te produceren.
Ecosysteem en software
Hardwareprestaties alleen bepalen niet het succes in AI-rekenwerk.
Amerikaanse chips profiteren van volwassen ecosystemen zoals CUDA (Nvidia), ROCm (AMD) en Google's TPU-softwarestack.
Huawei promoot het CANN (Compute Architecture for Neural Networks) raamwerk voor Ascend-chips om een eigen AI-software-ecosysteem op te bouwen.
Ontwikkeltools, raamwerken en cloudintegratie bepalen vaak welke hardware wordt gebruikt voor echte AI-workloads.
Wat de vergelijking laat zien
Verschillende patronen komen naar voren uit de huidige generatie AI-versnellers:
Prestatieleiderschap: Amerikaanse versnellers laten momenteel hogere gedocumenteerde piekprestaties en geheugencapaciteiten zien.
Eigen alternatieven: China heeft meerdere concurrerende chiplijnen gebouwd - waaronder Ascend, Biren GPU's en Cambricon-versnellers - om de afhankelijkheid van Amerikaanse hardware te verminderen.
Clusterstrategie: Beide partijen concurreren steeds vaker via grote AI-systemen en supercomputerschalen, in plaats van individuele chips.
De AI-chiprace is daarom niet alleen een wedstrijd in transistortellingen of TFLOP's - het is ook een concurrentie tussen ecosystemen, productiecapaciteit en het vermogen om duizenden versnellers op te schalen naar efficiënte AI-infrastructuur.
Nu generatieve AI-modellen blijven groeien, zullen deze verschillen in architectuur, geheugensystemen en software-ecosystemen waarschijnlijk bepalen welke platforms de toekomstige AI-rekenkracht domineren.
cset.georgetown.edu
Pushing the Limits: Huawei's AI Chip Tests U.S. Export Controls
Eén TensorCore met twee matrix-vermenigvuldigingseenheden; ontworpen voor grote TPU-pods van maximaal 256 chips.
Huawei Ascend 910 (origineel)
China / Huawei
Da Vinci architecture, ~7 nm
~256 TFLOPS FP16
HBM-geheugen
~1,2 TB/s bandbreedte
~350W
Geïntroduceerd in 2019 als Huawei's vlaggenschip AI-versneller.
Huawei Ascend 910C
China / Huawei
Chiplet-ontwerp (dual 910B dies), ~7 nm klasse
~800 TFLOPS FP16 (schatting)
tot ~96-128 GB HBM
~3,2 TB/s
~310W
Ontworpen om te concurreren met Nvidia A100/H100-klasse chips voor AI-training.
Biren BR100
China / Biren Technology
Dual-die GPU, TSMC 7 nm CoWoS
256 TFLOPS FP32 / ~2.048 TOPS INT8
64 GB HBM2E
tot ~2,3 TB/s
~550W
Chiplet-stijl GPU met ~77 miljard transistoren, gericht op datacenter-AI.
Biren BR104
China / Biren Technology
Single-die GPU variant
~128 TFLOPS FP32
32 GB HBM2E
~819 GB/s
~300W
Lagere variant ontworpen voor PCIe-versnellerkaarten.
Cambricon MLU370-X8
China / Cambricon
MLUarch03 architecture, 7 nm
24 TFLOPS FP32 / 96 TFLOPS FP16 / 256 TOPS INT8
48 GB LPDDR5
~614 GB/s
~250W
Ondersteunt multi-card clusters via MLU-Link interconnect.
Architectuur en rekenprestaties
Amerikaanse versnellers hebben momenteel een voorsprong in gedocumenteerde ruwe rekenprestaties voor grootschalige AI-training. De AMD MI325X haalt bijvoorbeeld ongeveer 1,3 PFLOPS FP16-prestaties, terwijl Google's TPU v6e 918 TFLOPs bf16 per chip levert.
Chinese chips zoals Huawei's Ascend 910C proberen deze kloof te verkleinen, met schattingen van rond de 800 TFLOPS FP16 in een dual-chiplet configuratie die is afgeleid van eerdere Ascend-chips.
Biren's BR100-versneller is een andere Chinese poging om op hoog niveau te concurreren, met tot 256 TFLOPS FP32-rekenkracht en ongeveer 2.048 TOPS INT8-prestaties in een multi-die GPU-ontwerp.
Cambricon's MLU370-X8 is gericht op AI-inferentie en training met 256 TOPS INT8 en 96 TFLOPS FP16 rekenvermogen.
Geheugen en bandbreedte
Moderne AI-modellen zijn sterk afhankelijk van geheugencapaciteit en -bandbreedte, waardoor HBM-integratie cruciaal is.
De AMD MI325X heeft 256 GB HBM3E-geheugen en ongeveer 6 TB/s bandbreedte, een van de grootste geheugencapaciteiten onder AI-versnellers.
TPU v6e gebruikt 32 GB HBM met ongeveer 1,6 TB/s bandbreedte, maar is ontworpen om te schalen naar honderden onderling verbonden chips in TPU-pods.
Huawei Ascend 910C haalt naar verluidt ongeveer 3,2 TB/s geheugenbandbreedte, wat grootschalige modelworkloads ondersteunt.
Biren BR100 heeft 64 GB HBM2E-geheugen en ongeveer 2,3 TB/s bandbreedte.
Hogere geheugenbandbreedte helpt bij het versnellen van matrixbewerkingen en training van grote modellen, waarbij vaak massieve tensoren tussen geheugen en rekeneenheden worden verplaatst.
Interconnect en schaalbaarheid
Grote AI-modellen worden zelden op één enkele chip getraind. In plaats daarvan worden honderden of duizenden versnellers in clusters verbonden.
Google's TPU v6e-chips maken verbinding via een speciale Inter-Chip Interconnect (ICI) netwerk, ontworpen voor TPU-pods met maximaal 256 chips.
Cambricon's MLU370-X8 gebruikt MLU-Link, met 200 GB/s communicatiedoorvoer tussen kaarten voor multi-GPU-training.
Biren GPU's hebben snelle GPU-naar-GPU interconnect links, ontworpen voor multi-versneller clusters.
Clusterarchitectuur wordt steeds belangrijker dan de ruwe rekenprestaties van de individuele chip.
Productie en toeleveringsketens
Productietechnologie heeft een sterke invloed op prestaties en energie-efficiëntie.
Veel Chinese AI-chips zijn afhankelijk van externe productietechnologieën. Biren's BR100 werd bijvoorbeeld gebouwd met behulp van TSMC's 7nm-proces en geavanceerde CoWoS-verpakking.
Huawei's nieuwere Ascend-chips combineren ontwerpen die zijn geproduceerd op SMIC's 7nm-klasse proces met eerdere wafers die vóór de Amerikaanse exportbeperkingen zijn geproduceerd.
Amerikaans ontworpen chips zijn daarentegen doorgaans afhankelijk van geavanceerde gieterijen en toeleveringsketens die in staat zijn om geavanceerde nodes en verpakkingstechnologieën te produceren.
Ecosysteem en software
Hardwareprestaties alleen bepalen niet het succes in AI-rekenwerk.
Amerikaanse chips profiteren van volwassen ecosystemen zoals CUDA (Nvidia), ROCm (AMD) en Google's TPU-softwarestack.
Huawei promoot het CANN (Compute Architecture for Neural Networks) raamwerk voor Ascend-chips om een eigen AI-software-ecosysteem op te bouwen.
Ontwikkeltools, raamwerken en cloudintegratie bepalen vaak welke hardware wordt gebruikt voor echte AI-workloads.
Wat de vergelijking laat zien
Verschillende patronen komen naar voren uit de huidige generatie AI-versnellers:
Prestatieleiderschap: Amerikaanse versnellers laten momenteel hogere gedocumenteerde piekprestaties en geheugencapaciteiten zien.
Eigen alternatieven: China heeft meerdere concurrerende chiplijnen gebouwd - waaronder Ascend, Biren GPU's en Cambricon-versnellers - om de afhankelijkheid van Amerikaanse hardware te verminderen.
Clusterstrategie: Beide partijen concurreren steeds vaker via grote AI-systemen en supercomputerschalen, in plaats van individuele chips.
De AI-chiprace is daarom niet alleen een wedstrijd in transistortellingen of TFLOP's - het is ook een concurrentie tussen ecosystemen, productiecapaciteit en het vermogen om duizenden versnellers op te schalen naar efficiënte AI-infrastructuur.
Nu generatieve AI-modellen blijven groeien, zullen deze verschillen in architectuur, geheugensystemen en software-ecosystemen waarschijnlijk bepalen welke platforms de toekomstige AI-rekenkracht domineren.
cset.georgetown.edu
Pushing the Limits: Huawei's AI Chip Tests U.S. Export Controls
