★ FEATURED ARTICLE 简介《2025年中国人工智能计算力发展评估报告》由浪潮信息发布共45页PDF面向人工智能产业决策者、技术研究人员及关注算力市场的从业者系统梳理中国智能算力发展现状与趋势可作为行业分析、规划选型与报告撰写的参考素材。资源包为单个PDF文件大小4.69MB结构完整含核心观点及四个章节便于直接阅读与存档。目前已有180人学习获取是小体量高密度的行业资料。报告基于IDC调研数据覆盖全球及中国AI发展概述、算力技术演进芯片、服务器、存储、网络、液冷数据中心、边缘计算、算法模型创新、行业与地域排名及IDC建议重点提及DeepSeek R1等大模型对算力需求的影响以及2023—2028年中国智能算力规模年均复合增长预测可快速把握市场量级与关键技术方向适用于行业综述撰写与决策背景参考。1. 2025年算力评估报告一个被反直觉验证的增长拐点一份关于中国人工智能计算力发展的年度评估报告把 2028 年的智能算力规模预期从上一版的上调了 12 个百分点以上同时把液冷服务器市场推高到百亿美元级别——这不是一次常规的数据修正而是整个算力产业逻辑正在被重写的信号。报告最值得注意的引子来自一个开源推理模型的案例它的训练算力只有同类主流模型的十分之一推理阶段缓存数据量降低了 50 倍却在 7 天内实现了活跃用户破亿。很多人以为这意味算力需求要收缩事实恰恰相反效率提升带动了更多场景入场据预测 2025 年中国智能算力规模将达 1,037.3 EFLOPS2028 年翻到 2,781.9 EFLOPS。报告原文里反复出现一组关键判断算法是驱动人工智能发展的核心引擎决定了应用的智能上限也牵引着算力发展——这句话表面上是技术表述实际是给过去两年围绕算力是否过剩的争论提供了阶段性回答。一边是DeepSeek们把训练成本打下来另一边是 IDC 测算的算力需求不降反升两条线索在报告里被命名为一个经济学概念杰文斯悖论。效率提升不会减少消耗反而因成本下降激发更多需求。这篇资讯就来拆解这份45页评估报告里值得从业者细读的信号以及那些容易被误读的数据。2. 算力大盘两年上调 12 个百分点的增速预期钱在流向哪里2.1 智能算力增速上调背后从 33.9% 到 46.2% 意味着什么报告给出了一个非常具体且可对比的数据链。基于某市场研究机构的服务器半年度跟踪报告和智能加速卡半精度运算能力数据2025 年中国智能算力规模将达到 1,037.3 EFLOPS到 2028 年达到 2,781.9 EFLOPS通用算力规模则从 2025 年的 85.8 EFLOPS 增至 2028 年的 140.1 EFLOPS。两组数据的五年年复合增长率分别为 46.2% 和 18.8%。注意一个细节上一版本的预测值还是 33.9% 和 16.6%。在同一份报告的框架内增速预期被大幅上调说明过去一年实际发生的需求增长超出了原有模型的推演。企业端的调研数据可以解释一部分原因42% 的中国企业已在进行大模型的初步测试和概念验证17% 的企业已经将技术引入生产阶段——后者意味着真实算力消费正在形成而不是停留在实验阶段。未来 18 个月企业的首要投资方向是硬件升级占比 29%其次是数据采集与处理费用 24%这个结构说明算力基础设施的采购周期已经开启。从行业角度看这一轮增速上调不是简单的周期性波动而是大模型从训练主导转向训练与推理并重的结构性变化。2024 年至 2025 年多家模型厂商密集发布新版本其中开源模型的推理成本大幅下降API 服务定价已经能做到主流闭源模型的 3% 左右。成本的下降直接把更多中小企业和个人开发者拉进了算力消费市场推算一批企业在算力上的实际消耗往往比预研阶段的估算高出数倍。2.2 全球算力市场的映照生成式 AI 服务器占比攀升至 37.7%报告没只谈中国。全球视角下2024 年人工智能服务器市场规模预计为 1,251 亿美元2025 年将增至 1,587 亿美元2028 年有望达到 2,227 亿美元其中生成式人工智能服务器占比从 2025 年的 29.6% 提升至 2028 年的 37.7%。到 2025 年全球 2000 强企业会把超过 40% 的 IT 预算投入到人工智能项目且 85% 的企业认为生成式人工智能将和 ERP、电子商务一样成为重要的新型工作负载——这不是小范围试水而是主流企业的战略配置。全球数据量的增长也为算力需求提供了底层支撑。2024 年全球数据总量 163ZB2025 年增至 201.6ZB2028 年翻番至 393.9ZB。生成式人工智能还在改变数据的结构当前文本内容占比超 35%到 2028 年图像和视频类数据占比将上升超过 75% 的生成数据会均匀覆盖文本、图像和视频三种类型还有接近 18% 的生成数据是软件代码。数据类型的多样化直接改变了对存储和网络架构的要求报告单独用一整节讨论分布式存储与全闪存的性能提升背后就是这个趋势在推动。2.3 投入产出比疑问算力真的能带来业务回报吗算力规模的高速增长并不能自动转化为业务回报。报告给出的调研数据暴露了另一面企业在应用人工智能过程中面临的头号挑战是缺乏高质量可用数据占比 66%投入成本过高占 52%基础计算架构的技术局限性占 49%。算力供给能力和算力消耗效率之间存在明显落差——投入购买了算力但数据质量、模型成熟度和人才储备跟不上。报告对这一问题给出的解法是“扩容”与“提效”并行。扩容指的是增加智算中心数量、优化基础设施架构、推动产业聚集效应提效则聚焦模型效率、数据质量和算力调度。从企业实操角度看IDC 判断更先进的模型将推动 AI 需求增加效率才是真正的竞争优势。这意味着算力采购决策不能只看峰值性能还要评估同等精度水平下的算力成本——模型剪枝、知识蒸馏、高效模型架构设计这些算法层面的优化被正式纳入算力战略的考虑范围。一个可供参考的数字是某混合专家模型在单 Token 下训练和推理所需的算力资源仅为某 70B 规模模型的 1/19——算法结构化差异带来的算力收益远大于硬件迭代带来的线性提升。3. 技术栈重构从芯片到液冷算力基础设施正在换引擎3.1 芯片多元化不再是备选而是被供应链倒逼的常态报告把芯片和服务器放在人工智能算力及应用的第一节标题是“向高性能与高效能方向演进重视开放多元体系建设”。关键词在“多元”。由于应用场景复杂和供应链因素GPU、CPU、DSA、ASIC 等多种芯片被广泛应用在人工智能训练和推理中不少场景已经实现多类型芯片混合使用。这个判断在 2024 年之前还只是行业讨论的方向如今从报告的语气看已成为既成事实。从服务器规格可以直观感受这轮变化通常配备 8 块高性能 GPU 的服务器可以支持 2,000 亿参数模型的训练扩展到 72 块插卡时可以支撑万亿参数大模型训练。单节点的 Scale-up 能力和多节点的 Scale-out 能力被报告同时列为应对大模型需求的关键路径。Scale-up 依靠高速互联提升单节点计算性能Scale-out 则依赖以太网、硅光子技术和分布式计算框架支持千卡、万卡甚至十万卡集群建设——这不仅考验芯片本身更考验网络和存储的配套能力。3.2 液冷不是可选项是功率密度倒逼的必然能耗数据是报告里最触目惊心的部分之一。2024 年人工智能数据中心 IT 能耗含服务器、存储和网络为 55.1 太瓦时2025 年增至 77.7 太瓦时——这个数字已经是 2023 年的两倍2027 年将增长至 146.2 太瓦时。五年间实现六倍增长年复合增长率 44.8%。到 2027 年人工智能数据中心的能耗占比将从 2022 年的 7.6% 升至 18.0%。能耗压力已经传导到硬件端。单个 GPU 功耗通常在 250W 到 700W 之间服务器单机柜功率可高达 130KW传统风冷机制从物理上无法应对这一级别的散热需求液冷技术随之成为关注重点。报告预测 2028 年中国液冷服务器市场将达到 105 亿美元2023-2028 年年复合增长率 48.3%并预计到 2028 年 60% 的数据中心将采用微电网、定制硅芯片、液体冷却和加固结构等创新解决方案以应对电力短缺和可持续性要求。实际落地中液冷不仅仅是替代风扇那么简单。全栈液冷方案涉及计算节点层面、机柜层面和数据中心层面的协同改造目标是降低 PUE 值至 1.3 甚至 1.15 以下。报告同时提到了一个更深层的转变——数据中心正从储电能向储大模型算力跨越让算力靠近电力源头实现电能到算力的即时、高效转换。这个思路意味着数据中心选址逻辑、建设标准和运营模式都会发生改变。3.3 存储与网络的隐性瓶颈被低估的算力放大器芯片和液冷是显性话题存储和网络是容易被忽略的隐性瓶颈。报告指出大模型训练通常需要执行数据并行、流水线并行和张量并行等策略这些策略高度依赖高带宽和高吞吐的存储系统。分布式存储与全闪存阵列被列为提升性能的主要方向先进的网络架构则负责优化数据访问速度减少训练和推理中的等待时间。推理阶段还有更细的优化空间。大语言模型推理包含预填充和解码两个阶段两个阶段处理 token 序列的长度不同对计算和存储资源的访问频率和调度需求也不同。报告明确提出实操中应采用 P-D 解耦部署策略——通过构建分离式算力资源池缩短计算时间降低计算成本提高资源利用率。这种从应用负载反推基础设施架构的思路在以往的算力评估报告中并不多见反映出评估框架已经从单纯的硬件指标转向系统效率协同。4. 行业与地域的洗牌金融升第二、制造进前四城市排名在变4.1 行业渗透度重排互联网领先金融和制造跃升报告给出了一个清晰的行业排名变化人工智能行业渗透度排名前五的行业依次为互联网、金融、运营商、制造和政府。两组关键位移值得注意——金融从第四名攀升至第二名在风控、投资决策和个性化财富管理等场景加深了与人工智能的融合制造从第五名提升至第四名智能化转型加速在生产线、产品设计、运营和安监等场景扩大应用。这些排位变化背后是算力消费结构的变化。互联网仍然引领大模型的研发、应用和推广但其增量开始放缓金融业的合规要求和低延迟需求推高了私有化部署和智算服务的比例制造业的实时生产优化则需要边缘侧算力支持上一章提到的边缘计算趋势在制造业找到了最大应用场。报告给出的建议是“场景化”——不同行业对数据处理需求各具特色金融需要高安全性和低延迟医疗需要处理大量医学影像数据制造需要实时生产优化算力基础设施需要资源池化、智能调度、多租户支持和异构计算来灵活匹配。4.2 城市评估框架变了大模型投资进度被纳入关键指标城市排名维度同样有变化。报告首次将大模型架构及生成式人工智能技术的投资、建设进度和规划布局纳入关键指标排名的依据不再只是传统的算力规模或产业政策。从结果看某一线城市凭借科研资源和人才优势继续领跑位居首位另外两个城市分别位列第二、第三其中某个国际化城市的排名较前一年上升了一位在推动人工智能产业集群建设方面表现突出。此外多个城市的排名均有所提升。这个评估框架的调整释放了一个明确信号城市算力竞争的重点正在从“建了多少 P 算力”转向“用大模型做了什么”。新一代人工智能城市评估必须把投资进度和规划布局放进去意味着那些在智算中心建设上先行但应用落地缓慢的城市排名可能不会再有优势而重视场景开放和大模型企业引进的城市哪怕算力规模不是最大也能获得更好的位次。4.3 智算中心的“利用率焦虑”建了不等于用起来报告在挑战部分首次明确承认了一个行业敏感话题在智算中心积极建设的过程中部分中心在实际运营中出现算力利用率未达预期的情况。与此并列的挑战包括计算架构难以支持大规模应用、基础设施高昂的建设和维护成本、高性能计算资源不足。利用率问题往往出现在两类场景。一类是完成大模型训练后转向推理的企业推理任务的算力需求具有波动性难以预测和管理导致资源分配不均衡另一类是调整技术路径的企业——放弃自研大模型转用第三方模型或者通过模型剪枝、量化降低算力需求出现算力盈余。报告给出的解法是有效的算力分配和调度机制避免局部浪费和整体利用率低下。这个细节对智算中心的运营者来说是关键提醒扩容之前先想清楚负载类型和调度策略。5. 算力投资常见的三个误判当心被自己骗过去5.1 误判一算法效率提升 算力需求下降这是目前市场上流传最广的误读。很多人看到推理成本降到主流的 3%、训练算力只有同类模型的十分之一第一反应是算力要过剩了。报告明确用杰文斯悖论回应了这个问题效率的提升并未抑制算力需求反而因为更多用户和场景的加入推动大模型普及与应用落地带动数据中心、边缘及端侧算力建设。为什么因为成本下降改变了使用门槛。模型厂商把 API 价格打到足够低中小企业和个人开发者就有动力尝试更多场景每一个场景都需要至少一次推理计算。7 天活跃用户破亿这个数据说明的是需求被释放的规模而不是需求被压缩。从投资角度应该关注的不是单次推理成本下降了多少而是推理调用总量增长了多倍——两者相乘才是算力需求的实际变化。5.2 误判二智算中心建成即竞争力报告的数据显示政府智算中心单期算力规划可达千 P 级及以上运营商和互联网公司的智算中心致力于实现万卡甚至更大规模的算力部署。但另一组数据同样关键缺乏高质量可用数据被 66% 的企业列为头号挑战投入成本过高占 52%基础计算架构存在技术局限性占 49%。建成的算力只是供给端能不能被消化取决于数据质量、模型水平和应用场景的匹配度。更务实的评估方式是把智算中心看作需要持续运营的资产而非一次性建设任务。报告建议“面向未来适度超前规划”同时强调“重视技术先进性”和“吸引产业链上下游企业集聚”——规模效应和技术溢出效应才是降低单位算力成本的关键单纯的硬件堆叠只会放大折旧压力。一句话来说先想清楚谁来用、用什么、用多久再决定建多大。5.3 误判三液冷只是绿色包装不是刚性需求从外部看液冷很容易被理解为 ESG 或者双碳目标下的加分项。但报告给出的能耗曲线是硬约束2027 年人工智能数据中心能耗达到 146.2 太瓦时单机柜功率可达 130KW传统风冷在物理上已经失效。液冷在 2028 年达到 105 亿美元的市场规模不是因为政策倡导而是因为高密度计算必须依赖液体冷却才能维持稳定运行。这意味着液冷相关采购不应该被预算归类为“绿色公益”而应计入算力基础设施的刚性成本。服务器选型、机柜设计、数据中心规划在项目初期就应该考虑液冷的适配性否则后期改造的代价往往高于初始建设。从供应链角度看全栈液冷方案的交付能力正在成为算力服务商的核心竞争力之一这可能是基础设施供应商未来几年最重要的增长点。5.4 误判四开源模型只影响小企业大厂不需要关注报告提供了一个趋势性数据2025 年 55% 的企业将使用开源人工智能基础模型开发应用程序。过去 18 个月里全球领先的软件和云服务商发布了数十种开放和部分开放的基础模型开源生态正在从技术社区走向企业生产环境。对大企业而言开源模型的影响不在研发层面而在成本结构层面。开源大幅降低训练部署成本并提供与闭源模型相当的性能水平这使得企业可以在模型选择上获得更大的议价权。闭源模型的 API 定价不得不向开源模型的成本水平靠拢最终受益的是整体算力消费的性价比。忽视开源趋势的企业容易在模型选型和成本控制上被动。5.5 误判五推理阶段不需要专用优化训练阶段是过去两年算力投资的主要场景但报告明确指出推理工作负载将持续增加面向应用和推理需求设计芯片和系统架构愈发重要。P-D 解耦、分离式算力资源池这些技术细节说明推理负载的管理复杂度不亚于训练。推理任务的算力需求具有波动性难以预测和管理需要有效的调度机制。如果沿用训练集群的思路管理推理负载容易出现资源分配不均衡和局部浪费。推理优化可能涉及模型量化、批处理策略、缓存机制等多层技术栈每一层的优化都能影响最终的资源利用率和单位请求成本。把推理单独作为一条技术线来规划是算力投入从粗放走向精细的必要步骤。6. 接下来怎么走从扩容到提效算力竞赛进入下半场报告整体给出的判断框架很清晰扩容与提效并行缺一不可。前半程的算力竞赛拼的是规模地方政府、运营商和互联网大厂把智算中心建设成百上千亿的投资项目后半程的竞争焦点正在转向效率——同样一千张卡你的集群能跑出多少有效算力你的存储和网络能不能喂饱计算单元你的推理调度能不能让资源利用率提升十几个百分点这些细节才是决定投入产出比的胜负手。对从业者来说有几件事值得在接下来的 12 到 18 个月内重点关注。第一液冷技术从选配走向标配供应链能力将重新洗牌。高达 130KW 的单机柜功率意味着风冷时代的数据中心物理设施面临改造液冷服务器和相关配套厂商会迎来确定性增长。第二算法创新带来的算力结构变化比预想更快。MoE 架构、知识蒸馏、模型剪枝这些技术正在把“更少算力跑同等模型”变成现实采购设备时需要考虑算法演进的空间避免买来就过时。第三行业渗透度的排名变化意味着算力服务商的市场策略需要调整——金融和制造已经升到第二和第四位面向这两个行业的场景化算力解决方案会比通用算力更有竞争力。报告末尾给出的战略建议值得反复读提高模型架构效率与增加原始计算能力同等重要。更经济的先进模型将推动 AI 需求增加效率——而不仅仅是原始计算能力——可能是真正的竞争优势。这句话和报告的测算数据放在一起几乎可以确定未来两年算力市场的分化方向拥有高效算力调度能力和应用落地能力的企业会比单纯拥有大规模集群的企业更容易获得估值溢价。我自己过去评估算力项目时习惯只看峰值算力、集群规模和训练吞吐这几个显性指标对推理效率、数据吞吐、PUE 这些隐性指标重视不足。后来某个实际部署中同样规模的集群因为存储带宽和调度策略的区别推理性能差了接近一倍那次之后我每次评估算力方案都会把“负载类型”列在参数表第一行。希望你也能在这份报告的数据里找到对自己业务最关键的指标——先搞清楚自己的负载长什么样再决定扩容还是提效这可能是算力投资里最值钱的一步。希望帮到你。本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
