AI算力发展：路、油与交规的协同进化

文 | 舒书 改写 | 徽声在线

2026年7月20日，中央网络安全和信息化委员会正式发布《深化互联网协议第六版（IPv6）技术创新和融合应用实施方案（2026—2030年）》，为未来五年网络基础设施升级定下基调。同日，工信部在新闻发布会上透露，即将出台《算力标准体系建设指南》——该文件的前身是2025年10月发布的征求意见稿，目前正加速推进正式版本落地。这两份政策文件的同步发布，一个指向网络底座的持续升级，另一个聚焦市场秩序的规则构建，共同勾勒出中国AI基建发展的政策框架。

市场层面却呈现出另一番景象：国内首座全链路国产十万卡AI超级计算集群在郑州正式启用；内蒙古某已投产的智算园区综合算力利用率不足五成（以机柜上架率统计，若按GPU有效计算时长占比计算，该数值可能更低）；算力租赁价格持续高位运行，存储、先进制程和先进封装产能全面紧张。这种供需失衡的现状，构成了当前中国AI基础设施发展的典型横截面。

透过现象看本质，贯穿AI基建发展的核心矛盾是时间尺度的错配：政策层面以五年为周期规划网络建设，产业层面则以季度甚至月度为单位消耗算力资源——这种周期差异，正是所有矛盾的根源所在。就像高速公路建设与汽车消费的关系，政策规划的是长期路网，而产业发展需要的是即时油料供应。

一、IPv6：构建智能高速的底层逻辑

我国IPv6规模部署始于2017年，2021年进入全面推广阶段，此次发布的《实施方案》标志着进入深化应用阶段。其核心目标不是新建网络，而是将现有网络升级为智能高速公路——通过引入SRv6技术，实现算力感知路由和业务链编排，将边缘计算节点、区域算力中心和国家级算力枢纽串联成逻辑统一的算力网络。

对AI产业而言，IPv6解决的是基础性技术难题：当前大量存量网络仍基于IPv4协议，难以实现跨层级、跨地域的统一编址和端到端调度。基于IPv6演进的SRv6技术，通过算力感知路由和业务链编排，正在构建三级算力网络体系。但需要明确的是，这条智能高速解决的是技术可行性问题，而非经济可行性问题——后者需要依赖芯片性能和能源供应等要素来支撑。

就像修建高速公路解决了通行问题，但车辆能否跑得快、跑得起，还要看发动机性能和燃油成本。当前AI产业面临的正是这种双重挑战：网络通路已经打通，但算力芯片的性能瓶颈和能源成本约束，正在制约着整个产业的发展速度。

二、算力瓶颈：被忽视的"内存墙"效应

在产业实践层面，制约大模型训练效率的关键因素往往不是算力芯片本身的计算能力，而是显存带宽（HBM）导致的内存墙效应。这种效应使得GPU大量时间处于等待数据状态，而非执行计算任务。以昇腾910B与英伟达H200的对比为例：910B配备64GB显存、1.6TB/s带宽，而H200则达到141GB显存、4.8TB/s带宽，性能差距约2倍。

这种差距在集群训练中会被进一步放大。国产芯片集群的训练时间显著长于进口芯片，除了单卡算力差异外，HBM容量和带宽的代际差距是更隐蔽的核心瓶颈。集群效率短板不仅来自单卡性能，还涉及多机高速互联带宽（HCCL与NVLink的对比）、光模块传输速率、高速交换机性能以及液冷配套设施等整个供应链环节。

科大讯飞的管理层在业绩说明会上透露：在昇腾910B上训练大模型时，由于显存和带宽限制，初始训练效率仅为30%，经过深度优化后提升至84%和93%。实验数据显示，在特定测试环境和框架下，昇腾910B在通用NLP任务中可达A800的85%-90%，但在复杂领域微调任务中会降至50%-60%。这些数据受测试框架、精度模式、集群互联方案等因素影响显著，不能简单推广到所有应用场景。

内蒙古智算中心利用率不足的现象，是多重因素叠加的结果：训练与推理需求的时间差异导致时延不匹配、跨省数据合规顾虑、算力平台缺乏标准化交易体系、西部本地AI产业基础薄弱、地方政绩驱动下的项目盲目上马等。这些因素共同造成了西部算力资源闲置与东部算力短缺并存的结构性矛盾。

算力结构性紧缺并非中国独有现象。根据中国信通院《中国算力发展研究报告（2026年）》和IDC数据，截至2025年底，中美智能算力规模（FP16理论峰值口径，不含边缘算力）差距约2倍。需要特别说明的是，理论峰值指硬件标称算力上限，未考虑实际集群利用率、软件栈效率、互联损耗等因素——若以有效算力衡量，实际可用差距可能更大。

海外市场中，美国Meta公司将2026年全年资本开支指引上调至1250亿至1450亿美元，资金向AI基础设施倾斜。但需要明确的是，这一数字包含元宇宙、社交基础设施等集团整体资本开支上限，并非全部用于GPU采购。多家市场机构据此预估其高端GPU部署规模将大幅扩张。海外依靠单一芯片生态在短期调度上更为顺畅，但也承受着供应链风险与定价权外溢的代价。

数据中心用电量预计将从2024年的1660亿千瓦时增至2030年的3000亿至7000亿千瓦时，能耗指标已成为比网络时延更关键的约束条件。美国对华高端GPU出口禁令、EDA工具限制、先进制程封锁等措施，共同构成了国产芯片追赶的外部硬约束。在这种背景下，国产化不仅是战略选择，更是商业生存的必然要求。

三、制度瓶颈：比技术更难的规则构建

如果把网络底座比作高速公路，芯片和电力比作燃油，那么当前最缺乏的还有一套让算力资源在跨省道路上顺畅行驶的交通规则。这里需要区分两个层面的可行性：IPv6和SRv6解决的是算力调度的技术可行性问题——能否在协议层面连接东西部算力；而跨省税收留存、GDP核算、能耗指标分摊、数据跨域流通规则等，解决的是制度可行性问题——体制机制是否允许算力顺畅流动。

以"东数西算"工程为例，其理想模型是东部进行实时推理、西部开展模型训练。但现实情况是：跨省绿电交易机制不健全、碳排放指标不单列，导致西部绿电无法高效输送到东部数据中心。即使网络时延达标，数据属地和行业监管要求也构成实质性障碍——许多东部实时推理业务的数据不允许出省，西部算力从根源上就无法承接这些需求。这种制度性门槛比网络时延更难以突破。

路、油、交规三者构成层层牵制的关系：交通规则完善后，如果没有充足的算力资源供应，调度平台将无货可调；大量算力资源投产，如果缺乏统一网络和流通规则，仍然会出现区域性错配。这种牵制效应在时间尺度错配下被进一步放大：某AI企业在季度财报压力下需要立即扩充推理算力，但新建智算集群从立项到投产需要12至18个月，IPv6网络升级规划按年度推进，跨省调度机制涉及多部门协商周期更长——产业端以月为单位决策，基建端以年为单位交付，两者之间缺乏缓冲层，这是节奏错配最具体的表现。

在物理层面，微观交通规则也在快速迭代：单机柜功率从传统6-8kW攀升至AI集群普遍的30kW乃至50kW以上，传统风冷方案逐渐达到性能极限，液冷技术（冷板式、浸没式）正在成为新建智算中心的隐性准入门槛。这套硬件层面的新标准，正在加速淘汰一批能耗偏高、密度不足的老旧算力集群。

四、算力垄断：已经形成的结构性分层

当前算力市场已经形成明显的结构性分化，且这种分层格局在短期内趋于固化。具体表现为三个层次：

第一层是万亿参数级大模型预训练市场。中国最强模型约1.6万亿参数（采用MoE架构，激活参数量远小于总参数量，与海外Dense或MoE模型直接对比总参数量不具备严格数学可比性），而海外前沿模型总参数已进入十万亿级别。这个领域是科技巨头的专属游戏，短期内看不到松动迹象。

第二层是行业大模型微调与中等规模训练市场。准入门槛持续下降，模型蒸馏、开源生态、轻量化技术正在降低算力消耗，但企业仍需承担相当的算力成本。这个市场正在形成新的竞争格局。

第三层是高并发、低时延商业推理市场。优质算力资源依旧紧缺，轻量化离线推理门槛相对较低。这个市场的竞争焦点在于算力质量与成本的平衡。

为验证普惠算力的商业可行性，市场上出现了一些异构算力交易平台，宣称可降低30%以上成本。但中小企业使用这些便宜算力时，往往需要承担高昂的算子适配、代码重构和调试成本。例如在昇腾平台上适配一套模型需要额外3至6个月时间。如果节省的租金抵不上工程师的适配成本，普惠就成为伪命题。真正的普惠不仅是购买价格低，更重要的是使用过程平滑无障碍。

算力垄断的现实是：高端训练算力的垄断格局已经固化，短期内不可逆转；推理侧正在分化，但优质实时推理算力依然稀缺。中小企业从推理侧向训练侧渗透的可能性极低——训练算力的规模效应构成结构性壁垒：万卡级集群的边际成本远低于千卡级集群，巨头在单位算力成本上具备持续扩大的优势，且数据规模与模型迭代速度形成正反馈闭环。这种行业格局不会因短期市场波动而改变。

五、标准之争：比技术更难统一的生态

当前算力租赁市场的深层问题，不仅是算力供给不足或区域配置失衡，更是行业缺乏统一的计量与定价标准。异构芯片之间不存在通用换算标准，这是市场混乱的重要内因。例如，不同架构芯片的算力性能、能效比、适用场景等存在显著差异，难以进行直接比较。

《算力标准体系建设指南》试图解决服务评估与交易结算层面的标准化问题，但需要理性看待标准的边界。异构芯片架构差异巨大，强制推行统一算力度量衡会触及各厂商的商业护城河与生态壁垒。统一标准不仅是技术问题，更是产业链多方商业博弈的结果。标准在短期内只能停留在服务评估和交易结算层面，底层硬件的无缝互换仍需依赖类似CUDA的中间件生态——而这正是国产芯片当前最缺乏的软实力。生态的本质是开发者习惯，国产芯片最缺的不仅是底层编译器，更是百万级习惯了海外生态的AI工程师。

更根本的制约逻辑在于：算力供给扩容会推动大模型迭代、智能体普及与AI应用爆发，最终使得算力需求增速持续跑赢产能建设速度。即使路、油、交规全部理顺，算力绝对缺口会有所缓和，但结构性紧缺仍将长期存在，只是矛盾表现形式会发生转换。这种动态平衡将长期影响AI产业发展。

六、未来之路：谁能率先跑通生态闭环

2026年7月20日，两份政策信号同步释放——一份升级网络基础设施，一份加速推进规则制定。而算力供给的核心要素——芯片产能、HBM供应、电力配套、高速互联等——正在由市场、地方政府和云厂商共同博弈形成。

需要区分两套算力体系：全国一体化算力调度平台主要面向各地国资智算中心；头部云厂商和民营算力集群属于市场化主体，自愿接入调度平台的意愿有限。即使规则完善，民营商业算力是否愿意纳入统一调度仍存在巨大博弈空间——并非全社会算力可以自由流转。这两套体系推进算力调度的逻辑完全不同：国资算力平台政策执行力强，可承担跨省调度的制度性成本，但运营效率和市场化定价能力偏弱；大型科技企业技术积累深厚、商业化敏捷度高，但缺乏将自身算力资源纳入公共调度体系的商业动力。两种主体各有优劣，最终主导权将取决于政策设计能否在公共性与市场化之间找到平衡点。

三件事的推进节奏差异巨大且存在结构性错位：《算力标准体系建设指南》推进相对较快，但落地仍需多方博弈；跨省调度机制涉及利益博弈，落地缓慢；国产芯片受制于先进制程、HBM、EDA工具等关键环节，短期难以突破。这种时间错配将长期影响AI基建发展。

更深层的制度根源在于：地方同质化建设智算园区的冲动，源于能耗指标属地化管理、数字经济考核偏重机柜建设规模，缺乏算力利用率、产业落地成效等后置硬性考核指标。政策信号要转化为有效供给，还需考核机制的配套改革。例如建立算力资源利用效率评价体系、将产业落地成效纳入政绩考核等。

中国AI基建的终局，表面上是路、油、交规的竞赛，本质上是一场生态突围战。无论是IPv6的演进、国产芯片的迭代，还是算力标准的统一，最终都要回答一个问题：我们能否在脱离海外单一生态依赖的前提下，建立起一套自洽、高效、具备商业闭环的中国AI底座？这个问题的答案将决定中国在全球AI竞争中的地位。

算力结构性紧缺是全球AI爆发的共性挑战，而非中国独有的布局问题。欧美同样面临算力分布不均、电价上涨、集群建设周期漫长等难题；海外依靠CUDA生态的便利，代价是算力供给高度集中于单一厂商，长期存在供应链风险。例如，英伟达在GPU市场的垄断地位，使得任何供应中断都可能对全球AI产业造成冲击。

真正拉开差距的，不是谁先建起更多计算集群，而是谁能在网络升级、算力补齐、规则理顺的三重节奏中，率先完成从拼硬件数量到拼应用产出效率的转型。这个转型的关键在于提升单位算力的实际产出价值，而非简单追求算力规模扩张。

在算力紧缺的上行周期，囤积硬件资源的短期商业回报经常高于长期投入算力调度和算法优化的收益。原因在于：算力紧缺周期中，囤积硬件可在短期内获得确定性回报（租赁溢价），而投入算力调度优化和算法效率提升则需要长期研发投入且回报路径不确定。企业作为理性经济主体，天然倾向于前者。若不借助政策工具改变相对价格，这种激励扭曲将持续存在，阻碍产业长期健康发展。

这场转型注定不会靠市场自发完成。它必须依靠政策引导下的强制纠偏——通过算力券补贴、标准化交易结算、能耗指标倾斜、考核机制调整等手段，将市场的短期套利冲动引导向长期的生态建设。例如，对高效利用算力的企业给予税收优惠，对算力闲置严重的项目限制后续支持等。

既然市场自发缺乏动力，那么推动算力精细化调度、提升资源利用率的主体，究竟是政策引导下的国资算力平台，还是具备长期投入能力的大型科技企业？这个问题的答案，将决定中国AI基建何时能够真正成熟。