中国国家发改委以 2.8 倍 AI 算力增长领跑科技新闻，但利用率才是真正考验

中国国家发展和改革委员会在 7 月 31 日的发布会上表示，智能算力同比增长 2.8 倍。这一数字让中国 AI 基础设施成为全球科技新闻的焦点。然而，更大的问题已不再是中国部署加速器的速度，而是这些系统能否为模型和实际应用提供可靠、可负担的计算能力。

国家发改委将多项进展呈现为同一产业体系的组成部分。中国启用了首个国产 10 万卡人工智能超级集群。国内企业发布了多个参数规模达到或超过万亿的开放模型。据该委员会称，中国模型在全球的累计下载量也已突破 100 亿次。

这些说法出台之际，出口限制仍在限制中国获取 Nvidia 最先进处理器。它们表明，国产芯片、大规模集群、开放模型和全国调度网络正开始相互强化。不过，仅凭算力数据还无法证明该体系在利用率、软件支持或经济回报方面可与领先的 Nvidia 基础设施匹敌。

这种差异构成了核心矛盾。中国已经证明，自己能够以国家级规模整合 AI 资源。现在还必须证明，这些资源能够高效协同，足以服务开发者、研究人员和企业。

中国科技新闻如今关注的是系统，而非单一模型

国家发改委的公告描述的是一套整合的 AI 生产体系，而非又一次孤立的模型发布。

国家发改委新闻发言人姜毅将中国上半年的进展分为算力、模型和数据三部分。7 月发布会称，截至 6 月 30 日，全国智能算力达到上年同期的 2.8 倍。智能算力是指为训练和运行 AI 模型优化的基础设施，通常依靠高度并行的加速器。

该委员会还表示，中国已建设超过 12 万个高质量数据集，并将这些数据集与不断增长的算力和新的国产模型联系起来。这种表述很重要，因为没有任何单一组件能够造就具有竞争力的 AI 产业。

一个模型需要合适的芯片、高速网络、存储、开发软件以及可获取的训练数据。它还需要推理算力，用于在训练结束后处理用户请求。任何一层的薄弱，都可能削弱其他所有投资的价值。

中国首个国产 10 万卡集群为这一战略提供了实体中心。Sugon 8000 系统将大量国产加速器连接起来，作为统一协调的计算资源使用。它在同一基础设施中结合了科学计算与低精度 AI 处理。

该系统通过中国国家超级计算网络郑州核心节点投入运行。运营方称，其在首周便达到满负荷状态，每日任务量超过 15 万项，单日峰值超过 50 万项。

这些数据需要谨慎解读。一项任务可能只是小型测试，也可能是规模庞大的建模工作。因此，任务数量并不能提供标准化的有效 AI 产出衡量指标。

尽管如此，早期工作负载表明该集群已有即时用户。这比举行仪式性启用后闲置数月更具参考价值。据报道，该系统支持模型训练、高吞吐量推理、工业仿真和科学研究。

该集群的“国产”定位涵盖的不只是加速器。其开发方描述了一条本地开发的产业链，覆盖芯片、计算节点、存储、网络、冷却、应用和服务。这种纵向协同可以减少对海外供应商的依赖。

国家发改委还将这一基础设施进展与 DeepSeek、Moonshot AI 及其他中国开发者的模型发布相联系。它将多项发布描述为参数规模达万亿级的开放模型。参数数量是指训练过程中学习得到的可调节数值，但并不直接决定模型质量。

这一限定愈发重要。稀疏混合专家架构可以包含极其庞大的总参数量，但每个 token 只会激活其中一部分。模型规模、活跃参数、训练数据、推理成本和基准测试表现必须结合评估。

该委员会提出的 100 亿下载量则提供了另一项覆盖范围信号。下载量可能反映试验、自动镜像、衍生项目或重复获取，并不等同于活跃用户或生产部署。

即使存在这些限制，整体图景依然重要。中国正尝试将国产硬件、开放模型分发、数据资源和国家调度网络连接起来。其结果更像是一项基础设施战略，而非传统的产品周期。

2.8 倍这一数字让国产 AI 芯片面临压力

算力快速增长提高了对国产加速器的期待，但已安装的计算能力不等于可用的计算能力。

国家发改委在给出 2.8 倍对比的同时，并未公布 6 月的绝对算力数据，也没有说明分母、测量范围或统计覆盖范围的变化。这些缺失使国际比较变得困难。

中国国家数据局发布的另一份算力快照显示，截至 2026 年 3 月，中国 FP16 精度的智能算力达到 188 万 PFLOPS。FP16 是一种广泛用于 AI 工作负载的 16 位数值格式。

该报告称，超过 80% 的总算力集中在八个国家算力枢纽中；全国一体化算力网监测调度平台已接入 137 万 PFLOPS，约占总算力的 72%。

这些数据确立了规模，但并未厘清 7 月发布会的统计方法。年度倍数可能因设施新增硬件、统计范围扩大或定义变化而上升。有意义的性能评估需要两个时期采用一致的衡量标准。

压力如今落在国产 AI 芯片供应商及其软件合作伙伴身上。建设大型集群考验的远不止加速器供应。运营方必须协调网络、存储、故障恢复、编译器、通信库和工作负载调度。

在 10 万卡规模下，微小的低效都会变得昂贵。通信瓶颈可能使数千个加速器处于等待状态。频繁的组件故障可能中断长时间训练任务。即使表面需求强劲，糟糕的调度也会让算力闲置。

Sugon 8000 展现了这一工程挑战。其公开规格显示，系统包含 30 亿个电子元器件、超过 1,600 公里的线缆，总重量达 1,500 吨。如此复杂的物理结构使可靠性成为核心性能指标。

该系统还采用相变浸没式冷却。计算设备置于一种含氟液体中，组件升温时液体沸腾，蒸汽随后进入冷凝器，并在闭环循环中恢复为液态。

冷却至关重要，因为大型 AI 集群内部的功率密度急剧上升。输送至加速器的电力会转化为热量，运营方必须将其排出。若冷却或供电系统出现波动，一个在短期测试中表现良好的集群仍可能难以承受持续工作负载。

中国运营方还面临额外的软件问题。Nvidia 的优势不仅在于芯片，还包括 CUDA、各类库、开发者工具以及大量经过优化的应用。国产替代方案必须支持现有框架，同时建立自身可靠的工具链。

因此，模型可移植性是衡量中国 AI 基础设施的决定性指标。一个能在某款国产加速器上运行的模型，迁移到另一款上可能需要大量工作。碎片化的硬件和软件接口会使名义上的算力更难整合。

国家发改委称，国产模型与国产算力芯片的适配正在加快。这是一项被报道的政策判断，并非独立的兼容性基准测试。开发者需要在训练和推理工作负载上获得可复现的证据。

有用的测试应比较训练时间、单位能耗处理的 token 数、推理延迟和故障恢复能力。总体拥有成本同样重要。机构购买的是计算服务，而非理论算术能力。

2.8 倍的增长使这些测试更加紧迫。如果利用率仍然偏低，快速建设将造成昂贵的库存问题。如果利用率与可靠性同步提升，国产芯片便能获得迈向更广泛采用的可信路径。

10 万卡集群改变了中国的基础设施战略

Sugon 8000 将国产算力从采购目标转变为全栈协同的考验。

中国多年来一直运行大型超级计算系统。这里的变化在于规模、国产供应、AI 工作负载以及与国家资源网络连接的结合。

一个 10 万卡超级集群并不只是十个各配备 1 万个加速器的集群。规模扩展会在通信、存储访问、调度和故障管理方面引入非线性问题。每增加一个节点，潜在故障点的数量都会扩大。

据报道，该集群部署同时支持高精度科学计算和低精度 AI 处理。这种混合设计扩大了运营方可分配给系统的工作负载范围。

科学仿真通常需要精确的数值计算。大模型训练则通常偏好低精度格式，以更少的内存和能耗处理更多操作。支持这两类任务，有助于在需求变化时提高利用率。

据报道，该系统已完成超过 20 个行业、300 多项应用适配。列出的工作负载包括天气建模、材料研究、能源勘探、生物医学、流体仿真和模型训练。

这些应用之所以重要，是因为工业需求不同于消费级聊天机器人的流量。一个天气模型可能需要大批量计算和广泛的科学数据。工业影像工作负载可能需要专用代码，并需依据物理测量结果进行验证。

该集群与国家超级计算网络的连接，也改变了用户可能访问它的方式。中国希望将各数据中心的算力汇聚起来，并在不同地区之间调度工作负载，而不是将每个数据中心视为孤立资产。

国家网络于 2024 年 4 月启动。官方报告称，该网络目前汇聚了超过 350 万个 CPU 核心和 25 万张 GPU 或计算加速卡，累计用户超过 140 万。

这一网络可降低高校、小型企业和研究团队的进入门槛。用户无需购买整个集群即可测试模型。共享访问也能揭示，当开发者需要时，宣传中的算力是否真正可用。

然而，地域分布本身也带来限制。将大型训练数据集在不同地区之间迁移会消耗带宽和时间。数据驻留规则可能限制传输。延迟也使远距离基础设施不太适合交互式推理。

中国更广泛的算力网络源于2022年启动的“东数西算”工程。该政策引导工作负载流向土地和能源资源更充足的西部地区。

这一做法最适合对延迟不敏感的任务，例如批量训练和部分科学计算工作负载。对于需要在人口中心附近即时响应的应用，它的适配性则较弱。边缘和城市算力仍不可或缺。

因此，国家数据局强调国家枢纽、城市设施、电网和通信网络之间的协同发展。该机构预计，推理需求将远大于训练需求。

这一变化正在改变基础设施设计。训练会在特定时期集中产生极其庞大的工作负载。推理则将较小的请求分散到不同应用、地点和时区。它更看重可用性、低延迟和软件效率。

Sugon 8000作为共享服务的意义，或许会大于其作为超大规模机器的意义。它真正的贡献取决于外部用户能否持续运行有价值的工作负载。公开的卡数无法回答这一问题。

这也是为什么该集群改变了主要科技新闻叙事。中国已不再只是展示单个国产组件，而是在尝试将这些组件运营为可访问的国家级服务。

开放模型将基础设施转化为分发渠道

DeepSeek和Moonshot AI为中国的算力投资提供了分发渠道，但下载量仍是不完整的采用指标。

只有当软件实际使用硬件算力时，硬件容量才能创造经济价值。中国的开放模型开发者可以提供这种需求，同时鼓励开发者为国产基础设施优化应用。

DeepSeek已经展示了开放分发模型权重如何扩大全球关注度。开发者可以下载、检查、调整和部署开放权重模型，而无需将每一次请求都经由单一供应商的托管接口。

Moonshot AI则为这一基础设施叙事增加了另一家重要的国内模型开发商。其产品高度聚焦于长上下文处理和面向智能体的工作流。这些工作负载一旦大规模部署，能够持续产生推理需求。

国家发展和改革委员会将DeepSeek、Moonshot AI以及万亿参数模型发布纳入关于自主创新的更广泛论述。这一政策框架强调对模型开发和算力供给的双重国内掌控。

开放分发之所以有帮助，是因为它允许大学和企业为专业任务修改模型。制造商可以为维护记录调整模型。科研实验室可以将模型连接到科学数据库和仿真工具。

它也对国内芯片厂商形成压力。热门模型会成为硬件公司无法忽视的兼容性目标。若想承接这些工作负载，厂商必须提供经过优化的运行时、内核和部署文档。

这可能形成一个强化循环。更易获得的模型带来更多实验；更多实验产生对平价算力的需求；更大的需求又促使基础设施运营商改善工具和调度。

但100亿次下载这一里程碑不应被视为100亿用户。模型仓库可能会统计重复下载、自动化系统、镜像和单独文件。一个模型包也可能包含多个权重变体。

生产环境采用需要不同的证据。相关指标包括托管请求量、企业部署、开发者留存率以及衍生应用的数量。模型服务带来的收入也将提供另一项信号。

同样的谨慎也适用于万亿参数的说法。模型更大并不自动意味着更准确或更有用。架构和激活模式决定了每次请求实际运行多少模型。

推理效率将变得愈发重要。企业关注响应质量、延迟、隐私和运营成本。它们很少会因为模型的宣传参数规模惊人，就从激活不必要的参数中获益。

开放模型也带来治理问题。自行部署权重的组织需对安全控制、数据处理、评估和监控负责。分发速度可能快于机构监督。

对知识工作者而言，直接影响将通过应用而非基础设施统计数据显现。更多国内算力可支持本地搜索、文档分析、编程助手、科学智能体和工业自动化。

开发者应关注模型发布是否为国产芯片提供成熟的部署路径。一系列非官方社区移植版本，与受支持且经过优化的运行时并不相同。兼容性质量将影响采用。

企业采购方也应考察可移植性。他们需要了解应用能否在不同加速器系列之间迁移，而无需大幅重写。即使在国产技术栈内部，锁定效应仍然可能存在。

因此，开放分发将政策投资与真实用户连接起来，但并不保证部署高效。下一阶段取决于模型质量、开发者工具和工作负载经济性。

增长数据尚不足以证明经济效率

中国的AI指标显示出发展势头，但它们将产量、出口、容量和下载量混合在一起，无法揭示投资回报。

国家发展和改革委员会表示，AI相关产业在上半年保持了30%以上的增长。有关中国工业表现的报告特别指出了智能车载设备制造等领域。

该委员会还报告称，规模以上工业企业的集成电路产量同比增长23.1%。根据该简报，月度产量在整个第二季度均创下纪录。

同期，集成电路出口增长88.7%。该委员会表示，这些出口对货物出口总额的增长贡献接近三分之一。

相关官方贸易数据也显示，集成电路出口额增长88.7%。该数据将芯片置于高技术产品和电子元器件整体增长的更大背景中。

这些数据支持半导体活动正在扩张的判断。但它们并不能证明每一枚出口芯片都是先进AI加速器。集成电路包括存储器、模拟元件、控制器、处理器以及许多其他产品。

产量增长也可能与价格压力或库存累积并存。产量单位数无法揭示盈利能力。出口额也无法揭示利润率、技术水平或每种产品的国内成分占比。

同样的问题也影响算力容量。只有当客户以可持续的频率使用系统时，数据中心才具备经济生产力。已安装硬件可能迅速折旧，而软件和模型需求仍在不断变化。

利用率数据将有助于厘清图景。运营商应披露有多少加速器时间被预订、作业失败频率以及用户等待时长。每个已完成工作负载的能耗将是另一项有价值的指标。

电力可用性代表第二个不确定因素。大型集群需要可靠的电力供应和充足的冷却能力。除非算力与能源规划同步推进，快速建设可能会给当地电网带来压力。

中国西部算力枢纽能够获得土地和可再生资源，但与许多用户距离较远。网络质量、电力调度和工作负载部署必须协同运作，否则地理优势可能被传输延迟抵消。

国家发展和改革委员会的科技新闻叙事强调相互促进的进展。这一解读具有合理性，但公开数据仍更偏向投入端。卡、数据集、模型参数和下载量描述资源的能力，强于描述成果。

独立基准测试将强化这一论证。研究人员需要在国产和国外硬件之间进行可比测试，包括真实模型工作负载。结果应报告软件版本、精度格式、失败率和能耗。

商业证据同样重要。来自制造商、云客户、实验室和应用开发者的持续需求，能够显示基础设施是否解决了真实问题。补贴或政策导向的使用则提供较弱的市场信号。

这并不意味着报告中的增长不重要。在供应受限的条件下建设一体化国产AI基础设施，是一项重大的工程任务。需要谨慎的是，这些数字究竟能证明什么。

它们证明了中国能够高速调动资本、供应商和公共基础设施。它们表明国内模型在国际上拥有广泛影响力。但它们尚未证明同等的效率、可靠性或财务表现。

容量与生产率之间的这一差距，是本文的主要对手。它将决定当前扩张会成为持久基础设施，还是一场代价高昂、追逐宣传规模的竞赛。

未来三个月应揭示什么

三个信号将显示，中国的AI建设是否正成为富有生产力的算力市场，而非一批大型设施的集合。

第一个信号是Sugon 8000及互联国家平台的透明利用率数据。作业数量可作为起点，但用户需要关于已占用加速器小时数和已完成工作负载的标准化信息。

可靠性数据尤其有价值。运营商可以报告中断作业、平均恢复时间以及持续训练期间的性能。强劲结果将强化国家发展和改革委员会关于国产全栈基础设施正在成熟的说法。

薄弱或缺失的报告并不能证明性能不佳。但它会让最重要的主张悬而未决。在这一规模下，运营透明度比又一次峰值容量公告更重要。

第二个信号是在国产加速器上经过验证的模型性能。DeepSeek、Moonshot AI和其他开发者应发布可复现的部署结果，覆盖多个芯片系列。

这些结果应涵盖训练吞吐量、推理延迟、内存使用和能耗，还应注明编译器、框架和通信库版本。可复现性将帮助开发者区分工程进展与宣传性说法。

广泛兼容性将强化中国的基础设施战略。它将表明开发者可以在不同硬件之间迁移模型，而无需过多定制工作。持续的碎片化将削弱全国汇聚算力的价值。

第三个信号是来自付费或独立决策用户的需求。企业部署、云端消耗和持续推理量，比下载量本身提供更有力的证据。

制造业提供了一个有用测试。工业企业需要能够围绕生产计划和专有数据可靠运行的系统。它们不会仅为满足国产采购目标而容忍频繁故障。

科学计算提供了另一项测试。天气预报、材料发现和生物医学模拟都需要可验证的结果。成功部署能够证明超越聊天机器人基准测试的能力。

读者还应区分国家算力能力与企业竞争力。国家基础设施可以降低国内开发者的门槛，但无法保证每一家模型提供商或芯片供应商都能建立可持续的业务。

对开发者而言，实际问题在于国内系统是否能缩短部署时间。对企业采购方而言，关键在于它们是否能降低风险和总体运营投入。对政策制定者而言，则在于共享基础设施能否将使用机会扩展到大型既有企业之外。

中国据报实现了 2.8 倍增长，这使其成为今年最具影响力的科技新闻之一。它将产业政策、半导体限制、开放模型和国家基础设施汇聚于一项可量化的实验之中。

下一个里程碑不应只是更大的卡数规模，而应是证明现有系统能在不同工作负载下持续保持繁忙、可靠且经济。

关注运营数据，而不只是发布公告。比较国内芯片所支持模型的性能。随后观察是否有客户无需依赖特殊补贴或工程协助，便能使用这些系统。

这些信号将揭示，中国究竟建成了充足的 AI 算力，还是一个真正运转的 AI 计算市场。这一区别将塑造国内创新，也将影响其与全球以 Nvidia 为中心的基础设施之间的竞争。