把目光投向2023年到2024年交接的那段时间，整个高性能计算（HPC）圈子其实经历了一场不大不小的“地震”。
你可能在新闻里看到过类似的标题：“H100峰值性能虚标？”、“科学家愤怒：买的是PPT算力？”等等。作为一名在超算领域摸爬滚打多年的从业者，我想抛开那些惊悚的营销号标题，跟你聊聊这背后真正发生了什么，以及为什么像橡树岭国家实验室（ORNL）、劳伦斯伯克利国家实验室（LBNL）这些顶尖机构，开始悄悄地把鸡蛋放在别的篮子里了。
那个让科学家破防的“30%”
首先，我们要澄清一个概念：这个“30%”通常指的是特定科学计算场景下的有效算力（Sustained Performance），而不是理论峰值TFLOPS的暴跌。
英伟达H100的理论算力确实很强，但在实际运行科学模拟软件（比如用于核聚变模拟、气候预测、流体动力学CFD的代码）时，很多科学家发现，实际跑出来的数据远不如预期。
这里有一个真实的故事。记得之前有个研究团队在评测一款基于CuPy（类似NumPy的GPU加速库）的代码时，发现他们在H100上运行的结果，竟然和三年前搭载V100的旧节点在某些特定矩阵运算上差距不大，甚至因为显存带宽和通信开销的原因，某些任务反而更慢。
为什么？因为科学计算和AI训练是两回事。
AI训练主要吃的是吞吐量，对精度要求不高（FP16/BF16足够），而且算法本身具有高度的并行性和容错性。而科学计算（HPC）依赖的是低延迟、高精度的点对点通信（MPI）和复杂的浮点运算。
当科学家把H100用于传统的HPC负载时，他们发现：
- 通信瓶颈被放大：H100单卡算力极强，但节点间通信如果跟不上，卡就在等数据。
- 内存带宽并未同比例提升：算力翻倍，但带宽没翻倍，导致“存储器墙”问题更严重。
- 代码迁移成本：把老旧的Fortran/CUDA混合代码强行迁移到Hopper架构上，优化成本极高，且容易踩坑。
这就导致了那个著名的“30%差距”——在顶级科学应用基准测试（如HPL-AI, HPCG）中，H100集群的表现没有达到基于理论峰值计算出的预期值。对于按算力付费、按项目周期考核的科学家来说，这30%的落差意味着项目延期，是不可接受的。
英伟达的“护城河”正在被质疑
过去十年，英伟达用CUDA构建了一个近乎垄断的软件生态。对于大多数开发者来说，“买GPU = 买英伟达”是默认选项。
但是，超算中心是特殊的用户。他们不是普通用户，他们是基础设施的建设者。当基础设施的成本和风险开始失衡时，改变就会发生。
定价与供应的双重挤压 H100的价格炒到了天价，而且供货周期以“年”计算。超算中心不能等着拿货，他们的项目是有截止日期的（比如Funding Deadline）。这种供应链的脆弱性，让管理者和科学家感到极度不安全。
软件锁定的反噬 虽然CUDA很强，但它也把开发者绑死在了英伟达的硬件上。当英伟达开始调整支持策略，或者当新的硬件架构（如Blackwell B200）出现时，旧的代码可能面临重新优化的问题。科学家不是程序员，他们没有时间去为每一代硬件重写底层内核。
美国出口管制的不确定性 这是更深层的政治风险。H100的加强版被禁售中国，而全球其他地区也在关注类似的出口限制。超算中心担心，今天买到的H100，明天可能就因为地缘政治原因无法获得驱动更新、技术支持，甚至二手残值归零。这种不确定性，对于需要稳定运行10年以上的超级计算机来说，是致命的。
科学计算的“后英伟达时代”：替代方案真来了？
既然H100有这些问题，那科学界怎么办？答案是：多源化（Diversification）。
不再迷信英伟达，并不意味着完全抛弃英伟达，而是开始寻找“第二供应商”甚至“第三供应商”。
1. AMD Instinct MI250/MI300系列
AMD是目前的头号挑战者。他们的CDNA架构（计算DNA）专为HPC优化，而不是像GPU那样偏向图形和AI。
- 优势：支持HBM2e/HBM3内存，拥有强大的Infinity Fabric互联技术，在点对点通信性能上表现优异。
- 软件生态：通过ROCm（Radeon Open Compute）平台提供CUDA兼容性层。虽然ROCm早期口碑不佳，但在最新几代硬件上已经稳定得多。对于很多科学计算代码，只需要重新编译，甚至通过简单的翻译层就能在AMD上运行。
2. 国产算力：华为昇腾、海光DCU
在中国市场，由于出口管制，英伟达高端卡根本买不到。这反而倒逼了国产算力的快速发展。
- 昇腾910B：虽然生态还在建设中，但在某些特定模型和科学计算场景下，已经能够替代H100的一部分工作负载。
- 海光DCU：基于GPGPU架构，对CUDA代码的兼容性较好，适合那些希望平滑迁移的团队。
3. 云原生与异构计算
越来越多的超算中心开始采用异构计算策略。一台超级计算机里，可能同时有英伟达、AMD、甚至Intel Xe-HPC节点。通过上层调度软件（如Slurm、Kubernetes）来分配任务：
- AI训练任务 -> 分配给英伟达
- 传统HPC模拟任务 -> 分配给AMD或国产卡
- 数据分析任务 -> 分配给CPU
这种混合架构虽然增加了运维复杂度，但大大降低了单一供应商依赖风险。
为什么普通开发者/企业也该关注这个趋势？
你可能不是超算中心的管理者，但H100算力的“真相”对你也有影响：
- 成本意识：如果你在做AI训练，H100依然性价比极高。但如果你做的是科学计算、仿真软件、或者对延迟敏感的服务，不妨评估一下AMD或其他选项。
- 代码可移植性：开始关注OpenCL、SYCL、或OneAPI等跨平台标准。不要把所有赌注都压在CUDA上，除非你的业务完全依赖英伟达的最新特性（如Transformer Engine的极致优化）。
- 未来规划：在采购硬件时，考虑未来的供应链风险。问问自己：如果明天英伟达断供，我的业务能停摆多久？
结语：从“迷信”到“务实”
H100算力“暴跌30%”的争议，本质上是科学计算界对技术垄断的一次集体反思。
它提醒我们：
- 理论性能不等于实际生产力。
- 没有任何一家供应商值得无限忠诚，尤其是在关键基础设施领域。
- 多元化是抵御风险的最佳策略。
未来的超级计算机，很可能不再是一台清一色英伟达的机器，而是一台由多种算力芯片组成的“混合巨兽”。对于科学家而言，这不是坏事。这意味着更低的采购成本、更强的议价能力，以及一个更加开放、竞争激烈的硬件生态。
我们正站在一个转折点。英伟达依然强大，但它的“神坛”已经不再独一无二。而对于那些真正追求计算效率的科学家来说，选择多了，才是最大的福音。