智算中心行業發展現狀及挑戰有哪些？

1.智能算力躍升為全球第一大算力，智算中心建設如火如荼

1956 年第一次 AI 發展浪潮信息伊始，60 多年來，從理論探索到大數據驅動，從深度學習 到大模型智能涌現，AI 正在成為一項新興的通用型技術，向多場景、規模化、AIGC（AI Generated Content）等方向快速演進。智能算力作為 AI 的底座型技術迎來需求井噴。據統 計，到 2030 年，全球智能算力需求增長約 390 倍，增速遠超摩爾定律。據《中國算力發展 指數白皮書（2022）》指出，我國智能算力也在近幾年保持快速增長態勢。2021 年我國智 算規模已達到 104E FLOPS，占比超過總算力的 50%，預計到 2030 年將升至 70%，成為算 力的主要增長極。智算成為全球第一大算力已是大勢所趨。

隨著 AI 在賦能產業發展、促進數實融合方面發揮出愈加顯著的作用，各國政府紛紛發布政 策引導其發展。美國為加強其在 AI 領域研發和部署的領導地位，于 2019 年簽署《美國人工智能倡議》（American AI Initiative）[1]，旨在從國家戰略層面重新分配資源，用于 AI 研發， 以應對來自“戰略競爭者和外國對手”的挑戰。之后，在 2021 年頒布《美國創新與競爭法 案》[2]，高度關注 AI 與機器學習、高性能計算、半導體等十大關鍵技術領域。歐盟在 2021 年發布《2030 數字指南針：歐洲數字十年之路》[3]，要求到 2030 年 75% 的歐盟企業使用 云計算、大數據和 AI 技術。我國也高度重視 AI 技術發展，自 2017 年以來國家各部委和地 方政府相繼出臺政策，指導 AI 產業發展規劃，鼓勵企業加大人才引進和研發力度，并明確 指出要積極推動智算中心有序發展。至此，智算中心作為一種新型算力基礎設施為大家所熟 悉。不同于傳統的云數據中心和超算中心，智算中心是以 GPU、AI 加速卡等智能算力為核心、 集約化建設的新型數據中心，為人工智能應用提供所需的算力服務、數據服務和算法服務， 使能各行各業數智化轉型升級。

智算中心的戰略地位不斷提升，為構造未來競爭發展優勢，很多國家都在積極開發和部署智 算中心。其中，美國能源部及國家科學基金會主導，將智算中心和超算中心結合，建設超大 規模智能超算中心，為科學研究提供高性能計算資源，例如，橡樹嶺國家實驗 室的 Summit（3.4E）[4]，阿貢國家實驗室的 Polaris 和 Aurora（約 10E）[5]，勞倫斯伯克 利實驗室的 Perlmutter（3.8E）等，這些智能超算中心往往具有單體算力大、技術領先等特 點。美國科技巨頭也是智算中心的主要建設者，包括谷歌的開放機器學習中心（9E），特 斯拉 Dojo 集群（據稱 2024 年末規模達到 100E），Meta AI 超級計算機（9.9E）等。

國內智算中心建設熱潮始于 2020 年，目前已有 40+ 城市建成或正在建設智算中心，包括武漢人工智算計算中心（200P）、南京智能計算中心（800P）、合肥先進計算 中心（12P）、鵬城云腦 II（1E）等，其中 12 個位于“東數西算”八大樞紐，這些智算中 心主要由地方政府與企業合建，總體投資規模超千億，旨在帶動當地產業智能化升級。國內 互聯網和 AI 企業自建的智算中心是國內智能算力的重要組成，如阿里在張北和烏蘭察布建 設的總規模達 15E 的智算中心，旨在結合智能駕駛、智慧城市等業務，探索云服務后的智 算服務新業態；百度在山西陽泉建設規模 4E 的智算中心，孵化國內首個正式發布的大模型“文 心一言”；商湯作為國內頭部 AI 企業，投資 56 億在上海臨港建設人工智能計算中心，規模 超 4E，主要面向智慧商業、智慧城市、智慧生活和智能汽車四大板塊，發展 AIaaS（AI as a Service）服務。

當前智算中心主要以單供應方全棧體系構建為主，尚未形成業界統一的設計方案，因此各地 智算中心在技術、標準、生態、運營等方面仍面臨挑戰。

在技術方面 ：早期建設的智算中心以承載中小模型為主，AI 服務器大多是 PCIe 機型，配備 獨立的文件存儲，互聯方式則以節點內 PCIe 通信與節點間傳統以太網為主。 隨著通用大模型的普及，智算中心的設計思路需要從原先以單芯片、單服務器 粒度提供算力服務的模式，轉變為支持巨量并行計算，提供高吞吐、高能效的 集群算力。

在標準方面 ：由于各地智算中心大都是當地政府與 AI 芯片、整機廠家合作建設為主，技術方 案深度綁定，容易形成多種派系。亟需通過制定行業標準，一方面降低客戶學 習和使用的時間成本，另一方面加強產業鏈上下游企業的協同，促進智算產業 的高質量發展。

在生態方面： 因為 AI 是軟硬深度耦合的技術棧，國外主流產品“先入為主”，主導生態發展， 相比之下國內 AI 起步較晚，在芯片算力和軟件棧適配方面均存在差距。在智算 生態豎井式發展的當下，需要加強引導，為后續 AI 應用的適配和跨架構遷移奠 定基礎。

在運營方面： 各地智算中心的服務對象多為區域內的行業客戶、科研院所和高校，較少考慮 全局協同，隨著東數西算、東數西渲等應用需求不斷豐富，需要提前布局跨區 域的全局算力調度，提升算力高質量供給和數據高效率流通。