中国算力网络推进面临严峻利用率考验
中国于 9 月 11 日将算力网络提升至国家议程的更高层级，但仅靠建设更多数据中心，无法解决其 AI 基础设施问题。中国算力网络如今面临更严峻的考验：如何将分散、异构的硬件转化为客户能够以合理成本使用的算力。
国务院总理李强主持的国务院常务会议将该网络定位为人工智能的基础支撑。会议还要求统筹规划、高效利用、市场化发展和绿色低碳运行。这一表述将利用率与建设并列，而非将已安装容量视为衡量进展的主要指标。
会议召开时机颇具启示性。会议恰逢中国算力大会在北京附近的重要数据中心枢纽廊坊举行。参会厂商表示，市场对国产基础设施、存储协同、散热以及提升加速器性能的软件兴趣浓厚。
这些反馈表明，市场正在发生转变。在技术出口限制背景下，硬件供应仍具有战略重要性。然而，商业瓶颈正转向软件兼容性、工作负载调度、存储吞吐量、网络能力和能源效率。
中国已通过“东数西算”工程建设了可观的算力规模。下一阶段不再只是把另一台服务器放进另一座设施，而是要让遥远且不兼容的资源像一项可靠服务那样协同运转。
中国算力网络政策从容量转向协同
国务院的决定将协同利用确立为国家目标，而不是数据中心建成后才附加的可选功能。
李强总理于 2026 年 9 月 11 日在北京主持会议。根据官方国务院常务会议纪要，国务院研究了建设算力网络相关工作。
官方表述将算力网络描述为 AI 发展的基础支撑，并要求加强统筹、合理布局，按照需求有序建设。同时，会议强调高效利用、市场机制、绿色发展和安全保障。
这一组合至关重要。国家基础设施项目通常从实体容量起步，因为建筑和设备能够提供直观的进展指标。但 AI 工作负载暴露了这种思路的局限。
一个加速器集群可以登记为资产，却依然难以实际使用。硬件可能缺少成熟的软件库、高速存储、可靠网络或兼容的调度工具。客户也可能发现，将数据迁移到远程集群所耗费的时间，比计算本身节省下来的时间更多。
中国算力网络意在弥补这些缺口。它寻求连接由不同提供商拥有、位于不同地区、并基于不同处理器架构构建的计算资源。最终，用户应能够通过标准化服务发现、申请和使用算力。
中国工业和信息化部在其互联互通行动计划中描述了这一模式。该计划以共享标识、标准、规则和公共算力资源服务平台为目标。
其 2026 年目标包括加强算力节点之间的连接，并统一接入头部提供商的资源。计划还提出推进算力、存储和网络服务之间的协同。
到 2028 年，工信部希望通过标准化系统实现公共算力的广泛互联。设想中的网络将识别可用资源，并在用户需要时提供服务。
中国还开始构建被称为“1+M+N”的国家节点架构。在这一模式中，一个国家级平台连接多个区域和行业节点。该机制旨在对跨地点、跨所有者和跨架构的资源实现标准化。
这一框架解释了为何 9 月 11 日的会议不仅仅是又一次关于数据中心投资的宣布。政府正推动该行业转向一种运营模式，在这种模式下，可用产出与已安装设备同等重要。
官方声明没有公布新的预算、建设时间表或采购清单，也没有点名具体厂商。因此，其直接影响更多是方向性的，而非合同性的。
即便如此，这一表述为各部委、地方政府、国有企业和基础设施运营商设定了优先方向。它们的执行决策将决定新增支出是流向建筑设施，还是流向让现有资产发挥生产力的系统。
AI 基础设施订单正跟随效率问题而来
行业访谈显示，客户正在投入资金，是因为国产算力仍难以运营，而非每一种容量短缺都需要新增硬件。
最强烈的商业信号来自 9 月 11 日至 9 月 13 日参加廊坊大会的供应商。其相关评论在国务院会议后被报道，将政策方向与展会现场的活动联系在一起。
Yanrong Technology 的一名代表告诉记者，政府、企业和国有客户对国产 AI 基础设施的需求正在增强。该代表表示，采购标准已超越设备品牌和单项性能规格。
据该公司介绍，客户如今会考察架构兼容性、规模化性能、供应链安全和全生命周期运营成本。他们还会关注每秒生成的 token 数、首 token 时间以及每个 token 的成本。
这些都是推理经济学指标。token 是语言模型处理的一个小单位，而首 token 时间衡量系统开始响应的速度。这些指标共同反映，高成本基础设施能否以可接受的成本产出有用工作。
这一转变很重要，因为硬件峰值规格很少能够描述生产环境下的性能。一个集群在基准测试中可能表现出竞争力，但在跨多个加速器运行真实模型时却可能遇到困难。网络拥塞、存储延迟、内存限制和软件开销都可能降低实际产出。
Qingcheng Jizhi 联合创始人石天慧向财联社表示，市场为算力优化付费的意愿很高。他将这一需求归因于高效使用国产算力硬件的难度。
该报道的行业访谈将优化描述为实际订单的来源。不过，报道未提供经审计的订单金额、客户数量、合同期限或已确认收入。
这一差异应当影响对市场的任何解读。厂商访谈可以揭示客户正在讨论的问题，但无法证明全国行业层面的需求规模或持续性。
不过，这一采购逻辑是可信的。中国国产加速器市场包含多种架构、软件环境和兼容层。一个模型在某一系统上运行良好，可能需要经过工程适配，才能在另一系统上实现高效性能。
优化供应商通过软件和系统集成来弥补这一缺口。其工作可能包括适配模型算子、改进内存分配、协调存储、平衡任务，以及减少处理器之间的通信延迟。
在大型集群中，存储也会成为性能约束。训练和推理系统需要反复传输模型参数、数据集、中间结果和缓存信息。如果存储无法足够快速地供应数据，加速器就可能处于闲置状态。
Yanrong Technology 向财联社表示，其软件架构在相关部署中将 token 效率提升了逾 120%。这一数字属于公司声明，报道未提供独立基准测试或测试方法。
但这一说法仍说明了客户希望购买什么：他们希望从已安装系统中获得更多模型输出，最好无需通过继续采购硬件来解决每一个软件问题。
散热厂商则从另一角度描述了同样的计算。高密度处理器会产生集中的热量，可能迫使芯片降低运行频率。散热系统也会消耗并不直接生成 token 的电力。
Huifeng Diamond 的一名代表介绍了用于将热量从处理器导出的金刚石铜散热材料。该公司表示，该材料可支持风冷、冷板液冷和浸没式系统。
这些性能声明同样需要独立验证。但它们表明，如今的可服务市场已从芯片和服务器延伸至存储、编排、网络和热管理领域。
对于买方而言，问题已不再只是算力是否存在，而是这些算力能否以可预测的方式、在规模化运行下，以合理的全生命周期成本支撑指定模型。
国产硬件供应正与可用 AI 输出竞争
核心竞争在于已安装的国产算力，以及软件、网络和运营能够从中提取的可用模型输出。
中国的基础设施战略有充分理由支持国产硬件。出口限制削弱了对部分先进海外加速器的获取能力。因此，供应链韧性已成为政府关联买家和企业买家采购决策的一部分。
然而，国产替代也带来了第二重挑战。不同供应商的硬件可能需要不同的软件工具链、模型适配和优化工作。这种碎片化使算力更难整合为统一服务。
随着 AI 活动从训练转向生产推理，这一问题会变得更加明显。训练会在明确项目期间消耗大块算力；推理则需要处理实时请求，因此客户每时每刻都关心延迟、可靠性和成本。
推理还会将技术低效直接转化为商业损失。使用相同设备却生成更少 token 的提供商，将获得更少收入或不得不提高收费。缓慢的首次响应也会让原本能力强大的模型不适合交互式应用。
这种压力有助于解释市场为算力优化付费的意愿。一项额外的效率提升可以改善收入，而无需新增建筑、电力接入或完整集群。
全国性网络或可使这些收益更容易实现。一个标准化市场可以将合适的工作负载调度至其他地区的闲置算力。调度软件则可匹配延迟、架构、能源和数据位置要求。
但算力并不像电器所使用的电力那样可以互换。加速器支持不同的数值格式、软件库、内存配置和通信系统。模型也可能依赖难以迁移的自定义操作。
数据带来了另一项限制。在不同地区之间迁移大型数据集，可能引入传输成本、安全要求和延迟。一些工作负载必须贴近用户、工厂或受监管的信息。
中国早期的“东数西算”战略，试图将东部需求与西部土地和能源资源相匹配。它建立了八个国家算力枢纽和十个数据中心集群，作为这一地理分工的支点。
这种布局最适合能够容忍距离的工作负载。模型训练、离线处理、备份以及部分批量推理可以迁往西部。交互式推理和工业控制则往往需要更低的延迟，因此应更靠近东部用户。
因此，国家网络必须成为一个路由系统，而不只是远距离连接。它需要掌握工作负载需求，以及每项算力资源的实际状态。
政府的长期规划已认识到这一问题。2023年的国家网络框架提出，要统筹算力、数据、算法、绿色电力与安全。
该框架还鼓励按需服务，支持灵活配置和按使用量计费。其中点名的技术包括高速光网络、先进路由、存储、资源池化和跨架构部署。
竞争压力不止来自国内硬件厂商。电信运营商、云服务商、数据中心企业和专业软件公司，都希望掌控客户请求算力的这一层。
中国移动、中国电信和中国联通已运营全国性网络，并拥有庞大的云业务布局。云计算公司带来了调度软件和开发者关系。独立基础设施供应商则可在更分散的硬件基础上提供优化能力。
谁掌握工作负载编排，谁就能影响需求流向哪些设施。这个位置还能够提供有关价格、利用率、模型性能和客户偏好的宝贵信息。
这也是为什么不能仅将中国算力网络理解为一项建设计划。它同样是在尝试定义 AI 基础设施的商业与技术控制平面。
算力优化已成为真正的市场
新兴产品并非原始的加速器使用时长，而是在复杂基础设施栈中交付、可衡量且可靠的 AI 输出单元。
一项有用的算力服务始于资源发现。买方需要知道哪些处理器可用、它们位于何处，以及支持哪些软件环境。
下一层是工作负载匹配。调度平台必须判断一项任务需要低延迟、高内存、低成本能源，还是特定的加速器架构。
随后是执行。平台必须安全地迁移数据、配置环境、拆分工作负载并监控故障。它还必须防止一个客户的任务干扰另一个客户。
最后，服务需要可信的计量和结算机制。客户需要清晰记录所消耗的资源和交付的结果。服务商则需要一种方式，为有用工作收费并补偿基础设施所有者。
中国的互联互通计划涵盖了其中若干层面。它提出统一资源标识符、可互操作接口、多层级平台，以及新型调度服务试点。
该计划还为异构工作负载设定了颇具挑战性的目标。它设想在包含一万张加速器卡的集群之间调度任务，并进一步讨论了针对超大参数量模型的混合训练。
这些目标使算力优化成为基础设施软件。性能工程师不再只是调优单个孤立应用，而是试图跨越行政边界协调处理器、存储、网络和数据。
一个真实的推理任务说明了这一点为何重要。设想一家企业为员工部署文档助手。系统必须检索相关信息、将上下文发送给模型，并快速返回答案。
模型服务商可能在多个设施中拥有算力。一处站点提供了合适的加速器，但面临存储拥塞；另一处拥有低成本电力，但距离用户过远；第三处具备可用容量，却缺少兼容的软件库。
一个有效的网络应在分配任务前评估这些差异，随后衡量响应时间、token 输出、故障率和成本。
知识密集型 AI 应用尤其需要这种协同。一套可搜索的知识库既依赖模型推理，也依赖对相关源材料的快速访问。
即使模型本身运行高效，糟糕的编排也会令检索变慢。如果系统无法保留有用的中间结果，还可能增加重复计算。
行业对 token 输出的关注反映了这一现实。与加速器数量相比，token 更接近 AI 服务的实际产出。然而，它们并不是完美的通用衡量标准。
不同模型每生成一个 token 所需的计算量不同。输入 token 和输出 token 的成本也不同。推理模型生成一条简短回复，所消耗的资源可能比小型系统生成一条较长回复更多。
质量令比较变得更加复杂。一个系统可以快速生成 token，却产生不准确或无用的结果。客户仍需要应用层面的指标，包括任务成功率、可靠性和响应质量。
因此，最可信的优化服务商将把基础设施指标与业务结果关联起来。他们必须证明，某项改变能够降低成本或延迟，同时不损害准确性。
这一要求为独立测试和标准化基准创造了空间。买方需要明确模型、精度、批量大小、输入长度、输出长度和集群配置的对比结果。
缺少这些细节时，百分比提升可能掩盖的信息多于揭示的信息。Yanrong Technology 报告的 120% token 效率提升就是一例。它或许体现了有价值的工程成果，但读者无法仅凭公开报告作出评估。
更广泛的需求信号依然具有意义。客户正要求供应商为跨越数年的总体成本提供依据，而非通过某一项醒目的规格来销售硬件。
这种行为有利于能够跨层整合的公司，也迫使单一产品供应商证明其组件能够在完整生产系统中改善输出。
更多产能仍可能带来低回报
该网络面临的最大风险在于，政策驱动的建设速度超过真实需求，导致昂贵设施利用不足，或与工作负载需求不匹配。
国务院提出合理布局和有序发展，正是承认了这一风险。地方政府有动力吸引数据中心，因为这类项目能够带来投资、基础设施和可见的产业活动。
但如果需求未能到来，一座设施可能成为搁浅资产。如果其处理器、网络或能源特征不符合客户要求，它也可能表现不佳。
中国的算力地理格局增加了复杂性。西部地区通常在土地、可再生能源和散热方面具有优势，而大多数 AI 公司和企业用户仍集中在东部市场。
国家网络可以弥合其中一部分距离，但无法消除延迟或迁移大型数据集的成本。它也无法让每种工作负载都能在所有处理器架构之间移植。
官方数据表明，供给基础增长迅速。2026年7月的一次政策审查报告称，智能算力规模达到188.2万 PFlops，约为一年前的2.5倍。
同一审查称，八个国家枢纽集中了全国超过80%的智能算力，并报告此前两年已建成超过70条重大算力传输线路。
这些算力指标显示了规模，但未揭示平均利用率。它们也没有说明有多少算力能够以具备竞争力的性能支撑生产工作负载。
廊坊提供了一个集中案例。当地政府报告称，该市拥有36个数据中心和超过20万 PFlops 的智能算力。
该市还讨论了算力券，以及覆盖 token、数据和模型的更广泛扶持方案。此类计划可以降低本地用户的初始成本，并吸引企业使用现有基础设施。
补贴可以加快采用，但也会使需求分析更加复杂。获得补贴的工作负载，并不自动意味着客户日后愿意支付全部运营成本。
会议上的供应商评论也带有类似的不确定性。强烈的订单意向可能意味着真实项目，但意向并非已签合同；已签合同也未必意味着已完成部署，而部署也不能保证盈利性的利用率。
能源是另一项限制。算力设施是电力消耗大户，高密度 AI 集群还会增加大量散热负载。电网容量和低碳电力的可获得性，将决定集群能否以经济方式运营。
9月发布的一项国家绿色转型计划提出采用液冷、余热回收、低功耗芯片和智能能源管理。它还鼓励建设单机柜功率密度超过100千瓦的设施。
绿色算力计划寻求在设施全生命周期内实现实时监测和动态调整。这些要求反映出，重点正从建设效率转向运营效率。
安全则呈现另一种权衡。跨区域调度要求平台交换资源信息、工作负载细节以及潜在的敏感数据。更强的连接性会放大薄弱访问控制带来的后果。
国家计划包含网络与数据安全任务，但实施将分布在众多运营商之间。一致的身份管理、审计、隔离和事件响应至关重要。
市场结构也可能成为问题。统一网络承诺更便捷的访问，但主导平台可能控制资源发现、路由和结算。较小的服务商可能不得不依赖大型电信或云运营商制定的规则。
价格透明度将至关重要。买方需要能够跨地区、跨架构比较服务，而不被不兼容的性能单位误导。服务商则需要获得足够收入来维持产能，同时避免鼓励浪费性的重复建设。
国务院通过强调效率和市场机制，设定了正确的检验标准。更艰巨的工作，是拿出证据证明该系统提高了利用率，而非仅仅重新分配补贴。
中国算力推进下一步必须证明什么
三个信号将表明，这项政策究竟会打造高效的国家级服务，还是引发又一轮碎片化基础设施投入。
第一个信号是“1+M+N”节点体系的实施情况。各部委和参与运营商需要公布哪些资源已接入、采用何种标准，以及哪些工作负载可以在它们之间迁移。
仅有名义算力目录还不够。该系统必须能够在真实服务商之间支持发现、调度、执行、监控和结算。成功的跨架构任务将强化政府关于协同的论点。
反复出现的兼容性故障将削弱其效果。这将表明，国家级互联标准仍停留在客户实际遇到问题的软件层之上。
第二个信号是可独立比较的利用率与性能数据。已安装容量应与实际使用量、可用性、token 吞吐量、延迟、故障率和能耗一并披露。
具体指标会因工作负载而异。不过，公开试点仍可披露基准测试配置与结果。这些信息将帮助买家区分真正的优化与供应商有选择性的宣传。
独立证据也将有助于厘清外界所称的计算优化需求。营收增长、续约和重复部署，比会议采访或订单意向更具说服力。
第三个信号是支出是否转向运营瓶颈。除处理器外，采购应日益支持软件适配、存储、网络、散热和能源管理。
这种转变将证实，买家正将 AI 基础设施作为一个集成系统进行管理。若仍持续强调原始加速器总量，则表明旧有的建设激励机制依然占据主导。
开发者应关注哪些环境能够在国产加速器之间实现可移植。可移植性决定了应用投入生产前需要多少工程工作。
企业买家应向供应商索取针对特定工作负载的测量数据。值得询问的指标包括响应延迟、持续 token 输出、故障恢复能力、模型兼容性和总能耗。
基础设施运营商应追踪能够产生收入的利用率，而非已预订的容量。排满的预订日历仍可能掩盖那些始终未能稳定投入生产的工作负载。
知识工作者和 AI 用户同样与这一结果息息相关。更高的利用率可降低推理成本、缩短响应时间，并让更多应用能够使用先进模型。
中国算力网络已经超越了“中国能否建设大型 AI 设施”的讨论阶段。中国已经证明，算力容量可以快速部署。
决定性的问题在于，众多彼此割裂的资产能否作为一个可靠的市场协同运作。这需要标准、软件、可信的测量体系，以及对新设施选址的审慎把控。
未来三个月，应关注国家节点的铺开、独立披露的运营指标，以及面向优化的采购。综合这些信号，将能判断中国是在建设可用的 AI 产出，还是仅仅再增加一层容量。
