Stanford 研究：NVIDIA B200 每单位能量产出价值超 AMD MI350X 4 倍

Rohan Paul· @rohanpaul_ai · X·2026-11-05 05:34· 1 小时前AI 评分51

AI 导读

Stanford 研究者在 220 个真实专业任务上用同一模型 Qwen3.6-27B 测试 4 种单颗 AI 芯片，衡量每单位能量产生的有用工作。结果显示 NVIDIA B200 相比 AMD MI350X 每单位能量带来超过 4 倍的美元价值和超过 9 倍的专家时间节省，即模型不变、仅换芯片也会显著改变同样电力预算下的经济回报。作者引用的论文还构建了 Joules-to-GDP 指标，测试 5 个开源模型，其中 Gemma 4 31B 用 23% 的能量达到 GLM 5.2 每任务净价值的 56%，Qwen3.6-27B 从 1 卡 H100 扩到 8 卡仅快 22% 却耗能 3.2 倍。

正文 · 原文

Stanford 的新研究：与 AMD MI350X 相比，NVIDIA B200 每单位能量带来的美元价值超过 4 倍，节省的专家时间超过 9 倍。

也就是说，仅芯片本身，在模型不变的情况下，就能决定你的电力预算能带来多少经济回报。

在这里，Stanford 研究者在 220 个真实专业任务上，将同一 AI 模型 Qwen3.6-27B 运行在 4 种不同的单颗 AI 芯片上，并衡量每种芯片每消耗一份能量能产生多少有用工作。

引用Rohan Paul@rohanpaul_ai

Stanford 的新论文发现，一个较小的 AI 模型每单位能量能比能力最强的模型带来多得多的经济价值。既然世界受限于能源/电力，那么每个 AI 任务消耗多少能量确实应该被研究。在这里，研究者构建了 Joules-to-GDP，衡量 AI 工作的美元价值减去其运行成本，再除以消耗的每焦耳能量。他们在 GDPval 的 220 个专业任务上测试了 5 个开源模型，覆盖 44 种职业。 > GLM 5.2 每任务产生的净价值最高，但 Gemma 4 31B 用 23% 的能量就达到了它的 56%。 > 将 Qwen3.6-27B 从 1 块 H100 扩展到 8 块 H100，任务时间仅缩短 22%，而能耗却达到 3.2 倍。 > GPT-OSS 120B 的能耗比 GLM 5.2 低 68%，尽管价格和速度几乎相同。 > 将同一模型运行在 8 块 H100 芯片而非 1 块上，任务仅快 22%，但能耗达到 3.24 倍，而工作的美元价值几乎相同 https://x.com/jonsaadfalcon/status/2118079242340814896/video/1

在 X 查看被引用的帖子

来源：Rohan Paul · x.com