问小创
告诉我你的需求，我帮你从站内挑最合适的 AI 工具。
2026年以来，全球天文领域正大规模落地AI星系探测技术，科研团队依托GPU算力支撑，可快速从PB级星际观测数据中筛选出微弱的未知天体信号。这类新增科研算力需求，已成为继大语言模型训练、AIGC内容生产之后，全球GPU供应缺口扩大的新诱因，当前高端通用GPU交付周期已延长至14个月，高端H100芯片市场溢价率超40%。
对于寻找河外星系的天文学家而言，AI已经成为不可或缺的核心工具：韦布空间望远镜每天传回的1TB以上原始观测数据中，99%的无用噪点都可以通过训练好的AI模型在数小时内完成筛选，效率是人工标注的上百倍。
这种效率提升的背后是巨量算力支撑。训练一个适配多波段观测数据的星系识别AI模型，单次训练就需要消耗相当于30张A100芯片连续运行72小时的算力，而随着全球多个射电望远镜阵列完成升级，这类科研算力需求还在以每年230%的速度快速增长。
此前全球GPU的核心需求方主要是大模型厂商、云服务商和AIGC创业公司，科研领域的刚性算力需求进场后，进一步挤压了通用级芯片的供应空间。
当前英伟达高端H100芯片的市场流通价已较官方指导价高出42%，通用数据中心级GPU的平均交付周期从2025年的8个月拉长到14个月。除了科技企业，不少高校、科研院所的AI相关项目也因为GPU缺货出现延期，部分头部云服务商的GPU实例租赁价格2026年以来已经累计上涨37%。
面对持续分化的算力需求，上游芯片厂商和算力调度平台正在给出针对性的解决方案。
一方面，芯片厂商正在调整产能分配策略，针对科研、工业等细分场景推出专用算力芯片，比如AMD近期发布的针对天文、气象模拟场景优化的Instinct MI325专用加速卡，同等算力下功耗比通用GPU低35%；另一方面，分布式算力调度平台也在快速普及，通过整合闲置的消费级GPU资源为科研项目提供低成本算力支持，目前全球已有超过120个天文AI项目接入了分布式算力网络，算力成本较采购专用GPU下降60%以上。
本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。
滇公网安备 53252802528133号