欧洲、能源和人工智能：GLM 5.2 on Ascend vs NVIDIA上的Grok

2026年6月发布 · 3DN基础设施笔记

这不是一份政治宣言，也不是为了震惊任何人。这是一篇关于电力的笔记——决定人工智能策略是否可构建或只是幻想的乏味限制。欧洲的能源消耗已经超过其生产量。对化石燃料的进口依赖性仍然很高。在这个基础上，再添加对电力需求高的美国GPU集群的边境模型训练，这不是一个细节；这是账单。

最近的发布使得这个账单无法忽视。Epoch AI的独立分析师估计，训练Grok 4——xAI迄今为止最先进的开放基准竞争对手——消耗了大约310 吉瓦时(GWh)的电力，相当于在Colossus超级计算机上使用了大约246 百万小时的NVIDIA H100 GPU。这相当于数万户家庭的年用电量，碳和水足迹相匹配。

与此同时，Zhipu AI (Z.ai) 在Huawei Ascend加速器上完全训练了GLM-5——我们生产中使用的GLM 5.2模型的基础——：100,000个Ascend 910B芯片，28.5 万亿训练令牌，没有NVIDIA硬件（技术报告）。Zhipu没有公布单一审计的GWh数字。应用Epoch对Grok的相同物理核算——平均功耗低于峰值TDP，加上非GPU开销和数据中心PUE——对GLM-5预训练的合理估算范围在15–60 GWh之间，而Grok 4的310 GWh。这不是一个舍入误差：大约五到二十倍的电力消耗，对于在软件工程和代理基准测试中性能相近的模型。

为什么差距是真实的，不是营销

三个工程事实解释了大部分距离：

每芯片功耗。用于Colossus级训练的NVIDIA H100 SXM部件额定功率高达700 W。Huawei Ascend 910B额定功率为400 W。两者同等时间不意味着相同的千瓦时。
架构效率。GLM-5是一个744B参数的专家混合模型，每个令牌激活40B参数，并采用DeepSeek稀疏注意力（DSA）来减少长上下文中的注意力成本。每个有用的令牌浪费的FLOP更少。

规模选择。 美国的实验室正在竞争尽可能大的训练规模——Colossus现在以成千上万的GPU和千兆瓦的雄心壮志来衡量。这能买到能力，但以GPU小时数成比例的能源来购买。

这并不意味着Ascend在每个方面都“更好”。在许多部署中，互连带宽、软件成熟度和推理吞吐量仍然有利于NVIDIA。但训练能耗最高的模型不再是美国的专利——如果你的大陆已经缺电，这很重要。

硬件成本和软件栈

资本成本，不仅仅是瓦特。 电力只是账单的一部分。行业报告显示，中国的集成Ascend 910B训练和推理系统在中国的一致引用比可比的NVIDIA H100捆绑低60-70%的价格——TrendForce和中国贸易媒体引用了Atlas和FusionCube配置，价格约为200万至1000万元人民币，而H100级解决方案的价格约为2000万元人民币。单个H100 SXM模块在公开市场上的交易价格在25,000美元至40,000美元之间；Ascend 910B在西方没有零售销售，但捆绑的Ascend服务器在每FLOP元上低于NVIDIA，同时提供大约H100 FP16吞吐量的60-70%。对于一个已经进口能源并面临GPU出口控制溢价的大陆，这个资本支出差距与千瓦时差距一样重要。

不依赖CUDA。 GLM-5是在没有NVIDIA GPU的情况下训练的。这意味着没有CUDA运行时，没有cuDNN，没有以NVLink为中心的集群堆栈。华为的软件层是CANN（神经网络计算架构）——Ascend编程环境与CUDA处于同一堆栈级别——与华为的原生深度学习框架MindSpore配对。实际上，前沿的中国实验室越来越多地通过PyTorch通过torch_npu运行，这是一个Ascend后端适配器，而不是从头开始在MindSpore中重写模型。ONNX Runtime的CANN执行提供程序提供了另一个推理可移植性路径。操作要点：前沿级别的训练和服务不需要NVIDIA的专有编程模型。

这是一种自由，还是另一种锁定？诚实回答：两者皆有。CANN 专有于 Ascend NPUs，就像 CUDA 只能在 NVIDIA GPU 上运行一样。从 CUDA 迁移到 CANN 不是供应商中立的——你用一种软件护城河换取另一种。实际区别在于：

PyTorch 可移植性。 torch_npu 允许现有的 PyTorch 代码在不完全重写的情况下针对 Ascend，与从头移植 MindSpore 相比，降低了迁移摩擦（ChinaTalk）。
开放权重。 GLM-5 以 MIT 许可证发布。该堆栈不像许多美国前沿模型那样绑定到封闭的 API 产品。
生态系统成熟度。 CUDA 仍然拥有更深入的库、更大的社区论坛和更多经过实战验证的内核。CANN 开发者经常报告粗糙边缘、稀疏的公共故障排除和依赖华为现场工程师解决难题——这种成熟度差距在 2025 年的从业者论坛和行业媒体中都有记录。
地缘政治暴露。 Ascend 锁定是华为和中芯国际供应链锁定。CUDA 锁定是 NVIDIA 和美国出口控制锁定。没有任何一个堆栈是中立的；问题是你组织实际上可以采购、供电和维护的依赖。

对于评估 Ascend 的欧洲运营商来说，现实态度不是“摆脱所有锁定”，而是选择可以运行的堆栈——知道高效前沿训练已经在没有 CUDA 的情况下进行，硬件成本在每 flop 和每千瓦时上都明显更低。

欧洲的能源背景

Eurostat 直言不讳：欧盟是能源净进口国。国内生产无法覆盖消费。化石燃料仍然主导能源结构；工业、热力和交通的电气化正在上升；数据中心负载也在增加。欧盟委员会自己的能源出版物将进口依赖描述为结构性事实，而不是临时性紧缩。

在这种背景下，复制 xAI 的策略——由新燃气轮机供电的数十万 GPU H100/H200 超级集群——不是“创新”。这是欧洲无法承受的需求冲击。每投入一 GWh 的训练，就有一 GWh 不能用于电网稳定性、制造业或家庭使用。

“有头脑”会是什么样子

如果欧洲打算成为一个严肃的人工智能参与者，而不是美国 API 的转售商，它需要一个与能源现实相一致的硬件策略。这意味着：

根据实际情况评估 Ascend 和其他非 NVIDIA 架构 — 功耗、训练效率、开放权重和操作适应性 — 而不是将出口控制对齐视为工程的替代品。
与中国供应商和实验室建立合作伙伴关系，因为高效训练的证据现在就存在于这些地方。GLM-5 是 MIT 许可的。科学已经发表。假装它不存在并不能节省电力。
不要将“盟友”与“最佳”混为一谈。对单一美国 GPU 供应商的依赖仍然是依赖 — 对于净能源进口国来说，这是一种每训练一次的边际成本陡峭的依赖。
首先资助主权推理。欧洲的价值主要体现在部署、可审计性和领域数据上 — 而不是在与 Musk 竞争 Memphis 电力合同上花费更多。在高效的地方训练；在主权的地方运行。

离开美国和 NVIDIA 不意味着放弃跨大西洋贸易或选择意识形态立场。这意味着拒绝将几十年的工业政策锁定在最耗能的道路上，而一个可信、可衡量更精简的道路已经在运输中 — 在华盛顿试图将芯片排除在中国的范围之外的芯片上，以及在向公众发布的模型上。

我们不会跳过的注意事项

出口管制、实体清单、供应链安全和地缘政治风险是真实的管理问题。它们属于采购和法律审查范围。它们不会抹去物理学。一个进口能源的大陆不能永远将 310GWh 训练运行当作别人的问题。

我们在自己的金属上运行 GLM 5.2，因为主权和调度对运营很重要。我们关注 Ascend，因为能源数学对欧洲很重要。这两个论点是相辅相成的。

底线

GLM 5.2 源自一个在华为 Ascend 上训练的边缘模型，其电力预算仅为 Grok 4 在 NVIDIA 上估计的四分之一。欧洲的消费已经超过其国内供应。如果政策制定者有头脑的话，他们会将高效的中国 AI 硬件和开放模型视为一个自力更生的机会 — 而不是禁忌 — 并停止将电网押注在单一美国芯片制造商身上。

对我们的基础设施或托管方法有疑问？联系我们。