周鸿祎：算力规划要量体裁衣

周鸿祎提出的“算力规划要量体裁衣”核心在于强调根据具体需求和场景定制算力资源分配策略，避免盲目堆砌算力。结合其公开观点及行业背景，可总结为以下四点关键策略：

一、场景化算力需求分析 视频生成模型的特殊性 Sora等文生视频模型对算力的需求远超文本模型。例如，1分钟视频的算力消耗可能远超千亿参数文本模型，且视频生成需结合物理世界知识库，对实时性和存储能力要求极高。 对策：需针对视频生成的时序性和高分辨率特性，优化算力架构，例如采用分布式计算或专用芯片。

行业应用差异 不同领域（如自动驾驶、医疗影像）对算力的需求差异显著。例如，自动驾驶需实时处理多传感器数据，而医疗AI更依赖高精度推理。 对策：通过行业大模型平台（如腾讯云TI平台）提供定制化解决方案，降低企业自研成本。

二、自主可控的算力芯片研发 突破“卡脖子”风险 国内GPU算力依赖进口，华为等企业需发展自研算力芯片，类似英伟达的模式，既供应市场又构建超级计算中心。 案例：中星微电子通过“量体裁衣”设计AI芯片，第二代产品性能提升16倍，能耗比优化显著。

芯片与云服务协同 华为可参考英伟达的“硬件+云服务”模式，将部分算力芯片用于外部市场，另一部分集中部署为云服务，形成生态闭环。

三、算力资源的高效利用 集中化与共享机制 建议整合国内分散的GPU算力资源，通过数据共享协议（如博州住房公积金的跨部门协作模式317）提升利用率。 动态调度与弹性扩展 借鉴腾讯云“大模型精调”思路，根据任务优先级动态分配算力，例如高峰时段优先保障实时推理。 四、长期技术路径探索 开源与闭源路线平衡 开源路线（如Meta）可加速技术迭代，但需警惕闭源技术（如OpenAI）的壁垒。 通用人工智能（AGI）布局 Sora代表AGI的关键节点，需从底层架构（如混合云算力、边缘计算）为未来复杂任务预留扩展空间。 总结 “量体裁衣”的算力规划需兼顾技术适配性、资源经济性和生态开放性。企业应从自身场景出发，结合自研芯片、云服务协同及行业合作，构建灵活高效的算力体系。正如周鸿祎所言：“没有算力芯片，中国的AI模型会坍塌”13，这提示算力自主化是未来竞争的核心壁垒。