问题——从“能回答”到“能执行”，算力瓶颈加速显现 近年来，大模型带动生成式应用快速普及，人工智能也从内容生产走向更复杂的任务编排与自动化执行。大会传递出的明确信号是：下一阶段的竞争重点将转向“智能体”能力，即系统不仅要推理与生成，还要高频调用外部工具与数据源，完成检索、比对、操作、执行等链式流程。与传统对话式应用相比，智能体对端到端时延更敏感，对内存访问、数据吞吐、互联带宽和网络延迟提出更高要求。随着上下文窗口从十万级迈向百万级，并行处理结构化与非结构化数据逐渐常态化，现有机架级架构能效、带宽与调度上承受更大压力。 原因——三重变化叠加，推动架构从“算力堆叠”转向“系统重构” 一是任务形态变化。智能体工作流强调“持续运行”和“连续决策”，包含多轮推理、工具调用、状态维护与结果校验，意味着计算与内存、存储、网络之间的数据往返显著增多。二是数据形态变化。企业知识库、日志、图像、视频与业务数据库并存，使数据处理路径更复杂，单一加速器难以覆盖全链路瓶颈。三是成本与能效约束更强。数据中心用电、散热、机柜密度与供电上限成为硬约束，行业需要单位能耗下提升吞吐，通过互联、网络与系统软件协同提高整体效率，而不是只靠单点算力提升。 影响——新架构发布加速产业链竞速，数据中心进入“互联与内存”主战场 本次大会上，英伟达发布Vera Rubin架构，强调面向智能体与强化学习场景的系统化设计，覆盖CPU、GPU、交换互联、网卡、DPU及以太网交换等组件，并配套机架级系统形态。业内普遍认为，这个布局意在把竞争从单卡性能扩展到“机架—集群—数据中心”层面的综合能力比拼。 从技术路径看，智能体负载对大容量内存与高速互联的依赖增强，促使加速器更强调存储层级设计与集群级带宽。英伟达在发布中继续突出NVLink等互联能力，目标是用高带宽全互联降低跨卡通信成本，提高大规模推理与训练，以及多智能体并行任务的效率。对云服务商和大型企业而言，未来一段时间基础设施升级重点，可能从“扩GPU数量”转向“优化机架结构、互联拓扑与网络架构”，以适配更复杂的智能体工作负载。 从产业影响看，一上，新一代算力底座可能缩短数据中心设备更新周期，上游芯片、网络设备、存储，以及散热供电等环节将同步承压并获得增量机会；另一方面，软硬件深度绑定趋势或将继续增强，企业选型时会更看重编译栈、调度系统、模型工具链与数据治理方案的整体匹配，行业生态门槛与集中度可能随之上升。 对策——面向智能体落地，企业需同步推进“算力、数据、流程”三项准备 对希望在智能体方向实现规模化落地的机构来说，硬件升级只是起点，更关键的是用系统工程思维改造生产环境。 其一，算力层面要把“端到端时延”和“单位能耗吞吐”放在核心位置。除关注GPU算力指标外，还应评估CPU侧单线程性能、内存带宽、网络延迟、存储IO以及互联拓扑对整体工作流的影响，避免出现“卡很强但系统跑不动”的情况。 其二，数据层面要补齐高质量数据供给与治理能力。智能体需要调用多源数据并与业务系统交互，数据权限、检索质量、更新频率、日志可追溯性直接影响执行可靠性，应加快统一数据目录、权限分级与审计机制建设。 其三，流程层面要强化安全与可控。智能体执行动作可能触达关键系统，需要设置可回滚机制、沙箱环境与人机协同审批流程，并针对工具调用、外部访问与输出内容建立多重校验，降低误操作与合规风险。 前景——“生成式”之后迎来“行动型”竞争，算力供给与应用落地将双向拉动 综合业内动向看，智能体正成为新一轮应用创新的重要方向，或将在客户服务、软件工程、运营运维、供应链、金融风控等场景率先带来可衡量的生产率提升。同时，智能体的普及也将把算力竞争推向更高维度：谁能以更低能耗提供更高吞吐、更低延迟的系统能力，谁就更可能在数据中心市场占据优势。 可以预期，未来算力基础设施将呈现三大趋势：一是更强调机架级、集群级整体交付，硬件产品的系统化特征更突出；二是互联、网络与内存体系的重要性继续上升，成为影响规模化效率的关键变量；三是软件栈与生态绑定进一步加深，围绕工具调用、模型编排与调度优化的工程能力，将成为企业差异化竞争的新壁垒。
当人工智能从辅助工具走向自主执行者，由底层芯片与系统架构驱动的变化正在重塑技术边界；正如黄仁勋所言：“我们不是在建造更快的计算机，而是在创造新型生产力。”在全球数字化进程加速的背景下，如何把握智能计算带来的产业机遇，同时建立与之匹配的治理与伦理框架，将成为各国科技竞争需要回答的新课题。