全球算力布局正在重塑产业格局，选择适合的算力与优化软件应用，是企业在AI时代获取竞争力的关键。
当地时间12月15日，在纽约举办的“汾酒荣获巴拿马万国博览会甲等大奖章110周年暨‘汾享世界’全球发布盛典”上，Silicon Data & Compute Exchange创始人兼CEO李榕南发表演讲，分享了她对算力、AI及全球科技布局的观察与思考。
李榕南指出，算力不仅是计算机速度或芯片的代名词，而是一种战略资源，类似于电力、金融和物流，对国家和企业的发展具有决定性作用。她强调，算力是企业“看到未来的能力”，对于实现数字化转型和AI应用至关重要。
她介绍了自己创立的两家公司：Silicon Data提供全球唯一的算力指数，并在彭博社等平台公开数据；Compute Exchange则是全球算力现货交易平台，旨在让算力资源更加动态、灵活。李榕南通过实例展示了算力市场的不透明性，例如同款芯片在不同厂商的实际性能可能相差20%至40%，以及价格存在巨大波动，这使得企业选择算力时必须结合实际使用场景。
在谈及AI应用时，李榕南强调了数据驱动和快速试错的重要性。通过大数据和AI，企业可以快速识别目标客户、了解市场需求并进行调整，显著提高决策效率。她建议初创阶段甚至可以单人启动，通过灵活连接各种工具获得洞察，再逐步扩大投入，从而降低成本并实现“小步快跑”的能力。
此外，她指出软件优化在AI行业的重要性：许多芯片性能差异源于软件支持和库的不足，而非硬件本身。AI工程师需根据具体应用场景选择芯片和算力服务，以确保效率和成本最优化。
李榕南表示，全球算力布局的关键并非单纯技术，而是信任，包括资本对硬件的信任、工程师对性能标准化的信任以及政策制定者对数据安全和市场利用率的信任。她强调，企业在算力投资和AI应用中，必须综合考虑场景匹配、资源配置和技术优化，才能在全球竞争中获得优势。
李榕南的演讲为在场嘉宾提供了深入理解算力市场、AI应用及全球科技趋势的视角，同时也展示了中国科技企业在全球布局中的创新能力与战略思考。
以下为演讲全文：
尊敬的各位来宾，大家好：
今天我想和大家分享一下关于算力的一些思考。首先，我想问大家：大家觉得算力是什么？是不是更快的电脑？是不是某种芯片？实际上，算力是一种资源，一种非常重要的战略资源。对于国家和企业而言，算力都至关重要。你甚至可以理解为，它与电力、金融和物流一样，会影响各个行业的发展和未来。对我而言，算力意味着“看到未来的能力”。
我创立了两家公司：一是Silicon Data，全球唯一提供算力指数的公司，未来还将有基于指数的金融衍生品交易；另一家是Compute Exchange，算力交易所，提供现货算力交易，也是全球性的交易所。我的背景主要在金融科技和硬件领域，曾在彭博社从事数据工作多年，更早之前从事能源高频交易。
谈到算力，从宏观角度看，新闻媒体讨论较多的是电力问题，尤其是在美国。中国在电力和电网建设上投入较早、基础设施完善，而美国的最大问题在于：想要算力，不仅需要芯片，还需要电力。电力是美国建设大型兆瓦级算力中心的一大瓶颈。因此即使拥有芯片，没有电也难以建设大型算力中心。
另一个问题是互联互通——如何将算力节点连接起来，以及内存带宽、计算卡利用率等技术问题，这里不展开详细讨论。总的来说，算力不能仅按芯片数量计算，而应衡量每度电能带来多少实际计算能力。
我们的另一款产品用于测试芯片性能，即算力表现。我们发现，同一款芯片、同一家公司，性能差异可达20%至40%。这意味着即使支付相同费用，你可能只获得别人约60%的算力，这反映了市场环境的不透明。
例如我们测试了多家云服务商和GPU算力提供商，价格相近，但性能差异显著。有的公司看似表现一般，实际上是谷歌，而其他公司是新兴云服务商。这表明，支付给谷歌的费用可能高出200%，但实际质量不如其他服务商。这种情况非常常见。
另一个测试显示，谷歌在某些工作负载上优于一般厂商，尤其是纯AI推理工作流和FP32科学计算，这说明不同场景需要不同芯片，并匹配相应的云服务商。选择算力时，需明确使用场景，因为不同的任务对芯片和云服务商的要求不同。
我们的研究也被《华尔街日报》等媒体报道。选择算力时，关键在于明确什么适合你：你的使用方式、要解决的问题是什么。这将影响模型、数据乃至芯片选择，任何环节选错都可能导致成本增加或任务无法按预期完成。
我们公司通过彭博数据展示了A100、H100等芯片价格。即使是同款H100，价格也可能相差三倍——大型美国云厂商价格较高，新兴云厂商价格较低。B200价格指数也已在彭博发布。
价格波动也很有趣：我们周末运行全球算力价格模型，显示美国、新加坡、非洲（最贵）、泰国（较便宜）及中国的价格分布。将算力视为能源或资源，可以发现价格波动因供需差异而非常剧烈。
H100芯片虽然仍有价值，但不再是最新型号，随着市场供应增加，价格区间逐渐收窄。A100作为早期芯片，价格区间较小，更像大宗商品。
另一个问题是软件。许多人问中国芯片与美国芯片差距多大，很多时候软件问题比硬件问题更重要。部分芯片（如TPU及新兴芯片）由于软件库和用例支持不足，AI工程师在不同芯片上的开发效率可能差十倍。在AI快速迭代的行业中，软件优化至关重要。
我常被问及两个问题：是否存在AI泡沫？是否存在GPU短缺？我的观点是，需要具体分析：不同芯片、不同公司、不同地点情况不同。新款B200、H300可能紧缺，但一些旧芯片供应充足。
全球算力布局广泛，中美公司在冰岛、泰国、马来西亚甚至太空建设电力设施。合作关键在于信任问题：资本是否信任硬件（市场不透明）；AI工程师是否信任硬件标准化（性能波动超过40%）；政策制定者是否信任市场利用率、数据控制及安全性。
市场充满不透明、不确定、缺乏标准化的问题。我的两家公司分别致力于解决两个痛点：
标准化性能评估，实现不同芯片、不同地区算力的基础比较；
让算力更动态、灵活，适配不同公司、不同使用场景的转换需求。
这与今天讨论的出海问题密切相关——如何投资？是否投资？
AI赋予企业的是“看见未来”的能力和“小步快跑”的能力。过去进入新市场需要聘请调研公司，耗时六个月、成本高昂，且信息可能过时；现在借助AI，可以更快了解客户、实时获取反馈、快速调整，这是完全不同的能力。
AI还支持低成本试错。若进入新领域，我会关注三个问题：目标客户是谁？他们聚集在哪些城市？他们为何购买或不购买？这些问题可通过大数据和AI应用来探索和调试。我的建议是：初期甚至可以单人启动，快速连接各种工具进行调试，获得有价值洞察后，再逐步扩大投入。
过去可能需要雇佣团队制作报告，但六个月后用户习惯可能已变，可能购买无用资源。现在可以快速试错，无需提前大量投入，实现快速迭代，显著增强“小步快跑”的能力。
我的演讲到此结束，谢谢大家。