算力产业下一程：从千人一面走向千行千算

当前，全国算力基础设施建设持续推进，但“重部署、轻适配”的问题正逐渐显现。一些算力中心在底层架构到上层服务方面高度相似，向市场统一提供通用的智能算力池和标准化模型工具包，导致拥有算力资源的产业用户反而面临“有算力却不知如何有效使用”的困境，这也在一定程度上加剧了算力资源利用的冷热不均。据中国信通院数据，2025年国内智能算力供给达38亿卡时，实际使用量仅14亿卡时，整体使用率只有36.8%。

这种同质化建设的背后，实际上是对AI算力商业逻辑的误判。互联网时代的软件产品可以“一次开发、无限分发”，用户越多，边际成本越低，流量收益也能不断摊薄前期投入；但AI推理服务并非如此：每次Token调用都会真实消耗GPU显存、电力以及硬件折旧，规模扩大并不会自动带来边际成本的大幅下降。

更值得关注的是，公开数据显示，中国日均Token调用量已从2024年初的1000亿攀升至2026年3月的140万亿，两年间增长超过千倍。问题在于，如果业务主要集中在零散的通用问答上，调用量越高，越难积累高价值的行业数据资产，同时还会推高硬件能耗和折旧成本，容易形成收入难以覆盖硬件成本的倒挂局面。部分仅从事通用智能算力租赁的地方智算中心持续亏损，正是这一逻辑的体现。如果继续沿用“什么算力都承接、什么场景都尝试”的粗放扩张方式，重复建设的算力网络将面临更大的闲置压力。

不同行业对算力的底层需求差异极大，无法用同一套集群方案来兼容。

在气象数值预报场景中，高并行双精度计算是首要需求，稳定性和计算精度的优先级高于FP16峰值算力；在航空工业领域，飞行器气动外形和流体力学仿真依赖大规模多物理场耦合计算；即便是在通用人工智能领域，训练场景更看重高带宽低延迟的RDMA网络，推理场景则更关注单位算力的性价比，二者在芯片选型和集群架构设计上也不能一概而论。试图用一套通用方案覆盖所有行业需求，本质上是用通用服务器运行行业专用计算任务，效率损耗从一开始就难以避免。

破解算力网重复建设的一个重要思路，或许不是继续铺设更多通用智能算力节点，而是走“垂直深耕—案例沉淀—产品复用”的差异化路径：放弃“什么都想做”的贪大思路，聚焦几个熟悉的垂直赛道，先与核心标杆客户共同打磨出适配行业特殊需求的算力优化方案，将零散的服务经验沉淀为可复制的产品化模块。一旦方案具备跨企业复制能力，就能跳出“做一单算一单”的项目制陷阱，通过规模效应摊薄定制化成本，最终形成“行业适配越深、算力使用效率越高、单位成本越低”的正向循环。

算力产业的下半场，比拼的或许不是谁的机架更多、谁的总算力更大，而是谁能真正深入行业场景，把智算能力拆解并重新组装成适配不同行业需求的“专用算力积木”。从“千人一面”的通用智能算力池走向“千行千算”的垂直化服务，是算力基础设施从“重建设”迈向“真正创造产业价值”的重要路径。

（文章来源：证券时报网）

(原标题：【e公司观察】算力产业下一程：从“千人一面”走向“千行千算”)

(责任编辑：3)