我国人工智能基础设施发展现状、挑战与路径

随着人工智能加快由技术突破走向规模化应用，支撑大模型训练、推理和行业落地的基础设施需求持续增长。2026年政府工作报告和“十五五”规划围绕超大规模智算集群、全国一体化算力监控调度、算电协同等作出重点部署。当前，我国智能算力规模快速增长，但资源利用、供需匹配和应用转化等问题逐步显现，如何推动以智能算力为核心的人工智能基础设施由规模扩张向效能提升转变，已成为重要课题。本文围绕其发展现状、主要挑战和推进路径展开分析。

一、人工智能基础设施概述

人工智能基础设施是以智能算力为核心，支撑人工智能模型训练、推理和规模化应用的综合基础体系。其主要包括人工智能芯片、服务器、存储设备和数据中心等计算设施，以及供配电、制冷、高速网络等支撑设施，并通过算力调度、异构适配、资源管理和计量服务等运行系统，实现不同地域、不同架构算力资源的连接、组织和调用。

人工智能模型的训练和推理对基础设施具有较强的系统性要求。算力资源需要与高质量数据、模型开发框架、训练推理平台和相关工具链有效配合，才能更好转化为模型训练和应用能力。特别是在多种芯片架构并存、人工智能应用加快向行业领域拓展的情况下，不同模型和任务在计算精度、网络时延、数据安全和软件环境等方面存在差异，算力资源的实际使用效果越来越受到软硬件适配、资源调度以及数据和模型支撑能力的影响。

因此，人工智能基础设施并非计算资源的简单叠加，而是算力、网络、能源以及相关数据和软件支撑协同运行的综合体系。基础模型训练、行业模型微调和实时推理在计算规模、网络时延、安全要求和运行方式等方面各有侧重，单纯以芯片数量、服务器规模或理论算力衡量基础设施发展水平，已难以完整反映其实际支撑能力，还需要关注资源协同、运行调度和应用支撑等方面的实际效能。

二、我国人工智能基础设施发展现状

围绕智能算力的建设、连接、使用和运行，我国人工智能基础设施近年来加快发展，并在集群建设、资源互联、需求结构、服务方式和能源协同等方面呈现新的阶段性特征。

（一）智能算力持续扩张，大规模集群加快形成

《数字中国发展报告（2025年）》显示，截至2025年底，全国在用算力设施超过1373万标准机架，建成万卡智算集群42个，智能算力规模达到1590 EFLOPS（FP16），位居全球第二。工业和信息化部数据显示，截至2026年6月底，我国智能算力进一步达到2185 EFLOPS（FP16），同比增长177%，全国算力设施整体上架率达到71.4%。从区域分布看，东部和西部地区智能算力占比分别达到55.9%和32.6%，大型算力设施加快向国家枢纽节点集聚。

超大规模智算集群也开始从项目建设进入实际运行。2026年4月，位于郑州的国家超算互联网核心节点投入使用，国产AI加速芯片规模由试运行阶段的3万余张扩大至6万张，同时汇聚数据集、开发工具和上千款开源模型，能够根据科研任务调用模型并调度算力，构建“数、算、模、用”一体化服务生态。

总体看，我国智能算力基础设施已由早期相对分散的设施建设，逐步形成以大型智算集群和国家枢纽节点为重要支撑、多层次算力设施协同发展的格局，规模化、集群化特征更加明显。

（二）算力资源加快互联，跨区域协同逐步落地

算力规模扩大以后，如何将分散在不同地区、不同主体和不同技术架构中的资源连接起来，成为提高基础设施整体效能的重要内容。2025年出台的《算力互联互通行动计划》提出建立统一算力标识，推动不同主体、不同架构公共算力资源标准化互联；2026年进一步启动国家算力互联互通节点建设。截至2026年3月底，国家级监测调度平台已纳入约1370 EFLOPS智能算力，约占同期全国智能算力总量的72%。

部分地区已经开始探索异构算力统一调度。2026年6月，湖南省算力调度平台上线试运行，首批接入国家超级计算长沙中心、运营商算力中心、长沙人工智能创新中心等资源，并将不同架构和厂商的CPU、GPU及国产AI加速器抽象为标准化算力单元，支持跨厂商、跨架构的模型训练和推理。长沙马栏山视频文创产业园的企业还通过跨区域网络调用新疆哈密算力，用于AI视频渲染、大模型训练等任务。这些实践表明，我国算力资源的组织方式正由单个设施独立运行向网络化协同发展，跨主体、跨区域资源调用开始进入实际应用阶段。

（三）推理需求快速增长，训练与推理并重趋势更加明显

人工智能规模化应用正在改变算力需求结构。大模型发展初期，算力需求主要集中于基础模型训练；随着模型进入产业和消费领域，大量持续、分散和高频的推理调用逐渐成为新的需求来源。我国日均词元调用量由2024年初约1000亿增长至2025年底的100万亿，2026年3月进一步突破140万亿，两年多增长超过1000倍。2025年用于人工智能训练和推理的数据总量达到199.48 EB，其中推理数据量达到101.34 EB，首次超过训练数据量，也从侧面反映出模型推理活动快速增长。

训练和推理对基础设施的要求存在明显差异。基础模型训练通常具有计算规模大、任务集中的特点，更适合依托大型智算集群；工业控制、智能交通、实时交互等推理任务则更加关注网络时延、响应速度和服务稳定性，需要算力资源进一步靠近用户和业务现场。由此，人工智能基础设施正在呈现训练与推理并重、大型集群与城市及边缘节点协同发展的特征。

（四）算力服务模式创新，平台化供给加快发展

企业获取算力的方式日益多元，弹性调用和按需服务加快发展。传统模式下，企业往往需要购买服务器、自建数据中心或长期租赁云资源，对需求规模较小、使用周期较短的中小企业而言，资金和技术门槛相对较高。

中国电信上海公司建设的“算力超市”连接青浦、临港等智算中心资源，并支持其他算力供应商接入，用户可以在线订购裸金属、GPU云主机以及智算单卡、多卡等产品，根据实际需求灵活使用。上海模速空间等创新载体也开始探索将算力与模型、数据等服务协同提供。算力服务正在由单纯提供服务器和计算时长，向资源聚合、弹性调用、计量计费和综合服务延伸，基础设施运营能力的重要性持续提高。

（五）算电协同加快探索，能源成为算力布局重要变量

大型智算集群具有高功率密度、高连续运行和高散热需求，电力成本、供电稳定性以及绿色能源供给正在直接影响算力设施的选址和运营，算力与能源的协同关系不断增强。

宁夏中卫已开展较大规模的工程实践。2026年5月，中国大唐中卫云基地50万千瓦光伏电站正式投运，通过专用输电线路向算力园区直接供电。整个一期绿电供应项目规划规模200万千瓦，其中还包括150万千瓦风电项目；按照计划，风光项目全部投运后，每年可满足中卫云基地数据中心约22.9亿千瓦时用电需求。项目通过绿电直供和市场交易，将新能源开发与数据中心用电需求直接衔接。

这一实践表明，能源正在由算力设施建设的一般配套条件，逐步成为影响大型智算设施空间布局、建设成本和运营方式的重要变量，算力设施与能源系统协同发展的特征开始显现。

三、我国人工智能基础设施发展面临的主要挑战

随着智能算力规模持续增长，我国人工智能基础设施发展的制约因素正在由资源数量不足，更多表现为软硬件适配、供需匹配、应用转化、能源保障和市场治理等系统性问题。算力设施“建起来”以后，能否形成稳定可用的计算能力，并进一步转化为应用效能，成为当前更加突出的现实挑战。

（一）异构软硬件适配制约有效算力形成

智能算力通常以芯片理论峰值衡量，但理论算力并不能完全反映模型训练和推理过程中实际能够发挥作用的计算能力。这里所说的“有效算力”，主要指能够稳定支撑具体模型训练和推理任务的实际可用计算能力。

人工智能任务对芯片架构、计算精度、模型框架、通信方式和存储系统具有较强依赖。当前多种芯片架构和技术路线并存，模型跨平台部署往往涉及编译器、算子库、开发框架和推理工具链重新适配；超大规模集群还受到卡间互联、通信效率、故障恢复和任务调度等因素影响。有关研究指出，人工智能时代的算力质量不仅取决于理论性能，还受到计算效率和能耗等因素共同影响。

实际平台运行也反映出资源组织方式对算力效能的影响。对天翼云“息壤”平台的研究显示，通过异构算力统一度量和智能调度，平台算力资源平均利用率由约30%提高至60%以上，用户使用成本平均降低25%—30%。这表明，在硬件规模既定的情况下，软硬件适配、资源度量和调度水平仍会显著影响算力的实际产出。

因此，当前算力供给的突出矛盾已不只是“有没有算力”，而是理论算力能否稳定转化为模型和应用真正能够使用的有效算力。

（二）供需时空错配影响算力资源配置效率

我国算力资源与人工智能需求在空间分布上并不完全一致。大型算力设施对土地、电力和能源条件依赖较强，部分中西部地区具备较好的资源承载条件，而人工智能企业、行业用户和低时延应用需求则更多集中于产业密集地区。国家发展改革委有关研究也指出，算力资源在空间和时间上存在不均衡，需要通过跨区域调度解决资源丰沛地区供多用少与产业发达地区需求旺盛之间的匹配问题。

与此同时，并非所有计算任务都适合跨区域调度。基础模型训练、科学计算、离线渲染等任务计算规模大、持续时间长，对网络时延相对不敏感；工业控制、实时交互等推理任务则更加重视响应速度和业务连续性，需要靠近用户部署。涉及工业、金融、医疗等敏感数据的任务，还受到数据安全和跨域流动等条件约束。有关全国一体化算力网的研究也将调度效率和资源整合列为当前的重要实施瓶颈。

因此，算力资源配置面临的核心问题已经不只是区域间的数量平衡，而是不同地域、不同架构和不同服务能力的算力，能否与具体任务在成本、时延和安全等条件下实现有效匹配。

（三）数据、模型与场景衔接不足制约应用价值转化

人工智能基础设施最终需要通过实际应用形成价值，但算力资源本身并不能完成这一转化。特别是在制造、能源、交通、医疗、金融等专业领域，模型效果不仅取决于计算能力，还高度依赖行业数据、专业知识、模型适配以及与既有业务系统的融合。

当前，行业数据分散在不同企业和业务系统中，在数据质量、格式标准、授权使用和持续更新等方面存在差异。国家数据局2026年发布的行业高质量数据集建设实施方案，将数据供给、流通、应用和标准建设列为重点环节，并明确提出破解“数据孤岛”“数据烟囱”、提高数据供需匹配效率，推动形成“场景—数据—模型”协同循环。这反映出高质量数据供给与实际应用需求之间仍存在需要进一步打通的环节。

通用模型进入专业领域后，还面临行业知识注入、业务规则适配、安全约束和推理部署等问题。2026年“模数共振”行动也将行业高质量数据集、行业模型和应用场景同步建设作为重点任务，提出形成“数据—模型—场景应用”良性循环。

从算力设施建成到形成稳定产业价值之间仍存在较长的转化链条。数据质量不足、模型与业务适配成本较高以及应用场景难以规模复制，都可能使基础设施投入难以充分转化为持续的应用需求。

（四）高密度用能加大能源保障和绿色发展压力

智能算力快速增长正在显著提高电力需求。2025年，全国算力中心总用电量约1700亿千瓦时，占全社会用电量的1.6%；八大国家算力枢纽节点算力用电近3年平均增速约为39.5%。国家能源局指出，超大规模智算集群发展使算力用电呈现高增速、高密度、布局集中化和运行复杂化等新特征。

高性能人工智能芯片和万卡级集群对供电容量、电能质量和制冷能力提出了较高要求。另一方面，风电、光伏等绿色能源具有一定的波动性，而模型训练和在线推理往往需要长期稳定运行，绿色能源供应与算力负荷在时间和空间上并不能天然匹配。

能源正在由算力设施建设中的一般配套条件，逐步成为影响大型智算设施建设成本、空间布局和持续运营的重要约束。算力规模继续扩大与绿色低碳运行之间如何实现平衡，已经成为人工智能基础设施发展必须面对的问题。

（五）算力服务标准与市场治理机制仍需完善

算力由企业自建自用逐步向跨区域调度、平台交易和按需服务发展后，不同算力产品如何描述、比较、计量和定价，成为市场化配置需要解决的基础问题。

目前，算力可以按照理论峰值、卡时、核时、词元等不同方式描述或计费，但这些指标所反映的实际计算能力和资源消耗并不完全相同。同样数量的词元，在不同模型规模、计算精度、上下文长度和硬件架构条件下，实际消耗的计算资源可能存在明显差异。工业和信息化部《算力互联互通行动计划》已明确提出完善算力度量、定价、交易以及资源可信度和稳定性等规则，反映出统一的市场规则仍处于持续建设过程中。

相关标准体系也在逐步完善。2026年实施的行业标准已开始对异构算力资源分类和性能度量提出统一要求，而《全国一体化算力网算力运营服务与撮合交易技术要求》等标准项目仍处于研制阶段。

与此同时，跨区域和跨主体调用还增加了治理复杂度。一次算力服务可能同时涉及算力提供方、调度平台、网络运营方和用户，一旦发生任务中断、数据泄露或服务质量不达标，责任边界、质量承诺和争议处置需要更加清晰。

总体看，随着算力逐步由设备资源转变为可调用、可交易的基础服务，技术标准、计量体系、交易规则和安全治理机制仍需要进一步适应新的服务形态。

四、推动我国人工智能基础设施高质量发展的路径

面向人工智能规模化应用需求，我国人工智能基础设施建设应更加注重实际效能，在持续增强资源供给能力的同时，进一步提高软硬件适配、资源配置、应用支撑、绿色运行和市场治理水平，推动智能算力由“建得起来”向“调得动、用得好、可持续”转变。

（一）完善有效算力评价，强化软硬件协同

应逐步完善以实际任务能力为导向的算力评价方式。在理论算力规模之外，可综合考虑集群利用率、任务完成时间、服务可用性、单位任务成本、模型适配能力和能源效率等指标，更加准确地反映算力设施对模型训练和推理任务的实际支撑能力，引导基础设施建设由重规模向规模与效能并重转变。

有效算力提升还取决于软硬件协同能力。应持续推进人工智能芯片、高速互联、先进存储和集群调度等关键技术发展，同时完善编译器、算子库、模型框架、推理引擎和开发工具等软件生态。针对多种芯片架构并存的实际情况，可加强公共模型迁移、适配和测试验证能力，降低模型跨芯片、跨平台部署成本，提高异构算力的可用性和协同效率。

在新增算力建设的同时，还应加强存量设施运行监测和优化，提高已有算力资源利用效率，使算力规模优势更充分地转化为实际训练和推理能力。

（二）优化分层分类布局，提高算力资源配置效率

应根据人工智能任务在计算规模、网络时延、数据安全和能源消耗等方面的差异，进一步优化算力基础设施空间布局，形成不同层级算力资源分工协同的供给体系。

基础模型训练、科学计算等计算规模大、持续时间长且对时延相对不敏感的任务，可更多依托国家枢纽节点和能源资源优势地区的大型智算集群；行业模型训练、微调和区域公共服务，可发挥区域智算中心作用；工业控制、实时交互等低时延应用以及安全要求较高的业务，则需要合理配置城市、园区、边缘和专属算力资源。通过大型集群、区域中心和边缘节点之间合理分工，提高算力供给与任务需求的匹配程度。

地方新建智算设施还应加强需求论证和运营评估，综合考虑产业基础、实际用户、网络条件和能源成本，避免简单以项目投资和理论峰值作为建设目标。同时持续完善跨区域算力网络和调度机制，提高不同地域、不同架构算力资源的协同配置能力。

（三）强化应用牵引，提升基础设施产业支撑能力

人工智能基础设施建设应更加突出应用需求牵引，使算力供给与数据、模型工具和行业场景形成更加紧密的衔接。围绕制造、能源、交通、医疗、金融等重点领域，可加强高质量行业数据集、语料库和知识库建设，完善数据治理、授权使用和动态更新机制，为模型训练、微调和推理提供稳定的数据支撑。

同时，应增强基础设施面向行业应用的综合服务能力。在提供算力资源的基础上，进一步完善模型开发、迁移适配、测试验证和推理部署等工具和服务，降低企业从获取算力到形成实际应用之间的技术门槛。围绕重点行业和典型场景，可形成“需求提出—资源匹配—模型适配—试点验证—效果评价”的服务机制，提高算力、数据和模型工具对产业应用的支撑效率。

基础设施建设成效也应更多通过实际应用检验，在资源规模和利用率之外，关注服务企业数量、应用场景覆盖、业务效率改善和持续运营能力，推动基础设施投入更有效地转化为产业价值。

（四）深化算电协同，提高绿色低碳运行水平

应将能源条件纳入人工智能基础设施规划、建设和运营全过程。大型智算集群可结合绿色能源资源分布合理布局，通过绿电直供、绿电交易和储能等方式提高绿色电力使用比例；算力设施自身则应加快液冷、高效供配电和智能能源管理等技术应用，降低单位计算任务的能源消耗和长期运营成本。

算电协同还可由设施布局向运行调度延伸。对于模型训练、离线渲染等时间弹性较大的计算任务，可探索综合考虑新能源出力、电力价格和算力负荷，在保障任务安全和服务质量的前提下，对部分任务的运行时间和执行节点进行灵活调整，提高绿色能源利用效率。

通过算力和电力在规划、建设和运行环节形成更加紧密的协同，可以更好发挥能源资源优势，增强大规模智能算力持续发展的能源保障能力。

（五）完善算力服务标准和市场治理机制

算力由单体设施向网络化、平台化服务发展，需要同步完善资源描述、性能评价、计量计费和服务质量标准。针对不同芯片架构和人工智能任务，应提高算力产品性能指标和服务能力的可比较性；对于卡时、核时、词元等不同计费方式，也应进一步明确适用场景和计量规则，为算力资源跨平台、跨主体交易提供更加清晰的基础规则。

在此基础上，可进一步发展按需调用、弹性租赁、算力超市等服务模式，推动分散算力资源通过平台聚合和配置，降低中小企业、高校和科研机构的用算门槛。公共支持政策也应更加注重实际使用效果，引导资源向具有真实需求和持续服务能力的平台和项目配置。

跨区域、跨主体调用还需要完善相应的安全治理机制，进一步明确算力提供方、调度平台、网络运营方和用户之间的责任边界，健全服务质量、故障处置和数据保护机制，在促进算力资源开放共享和市场化流动的同时，保障重要数据、关键业务和基础设施运行安全。

我国人工智能基础设施正在由规模扩张向效能提升加快转变。下一阶段，应更加关注算力资源能否高效组织和稳定调用，能否与数据、模型工具和产业需求有效衔接，以及能否在能源和安全约束下实现持续运行，推动以智能算力为核心的基础设施体系更好支撑人工智能创新和规模化应用。

王新成，同济大学经济与管理学院助理教授。吴婉祎，同济大学经济与管理学院硕士研究生。文章观点不代表主办机构立场。

◆ ◆ ◆

编辑邮箱：sciencepie@126.com