中国AI算力云服务市场现状与产业链生态研究

中国AI算力云服务市场现状与产业链生态研究——专题研究报告——

摘要本报告聚焦中国AI算力云服务市场，系统梳理了该领域的产业背景、市场规模、竞争格局、驱动因素、核心挑战及未来趋势。2025年上半年，中国AI云市场规模已达223至259亿元，全年预计同比增长148%，到2030年有望突码1930亿元。以阿里云、百度智能云、华为云为代表的头部厂商占据超过60%的市场份额，国产AI加速卡出货量占比攀升至41%。生成式AI爆发、政策持续加码、算电协同战略落地等因素共同推动行业高速发展，但芯片供给瓶颈、算力成本上涨、生态兼容性不足等挑战依然突出。本报告结合最新行业数据与标杆案例，提出面向产业各参与方的戙略建议，为决策者提供参考。

一、背景与定义1.1AI算力云服务的起源与发展AI算力云服务是人工智能技术与云计算深度融合的产物，其发展历程可追溯至2012年深度学习革命。当时，GPU加速计算在ImageNet竞赛中的突破性表现，开启了以GPU为核心的AI计算时代。随着深度神经网络模型规模的持续扩大，从AlexNet的数千万参数到GPT系列模型的数千亿乃至万亿参数，对算力的需求呈指数级增长，传统的本地计算资源已无法满足训练和推理需求。在此背景下，云计算平台凭借其弹性扩展、按需付费、资源共享等优势，逐步成为AI算力供给的核心载体。2016年前后，亚马逊AWS、微软Azure等国际云厂商率先推出GPU云实例服务，标志着AI算力云服务正式进入商业化阶段。中国市场的跟进速度同样迅速，阿里云于2017年推出弹性GPU服务，华为云、腾讯云、百度智能云等紧随其后，形成了以公有云为基础、面向AI工作负载的算力服务体系。2022年底ChatGPT的发布成为AI算力云服务发展的分水岭事件。大语言模型（LLM）的爆发式增长使得AI算力需求从科研机构扩展至千行百业，算力云服务从“可选工具”转变为“基础设施”。2023年至2025年间，中国AI算力云服务市场经历了从萌芽到快速成长的关键转折，市场规模、参与主体、服务形态均发生了深刻变化。1.2核心定义与概念辨析AI算力云服务，是指云服务提供商通过云计算平台，向客户提供的以GPU、TPU、NPU等AI加速芯片为核心计算单元的算力资源及相关配套服务。其核心特征包括：第一，以异构计算资源为基础，不同于传统CPU云服务器，AI算力云服务以GPU等加速器为主要算力载体；第二，以弹性伸缩为核心能力，用户可根据模型训练或推理的实际需求，动态调整算力资源配置；第三，以全栈服务为交付模式，涵盖从底层的裸金属GPU服务器到上层的模型训练平台、推理部署服务及MaaS（模型即服务）等完整技术栈。需要区分的是，AI算力云服务与通用云计算、传统IDC托管服务存在本质差异。通用云计算以CPU虚拟化为核心，侧重于Web应用、数据库等传统IT负载；传统IDC托管仅提供机房空间和电力，不涉及算力的虚拟化与调度；而AI算力云服务则深度融合了AI加速硬件、分布式训练框架、模型开发工具链及行业应用解决方案，是面向AI工作负载的专用云服务形态。从服务层次来看，AI算力云服务可分为三个层级：IaaS层提供GPU/TPU等裸金属或虚拟化算力资源；PaaS层提供模型训练、微调、推理部署等平台化能力；MaaS层提供预训练模型的API调用及行业定制化模型服务。三个层级相互支撑，共同构成了AI算力云服务的完整生态体系。1.3研究范围与边界本报告的研究范围聚焦于中国大陆市场的AI算力云服务，涵盖公有云、混合云及私有化部署中的AI算力相关服务。研究对象包括：以阿里云、华为云、腾讯云、百度智能云为代表的综合型云厂商；以商汤、旷视为代表的AI原生算力服务商；以光环新网、优刻得为代表的第三方算力租赁服务商；以及以华为昇腾、寒武纪、海光信息为代表的国产AI芯片厂商。研究内容涵盕市场规模、竞争格局、产业链上下游关系、政策环境、技术趋势及商业模式等维度。时间跨度以2024年至2026年为主，适当回溯历史数据并展望至2030年。

二、现状分析2.1市场规模与增长态势中国AI算力云服务市场正处于高速增长期。据Omdia调研数据，2025年上半年中国AI云市场规模已达223亿元（另有IDC口径统计为259亿元），较2024年同期实现大幅增长。生成式AI（GenAI）的爆发是推动市场增长的核心引擎，Omdia预计2025年全年中国AI云市场将实现148%的同比增长，到2030年市场规模有望达到1930亿元。从全球视角来看，QYResearch数据显示，2025年全球GPU算力租赁市场规模达73.91亿美元，2026年预计突破88亿美元，年增长率维持21.4%以上。中国市场表现尤为突出，2026年中国GPU算力租赁市场规模有望突破2600亿元人民币，增速显著高于全球平均水平。这反映出中国AI产业对算力的旺盛需求以及国产替代进程的加速推进。从算力服务器市场来看，2025年中国算力服务器产量达498.14万台，需求量410.2万台，市场规模4422.1亿元，其中AI服务器市场规模2963.46亿元，占比高达67.01%，通用服务器仅匣32.99%。AI服务器已成为算力基础设施的绝对主力，其市场规模的快速增长直接反映了下游AI算力云服务需求的强劲态势。指标2024年2025年2030年（预测）AI云市场规模约180亿元约500亿元1930亿元GPU算力租赁规模约1700亿元约2100亿元—AI服务器市场规模约2200亿元2963亿元—AI加速卡出货量约280万张约400万张—数据来源：Omdia、QYResearch、IDC、工信部等机构公开数据整理2.2行业竞争格局中国AI算力云服务市场呈现出高度集中的寡头竞争格局。根据Omdia和IDC的统计，2025年上半年中国AI云市场（全栈AI云服务口径）中，阿里云以30.2%至35.8%的市场份额稳居第一，百度智能云以22.5%的份额位列第二，两者合计占据超过50%的市场份额。华为云依托昇腾生态和政企客户优势，市场份额保持15%至18%之间，位列第三。腾讯云凭借其在游戏、社交等领域的AI应用需求，市场份额约为10%至12%。从竞争维度来看，头部厂商各具差异化优势。阿里云拥有国内最丰富的AI算力产品矩阵和最大的客户基数，通义千问系列模型的开源策略有效降低了开发者使用门槛；百度智能云依托文心一言大模型和飞桨深度学习框架，在MaaS层形成了独特的技术壁垒；华为云则以昇腾AI芯片和鲢鹏处理器为底座，打造了从芯片到云服务的全栈自主可控体系，在政府、金融、电信等对安全合规要求较高的领域具有显著优势。除头部厂商外，一批垂直领域的新兴算力服务商也在快速崛起。商汤科技依托其大装置（SenseCore）AI算力中心，向企业和政府提供AI训练推理服务；智谱AI等大模型公司通过自建或合作方式布局算力基础设施；优刻得、青云等中立云厂商则通过差异化定价和灵活交付模式，在中小企业市场获得了一定份额。厂商市场份额核心优势代表产品/平台阿里云30%-36%产品矩阵全面，客户基数大通义千问、PAI平台、GPU云服务器百度智能云22%-23%大模型+框架双引擎文心一言、飞桨、千帆平台华为云15%-18%全栈自主可控，政企优势昇腾芯片、ModelArts、盘古大模型腾讯云10%-12%场景化AI应用混元大模型、TI平台数据来源：Omdia、IDC2025年上半年报告整理2.3产业链分布与生态结构AI算力云服务产业链可分为上游基础层、中游平台层和下游应用层三个主要环节。上游基础层是产业链的重资产环节，负责提供物理硬件与基础设施环境，决定算力的性能、稳定性与供给能力。该环节包含芯片设计与制造（英伟达、AMD、华为昇腾、寒武纪、海光信息等）、服务器制造（浪潮信息、中兴通讯、新华三等）、数据中心及网络设施（三大运营商、万国数据、秦淮数据等）以及电力与制冷系统。中游平台层是产业链的核心枢纽，由云服务提供商和AI平台服务商构成。云服务提供商负责将底层算力资源进行虚拟化、池化和调度管理，对外提供IaaS、PaaS和MaaS服务。AI平台服务商则在此基础上提供模型开发、训练、微调和部署的全流程工具链。中游环节的技术壁垒主要体现在大规模分布式训练调度、异构算力统一管理、算力网络互联等核心技术能力上。下游应用层覆盖了AI算力云服务的最终使用场景，包括互联网（搜索引擎、推荐系统、内容生成）、金融（风控、量化交易、智能客服）、医疗（药物研发、医学影像）、制造（质量检测、供应链优化）、政务（智慧城市、公共安全）等众多行业。下游需求的多样化和快速增长是驱动整个产业链发展的根本动力。值得关注的是，2025年中国AI加速卡市场总出货量约400万张，其中国产芯片出货达165万张，市场份额攀升至41%，英伟达份额降至55%。华为以81.2万张的出货量领跑国产阵营，寒武纪、海光信息等企业也在快速追赶。国产算力芯片的崛起正在重塑产业链上游的竞争格局，为AI算力云服务的自主可控发展奠定了硬件基础。

三、关键驱动因素3.1政策驱动：顶层设计与战略布局政策支持是推动中国AI算力云服务市场发展的首要驱动力。近年来，中国政府从国家战略高度对算力基础设施建设进行了系统部署。2022年2月，“东数西算”工程正式启动，在全国布局8个算力枢纽节点和10个国家数据中心集群，推动算力资源从东部向西部转移，实现算力资源的优化配置和绿色低碳发展。截至2024年三季度末，中国算力总规模已达268EFLOPS，其中智能算力占比显著提升。2026年3月，“算电协同”首次被纳入政府工作报告，标志着算力与电力的融合发展从技术探索层面上升为国家顶层设计。这一政策举措旨在解决AI时代日益突出的电力成本和能源供给问题，通过算力设施与清洁能源基地的协同布局，实现算力的绿色可持续发展。政策层面还规划了超万亿元的投资规模，从东数西算工程深化到各地智算中心密集开工，政策红利持续释放。此外，各地政府也纷纷出台算力产业扶持政策。北京、上海、深圳、成都、武汉等地相继发布智算中心建设规划，提供土地、电力、资金等多维度支持。工信部发布的《算力基础设施高质量发展行动计划》明确提出，到2025年算力规模超过300EFLOPS，智能算力占比达到35%，这些量化目标为行业发展提供了明确的方向指引。3.2技术驱动：大模型与算力需求共振大模型技术的快速迭代是驱动AI算力云服务需求增长的核心技术因素。自2022年底ChatGPT发布以来，大语言模型经历了从百亿参数到万亿参数的快速演进，模型训练所需的算力呈指数级增长。GPT-4的训练算力消耗据估计是GPT-3的数十倍，而国内头部大模型如文心一言、通义千问、盘古等也在持续扩大参数规模和训练数据量。与此同时，多模态大模型（文本、图像、视频、语音的统一理解与生成）的兴起进一步推高了算力需求。视频生成模型（如Sora类模型）的训练和推理算力消耗远超纯文本模型，对GPU算力的需求量级实现了质的飞跃。据行业估算，训练一个领先的视频生成模型所需的算力资源是同等规模文本模型的5至10倍。推理侧的算力需求同样不容忽视。随着大模型应用从B端向C端普及，AI助手、AI搜索、AI办公等应用的日活跃用户数快速增长，推理算力消耗在整体算力使用中的占比持续提升。2025年以来，以豆包、Kimi、DeepSeek为代表的AI应用用户量爆发式增长，Token调用量实现了1000倍以上的增长，直接拉动了推理算力需求的急剧攀升。3.3市场驱动：企业数字化转型加速企业数字化转型进入深水区，AI技术的落地应用从概念验证阶段进入规模化部署阶段。越来越多的企业认识到，AI能力已成为提升竞争力的关键要素，而云端AI算力服务是企业获取AI能力最高效、最经济的途径。传统企业无需自建昂贵的GPU集群，通过云服务即可快速获取强大的AI算力，大幅降低了AI应用的技术门槛和资金门槛。从行业分布来看，金融、制造、医疗、教育等行业对AI算力云服务的需求增长尤为显著。金融机构利用AI算力进行风险评估、量化交易策略优化和智能客服；制造企业利用AI进行产品质量检测、预测性维护和供应链优化；医疗机构利用AI加速药物研发和辅助诊断。这些行业应用场景的成熟和规模化落地，为AI算力云服务市场提供了持续稳定的需求支撑。算力租赁价格的波动也反映了市场供需关系的紧张。以H100为代表的GPU租赁价格从2025年10月的低点1.70美元/小时飙升至2026年3月的2.35美元/小时，涨幅近40%。按需GPU租赁容量在所有GPU类型中均已售罄，充分说明当前AI算力供给仍处于紧缺状态。2026年3月，国内外主要云服务商在10天内相继发布调价公告，核心AI算力与存储服务价格普遍上调30%至50%，部分产品涨幅甚至达到400%。3.4社会驱动：人才储备与公众认知提升中国AI人才储备的持续壮大为行业发展提供了智力支撑。据相关统计，中国AI领域研究人员和工程师数量已居全球前列，高校AI相关专业的招生规模持续扩大，产学研合作日益紧密。百度、阿里、华为等头部企业通过开放平台、开发者社区和技术培训等方式，积极培育AI开发者生态，降低了AI技术的学习和使用门槛。公众对AI技术的认知和接受度也在快速提升。2025年以来，AI助手、AI搜索、AI内容生成等应用快速普及，普通用户对AI的体验从新奇转向日常依赖。这种社会层面的广泛认知和接受，反过来推动了企业加大AI投入，形成了技术供给与市场需求之间的正向循环。

四、主要挑战与风险4.1技术瓶颈与硬件供给约束芯片供给瓶颈是当前中国AI算力云服务市场面临的最突出挑战。尽管国产AI加速卡出货量占比已提升至41%，但在高端训练场景中，英伟达仍占据绝对主导地位。美国对华芯片出口管制持续收紧，从H100到B200等新一代GPU均被纳入限制范围，导致国内云服务商难以获取最先进的算力硬件。虽然华为昇腾910B等国产芯片在部分场景中已能实现替代，但在大规模集群训练的性能、稳定性和软件生态兼容性方面，与英伟达最新产品仍存在一定差距。算力网络互联技术也是重要的技术瓶颈。大规模分布式训练需要千卡乃至万卡级别的GPU集群进行高速互联，对网络带宽、延迟和可靠性提出了极高要求。当前国内在高速互联网络、InfiniBand等关键网络技术方面仍存在依赖进口的问题，在一定程度上制约了国产算力集群的规模化扩展能力。此外，异构算力资源的统一管理和调度也是一大技术难题，不同厂商、不同架构的AI加速卡在编程模型、内存架构、通信接口等方面存在差异，统一管理平台的建设仍需时日。存储技术同样面临挑战。大模型训练产生的海量数据需要高速、大容量的存储系统支撑，对存储带宽、IOPS和数据备份能力都提出了更高要求。当前国内在高性能分布式存储领域的自主可控能力仍有提升空间，尤其是在面向千卡规模训练的存储系统方面。4.2市场风险与竞争压力算力成本的快速上涨是市场参与者面临的重要风险。AI服务器的采购成本、电力消耗、散热和运维成本均在持续攻升。一台配备8张H100的AI服务器采购价格可达200万元以上，而其年电力成本同样不低。对于中小型算力服务商而言，资本密集型的算力业务带来了巨大的资金压力和回本周期不确定性。芯片技术的快速迭代进一步加剧了这一风险，新一代GPU的发布可能导致现有算力资产快速贬值，给运营商带来沉重的资产贬值风险。行业竞争的加剧也带来了市场风险。头部云厂商凭借资金和技术优势持续扩大算力规模，中小型服务商的生存空间被不断压缩。价格战的风险日益加剧，部分云服务商为争夺市场份额采取低价策略，导致行业整体利润率下降。同时，客户对算力服务的粘性较低，迁移成本相对较小，进一步加剧了客户流失风险。特别是在IaaS层的裸金属算力服务中，产品同质化竞争严重，差异化竞争能力成为关键。市场需求的周期性波动也是潜在风险。当前AI算力需求的爆发式增长在一定程度上带有资本市场热潮的属性，一旦AI技术进入平稳发展期或出现算力效率的重大突破，可能导致算力需求增速放缓，给重资产投入的算力服务商带来产能过剩风险。4.3政策合规与监管变化AI监管政策的持续收紧对算力云服务市场产生了深远影响。2023年8月，中国首部《生成式人工智能服务管理办法》正式实施，对AI服务的内容安全、数据隐私、知识产权等方面提出了明确要求。云服务商作为AI服务的重要载体，需要承担相应的内容审核、数据安全保护和用户隐私保障责任，这在一定程度上增加了运营成本和合规复杂度。数据主权和跨境数据流动政策也对算力云服务产生影响。随着《数据安全法》《个人信息保护法》等法律的深入实施，企业在使用云端算力服务时对数据安全和合规性的要求更加严格。部分对数据安全要求较高的行业（如金融、政务、医疗等）客户更倾向于选择私有云或混合云部署方式，这对云服务商的服务能力提出了更高要求。国际地缘政治因素同样不容忽视。美国对华芯片出口管制的持续升级，不仅影响了国内云服务商获取高端GPU的能力，也对全球AI产业链的分工与合作产生了深远影响。在此背景下，国产替代的紧迫性和难度同时增加，云服务商需要在技术路线选择、供应链建设等方面做出更加谨慎的战略决策。数据来源：中国信通院、工信部、行业公开报告整理

五、标杆案例研究5.1阿里云：全球领先的AI算力云服务平台阿里云是中国AI算力云服务市场的绝对领导者，2025年上半年市场份额达30.2%至35.8%。阿里云的AI算力服务体系覆盖了从IaaS到MaaS的全栈能力，其核心产品包括PAI平台（机器学习平台）、GPU云服务器（包含NVIDIA和国产芯片选型）、通义千问大模型系列以及AI应用开发平台等。阿里云的差异化竞争优势主要体现在以下几个方面。首先，其拥有国内最大规模的AI算力集群，GPU服务器规模超过数十万台，能够支撑千卡级别的大规模分布式训练任务。其次，通义千问大模型的开源策略极大地丰富了其MaaS生态，从Qwen-72B到Qwen-Max，覆盖了从开源社区到企业级应用的全场景需求。第三，阿里云在海外市场（特别是东南亚市场）的布局也为其带来了全球化的算力调度能力。在国产算力方面，阿里云积极推进“一云多芯”策略，在服务器产品中同时支持英伟达、华为昇腾、寒武纪等多家芯片厂商的产品，为客户提供灵活的算力选择。据公开数据，阿里云已成为国内最大的国产AI芯片采购方之一，其国产芯片算力服务器规模已达数万台。这种多芯片支持策略既降低了客户对单一芯片供应商的依赖风险，也为国产算力生态的发展提供了重要支撑。5.2华为云：全栈自主可控的算力生态华为云是中国AI算力云服务市场的重要参与者，市场份额保持15%至18%。与其他云服务商不同，华为云的核心竞争优势在于其从芯片到云服务的全栈自主可控能力。华为昇腾芯片作为国产AI芯片的领导者，2025年出货量达81.2万张，市场份额超过20%，其最新的昇腾910B芯片在大模型训练场景中已能达到与英伟达A100相当的性能水平。华为云的AI算力服务产品矩阵以ModelArts为核心，提供从数据标注、模型训练、模型管理到推理部署的全流程MLOps能力。在大模型方面，华为推出了盘古大模型系列，覆盖了NLP、CV、科学计算等多个领域。华为云的特色在于其“芯片—服务器—云服务—应用”的全链条自研能力，能够实现从底层硬件到上层应用的深度优化，在政府、金融、电信等对安全合规要求较高的行业具有显著优势。华为云在算力网络方面也有独特优势。其自研的鲢鹏系列网络产品能够提供高带宽、低延迟的算力网络连接，支撑千卡级GPU集群的高效互联。在算电协同方面，华为云积极响应国家算力网络建设号召，参与东数西算枢纽节点建设，并在贵州、宁夏等地布局绿色算力中心，充分利用西部地区的清洁能源和凉爵气候优势，降低算力运营成本。5.3百度智能云：大模型驱动的MaaS先行者百度智能云以22.5%的市场份额位列中国AI算力云服务市场第二位，其核心竞争力来源于大模型技术和深度学习框架的双重优势。文心一言大模型作为百度的旗舰AI产品，在多个权威评测中表现优异，直接带动了百度智能云MaaS服务的需求增长。飞桨深度学习框架作为国产开源深度学习框架的代表，已被广泛应用于各类AI开发项目中。百度智能云的算力服务产品以千帆大模型平台为核心，提供从数据处理、模型训练到推理部署的一站式AI开发服务。在算力底座方面，百度智能云拥有大规模的GPU集群，并通过自研的英伟达AI加速平台和异构算力管理系统，实现了算力资源的高效调度和利用。百度还积极布局国产算力，已与华为昇腾、寒武纪等国产芯片厂商建立合作，推进国产算力在其平台上的落地应用。百度智能云的差异化策略还体现在行业解决方案的深度定制上。在智能客服、智能驾驶、智能制造等领域，百度智能云提供了从算力底座到行业模型再到应用系统的全栈解决方案，帮助企业客户快速实现AI能力的落地。这种“算力+框架+模型+应用”的四位一体服务模式，有效提高了客户粘性和服务难度。厂商核心策略算力规模国产算力布局阿里云全栈产品+开源生态GPU服务器数十万台支持华为、寒武纪等多芯片华为云芯片到云全栈自研昇腾82张出货领跑国产自研昇腾芯片为核心百度智能云大模型+框架双引擎千帆平台+大规模GPU集群合作华为、寒武纪等数据来源：各厂商公开数据、Omdia、IDC报告整理

六、未来趋势展望6.1国产算力加速替代进程国产AI算力芯片的替代进程将是未来3至5年最重要的行业趋势之一。2025年国产AI加速卡出货量已占总市场的41%，预计2028年这一比例有望突破60%，到2030年可能达到70%以上。华为昇腾、寒武纪、海光信息等国产芯片厂商的技术迭代速度加快，新一代产品在性能上与英伟达同级产品的差距持续缩小。特别是在推理场景中，国产芯片的性价比优势已经开始显现，预计未来几年内将在中低端推理市场实现大规模替代。国产算力生态的完善也将加速替代进程。随着CUDA生态的国产替代方案逐步成熟，包括华为CANN、寒武纪OneAPI等编程框架的完善，开发者从CUDA迁移到国产平台的成本和难度将显著降低。云服务商的“一云多芯”策略也将促进国产算力的广泛采用，通过提供统一的调度接口和运维工具，降低用户使用国产芯片的门槛。6.2算电协同与绿色算力算电协同将成为AI算力基础设施建设的重要方向。2026年政府工作报告首次纳入算电协同战略，标志着这一理念从行业探索上升为国家战略。未来，算力中心将更加倾向于布局在清洁能源丰富的西部地区，充分利用风电、光伏、水电等可再生能源，降低算力运营的碳排放和电力成本。宁夏、贵州、甘肃、内蒙古等地已经开始建设大规模的绿色算力中心，预计未来3年内西部地区的算力规模占比将显著提升。液冷技术的广泛应用也将推动绿色算力发展。相比传统风冷方式，液冷技术能够降低30%以上的散热能耗，同时提高服务器的运行稳定性。随着液冷技术的成熟和成本下降，预计2027年后新建的大规模AI算力中心将普遍采用液冷方案。此外，算力能效提升技术（如量子化训练、模型压缩、稀疏化推理等）的进步也将从软件层面提升算力利用效率，降低单位算力的能耗。6.3算力网络与算力调度算力网络建设将从孤立的数据中心转向全国一体化的算力调度网络。东数西算工程的深入推进将加速这一进程，通过建设跨省份的高速算力专线，实现东部算力需求向西部算力资源的实时调度。这将有效解决东部地区算力供给不足、西部地区算力资源闲置的结构性矛盾，提升全国算力资源的整体利用效率。算力调度平台的智能化水平将显著提升。未来的算力调度将更加依赖AI技术本身，通过机器学习算法实现算力资源的智能分配、负载预测和弹性伸缩。跨云算力调度也将成为现实，企业可以根据成本、性能、合规等因素，自动将不同的AI工作负载分配到最优的算力节点，实现算力资源的全局最优配置。6.4MaaS模式的深化与普及模型即服务（MaaS）将成为AI算力云服务的主要交付模式。随着大模型技术的成熟，越来越多的企业客户将不再自建模型，而是直接调用云平台提供的预训练模型API。这将使得AI算力服务的价值从底层的算力资源向上层的模型能力转移，云服务商的竞争焦点也将从单纯的算力规模和价格转向模型质量、行业适配度和服务生态。行业大模型将成为MaaS的重要发展方向。通用大模型在特定行业的表现往往不如专用模型，未来云服务商将针对金融、医疗、教育、制造等行业提供深度定制的行业大模型服务。这种行业化的MaaS服务将能够显著降低企业客户使用AI的门槛，提升AI算力服务的客户粘性和附加值。预计到2028年，MaaS服务在AI算力云服务收入中的占比将超过50%。6.5安全与可信AI算力AI安全和可信算力将成为行业发展的重要底线。随着AI技术在关键基础设施和敏感行业的广泛应用，算力服务的安全性、可靠性和可解释性变得越来越重要。未来，信息安全技术（如可信执行环境、联邦学习、差分隐私等）将被更广泛地应用于AI算力云服务中，保障用户数据的安全和隐私。同时，AI算力服务的合规体系将更加完善。监管部门将建立更加明确的AI算力服务准入标准、数据安全要求和内容审核机制，云服务商需要在技术和管理两个层面做好充分准备。对于政府、金融、军工等敏感行业客户，私有化部署和混合云方案将成为主流选择，这对云服务商的安全技术能力和合规服务能力提出了更高要求。数据来源：东数西算工程、工信部、行业研究报告整理

七、战略建议7.1面向云服务商：构建差异化竞争壁垒云服务商应当摆脱纯粹的算力规模竞争，转而构建以技术生态和行业解决方案为核心的差异化竞争壁垒。具体而言，一是加大对国产算力生态的投入，通过“一云多芯”策略降低客户对单一芯片供应商的依赖，同时提升国产芯片在其平台上的运行效率。二是深耕行业垂直场景，为金融、医疗、制造等重点行业提供从算力到模型再到应用的全栈解决方案，提升客户粘性。三是加强开发者生态建设，通过开源模型、开放平台和技术社区吸引更多开发者，构建网络效应。7.2面向芯片厂商：加速生态兼容与性能追赶国产AI芯片厂商应当将生态兼容性作为战略优先级。当前国产芯片在硬件性能上与英伟达的差距在逐步缩小，但软件生态的差距仍然显著。芯片厂商应当大力投入编程框架、开发工具和软件栈的建设，降低开发者从CUDA迁移的成本。同时，应加强与云服务商的深度合作，确保国产芯片在主流云平台上的充分支持和优化。此外，芯片厂商还应关注新兴计算架构（如RISC-