AI 算力采购最容易陷入一个误区：把芯片峰值性能当作企业可用算力。真实系统的结果由加速卡、显存、互联、服务器、网络、存储、驱动、编译器、算子、推理框架、模型版本和运维能力共同决定。企业采购的不是一张卡，而是一条持续运行的软硬件供应链。
NVIDIA：成熟生态是主要护城河
NVIDIA AI Enterprise 覆盖云、数据中心与边缘的 AI 软件平台。NVIDIA 的优势不仅来自 GPU，也来自 CUDA、框架适配、容器、NIM、集群工具与大量工程经验。
成熟生态能降低模型迁移和问题定位成本，但也带来供应、价格和锁定风险。企业不应只问“能不能买到卡”，还要问软件许可证、驱动支持周期、虚拟化、容器、监控与人才成本。
AMD：Instinct 必须与 ROCm 一起评估
AMD Instinct 是数据中心加速器产品线，ROCm 则提供编程模型、编译器、运行时、数学和通信库，并连接 PyTorch 等框架。
AMD 可能在供给、显存、价格或开放生态方面形成替代价值，但“支持主流框架”不等于企业现有 CUDA 代码、量化方案和推理引擎无需修改。最重要的指标之一反而是迁移工程量及后续维护成本。
国产算力要按软件生态和交付体系比较
国产 AI 算力不是一个同质类别：
- 华为昇腾以处理器、Atlas 产品与 CANN 软件平台形成端边云生态；
- 寒武纪提供 MLU 云端和边缘产品，以及 NeuWare、MagicMind 等软件能力；
- 昆仑芯以 XPU、加速卡、加速器组和 SDK 覆盖边缘与数据中心；
- 壁仞以壁砺通用 GPU 和智算基础设施面向训练、推理与行业场景；
- 摩尔线程以全功能 GPU、MUSA 架构和 SDK 覆盖 AI、图形、视频与科学计算。
这些厂商的产品形态、代际、开放程度和适配矩阵都不同。不能用“国产卡能跑某模型”的新闻替代具体型号、具体软件版本和具体业务负载的测试。
建立同口径基准
基准必须固定以下条件：模型与权重版本、量化精度、上下文长度、输入输出比例、并发、批大小、推理框架、容器镜像、驱动、算子库和服务参数。训练任务还要固定优化器、并行策略、数据管道与容错方式。
至少记录十项结果：任务质量、首 token 延迟、单请求延迟、吞吐、显存占用、整机功耗、多卡扩展效率、持续运行稳定性、问题定位时间和代码修改量。不同厂商若使用不同模型或不同精度，数字没有可比性。
总拥有成本不等于硬件单价
三年总成本应包括硬件、服务器、网络、存储、机柜、电力、制冷、软件许可、实施、迁移、运维、备件、停机和新模型适配。某方案采购价较低，但若每次模型升级都需要大量算子开发，实际成本可能更高。
供应链同样属于技术指标：交付周期、备件、版本支持、合作伙伴能力、远程与现场服务、问题升级路径都要进入合同和验收标准。
从混合算力架构开始
很多企业不必在单一厂商上做一次性押注。可以通过模型服务层、统一镜像、推理 API 与评测体系，把业务与底层算力解耦。高风险核心负载保留成熟平台，成本敏感或国产化负载逐步迁移，并用同一评测集持续比较。
本站的生态观察站已整理 NVIDIA AI Enterprise、AMD Instinct 与 ROCm、华为昇腾、寒武纪、昆仑芯、壁仞和摩尔线程的官方资料入口。由于型号和软件更新很快，页面刻意不长期写死峰值参数；采购时应回到厂商最新规格和实测报告。
真正可持续的算力策略不是找到一张“最强卡”，而是建立可复现基准、可迁移软件层和能持续交付的供应体系。