智算中心行业发展现状及挑战有哪些？

1.智能算力跃升为全球第一大算力，智算中心建设如火如荼

1956 年第一次 AI 发展浪潮信息伊始，60 多年来，从理论探索到大数据驱动，从深度学习 到大模型智能涌现，AI 正在成为一项新兴的通用型技术，向多场景、规模化、AIGC（AI Generated Content）等方向快速演进。智能算力作为 AI 的底座型技术迎来需求井喷。据统 计，到 2030 年，全球智能算力需求增长约 390 倍，增速远超摩尔定律。据《中国算力发展 指数白皮书（2022）》指出，我国智能算力也在近几年保持快速增长态势。2021 年我国智 算规模已达到 104E FLOPS，占比超过总算力的 50%，预计到 2030 年将升至 70%，成为算 力的主要增长极。智算成为全球第一大算力已是大势所趋。

随着 AI 在赋能产业发展、促进数实融合方面发挥出愈加显著的作用，各国政府纷纷发布政 策引导其发展。美国为加强其在 AI 领域研发和部署的领导地位，于 2019 年签署《美国人工智能倡议》（American AI Initiative）[1]，旨在从国家战略层面重新分配资源，用于 AI 研发， 以应对来自“战略竞争者和外国对手”的挑战。之后，在 2021 年颁布《美国创新与竞争法 案》[2]，高度关注 AI 与机器学习、高性能计算、半导体等十大关键技术领域。欧盟在 2021 年发布《2030 数字指南针：欧洲数字十年之路》[3]，要求到 2030 年 75% 的欧盟企业使用 云计算、大数据和 AI 技术。我国也高度重视 AI 技术发展，自 2017 年以来国家各部委和地 方政府相继出台政策，指导 AI 产业发展规划，鼓励企业加大人才引进和研发力度，并明确 指出要积极推动智算中心有序发展。至此，智算中心作为一种新型算力基础设施为大家所熟 悉。不同于传统的云数据中心和超算中心，智算中心是以 GPU、AI 加速卡等智能算力为核心、 集约化建设的新型数据中心，为人工智能应用提供所需的算力服务、数据服务和算法服务， 使能各行各业数智化转型升级。

智算中心的战略地位不断提升，为构造未来竞争发展优势，很多国家都在积极开发和部署智 算中心。其中，美国能源部及国家科学基金会主导，将智算中心和超算中心结合，建设超大 规模智能超算中心，为科学研究提供高性能计算资源，例如，橡树岭国家实验 室的 Summit（3.4E）[4]，阿贡国家实验室的 Polaris 和 Aurora（约 10E）[5]，劳伦斯伯克 利实验室的 Perlmutter（3.8E）等，这些智能超算中心往往具有单体算力大、技术领先等特 点。美国科技巨头也是智算中心的主要建设者，包括谷歌的开放机器学习中心（9E），特 斯拉 Dojo 集群（据称 2024 年末规模达到 100E），Meta AI 超级计算机（9.9E）等。

国内智算中心建设热潮始于 2020 年，目前已有 40+ 城市建成或正在建设智算中心，包括武汉人工智算计算中心（200P）、南京智能计算中心（800P）、合肥先进计算 中心（12P）、鹏城云脑 II（1E）等，其中 12 个位于“东数西算”八大枢纽，这些智算中 心主要由地方政府与企业合建，总体投资规模超千亿，旨在带动当地产业智能化升级。国内 互联网和 AI 企业自建的智算中心是国内智能算力的重要组成，如阿里在张北和乌兰察布建 设的总规模达 15E 的智算中心，旨在结合智能驾驶、智慧城市等业务，探索云服务后的智 算服务新业态；百度在山西阳泉建设规模 4E 的智算中心，孵化国内首个正式发布的大模型“文 心一言”；商汤作为国内头部 AI 企业，投资 56 亿在上海临港建设人工智能计算中心，规模 超 4E，主要面向智慧商业、智慧城市、智慧生活和智能汽车四大板块，发展 AIaaS（AI as a Service）服务。

当前智算中心主要以单供应方全栈体系构建为主，尚未形成业界统一的设计方案，因此各地 智算中心在技术、标准、生态、运营等方面仍面临挑战。

在技术方面 ：早期建设的智算中心以承载中小模型为主，AI 服务器大多是 PCIe 机型，配备 独立的文件存储，互联方式则以节点内 PCIe 通信与节点间传统以太网为主。 随着通用大模型的普及，智算中心的设计思路需要从原先以单芯片、单服务器 粒度提供算力服务的模式，转变为支持巨量并行计算，提供高吞吐、高能效的 集群算力。

在标准方面 ：由于各地智算中心大都是当地政府与 AI 芯片、整机厂家合作建设为主，技术方 案深度绑定，容易形成多种派系。亟需通过制定行业标准，一方面降低客户学 习和使用的时间成本，另一方面加强产业链上下游企业的协同，促进智算产业 的高质量发展。

在生态方面： 因为 AI 是软硬深度耦合的技术栈，国外主流产品“先入为主”，主导生态发展， 相比之下国内 AI 起步较晚，在芯片算力和软件栈适配方面均存在差距。在智算 生态竖井式发展的当下，需要加强引导，为后续 AI 应用的适配和跨架构迁移奠 定基础。

在运营方面： 各地智算中心的服务对象多为区域内的行业客户、科研院所和高校，较少考虑 全局协同，随着东数西算、东数西渲等应用需求不断丰富，需要提前布局跨区 域的全局算力调度，提升算力高质量供给和数据高效率流通。