6 klíčových parametrů pro výběr GPU do výpočetních center pro AI: Podrobné srovnání modelů H100/H200/B200/B300 a Ascend 910B/910C/950PR | Changfan Industrial Control

Úvod: výběr karty rozhoduje o všem, ale «karta» není čip

V roce 2026 se investiční práh výpočetních center AI posunul z «získat karty» na «vybrat správné karty»: jediný cluster stojí stovky milionů jüanů a chyba ve výběru znamená zdvojené tréninkové cykly, nekontrolovatelné výdaje na inferenci a technologickou linii zastaralou za tři roky. Většina chyb ve výběru se vrací k jednomu a témuž úkonu — použití katalogového listu jako rozhodovacího podkladu.

Katalogový list vám neřekne, že cluster s 10 000 GPU přerušuje trénink v průměru každé 3 hodiny; že 2,3násobný výkon jedné karty zkracuje dobu tréninku jen na polovinu; že B300 s TDP 1 400 W ve vzduchem chlazené strojovně je drahá ozdoba; ani že migrace z CUDA na CANN může pohltit celou marži projektu. Tento článek přesahuje pouhé vypočítávání parametrů a pomocí šesti klíčových ukazatelů rozhodujících o ROI výpočetního centra AI komplexně srovnává NVIDIA H100/H200/B200/B300 a Ascend 910B/910C/950PR, s okamžitě použitelnou rozhodovací maticí podle scénářů a kontrolním seznamem proti pastím.

Nejprve závěry: pět protichůdných úsudků

• Podstata výběru karty je výběr obchodního modelu, nikoli výpočetního výkonu. Nákladovou jednotkou tréninkového byznysu je «čas a elektřina na natrénování jednoho velkého modelu»; nákladovou jednotkou inferenčního byznysu je «milion tokenů». Nejprve pochopte, jaké peníze vyděláváte, a teprve pak diskutujte, jakou kartu koupit.

• Kapacita VRAM rozhoduje, zda model vůbec poběží, propustnost rozhoduje o rychlosti, propojení rozhoduje o měřítku. TFLOPS z katalogového listu platí jen tehdy, když se je podaří nasytit — v praxi mnoho GPU běží s efektivním využitím (MFU) pod polovinou.

• Čipy tvoří pouhých 30–40 % celkových nákladů. Elektřina, kapalinové chlazení, síť a pět let provozu pohltí zbývajících 60 % — vybrat kartu znamená v podstatě vybrat celou infrastrukturu.

• Koupit B300 znamená koupit strojovnu s kapalinovým chlazením. S ~1 400 W na kartu překračujete hranici vzduchového chlazení; pokud napájení a chlazení areálu nedrží krok, bude i ta nejvýkonnější karta běžet s podtaktováním.

• Neexistuje nejlepší karta — existuje karta nejlépe odpovídající vaší zátěži. H100 rozhodně není zastaralá, Ascend 910C je nenahraditelný ve scénářích souladu Xinchuang a 950PR předznamenává další krok domácího výpočetního výkonu — odpověď vždy závisí na profilu vaší zátěže.

Sedm čipů, čtyři tržní pozice

Než se pustíme do ukazatelů, vytvořme si základní představu: těchto sedm čipů nemá lineární vztah «rychlejší či pomalejší» — zaujímají čtyři zcela odlišné tržní pozice:

• Tréninkový trůn: B200 / B300 (architektura Blackwell) — výpočty FP8 a propojení NVLink 5 vedou ve všech ohledech; jediná úroveň pro trénink modelů s bilionem parametrů.

• Osvědčený zlatý standard: H100 / H200 (architektura Hopper) — nejvyspělejší ekosystém a dodavatelský řetězec, volba poměru cena/výkon pro trénink a inferenci 7B–70B.

• Domácí pilíř: Ascend 910B / 910C — jediná volba pro scénáře souladu Xinchuang; inference je téměř připravena k produkci, trénink zaostává o generaci.

• Proměnná nové generace: Ascend 950PR (uvedení v 1. čtvrtletí 2026, optimalizována pro fázi prefill inference), která ukazuje tempo dohánění domácího výpočetního výkonu.

Tabulka 1: Klíčové specifikace sedmi hlavních výpočetních čipů AI (přibližné hodnoty; ověřte podle nejnovějších oficiálních specifikací)

Ukazatel 1: vhodnost pro trénink a inferenci — nejprve pochopte, jaké podnikání provozujete

První princip výběru: je vaší hlavní zátěží trénink nebo inference? Není to stejný byznys. Trénink je výpočetně náročný a omezený clusterovou komunikací — v clusterech tisíců až desetitisíců karet může režie All-Reduce tvořit 30–50 % celkového času; dekódovací fáze inference je náročná na propustnost paměti a žádný výpočetní výkon nepomůže, když GPU čeká na data. Navrhovat inferenční cluster podle standardů tréninkových karet nebo plánovat tréninkovou platformu podle standardů inferenčních karet — v obou případech jde o směrovou chybu za stovky milionů jüanů.

• Tréninkový scénář: výkon FP8 karty B300 je přibližně 2,3násobkem H100, což zkracuje dobu tréninku modelu s bilionem parametrů na 40–50 % času clusteru H100; výkon FP16 karty Ascend 910C činí přibližně 40 % H100 a s ohledem na mezeru v MFU (využití výpočetního výkonu modelu) činí mezera efektivního tréninkového výkonu přibližně 4,5násobek.

• Inferenční scénář: malé modely 7B–13B poběží na jakékoli kartě, rozhoduje tedy poměr cena/výkon; hustý model 70B má váhy FP16 kolem 140 GB — H200 se 141 GB jej zvládne na jediné kartě, B300 s 288 GB umožňuje velmi velké dávky a 910C s 96 GB vyžaduje tensorový paralelismus na více kartách; ve scénářích MoE úrovně 671B a dlouhého kontextu 128K+ karty s velkou pamětí drtí konkurenci.

Jedna věta k zapamatování tohoto ukazatele: pro trénink se kupuje výpočetní výkon, pro inferenci se kupuje propustnost.

Ukazatel 2: kapacita a propustnost VRAM — kapacita určuje strop, propustnost určuje podlahu

VRAM je «sýpka» inference, propustnost je «dálnice». Tři trendy velkých modelů — růst parametrů, prodlužování kontextu a rozmach MoE — pohlcují VRAM zběsilým tempem. Zejména dlouhý kontext je nová černá díra paměti: KV cache kontextu 128K dokáže spolknout další desítky gigabajtů, což znamená, že «vejdou se váhy» je jen průchodná známka a «rezerva na KV cache» určuje paralelismus.

Mezera v kapacitě paměti se přímo převádí na peníze: pro spuštění modelu úrovně 405B (váhy FP16 kolem 810 GB) potřebuje B300 4 karty v tensorovém paralelismu, H100 jich potřebuje 11; rozdíl není jen cena 7 karet navíc, ale i celý server, kabely NVLink a pět let elektřiny. Vliv propustnosti je méně nápadný: ve fázi dekódování vyžaduje každý vygenerovaný token úplné přečtení vah modelu; váhy FP16 modelu 70B činí kolem 140 GB, H100 s 3,35 TB/s je přečte za přibližně 42 milisekund, B300 s 8 TB/s to stlačí na 17 milisekund — proto karty s vysokou propustností drtí konkurenci ve scénářích citlivých na latenci.

Ukazatel 3: propojení scale-up — výkonná karta, kterou nelze propojit, se stává ostrovem

Scale-up určuje, kolik karet můžete «virtualizovat do jedné velké karty». NVLink 5 společnosti NVIDIA (B300) poskytuje 1,8 TB/s na GPU a s NVSwitchem umožňuje plně propojit 72 karet v jednom racku — tensorový paralelismus modelu s bilionem parametrů se dokončí uvnitř jediného racku; NVLink 4 (H100/H200) s 900 GB/s je mimořádně vyspělý. Propojení HCCS karty Ascend 910C činí kolem 400 GB/s, což je 44 % NVLink 4; Huawei to na systémové úrovni kompenzuje plně optickým propojením superuzlu CloudMatrix.

Při výběru karet hodnoťte současně dvě úrovně: propustnost propojení jednoho uzlu, která určuje efektivitu paralelismu uvnitř racku; a superuzlové řešení dodavatele, které určuje strop rozšiřování mezi racky. Kdo se dívá jen na první, podcení systémovou schopnost Ascend; kdo se dívá jen na druhou, podcení složitost rozsáhlého provozu.

Ukazatel 4: dostupnost clusteru — nejpodceňovanější a nejrozhodující ukazatel

Skutečná data společnosti Meta o tréninku Llama 3 405B by si měl každý rozhodující o nákupech přečíst třikrát: cluster 16 384 karet H100 zažil za 54 dní 466 přerušení úloh — v průměru jedno každé 3 hodiny, a míra poruch GPU je 120krát vyšší než u CPU. Spočítejte si: cluster 10 000 karet má teoreticky ~87,6 milionu kartohodin výpočetního výkonu ročně; každý ztracený procentní bod dostupnosti je kolem 870 000 kartohodin promarněného efektivního výkonu; 10% ztráty prostoji znamenají miliony dolarů výpočetního výkonu, které se vypaří.

Dostupnost závisí na třech věcech: hardwarové odolnosti RAS (B300 zavádí dedikovaný motor RAS), tepelné stabilitě (výkonné karty vyžadují kapalinové chlazení a porucha kapalinového chlazení zastaví celý rack) a strategii kontrolních bodů (trénink na 10 000 kartách vyžaduje ukládání každých 15–30 minut, což z propustnosti zápisu úložiště činí nové úzké hrdlo). Právě tento ukazatel je oblastí, kde výrobci kompletních systémů vytvářejí větší hodnotu než výrobci čipů: redundance napájení, návrh proudění vzduchu, mimopásmová správa a zkušební prověření — každý prvek zajišťuje dostupnost.

Ukazatel 5: náklady na migraci softwaru — hardware je utopený náklad, software je trvalý náklad

Příkop CUDA není číslo 10 000+ operátorů samo o sobě, ale zkušenosti s laděním, open-source ekosystém a okamžitě dohledatelné odpovědi, které miliony vývojářů nashromáždily za desetiletí — příkop, který nezaplní žádná hardwarová specifikace. Pro srovnání: ROCm má zhruba polovinu operátorů CUDA a Ascend CANN kolem 2 000 operátorů, které již pokrývají běžné modely.

Praktické pravidlo: pro trénink a inferenci běžných modelů (GPT/Llama/Qwen/DeepSeek) vyhovují všechny tři ekosystémy; pro špičkový výzkum s častou změnou architektury modelů zůstává CUDA jedinou volbou; tam, kde soulad přikazuje domácí platformy, je jedinou volbou CANN, ale zahrňte do rozpočtu 1–3 osoboměsíce inženýrské práce na vlastní operátory a optimalizaci migrace a zapište to do harmonogramu projektu a kupní smlouvy.

Ukazatel 6: tokeny na dolar a tokeny na watt — závěrečná zkouška komercializace

Jakmile výpočetní centrum AI vstoupí do komerčního provozu, zajímá zákazníky jen jediné: kolik stojí jeden token. Měření třetích stran ukazují, že náklady na inferenci milionu tokenů na B200/B300 činí přibližně 1/5 až 1/10 nákladů H100 — výhoda neplyne z výkonu jediné karty, ale ze systémové efektivity: větší paměť podporuje větší dávky, přesnost FP4 snižuje výpočty na polovinu, NVLink 5 snižuje komunikační režii. To vysvětluje, proč nájemní cena «zastaralé» H100 dál klesá: nezpomalila se — jen už nevychází počty tokenů na dolar.

Po stránce energetické TDP jedné karty vzrostlo z 700 W u H100 na ~1 400 W u B300 — za hranici vzduchového chlazení; koupit B300 fakticky znamená koupit celou infrastrukturu kapalinového chlazení (chlazení chladicí deskou umožňuje PUE pod 1,15, s počáteční investicí o 30–50 % vyšší než vzduchové chlazení). Porovnávat se ale musí «tokeny na watt», ne TDP: výnos tokenů na watt B300 je více než 3násobkem H100. Ascend 910C s TDP kolem 600 W běží vzduchem, s výrazně nižším infrastrukturním prahem — vhodná pro projekty s omezeným rozpočtem a podmínkami areálu.

Rozhodovací matice podle scénářů

Tabulka 2: Matice výběru GPU pro pět typických scénářů

Kontrolní seznam proti pastím: pět nejčastějších chyb při výběru

• Dívat se jen na cenu jedné karty a nepočítat TCO clusteru — NVSwitch, síťové karty IB/RoCE a konfigurace NVMe cache 8karetového systému mohou zdvojnásobit celkové náklady; nabídku je třeba číst na dvou úrovních: systému a clusteru.

• Sestavovat rozpočet podle špičkového výkonu — oborové MFU často činí jen 30–50 %; přepočítejte na efektivní výkon, než budete jednat o objemech nákupu, jinak je cluster od začátku dvojnásobně předimenzovaný.

• Ignorovat předpoklady areálu — u projektů B300 nejprve ověřte elektrický výkon, nosnost podlah a podmínky pro kapalinové chlazení, a pak teprve jednejte o ceně; pokud areál nevyhovuje, i ta nejnižší smluvní cena se stane utopeným nákladem.

• Podcenit migrační práci — zahrňte do rozpočtu náklady na optimalizaci migrace z CUDA na CANN (minimálně 1–3 osoboměsíce) a upřednostněte partnery kompletních systémů se zkušenostmi s implementací domácích platforem.

• Používat jeden model karty pro všechny zátěže — nakupujte trénink a inferenci po úrovních a nasazujte velké a malé modely odděleně, vyhněte se plýtvání typu «spouštět model 7B na B300».

Proč zvolit ChangFan Industrial Computing

Vraťme se ke struktuře nákladů na obr. 1: čipy tvoří pouhých 30–40 % nákladů výpočetního centra AI — elektřina, chlazení, síť a provoz tvoří zbytek, a právě tam výrobci systémových platforem vytvářejí hodnotu. ChangFan Industrial Computing poskytuje výpočetním centrům AI a firmám AI kompletní GPU servery a přizpůsobení infrastrukturní vrstvy:

• Systémové platformy pro všechny scénáře: od inferenčních pracovních stanic po 8karetové GPU servery, s konfigurací na přání platforem NVIDIA a domácích výpočetních platforem a s celkovým laděním poměru CPU/GPU, NVMe cache a vysokorychlostní sítě.

• Tepelný a napájecí návrh pro vysoké příkony: pro spotřebu přes 1 000 W na kartu nabízíme optimalizaci proudění vzduchu v šasi, redundantní napájení a šasi připravená na kapalinové chlazení, aby výkonné GPU dlouhodobě běžely naplno.

• Geny průmyslové spolehlivosti: celá produktová řada odpovídá konstrukčním standardům 7×24, s redundantními zdroji, mimopásmovou správou (IPMI/BMC) a kompletními zkušebními a zátěžovými testy — přímo zamířenými na skryté náklady dostupnosti clusteru.

• Hluboké schopnosti OEM/ODM: konstrukce šasi, sítotisk panelu, BIOS/BMC, rozložení portů, předinstalované ovladače a obrazy inferenčního prostředí — vše přizpůsobitelné, pomáhá integrátorům rychle dodávat AI systémy pod vlastní značkou.

• Úplné certifikace a globální dodávky: produkty certifikované podle 3C, CE, FCC, RoHS a dalších norem, specifikace a zkušební protokoly poskytované v čínštině a angličtině, podpora globální logistiky a dodávek zahraničních projektů.

Ať plánujete tréninkový cluster tisíce karet, nebo budujete podnikovou inferenční platformu, ChangFan Industrial Computing poskytne vhodný systémový hardware a profesionální podporu výběru. Kontaktujte prodejní inženýry ChangFan Industrial Computing ohledně testování vzorků a cenové nabídky.

Často kladené otázky (FAQ)

O: Vyplatí se v roce 2026 ještě koupit H100? A: Ano. Díky vyspělému dodavatelskému řetězci a nulovým nákladům na migraci ekosystému zůstává H100 cenově optimální volbou pro trénink a inferenci 7B–70B; pro špičkový trénink s dostatečným rozpočtem je však B300 lepší dlouhodobou investicí.

O: Je kapalinové chlazení pro B300 povinné? A: Ano. S TDP ~1 400 W na kartu B300 překračuje hranici vzduchového chlazení a kapalinové chlazení chladicí deskou je standard; nasazení B300 vyžaduje komplexní plánování napájení, chlazení a nosnosti areálu.

O: Může Ascend 910C nahradit H100? A: Ve scénářích inference (modely 7B–13B) jde o téměř úplnou náhradu, se skutečnou efektivitou kolem 70–82 % H100; v tréninku činí mezera efektivního výkonu přibližně 4,5násobek, ale při omezeních souladu Xinchuang jde o jedinou nezávislou a kontrolovatelnou volbu.

O: Kdy vyjde Ascend 950PR? A: Podle plánové mapy zveřejněné společností Huawei vychází 950PR v prvním čtvrtletí 2026 s optimalizací pro scénáře prefill inference a 950DT ve čtvrtém čtvrtletí 2026; konkrétní specifikace a dodávky se potvrzují podle oficiálních oznámení Huawei.

O: Jakou minimální konfiguraci potřebuje inference modelu 70B? A: Váhy FP16 činí kolem 140 GB: stačí jedna karta H200 (141 GB); pro velké paralelní dávky zvolte B300 (288 GB); při omezeném rozpočtu vyhoví tensorový paralelismus více H100.

O: Stavět vlastní výpočetní centrum AI, nebo pronajímat cloudový výkon? A: Vše se svádí na využití: při stabilní zátěži a ročním využití nad 60–70 % vlastní systémový cluster obvykle v TCO poráží dlouhodobý cloudový pronájem; při kolísavé zátěži nebo ve fázi ověřování je bezpečnější nejprve pronajmout a potom stavět.

O: Podporují GPU servery ChangFan Industrial Computing přizpůsobení kapalinového chlazení? A: Ano. ChangFan Industrial Computing nabízí šasi připravená na kapalinové chlazení, optimalizaci proudění vzduchu a redundantní napájení, plus kompletní cyklus OEM/ODM od šasi po BIOS a předinstalovaná prostředí.