人工智能产业链上游算力支撑体系分类与发展报告（年）

人工智能产业链上游算力支撑体系分类与发展报告（2026-2028年）

一、引言：算力作为新质生产力的战略基石地位

在2026年至2028年的关键窗口期，全球人工智能产业正经历从“大模型竞赛”向“超级应用落地”的深刻转变。这一转变的核心驱动力与根本瓶颈，已高度集中于产业链最上游的算力支撑体系。本报告所指的算力，已超越传统CPU通用算力的范畴，特指面向人工智能训练与推理的高性能计算能力，其物理载体是以GPU（图形处理器）为典型代表，涵盖ASIC（专用集成电路）、FPGA（现场可编程门阵列）及类脑芯片等在内的多元化加速计算单元所构成的复杂生态系统。这一体系的完备性、先进性与经济性，直接决定了人工智能技术创新的天花板、应用落地的广度以及产业竞争的主动权。当前，全球算力格局正面临地缘政治、技术范式与能源约束的三重挑战，构建一个自主可控、绿色高效、弹性扩展的上游算力支撑体系，已成为各国科技战略的核心内容。本报告旨在深度剖析这一体系的最新分类、技术演进路径、产业格局变迁以及面向2026-2028年的前瞻性趋势，为行业决策者、技术专家与投资者提供权威参考。

二、基础算力单元：从通用加速到专用架构的深化

（一）通用GPU的护城河与持续进化

尽管ASIC芯片在特定场景下展现出显著的能效比优势，但英伟达（NVIDIA）与AMD所引领的通用GPU，凭借其成熟的软件生态（如CUDA、ROCm）和强大的通用计算能力，在2026-2028年间依然占据着AI训练市场，特别是万亿级参数基础模型训练的主导地位。其演进方向表现为两大核心趋势：其一，架构层面从单纯的流式多处理器叠加，转向深度融合Transformer引擎与张量核心。新一代GPU产品，如虚构的“H200后续架构”或“MI400系列”，将针对MoE（混合专家）模型的稀疏性计算进行原生优化，大幅提升非连续数据访问下的计算效率，并集成更大容量的高带宽内存（如HBM3E乃至HBM4），以缓解“内存墙”瓶颈。其二，从单卡性能提升转向超节点内互联能力的极致强化。通过如NVLinkSwitch或InfinityArchitecture的持续迭代，构建数百GB/s乃至TB/s级的一致化内存共享池，使多GPU能够作为一个逻辑上的巨型GPU进行协同工作，这是支撑十万卡级集群扩展性的关键技术。

（二）AI专用芯片（ASIC）的崛起与场景深耕

ASIC芯片凭借其“为特定算法而生”的极致能效比，正从边缘计算场景加速向核心云端训练与推理领域渗透。到2028年，预计云端推理负载的50%以上将由各类ASIC承担。这一领域的竞争格局呈现百花齐放态势。谷歌的TPU（张量处理单元）持续演进，其v6或v7版本将进一步强化其在超大规模数据中心内部的自研互联网络（如OCS光电路交换），形成与GPU差异化竞争的高效训练集群。以AWS的Trainium和Inferentia为代表，云服务巨头正通过自研芯片实现从基础设施到算法栈的垂直整合，降低对第三方供应商的依赖，并为特定内部工作负载（如搜索推荐、语音助手）提供最优性价比。此外，一批初创企业，如Cerebras以其晶圆级引擎（WSE）挑战传统芯片尺寸限制，SambaNova则专注于可重构数据流架构，它们均在特定的细分市场（如基因组学、实时大模型推理）证明了自己独特的价值。ASIC的成功不仅依赖于硬件设计，更关键在于其对应的编译器、算子库与主流AI框架（如PyTorch、TensorFlow）的无缝对接，硬件定义软件的时代正全面转向软件定义硬件、软硬件协同设计的深水区。

（三）CPU在异构计算中的角色重塑

在AI主导的异构计算体系中，CPU的角色正发生根本性转变。它不再是计算的核心，而是转变为“数据中枢”与“协调大师”。新一代面向数据中心的CPU，无论是英特尔的至强处理器、AMD的EPYC处理器，还是基于ARM架构的AmpereOne及英伟达的GraceCPU，均集成了更强大的内存控制器、更多的PCIe/CXL通道以及内置的AI加速指令集（如AMX）。其核心任务在于：高效地将海量训练数据从存储系统搬运至GPU或ASIC显存；协调成百上千个加速器之间的计算任务流；处理那些不适合在加速器上运行的、具有复杂控制逻辑的“胶水代码”。特别是CXL（计算快速链接）协议的普及，使得CPU可以与加速器、内存扩展设备建立高速、一致性的互联，构建真正意义上的池化算力与内存资源，显著提升异构集群的资源利用率与灵活性。至2028年，CPU与XPU（各类加速处理器统称）的边界将更加模糊，通过Chiplet（芯粒）技术，CPU核心与GPU、AI核心将可能被集成于同一封装之中，形成更紧密耦合的异构系统级芯片。

（四）DPU的普及与数据中心即计算机

DPU（数据处理器）作为算力基础设施的第三极，在2026-2028年间已成为每一台AI服务器的标配。它卸载了CPU关于网络、存储与安全的“杂务”，构建了零信任的安全模型，并实现了微秒级的远端数据访问。对于超大规模AI集群而言，DPU的价值体现在“数据中心即计算机”的抽象化上。通过DPU构建的软件定义网络和存储，数千乃至数万节点被整合为一个无缝的、可编程的巨型计算机。这不仅大幅提升了集群的并行效率，更使得计算资源与存储资源可以独立弹性扩展。未来的DPU将深度融合AI能力，能够在线进行网络流量的智能分析、预测性拥塞控制以及异常流量清洗，甚至部分承担集合通信（AllReduce等）的硬件卸载工作，从而将宝贵的网络带宽完全释放给实际的模型参数与梯度传输。

三、算力互联与通信架构：决定集群规模的天花板

（一）大规模并行训练的网络拓扑革命

随着模型参数迈向百万亿级，传统的Fat-Tree（胖树）网络拓扑在跨Pod通信时面临高昂的成本与复杂的布线挑战。面向十万卡乃至百万卡集群，新的网络拓扑架构正在兴起。以英伟达的GH200NVL72为代表的“超节点”概念，通过高带宽、低延迟的NVLink全互联，在机柜内部构建一个巨型GPU，对外则通过InfiniBand或以太网与外界通信。这实际上是在机柜层面实现了第一级大规模聚合。在数据中心层面，Dragonfly+（蜻蜓）及其变体拓扑正逐步取代胖树，通过充分利用全局直连链路，大幅降低网络直径和所需交换机数量，实现更低延迟、更高性价比的横向扩展。光交换技术（OCS）开始从谷歌的TPU集群走向更广泛的商用，其允许动态调整物理链路连接，为故障恢复和网络拓扑重构提供了前所未有的灵活性，是实现弹性物理网络的关键。

（二）高速互联标准的竞合：InfiniBand、RoCE与UALink

在机间互联领域，标准之争在2026年进入白热化阶段。InfiniBand凭借其无损传输、硬件级RDMA和网络计算能力（如SHARP），长期占据高端AI集群的统治地位。然而，基于以太网的RoCEv2技术，在超大规模云厂商的推动下，通过自研拥塞控制算法和智能网卡卸载，已逐步缩小与InfiniBand的性能差距，且具备更好的互通性和成本优势。以Linux基金会发起的UALink（UltraAcceleratorLink）联盟为代表，行业试图建立一个开放的、高性能的加速器互联标准，旨在打破单一厂商对互联技术的垄断，为构建异构加速器集群提供可能。预计到2028年，高端AI集群将形成InfiniBand主导超大规模专用训练、RoCEv2主宰通用云和推理、UALink在特定开放生态中逐步应用的多元化格局。与此同时，PCIeGen6和CXL3.0的普及，使得服务器内部乃至服务器之间的内存语义访问成为现实，为未来的“内存解耦”和“内存池化”奠定了技术基础。

（三）网络计算与在网计算技术的深化

单纯提升链路带宽已无法满足AI模型对极致通信效率的追求。将计算能力下沉至网络，即在网计算，成为突破通信瓶颈的关键技术。交换机不再仅仅是数据转发的中枢，开始承担一部分集合通信的聚合与广播任务。例如，支持SHARP技术的InfiniBand交换机，可以在数据从叶子节点向根节点传输的过程中进行梯度归约，然后将归约后的结果直接广播回所有节点，从而将原本需要CPU或GPU参与的通信量大幅降低。未来，可编程交换机（基于P4语言等）将更加普及，网络管理员和系统研究者能够针对特定的模型算法，定制化地在数据平面执行自定义的归约、过滤或压缩操作，使网络本身成为一台分布式的计算引擎，这是实现极致扩展效率的必经之路。

（四）光电混合与全光网络的前瞻布局

尽管电信号处理仍占主流，但光互连的渗透率正从数据中心间的长距离连接，逐步向机架内部、乃至板级互联延伸。硅光技术的成熟，使得光模块的成本与功耗持续下降，CPO（共封装光学）技术将光引擎与交换芯片或计算芯片封装在一起，极大地缩短了电信号传输距离，突破了传统可插拔光模块的带宽与功耗墙。预计到2028年，头部云厂商的核心AI集群将开始小规模部署CPO技术，以实现单交换机吞吐量向100Tbps级别的跃迁。更长远来看，全光交换网络，即信号在整个传输路径中始终保持光形态，无需光电光转换，将彻底消除电子瓶颈带来的延迟与功耗。虽然全光存储和逻辑处理技术尚处早期，但面向AI集群的数据中心，已经可以部分实现“光电混合”调度，即控制面用电，数据面用光，为最终迈向全光互联积累经验。

四、算力基础设施的物理层重构：供电、散热与稳定性

（一）从风冷到液冷的全面代际跨越

随着单芯片功耗突破1000瓦，乃至机柜级功耗达到100千瓦以上，传统风冷技术已逼近其物理极限。液冷在2026-2028年间从可选方案变为AI算力中心的标配。冷板式液冷因其技术成熟度高、改造难度相对较小，率先在存量数据中心改造和新建项目中大规模普及。直接-to-芯片的冷板设计，可高效带走80%以上的热量。而对于追求极致PUE（电能利用效率）和部署密度的超算中心或新建智算中心，浸没式液冷正成为更优选择。单相浸没式液冷将整个服务器浸入不导电的冷却液中，实现无风扇、全静音、极致均温的运行环境；相变浸没式液冷则利用冷却液沸腾汽化带走热量的原理，传热效率更高。液冷技术的普及，不仅解决了散热问题，更带来了一系列连锁收益：服务器内部不再需要庞大的散热片和高速风扇，计算密度可以成倍提升，同时设备的可靠性因恒定低温环境而大幅提高，数据中心的选址也因此可以摆脱气候条件的限制。

（二）高密度供电架构的革新

应对AI服务器单机柜功耗从数十千瓦向数百千瓦的演进，传统数据中心基于交流电的分布式供电模式面临严峻挑战。机架级母线、更高电压（如400V/800VHVDC）的直流配电方案成为主流。更关键的趋势是供电架构的集成化。将AC/DC转换环节从单独的电源柜前移至机柜内部，甚至是与服务器主板深度融合，采用中间总线架构（IBA），通过高效率的DC/DC转换器为GPU核心供电。为了减少传输损耗，机柜内将广泛采用48V甚至更高的电压供电，再通过主板上的模块化VRM（电压调节模块）降压至芯片所需电压。针对瞬时功耗剧烈波动的AI训练任务，超级电容或锂电池BBU（电池备份单元）作为备电和“缓存”成为标配，它们能够在电网波动或电源模块故障时无缝接管，并提供毫秒级的功率支撑，保障昂贵训练任务的连续性。

（三）供电与算力的协同设计

随着可再生能源在电网中占比的提升，以及碳达峰目标的临近，算力中心的供电模式正从“保障不间断”向“算力-电力协同优化”转变。AI训练任务，特别是非实时性的科学计算和模型预训练任务，具有一定的弹性。这为算力中心参与电网需求响应提供了可能。在电网负荷高峰或可再生能源发电低谷时，算力中心可以主动降频或暂停部分非关键任务，将宝贵的电力让渡给民生和工业；而在新能源发电富余时（如午间光伏大发），则全力启动训练。实现这一智能调度的基础是毫秒级的供电状态感知、精准的算力负载预测以及自动化的工作负载调度系统。到2028年，具备VPP（虚拟电厂）调节能力的绿色智算中心将成为主流，算力不再是单纯的能源消耗者，而成为电网稳定的积极参与者。

（四）可靠性与故障预测的体系化保障

对于运行在十万卡规模的AI集群而言，平均无故障时间（MTBF）哪怕微小的提升，都能带来巨大的经济收益。MTBF的保障不再仅依赖于单一硬件的质量，而是上升为系统工程的体系化能力。这包括：硬件层面，从芯片设计之初就融入故障检测与自愈机制（如ECC内存、链路CRC校验）；系统层面，引入全面的遥测技术，对GPU温度、电压、PCIe链路误码率、光模块光功率、风扇转速等数千个指标进行实时监控；软件层面，利用机器学习算法分析海量遥测数据，构建故障预测模型，在硬件发生故障前数小时甚至数天发出预警，从而实现“无感”运维，将故障节点优雅地退出训练集群，由冗余节点快速接替。这种基于AI的智能运维（AIOps），是维持超大规模集群持续高效运行的基石。

五、算力抽象与调度软件栈：释放硬件潜能的钥匙

（一）集群管理系统的进化：从资源调度到作业编排

传统的集群管理系统（如Slurm、YARN）主要面向CPU计算任务，对GPU等异构资源的调度相对粗放。面向AI的新一代集群管理系统，必须深刻理解AI作业的特性。它不仅要管理GPU的数量，更要感知GPU之间的拓扑关系（NVLink连接、PCIe路径、跨交换机跳数），以最优的方式为作业分配拓扑上亲和的计算节点，最大化集合通信效率。同时，系统需支持弹性作业和优先级抢占，允许高优的训练任务动态抢占低优任务的资源，同时确保被抢占的任务能够在未来被无缝恢复。对任务状态的实时监控、Checkpoint的自动化管理以及训练异常的自动诊断与恢复，将成为调度系统的标准功能，目标是实现训练过程的“无人值守”。

（二）容器化与Kubernetes的原生支持

Kubernetes已成为云原生时代的操作系统内核，同样，它也正成为AI算力调度的事实标准。通过对DevicePlugin机制的深化，Kubernetes能够精细化管理GPU、TPU、FPGA等异构设备，实现资源的动态共享与隔离。GPU共享技术，如时间片切片和MIG（多实例GPU），允许在单个物理GPU上并发运行多个推理任务或小规模训练任务，显著提升资源利用率。对于分布式训练任务，Volcano、Koordinator等一批增强型调度器，在原生Kubernetes基础上补充了GangScheduling（组调度）、公平性保障、拓扑感知调度等关键能力，使得大规模、高吞吐的AI作业能够在云原生环境中流畅运行。未来，Kubernetes生态将与AI工作流引擎（如Kubeflow、Flyte）深度融合，实现从数据准备、模型训练、超参调优到模型部署的端到端自动化。

（三）分布式训练框架与并行策略的软件实现

硬件能力的释放，最终要落实到软件框架的支撑。PyTorch和TensorFlow等主流框架，其内部实现的分布式并行策略，是连接上层模型算法与下层千卡集群的桥梁。数据并行是最基本的策略，但其全同步的AllReduce通信开销巨大。模型并行，包括层内张量并行和层间流水线并行，成为训练万亿级模型的关键。3D并行（数据并行+张量并行+流水线并行）及其自动化搜索工具，能够根据模型结构和集群拓扑，自动寻找最优的并行切分方案。ZeRO（零冗余优化）系列技术，通过分片存储优化器状态、梯度和参数，大幅降低了数据并行的内存冗余，使得更大模型可以在有限显存下训练。MoE模型的引入，使得稀疏激活成为可能，其对应的专家并行策略，在保留模型容量的同时，大幅降低了计算成本。到2028年，编译技术将更多介入并行策略的实现，如PyTorch的Triton、TensorFlow的XLA，它们能够在运行时对计算图进行动态编译优化，自动融合算子、消除冗余内存拷贝，实现接近手写算子极限的性能。

（四）模型压缩与推理引擎的算力优化

训练完成后的模型，需要部署到各式各样的推理环境中。推理引擎的核心使命，是在保证精度的前提下，最大程度地降低延迟、提升吞吐量。这依赖于一系列模型压缩技术和运行时优化。量化技术，如INT8、FP8乃至更激进的INT4量化，大幅降低模型的计算和内存需求，使得大模型可以在边缘设备或单张消费级显卡上运行。知识蒸馏将大模型的能力迁移到更小的模型上。剪枝技术则移除模型中不重要的连接或神经元。在运行时，推理引擎（如NVIDIATritonInferenceServer、TensorRT、ONNXRuntime）通过动态批处理、并发执行、算子融合和内存池复用等技术，最大化硬件利用率。针对Transformer结构的核心算子——Attention，其二次方计算复杂度催生了FlashAttention等一系列I/O感知的精确注意力算法，通过优化对HBM的访问模式，实现了数倍的速度提升。未来，推理引擎将更加“智能”，能够根据输入请求的特点和当前系统负载，动态调整量化策略和模型切分方式，实现极致的服务品质协议保障。

六、前沿探索与未来算力形态：超越摩尔定律

（一）量子计算与AI的融合探索

尽管通用容错量子计算机的实现仍需时日，但在2026-2028年，特定领域的量子计算与AI的融合已从理论走向初步实践。量子机器学习主要在两个方向展开：一是利用量子线路天然的并行性和量子叠加态，设计新型的量子神经网络算法，在特定的小规模数据集上展示出超越经典模型的潜力；二是将量子计算用于解决AI中的核心子问题，例如用量退火或量子近似优化算法求解组合优化问题，用于模型的结构搜索或数据特征选择。量子计算云平台的出现，使得AI研究者可以通过云端API访问真实的量子处理器或高性能模拟器，进行算法探索和混合量子-经典算法的开发。虽然量子计算短期内无法取代经典算力进行大模型训练，但它有望成为处理特定类型AI任务（如化学模拟、材料发现、复杂系统建模）的专用加速器，与经典算力形成互补。

（二）光计算与模拟计算的复兴

面对电子芯片的物理极限，探索新的计算范式成为必然选择。光计算利用光子代替电子进行运算，其优势在于超高的速度（光速）、天然的并行性（波分复用）以及极低的传输能耗。面向AI推理场景，特别是矩阵乘法这一核心操作，光计算芯片显示出巨大的潜力。通过将权重信息编码为光的强度或相位，输入向量加载到光载波上，经过一系列无源光学器件（如马赫-曾德尔干涉仪阵列）的作用，一次前向传播即可完成大规模的矩阵乘法运算，延迟可低至亚纳秒级。模拟计算则利用电路中的电压、电流连续值进行计算，在能效上比数字计算有数个量级的优势。尽管光计算和模拟计算面临精度有限、易受噪声干扰、与现有数字生态集成困难等挑战，但它们在边缘端实时推理、传感器数据处理等特定场景，正逐步找到自己的应用空间，成为算力多元化的重要拼图。

（三）存内计算与近存计算

“冯·诺依曼瓶颈”，即处理单元与存储单元之间的数据搬运开销，是制约AI芯片能效的关键因素。存内计算通过将计算能力直接嵌入到存储器（如SRAM、RRAM、PCM）中，使得数据无需离开存储阵列即可完成计算，彻底消除了数据搬运的开销。基于新型非易失存储器的存内计算芯片，可以实现极高的计算密度和极低的功耗，特别适合于对功耗和成本敏感的端侧AI应用，如智能传感器、可穿戴设备。近存计算，如高带宽内存（HBM）中集成逻辑计算单元，则是更易于实现的演进路径，通过在靠近存储的位置放置计算单元，大幅缩短数据通路，提升能效。未来，存内计算与近存计算将与先进封装（如Chiplet、3D堆叠）紧密结合，形成计算与存储深度融合的3D集成芯片，为突破内存墙提供根本性解决方案。

（四）新材料与新工艺的颠覆性潜力

最终级的算力突破，依赖于底层材料科学的革命。二维材料如石墨烯、过渡金属硫化物，因其超薄、高载流子迁移率、良好的机械柔性等特性，有望用于制造速度更快、功耗更低的晶体管。特别是石墨烯，其零带隙特性曾是应用于逻辑电路的障碍，但在射频器件和光电器件领域已展现出广阔前景。自旋电子学利用电子的自旋属性而非电荷来存储和处理信息，有望实现永不丢失信息（非易失性）的逻辑器件和超高密度的存储器。拓扑材料则以其独特的电子态，为构建容错量子比特提供了全新的思路。尽管这些新材料从实验室走向工业化生产再到大规模商业应用，通常需要十年以上的周期，但它们在2026-2028年的研究突破，将为下一个十年的算力发展指明方向，是面向未来的战略投资。

七、产业链格局与生态竞争：开放与封闭的博弈

（一）硬件层：寡头垄断与新兴势力的共存

在AI训练芯片市场，英伟达凭借其深厚的CUDA生态护城河和持续领先的产品迭代，在2026-2028年间将继续保持主导地位，但其市场份额将受到来自多方的侵蚀。AMD凭借其Instinct系列产品和开放的ROCm生态，成为最有力的挑战者。云巨头自研芯片（如GoogleTPU、AWSTrainium、微软Maia）的内部部署规模将显著提升，部分云厂商甚至开始有限度地向外部客户开放自研算力服务，试图构建独立的生态。一批拥有独特技术路线的初创企业（如Cerebras、Graphcore、SambaNova、Tenstorrent等），在获得持续融资后，将在特定的垂直领域（如生命科学、金融风控、自动驾驶仿真）巩固其壁垒，形成差异化竞争优势。中国市场则呈现出以华为昇腾、寒武纪、燧原科技等为代表的国产算力军团，在自主化需求的驱动下，加速技术追赶和生态建设，虽然在软件生态和先进制程上仍面临挑战，但在特定应用场景和推理市场已取得重要突破。

（二）软件层：CUDA护城河的松动与多元生态的兴起

CUDA的成功，在于它将底层的并行计算能力封装为易用的编程模型和丰富的库。然而，生态的垄断也激发了全行业对多样化的追求。一方面，AMD的ROCm生态正加速成熟，通过开源策略和兼容CUDA的转换工具，降低开发者迁移成本。另一方面，以OpenAI的Triton、Google的JAX为代表的中间语言和编译型框架，试图屏蔽底层硬件差异，让开发者编写硬件无关的代码，再由后端编译器针对不同硬件生成最优机器码。这将从根本上削弱单一厂商软件锁定的效力。此外，Python生态的主导地位不可撼动，PyTorch2.x版本的发布，通过引入编译模式，使得动态图也能获得接近静态图的执行效率，进一步巩固了其作为AI研究首选框架的地位。到2028年，AI软件栈将呈现百花齐放的格局：上层是统一的Python接口和框架（如PyTorch、JAX），中层是多元化的编译器和中间表示层，底层则是各家硬件厂商基于开放或专有接口实现的驱动与算子库，竞争的核心从硬件参数转向软件栈的易用性、完备性和性能表现。

（三）系统级：从单体服务器到机柜级超节点

系统设计的核心单元正从单台服务器向机柜级超节点演进。英伟达的DGX/NVL系列、英特尔的Gaudi架构等，都在将更多的计算、内存和互联资源以紧密耦合的方式集成在一个机柜内，作为一个整体向外提供算力。这种设计大幅降低了超大规模集群外部网络的通信压力，简化了系统管理。同时，Chiplet技术的成熟，使得芯片设计不再追求单一巨大的“单片”，而是将不同功能、不同工艺制程的芯粒（如计算芯粒、I/O芯粒、HBM堆栈）通过先进封装（如3DSoIC、2.5DCoWoS）集成在一起。这不仅提高了芯片的良率、降低了设计成本，更使得系统厂商可以根据需求灵活组合不同来源的芯粒，构建定制化的处理器。UCIe（通用芯粒互连标准）等开放互联标准的推出，旨在打破芯粒之间的互连壁垒，为构建开放、模块化的“芯粒生态系统”铺平道路，这将从根本上重塑从设计到制造的半导体产业链。

（四）商业模式：从卖硬件到卖算力服务

算力的交付模式正在发生深刻转变。传统的销售服务器硬件模式，正逐渐让位于“算力即服务”的模式。云服务厂商通过构建庞大的算力基础设施，以按需、弹性、Serverless的方式向用户出租算力。这不仅降低了用户使用先进算力的门槛，也使得云厂商能够通过精细化调度，提升整体资源利用率。AI算力租赁市场迅速兴起，特别受到中小型企业和初创公司的青睐。同时，一种混合模式开始流行：客户从硬件厂商处购买服务器，但托管在云厂商或专业数据中心内，由后者提供机房、网络和运维，即“托管私有云”模式。这种模式兼顾了客户对数据安全、硬件独占性的需求，以及专业数据中心在运营效率和规模采购上的优势。面向未来，随着算力作为国家战略资源的地位提升，“算力并网”与“算力调度”将成为可能，通过类似于电力调度的国家/区域级算力网络，将不同主体、不同地域的闲置算力聚合起来，实现全网算力的优化配置与普惠供给。

八、面向2026-2028年的关键技术趋势与产业建议

（一）技术趋势总结

第一，超异构计算成为主流。单一芯片无法满足所有AI需求，未来系统将是CPU、GPU、ASIC、DPU、FPGA等多种计算单元的异构体，通过CXL/UCIe等高速互连和统一的软件框架，实现紧密协同。第二，互联技术决定集群成败。无论是片内、板级、机柜内还是数据中心内，互联的带宽、延迟和可扩展性将成为制约系统性能的首要因素，光电混合、在网计算等新技术将大规模应用。第三，绿色算力成为硬性指标。随着AI能耗的指数级增长，PUE优化已从成本考量变为生存底线，液冷、绿电调度、余热回收等节能技术将成为新建智算中心的必备条件。第四，软件生态的竞争进入深水区。硬件性能的差异将逐渐缩小，竞争核心转向开发者体验、框架兼容性、编译优化能力和工具链的完备性，“易用、高效、开放”是软件生态的决胜点。第五，安全与隐私计算融入算力底座。随着AI模型应用于金融、医疗等敏感领域，基于硬件的可信执行环境（TEE）、全同态加密加速、联邦学习等隐私计算技术，将从上层应用下沉，成为算力基础设施的原生能力。

（二）对产业界的建议

对于算力使用者（企业/研究机构）：建议建立“算力-数据-算法”协同优化的视角。不应只关注硬件采购成本，更应综合评估单位算力所能处理的数据吞吐量