新智元报道
编辑：好困 桃子
【新智元导读】在工业界动辄十万卡的暴力美学面前，学术界正沦为算力的「贫民窟」。当高校人均不足0.1张卡时，AI科研的主导权之争或许已经没有了悬念。
学术界的GPU荒，比想象中还要严重百倍！
NeurIPS 2025期间，两位YC大佬组了个饭局，邀请14位美国顶尖高校实验室的教授。
没想到，席间很多人都在吐槽：学术界算力资源简直「惨不忍睹」！
出于好奇，Francois Chaubard就去扒了一下数据，得到的结果离谱到家.....
以下是美国顶尖大学实验室的情况——
· 普林斯顿：人均0.8张GPU
· 斯坦福：人均0.14张GPU（超算集群Marlowe仅有248张H100可用）
· 哈佛、UW、CMU：均在0.2-0.4张GPU之间
· 加州理工、MIT、UC伯克利：连0.1张GPU也达不到
如今，想要做点像样的AI研究，人均至少得有1张GPU。实话说，真正要做起来，起码8张才够用。
没有对比，就没有伤害。
此时此刻，全球顶尖大厂的前沿实验室动辄就是十万张GPU起步。
就拿微软的Fairwater Atlanta数据中心来说，它目前的算力每个月能跑23次GPT-4规模的训练。
换句话说，当年训练初代GPT-4花了90到100天，同样的时间放在这里，大概能把这个过程跑上70次。
有了这种巨型数据中心，实验室就能大幅提升前期实验和最终模型训练的规模与频次。
到2026年底，马斯克的Colossus 2很可能会把这些数字翻上一番都不止。
而到了2027年底，微软的Fairwater Wisconsin预计单月就能完成超过225次GPT-4规模的训练任务。
马斯克xAI正在百万张GPU串联的超级巨兽「Colossus 2」训练Grok 5
学术GPU太缺了
2024年李飞飞在一场炉边谈话中坦言，「斯坦福NLP实验室仅有64张GPU」。
学术界在AI计算资源方面，正面临断崖式下跌。
与此同时，Nature一篇调查提出了「AI算力差距」，揭示了同样令人扎心的现实：
想要训练AI模型，学术界科学家能用的计算资源，跟工业界完全不是一个量级。
如上开篇一些数据，恰恰从侧面印证了，高校GPU根本不足以开展大规模的AI实验。
这种现象，不管在美国，还是国内，基本大差不差。
在Reddit上一篇热帖中，一位博士生自曝没有H100，算力成为了项目展开的主要瓶颈。
不仅如此，在Uvation调研中，GPU在高校课程和教学中也越来越重要，正在重塑学生学习计算机科学、工程学的方式。
如下表所示，斯坦福、MIT、牛津大学需要使用GPU相关的课程。
学术界GPU荒可不是小事，它的影响会像多米诺骨牌一样扩散开来。
杜克大学陈怡然教授曾提到一点，因为工业界和学术界计算、数据资源差距拉大，AI科研人员不再把高校教职当做目标。
这也就意味着，顶尖人才未来会加速流向工业界，全因GPU不够。
另一方面，学术界因GPU有限难以验证big idea，正逐渐失去了定义前沿的能力。
2025年斯坦福AI指数报告中，一张图清晰地呈现了这一趋势。
谷歌、Meta、微软、OpenAI等科技巨头产出有影响力的AI模型数量远超学术界。
AI大牛Sebastian Raschka表示，资源少只是问题之一。
另一个问题是，这些资源通常只能通过 SLURM（或类似的调度系统）访问，根本没有交互模式。
除非你已经完全清楚要跑什么实验以及要跑多久，否则这一套流程走下来简直折磨人。 这种条件下做研究真是太难了。
此外，学校里的那些GPU不是随时能用的。
网友Lucas Roberts表示，自己上个月曾跟德州的一位教授聊过，他说学校的 GPU 一次最多只能跑24小时，时间一到就得保存进度（checkpoint），然后重新排队跑下一个任务。
后来他好不容易给实验室搞到经费买了几张卡，这才实现了跑任务「不断连」。
据他所知，这种24小时强制中断的规定在其他高校也挺普遍的。
然而，LeCun当场反驳这一观点，透露NYU是全美所有学术机构中，拥有最大规模的GPU集群。
具体数字——500张H200，比普林斯顿还要大。
有的高校，自建AI工厂
不过，也有一些高校条件会好一些。
微软研究院前高级研究员，威廉与玛丽学院助理教授Jindong Wang表示，实验里每位学生配备6张GPU，还有云集群可用。
Vector研究所研究总监，多伦多大学统计与计算机系教授Dan Roy表示，他们会给每位学生都配备1张GPU。
更豪气的学校，比如得克萨斯大学奥斯汀分校，直接为自家的AI基础设施购买了超过4000张Blackwell GPU。
加上原有的设备，UT Austin总共将拥有超过5000张英伟达GPU。
而且，据称还是由他们自己的发电站来提供加持。
这些英伟达GB200系统和Vera CPU服务器，将加入全美最大的学术超算「Horizon」，为UT Austin提供学术界最强悍的AI算力。
这种级别的算力意味着，UT Austin完全有能力从零构建开源的大语言模型。
无独有偶，加州州立理工大学也在启动一个由英伟达DGX加持的「AI工厂」——
它配备了4套NVIDIA DGX B200系统，并整合了高性能存储、网络设施以及NVIDIA的全套AI软件栈。
有了这套系统，那些以前在标准硬件上需要数月才能完成的研究任务，例如分析数十万个视频文件，现在只需几天即可完成。
反观国内，GPU在高校的分布情况也不均衡。
知乎上一个话题下，硕博生纷纷讨论做实验用的显卡。
北京某高校计算机硕士称，已申请到研究院公用服务器。
还有更可怜的，某985学生自曝全组只有一张3080，还得自费租GPU。
参考资料：
https://x.com/FrancoisChauba1/status/1997095264923078856?s=20
https://news.utexas.edu/2025/11/17/ut-eclipses-5000-gpus-to-increase-dominance-in-open-source-ai-strengthen-nations-computing-power/
https://x.com/EpochAIResearch/status/1997040687561449710
https://epoch.ai/data-insights/gpt-4s-trainable
秒追ASI
⭐点赞、转发、在看一键三连⭐
点亮星标，锁定新智元极速推送！
热门跟贴