智能数字基础设施与数据价值网络：年全球行业发展报告

智能数字基础设施与数据价值网络：2026-2028年全球行业发展报告

一、时代背景与核心驱动力：从信息连接到智能涌现

站在2026年的门槛上回望，过去十年全球信息传输、软件与信息技术服务业完成了从消费互联网的全面渗透到产业互联网的初步探索。而今，我们正步入一个全新的发展阶段，其核心特征是从“信息的连接”向“智能的涌现”的根本性跃迁。这一跃迁并非单一技术的线性演进，而是由多股强大力量交织、共振所驱动的范式革命。本报告认为，理解未来三年（2026-2028年）行业发展的关键，在于深刻洞察并把握以下四大核心驱动力。

第一，人工智能从“赋能者”走向“基础设施核心”。以生成式人工智能和大语言模型为代表的AI技术，不再仅仅是优化现有流程的工具，而是成为重塑一切应用、服务和硬件底层的核心操作系统。模型的泛化能力、多模态融合能力以及推理成本的持续下降，使得AI能力如同电力一般，可以便捷地嵌入每一个业务流程、每一款软件产品、每一台终端设备。这种基础设施化，不仅催生了全新的应用场景（如AI智能体、AI科学家、全自动工作流），更深刻地改变了软件开发的范式、人机交互的模式以及数据价值的提取方式。未来三年，我们将看到AI从“生成内容”走向“执行任务”，从“辅助决策”走向“主导流程”，其对行业的影响将触及生产效率、组织形态乃至社会分工的根本。

第二，数据从“资源”向“核心生产要素与资本形态”演进。随着数字经济的深化，数据的作用早已超越简单的信息记录。在确权、流通、定价机制逐步完善的背景下，数据正在成为一种新型的、具有无限潜力和强外部性的核心生产要素。然而，数据的真正价值在于其能够通过清洗、标注、关联、建模，转化为可被AI系统利用的知识，进而驱动决策与行动。因此，围绕数据的全生命周期管理——包括隐私计算、联邦学习、数据空间、数据编织等技术与范式——将成为企业核心竞争力的关键。数据不再仅仅是数字足迹，而是驱动智能的数字孪生世界的血液，是企业乃至国家的重要战略资产和资本形态。2026至2028年，我们将见证数据资产入表从概念走向普及，数据交易市场从试点走向成熟，数据要素的价值释放将进入一个前所未有的快车道。

第三，网络与算力从“分离堆叠”走向“深度融合与智能调度”。信息传输是行业的基础底座，但其内涵正在发生深刻变化。传统的网络主要承载人与人、人与机器的通信，而未来的网络将首先满足机器与机器、模型与数据之间的海量、低延迟、确定性连接需求。云、网、边、端不再被视为独立的资源层，而是通过软件定义技术、网络功能虚拟化和算力网络技术，融合成一个统一的、可感知、可度量、可调度的数字基础设施连续体。算力将成为如同水、电一样，可以按需获取的公共服务。未来三年，算力网络将从技术验证走向规模商用，实现跨地域、跨层级、跨供应商的算力并网与智能调度。同时，面向6G的预研将加速，其核心愿景——构建一个集通信、感知、计算、AI于一体的内生智能网络——将深刻影响行业的长期技术路线图。

第四，安全边界从“防护”转向“免疫与韧性”。当物理世界与数字世界深度融合，当AI系统开始主导关键决策，传统的基于边界防护的安全模型彻底失效。未来的安全必须是内生于系统全生命周期的、主动的、智能的免疫体系。这要求我们将安全左移，在代码编写、模型训练、数据处理的源头就植入安全基因。同时，面对AI带来的新型攻击手段（如深度伪造、对抗性攻击），安全技术本身也必须借助AI的力量实现智能防御和自动响应。零信任架构将从理念走向全面落地，供应链安全、软件物料清单、数据隐私保护将成为监管和市场的刚性要求。构建具有韧性的数字基础设施，即能够在遭受攻击或故障后快速恢复核心功能的能力，将是未来三年行业发展的底线要求。

二、技术体系的代际跃迁：架构重塑与能力升维

在以上四大驱动力的作用下，信息传输、软件与信息技术服务业的技术体系正经历一场深刻的代际跃迁。这场跃迁不是对现有技术的修修补补，而是从底层逻辑到上层应用的全方位重构。

（一）基础网络与传输技术：迈向确定性、感知性与内生智能

未来的网络不再仅仅追求“尽力而为”的带宽提升，而是向提供确定性服务质量的智能连接演进。

1、确定性网络技术进入规模部署阶段。为了满足工业自动化、远程精密操控、车路协同等场景对时延、抖动的极致要求，基于时间敏感网络、确定性IP和DetNet（确定性网络）的技术将在广域网和园区网中得到广泛应用。网络将能够为关键业务流提供“准时、准确”的传输承诺，实现从“修路”到“提供时刻表”的转变。

2、算力网络成为新型基础设施的核心枢纽。算力感知、算力通告、算力路由、算力调度等关键技术将在未来三年走向成熟。运营商和大型云服务商将构建全国性或区域性的算力一体化网络，实现对分散在数据中心、边缘节点、甚至用户终端的异构算力资源的统一编排和按需提供。用户无需关心算力来自何方，只需提交计算任务，网络将自动匹配最优算力资源并完成任务分发与结果汇聚。

3、空天地一体化网络开始提供商用服务。随着低轨卫星星座的密集组网和高空平台技术的突破，卫星互联网将与地面5G/6G网络深度融合，初步实现全球无缝立体覆盖。在远洋、航空、应急通信、偏远地区等场景，用户将获得与地面网络体验相近的宽带连接服务，信息传输的边界将真正拓展至全球每一个角落。

4、面向6G的愿景与技术研发全面启动。尽管6G商用预计在2030年左右，但2026至2028年将是其关键技术突破和标准预研的关键窗口期。太赫兹通信、智能超表面、轨道角动量、内生AI架构、通感算一体化等前沿方向将涌现大量原型验证和创新成果，为下一代网络的代际特征描绘出清晰轮廓。

（二）软件与架构技术：云原生深化与AI原生崛起

软件是定义一切的核心，其开发范式、运行形态和交付模式正在被AI深刻重塑。

1、云原生技术进入深水区并全面普及。容器化、微服务、服务网格、不可变基础设施已成为现代应用开发的事实标准。未来三年，云原生技术将进一步向更广泛的领域渗透，如大数据、AI、数据库等基础软件也将全面云原生重构。同时，FinOps（云财务运营）将成为企业关注焦点，旨在通过精细化的成本管理和资源优化，实现云上支出的最大化效益。Serverless（无服务器计算）将逐渐成为主流计算范式，开发者将完全聚焦于业务逻辑，无需关心底层基础设施的运维和扩展。

2、AI原生架构成为新的设计哲学。软件不再仅仅是“编写”出来的，更是“训练”和“演化”出来的。AI原生应用将把大模型作为其核心组件，通过提示工程、检索增强生成、模型微调、智能体编排等技术，构建出能够理解复杂意图、自主规划任务、调用外部工具、持续学习进化的新型智能系统。这要求软件架构能够支持模型服务的弹性伸缩、高质量数据的实时供给、以及模型输出的可解释性和可审计性。模型即服务（MaaS）将成为云服务商提供的核心能力，加速AI应用的孵化与落地。

3、低代码/无代码开发与AI生成代码深度融合。AI辅助编程工具将进化为AI驱动开发平台。开发者通过自然语言描述需求，AI不仅能生成代码片段，还能完成架构设计、接口定义、测试用例生成甚至自动化部署。这不仅大幅提升专业开发者的效率，更重要的是，它将赋予业务人员“说话即编程”的能力，极大地拓宽了应用创新的参与群体，催生出海量的、面向特定场景的“长尾”应用。

4、分布式云与边缘计算的协同成为常态。中心云、区域云、边缘云和端侧设备将构成一个无缝的计算连续体。应用可以根据数据主权、延迟敏感性和算力需求，被动态地、最优化地部署在不同位置。云边协同框架将实现应用与数据在分布式环境下的统一管理、调度和治理。特别是在工业互联网、自动驾驶、智慧城市等场景中，边缘计算将成为处理实时数据、执行本地决策的关键节点。

（三）数据技术与人工智能：互为表里的双螺旋结构

AI的进步高度依赖数据的规模和质量，而数据处理与分析技术的演进又深受AI发展方向的牵引，二者形成相互促进的双螺旋结构。

1、数据管理正经历从“面向记录”到“面向智能”的范式转变。传统数据库以存储和检索结构化记录为核心。面向AI的数据管理，则要求能够高效处理非结构化数据（文本、图像、音视频），并提供数据清洗、增强、标注、版本管理、特征存储等一系列能力。向量数据库将成为AI原生应用的基础设施，实现对大模型所需的海量非结构化数据的语义理解和高效相似性搜索。数据编织技术将构建起一个逻辑上的数据虚拟层，实现跨数据源、跨地域、跨格式的数据统一访问和知识图谱构建。

2、合成数据技术的重要性日益凸显。高质量、多样化、隐私合规的数据是训练顶尖AI模型的“燃料”。当真实世界的数据面临稀缺、偏见、隐私瓶颈时，通过生成式模型、物理仿真等手段合成高质量训练数据，将成为突破瓶颈的关键路径。特别是在自动驾驶、机器人、生物医疗等领域，合成数据可以创造出覆盖边缘场景、安全可控的训练环境，大幅提升模型的鲁棒性和安全性。

3、可信AI与可解释AI成为硬性要求。随着AI系统在金融风控、医疗诊断、司法判决等关键领域的应用深化，模型的公平性、透明度、可解释性和鲁棒性不再是“锦上添花”，而是必须满足的合规和伦理要求。未来三年，我们将看到更多针对AI模型全生命周期的治理工具和平台出现，能够对模型进行偏见检测、因果推断、决策路径追踪和对抗性攻击测试，确保AI的决策“可信、可靠、可追责”。

4、隐私计算技术从研究走向规模化应用。在打破“数据孤岛”、实现跨域数据协同计算的同时，确保数据隐私和所有权不被侵犯，是释放数据要素价值的前提。联邦学习、多方安全计算、可信执行环境、差分隐私等技术将深度融合，形成面向不同场景的隐私计算解决方案。未来三年，隐私计算将在金融联合风控、医疗健康数据分析、政务数据共享开放等领域实现规模化部署，成为构建数据可信流通基础设施的基石。

三、产业形态的重构：新赛道、新物种与新竞合

技术体系的代际跃迁，必然引发产业形态的深刻重构。产业链的边界变得模糊，新的商业模式和价值空间被不断开辟，参与者的角色和竞合关系也发生着剧烈变化。

（一）软件价值重定义与商业模式创新

软件的价值不再仅仅取决于其功能的多寡，更在于其内嵌的智能水平、数据洞察能力和对业务决策的直接贡献。

1、软件定价模式从“按席位/功能”转向“按价值/成效”。SaaS模式仍是主流，但其计价基础正在演变。基于API调用次数、基于AI模型推理的计算量、基于业务成效（如通过AI减少的损耗、提升的转化率）的定价模式开始出现。特别是AI智能体，其价值体现在为业务完成的“任务”和“目标”上，传统的按许可证收费模式将难以适用。

2、模型即服务（MaaS）重塑云服务市场格局。云服务商的竞争焦点正从IaaS层的算力价格、PaaS层的开发效率，转向MaaS层的模型能力和服务生态。谁能提供最丰富、最强大、最经济的预训练模型，谁能提供最便捷的模型微调、部署和推理服务，谁就能在下一阶段的竞争中占据核心生态位。这将对传统数据库、中间件厂商构成巨大挑战，也催生了专门提供模型优化、压缩、部署工具链的创业公司。

3、智能体成为新一代软件形态和应用入口。应用程序正在从“需要用户手动操作的图形界面”演变为“能够自主理解意图并代为执行任务的智能体”。未来的软件使用，可能不再是打开一个个App，而是通过一个统一的AI助手，调度无数个后台运行的智能体，协同完成复杂任务。这将彻底颠覆用户获取信息和服务的入口，搜索、电商、社交、办公等领域的竞争格局或将因此重塑。

（二）产业链核心环节的价值迁移

随着基础设施的夯实和技术的普及，价值创造的中心正在发生迁移。

1、硬件层：算力需求呈现多元化与场景化。通用CPU的增长放缓，而面向AI训练的GPU、面向推理的NPU、面向特定领域的DPU（数据处理单元）和各类专用加速芯片将百花齐放。同时，随着边缘计算的普及，低功耗、高性能的边缘计算芯片和模组需求激增。芯片设计也从单纯追求制程工艺领先，转向架构创新、先进封装（Chiplet）和软硬件协同优化。

2、平台层：平台经济进入“2.0”阶段。传统以流量分发和交易撮合为核心的平台，正在向以数据和智能为核心的“智能平台”演进。这些平台的核心资产是它们拥有的独特行业数据和基于此训练的专用模型。它们不仅连接供需，更通过AI深度介入生产和服务流程，定义行业标准和规则。例如，一个出行平台，未来可能不仅派单，还能通过AI模型预测交通流量、调度自动驾驶车队、优化能源补给策略。

3、应用层：垂直行业的深度智能化红利全面释放。通用大模型的能力需要通过行业数据和业务知识进行微调和增强，才能真正落地创造价值。因此，深入理解行业痛点、拥有高质量行业数据、能够将AI与业务流程无缝集成的垂直领域解决方案提供商，将成为价值创造的新高地。无论是金融、医疗、制造、能源，还是政务、教育、文娱，都将迎来一轮由AI驱动的深度智能化重构。

（三）全球竞合新格局：标准、生态与主权

技术竞争的背后是标准之争、生态之争，更是数字主权之争。

1、全球技术标准体系呈现多元博弈态势。在6G、AI伦理与治理、数据跨境流动等关键领域，各国和地区纷纷提出自己的主张和标准，全球统一的共识形成面临挑战。企业需要具备应对多套标准体系的能力，并积极参与国际标准制定，以争取话语权。

2、科技生态的“极化”与“去中心化”并存。一方面，由头部企业构建的、涵盖芯片、框架、模型、应用的垂直一体化生态，其主导地位短期内难以撼动，呈现出“极化”效应。另一方面，随着开源模型能力的快速提升和开发工具的普及，面向特定领域、特定区域的“小生态”也在蓬勃发展，呈现出“去中心化”的活力。

3、数字技术成为地缘政治博弈的前沿阵地。半导体供应链、人工智能技术、数据主权、网络安全等领域日益成为国家间竞争与合作的焦点。各国纷纷出台相关政策，旨在提升自身数字基础设施的韧性、确保关键技术自主可控、维护本国数据主权与安全。这要求企业在全球化布局中，必须具备更强的风险合规意识和供应链管理能力。

四、行业关键议题与应对策略：挑战中孕育新机

在迈向智能数字基础设施的征途中，行业也面临着前所未有的挑战。正视这些挑战并找到有效的应对策略，是确保行业健康、可持续发展的关键。

（一）算力鸿沟与能源挑战

AI模型的规模持续增长，对算力的需求呈指数级攀升，导致两大突出问题。

第一，算力获取成本高昂且高度集中，可能加剧技术鸿沟。大型科技公司和资金雄厚的国家能够负担得起顶尖的算力集群，而中小企业和欠发达地区可能被边缘化。

应对策略在于推动算力普惠化。一方面，需要大力推动算力网络的建设，实现闲置算力的共享和调度，降低算力获取门槛。另一方面，算法创新（如模型稀疏化、量化、蒸馏）和专用芯片的进步将持续降低模型训练和推理的单位成本。此外，云服务商的MaaS模式和算力租赁服务，也为中小企业提供了按需获取先进算力的途径。

第二，巨大的能源消耗带来环境可持续性挑战。训练一个巨型AI模型的碳排放量可能相当于数辆汽车一生的排放量。

应对策略在于发展绿色算力。这包括提升数据中心的能源效率（PUE），广泛应用液冷、自然冷却等节能技术；优化算法和模型架构，追求在更少算力、更少数据条件下的模型性能；积极采用风电、光伏等清洁能源为数据中心供电；以及探索新型计算范式（如光子计算、量子计算）在能效方面的突破潜力。

（二）模型可信与治理困境

AI系统的“黑箱”特性及其潜在的偏见、歧视、错误，引发了深刻的信任危机和治理难题。

首先，如何确保AI决策的公平性与可解释性？尤其在医疗、司法、金融等高风险领域，用户和监管机构有权了解决策的依据。

应对策略是构建贯穿AI全生命周期的可信AI治理框架。这要求从数据采集阶段开始，就关注数据的代表性和公平性；在模型训练中，引入公平性约束和可解释性模块；在部署应用后，建立持续的监控和审计机制，确保模型的输出符合预期。法规层面，需要明确AI应用的责任主体，建立风险分级管理制度。

其次，如何防范AI的滥用和恶意使用？深度伪造、自动化网络攻击、大规模信息操控等新型安全威胁已经出现。

应对策略是发展以AI对抗AI的安全技术。利用AI模型进行深度伪造检测、异常流量识别、对抗性攻击防御，构建主动智能的安全防御体系。同时，需要加强国际合作，共同制定打击AI滥用的法律法规和行为准则。

（三）数字主权与数据治理的复杂性

数据作为核心生产要素，其主权归属和治理规则成为全球关注的焦点。

一是数据跨境流动的规则碎片化。各国基于安全、隐私、产业发展等考量，对数据出境施加了不同的限制，给跨国企业的全球运营和数据协同带来了巨大合规成本。

应对策略是推动形成多层次、多边的数据治理框架。企业需要建立精细化的数据分类分级体系，明确哪些数据可以流动、流向何处、需遵循何种规则。技术上，隐私计算等“数据可用不可见”的技术，为解决数据流动与隐私保护的矛盾提供了可行方案。国际层面，需要探索基于互信的数据空间或数据共享协议，在保障安全的前提下促进数据的合规流通。

二是技术供应链的安全与韧性。从芯片、操作系统到关键软件，全球技术供应链的脆弱性在地缘政治和突发事件面前暴露无遗。

应对策略是构建多元化和有韧性的供应链。对于关键核心技术，需要加强自主研发和创新，形成必要的备份方案。同时，推动建立更紧密的产业联盟和区域合作，实现供应链的多元化布局。在采购和开发环节，强化对软件物料清单和供应链安全风险的审查与管理。

（四）人才结构性短缺与技能重塑

行业的快速变革对人才的知识结构和技能提出了全新要求，结构性短缺问题日益突出。

一方面，既懂AI算法，又懂行业业务，还能进行系统架构的复合型人才极度匮乏。另一方面，AI正在替代大量程式化的编程和数据处理工作，对现有劳动力的技能提出了重塑的迫切要求。

应对策略是构建终身学习和产教深度融合的人才培养体系。高校需要更新课程体系，增设AI与各学科交叉的专业方向。企业需要加大内部培训投入，建立员工技能提升和转岗机制。更重要的是，需要培养人机协作的能力，使人类工作者能够有效利用AI工具，发挥其在创造力、批判性思维、情感沟通等方面的独特优势。未来的核心竞争力，在于驾驭AI的能力。

五、未来展望：迈向万物智联与虚实共生的新文明

展望2026至2028年乃至更远的未来，信息传输、软件与信息技术服务业的发展将引领人类文明迈向一个全新的阶段。这是一个物理世界与数字世界深度融合、万物具备感知与智能、虚实之间能够实时交互与映射的新纪元。

智能将像空气一样无处不在