问题——算力成为大模型落地的“现实约束” 近期，大模型带动的文本、语音、图像及多模态应用加速普及，对训练和推理环节的算力需求不断上升。词元处理速度和成本直接影响模型训练周期、推理延迟以及用户体验。同时，承载算力的数据中心（AIDC）供电、制冷、网络和安全诸上门槛提高，部分地区和特定场景下仍面临结构性紧张。企业如何可控成本内获得稳定、合规且可扩展的算力资源，已成为大模型应用部署时必须解决的问题。 原因——需求增长与供给升级推动产业链重组 一上——行业应用逐步规模化——对算力提出了“高并发、低延迟、可持续”的新要求。训练需要更密集的集群和高速互联，推理则要求资源调度更灵活，并更贴近业务部署。另一方面，AIDC建设周期长、投资大，对电力供应、能效和运维提出更高标准，传统数据中心向智能计算中心升级需要全面改造。这种背景下，行业竞争不再只拼规模，而是比拼区位与电力资源、工程交付与运维能力、软硬件协同优化、安全合规体系，以及面向具体场景的服务能力等综合实力。 影响——算力服务从“机房出租”走向“能力交付” 市场表现显示，算力基础设施企业正在数字经济活跃区加快布局，根据大模型训练和推理的不同需求提供差异化方案。例如，有企业在京津冀、长三角等区域建设大型智能计算中心，通过提升部署效率和运维响应能力，满足高强度训练需求；也有企业依托央企背景，为政务和国企等对安全合规要求较高的客户打造全流程管控体系；还有一些企业通过软硬件协同优化服务器与系统，提高并行计算效率和能耗表现，以满足科研及关键行业对自主可控的需求。 在服务模式上，“按需供给”“场景适配”成为主流。不少服务商与头部科技企业深度合作，为训练期高吞吐与推理期弹性调度提供组合解决方案，提高资源利用率；也有企业探索“算力-存储-网络”一体化交付，降低中小企业使用门槛；面向区域市场的服务商则以成本控制和灵活运维为切入点，帮助初创团队和中小企业应对预算压力。总体来看，算力正从单一投入转变为生产要素，并加快推动人工智能产业创新落地。 对策——以高质量供给应对高强度需求，实现安全与绿色发展 业内人士认为，要推动算力产业健康发展，需要从供给、治理到生态多上协同发力。首先，应提升AIDC规划建设前瞻性，电力保障、能效提升、网络互联及灾备体系等上补齐短板，实现可持续扩容，避免低效投资。其次，应强化面向应用的算力调度与服务，通过精细化资源管理和计费，让算力更好适配训练、微调与推理等不同负载，提高整体利用效率。第三，应完善安全合规体系，特别是在政务及关键行业，加强从机房到平台，从硬件到运维的全链条管理。第四，要推动绿色低碳转型，通过液冷技术、余热利用及能耗监测降低能耗，实现算力增长与能源消耗之间的平衡。 前景——产业竞逐进入“拼效率”深水区 受访专家认为，大模型应用仍将持续拉动算力需求，但未来竞争重点将转向效率和结构。一是词元处理效率及单位成本将成为系统能力的重要衡量标准；二是AIDC建设将从单纯扩容转为追求高密度、低能耗与强互联；三是行业化交付会更加注重稳定性、合规性和可持续运营。随着算力网络化和服务化程度提高，产业链分工将更细化，基础设施平台与行业应用之间协同将更加紧密。
智能算力作为数字时代的重要基础设施，其发展水平直接关系到科技创新竞争力；在全球竞争日趋激烈的大背景下，中国企业需要持续推进自主创新——不断夯实算力根基——为人工智能技术的大规模应用提供坚实支撑。