问题： 随着大模型应用从试点走向规模化，算力需求显示出新特点：训练更集中、推理更分布、迭代更频繁；传统数据中心以通用计算和存储为主——机柜功率密度较低——主要依赖风冷散热，难以长期应对高密度加速计算带来的供电、散热、互联和运维压力。此外，企业部署智能应用时还面临架构不稳定、模型更新快、资源利用率波动大等问题，导致成本难以控制，规模复制受限。 原因： 一是技术路径变化。智能计算从以CPU为中心转向以GPU、NPU等加速器为核心，集群架构从传统主从模式向强调并行与互联的对等模式演进，单机柜功率密度大幅提升，散热从“可选项”变为“硬约束”。 二是业务形态变化。生成式应用带来长序列、多轮交互和多任务并行，推理侧对时延、吞吐量和稳定性的要求提高，单纯增加算力已无法解决工程效率问题。 三是建设运营理念变化。算力、数据、模型与应用需要解耦协同，既要支持快速迭代，又要确保稳定运行和可治理能力，推动数据中心规划从“机房工程”升级为“平台工程”。 影响： 在供给侧，智能算力中心建设将带动高效供配电、液冷及风液混合散热、光互联与高速网络、算力调度与编排软件等环节协同发展，促使数据中心从资源投入转向效率优先。 在需求侧，面向基础大模型预训练的超大规模集群与行业场景的推理集群同步增长，算力设施呈现“集中与分布并重”的格局：一上需要超大规模组网和高可靠集群提升有效算力，另一方面需要靠近业务和用户的推理节点降低时延、优化体验。 对地方而言，智能算力基础设施面临能耗约束、用电保障和绿色转型压力，算力发展必须与能源结构、产业布局和生态培育相协调。 对策： 业内普遍认为，规划建设应“以应用场景为导向”，构建场景、数据、模型、算力合力推进的闭环路径，优先选择价值明确、数据基础好、可快速验证的场景，逐步拓展至核心业务。 工程侧需强化三项能力： 1. 算效提升：以优化有效算力为目标，通过超节点架构、大规模互联、算存协同、并行策略优化和快速故障恢复机制，提高利用率和可用性； 2. 能效优化：以高密供电、液冷及混合散热为重点，结合软硬件协同调优，建立覆盖算效、能效、可靠性和运维成本的综合评估体系； 3. 安全与运维体系前置：将数据安全、模型安全、供应链安全和运行安全纳入统一治理框架，完善分级保护、权限控制、审计追踪和应急预案，提升全生命周期管理能力。 此外，建设方式应更注重模块化和弹性扩展，支持多代算力混合部署，为技术迭代预留空间。 前景： 随着大模型深入行业应用，人工智能数据中心将从单点项目转向平台化、网络化布局，呈现“训推协同、通智融合、云边协同”的发展方向。超大型集群将持续追求极致算效和能效，在多级缓存、并行推理和资源编排等领域突破；中大型中心更注重行业场景的稳定交付和规模化运营；小型节点则聚焦边缘场景，以低时延和高能效加速落地。未来，算力基础设施的竞争将从“规模比拼”转向“效率、可靠性、绿色与安全”的综合能力竞争。
作为数字时代的“新电力”，智能算力基础设施建设对国家竞争力至关重要。在把握技术趋势的同时，需建立科学的评价体系和标准规范，推动形成布局合理、绿色高效的智能算力网络。此基础设施的深化变革，正为经济高质量发展注入新动能。