斯坦福研究：NVIDIA B200 能效比 AMD MI350X 高 9 倍
斯坦福大学最新研究提出“Joules-to-GDP”指标，量化 AI 芯片在真实专业任务中的经济回报与能耗关系。测试显示，运行相同模型时，NVIDIA B200 的单美元价值产出是 AMD MI350X 的 4 倍以上，单位能耗节省的专家时间高达 9 倍。该研究揭示了在算力受限背景下，硬件选择对 AI 经济效益的决定性影响。
报道正文
Rohan Paul (@rohanpaul_ai) · 2026-11-04 21
斯坦福大学最新研究：与 AMD MI350X 相比，NVIDIA B200 在单位能耗下提供了超过 4 倍的经济价值以及超过 9 倍的专家工时节省。
也就是说，仅凭芯片本身（模型保持不变），就能决定你在给定功耗预算下能获得多少经济回报。
在这项研究中，斯坦福的研究人员在 4 种不同的单 AI 芯片上运行了同一个 AI 模型 Qwen3.6-27B，并针对 220 项真实的专业任务进行了测试，测量每种芯片每消耗一单位能量所产生的有效工作量。
↳ 引用 @rohanpaul_ai (Rohan Paul): 斯坦福新论文发现，较小的 AI 模型在单位能耗下的经济回报率远高于能力最强的模型。
既然世界正受到能源/功率的限制，那么每个 AI 任务消耗多少能量确实值得深入研究。
在此，研究人员构建了“焦耳到 GDP”指标，用于衡量 AI 工作的美元价值减去其运行成本后，每焦耳能量产生的净收益。他们在来自 GDPval 的 220 项涵盖 44 个职业的专业任务上测试了 5 个开源模型。
GLM 5.2 在每个任务上产生了最高的净价值，但 Gemma 4 31B 仅用 23% 的能量就实现了其 56% 的价值。
将 Qwen3.6-27B 从 1 张 H100 扩展到 8 张 H100，任务时间仅缩短了 22%，而能耗却增加了 3.2 倍。
GPT-OSS 120B 比 GLM 5.2 少用了 68% 的能量，尽管两者的价格和速度几乎相同。
在同一模型上，使用 8 张 H100 芯片代替 1 张芯片，任务速度仅提升了 22%，但能耗增加了 3.24 倍，而工作产生的美元价值几乎不变。
