數據中心是信息基礎設施中的算力基礎設施。一邊是DeepSeek撬動AI算力需求，數據中心上架率提高，另一邊是微軟、亞馬遜等科技巨頭放緩部分人工智能數據中心項目。全球AI競賽撕開算力一角，算力究竟過剩還是不夠？

多位業內人士日前在接受澎湃科技采訪時表示，DeepSeek出現后推理算力需求增加，計算效率提升，總體算力需求上漲，但同時各地數據中心利用率呈現不均衡狀態，設備老化、供需錯配、垂直生態體系建設不到位等導致部分算力閑置。

伴隨著人工智能的快速發展，業內人士均認為，算力需求是無止境的，長期趨勢仍是供不應求，建不建數據中心的關鍵在于其能否滿足用戶需求。

算力新浪潮

分布式計算包括超算、智算和以云計算為主的通用計算。在數據智能時代，數據計算需求助推云計算崛起，云計算面向社會經濟的各行各業，以計算實現智能。隨著人工智能跨越式發展，中高性能的智算成了炙手可熱的計算資源。

國際數據公司（IDC）發布的《中國人工智能計算力發展評估報告》顯示，2024年，中國智能算力規模達725.3百億億次/秒（EFLOPS），同比增長74.1%，增幅是同期通用算力增幅（20.6%）的3倍以上；市場規模為190億美元，同比增長86.9%。

今年以來，DeepSeek的興起激活了推理算力需求。“在互聯網時代，數據中心提供服務器，以數據交換功能為主。現在數據中心轉型成智算中心，在原有互聯網時代的服務基礎上提供智算算力，滿足人工智能更大的計算需求。”上海超算中心主任李根國表示，這幾年，智算中心建設突飛猛進，大模型特別是DeepSeek的出現，讓之前閑置的數據中心也都活過來了。伴隨社會對于AI接受度的提升，各地都在部署AI，總的來說算力供不應求。”

2023-2024年間，國內“百模大戰”以訓練需求為主，“當訓練需求收斂，基礎模型玩家越來越少，單個用戶用量越來越大，要支撐這樣的客戶，必須具備萬卡以上能力，但大部分廠商沒有，所以千卡、百卡集群全閑置了。”某智算行業專家向澎湃科技介紹說。早些年各地投建智算，的確是一擁而上，這也是造成算力閑置的原因。但DeepSeek出現后，智算利用率反而有所提高。一是訓練算力規模需求有所降低，使得行業模型訓練可以更低的成本開展。二是DeepSeek開源極大促進了場景應用和下游模型改進，讓閑置的千卡、百卡集群也有了用武之地，目前很多地方都算力供不應求。

 “我們原來在做超算，這兩年突然發現智算出現了。智算里一個非常典型的大需求就是大規模訓練，這其實也是一個超算應用，所以智算的需求也在拉動超算的需求。”超算云和智算云算力服務商并行科技AI云聯合創始人、AI云事業部總經理趙鴻冰說。脫胎于高性能計算的超算主要服務于國家戰略，面向航空航天、國防、氣象、石油、制造業、生命科學等領域提供計算服務。

對于目前算力需求的抬升趨勢，上述智算行業專家判斷，“浪潮不會一下子消退，隨著DeepSeek R2的推出和開源，供不應求的現象還會持續一段時間。”他認為，以往數據中心上架率存在需求錯配，根本原因在于軟件迭代速度快于硬件進化速度，從而使得市場整體供需呈現波浪起伏態勢。但從趨勢看，供需波動圍繞的軸線，即人工智能發展曲線長期向好。

饑渴與過剩

“長期來看，人工智能方向沒有錯，長期趨勢一定還是供不應求，但短期內可能會存在錯配和冗余。”該智算行業專家對澎湃科技表示。在他看來，智能算力是智能經濟發展的基礎和瓶頸性制約，需要提前布局，但提前布局就很可能會造成建設浪費，而在產業發展進程中，這種超前建設和浪費又很難避免。

事實上，對于算力來說，饑渴和過剩一直同時存在。

根據沙利文的統計數據，中國數據中心整體的上架率從2019年的53%提升到2022年的58%，相當于四成以上的算力在過去數年里被閑置。

2024年，國家發展改革委聯合有關部門印發的《數據中心綠色低碳發展專項行動計劃》提出，到2025年底，全國數據中心布局更加合理，整體上架率不低于60%。引導智算中心規范化集群化發展，促進存量分散數據中心集約高效轉型。

從全國范圍來看，目前各地數據中心的利用率呈現不均衡狀態。部分發達地區的數據中心由于承載了大量互聯網業務和AI訓練任務，利用率相對較高，甚至接近飽和。而在一些欠發達地區由于業務需求量不足，數據中心利用率相對較低，存在一定的資源浪費現象。

計算需求在東部，能源在西部，因此催生了東數西算。但算力調度不同于電力調度，服務保障能力、數據傳輸成本、帶寬和延遲問題都限制了西部數據中心的上架率。

東部地區要使用西部的服務器必須先傳輸數據，完成計算后結果傳回東部。數據一旦超過一定規模，便凸顯帶寬和延遲問題。“以前生命科學計算和石油勘探計算要用超級計算機計算時，都是人帶著數據飛過來，這是最經濟的方式。”李根國表示，跨域傳輸數據費用高昂，點對點的專線費用一年可達上百萬元，這意味著西部的數據中心要想服務東部需求還存在種種需要跨越的障礙，目前看來用于區域服務是最經濟的。

李根國還提到，以往各地數據中心建設存在同質化競爭，加之建設周期長，“早期建設數據中心就是把老的服務器一排排擺進去，后來發現沒這么多需求，特別是云計算發展以后都使用虛擬服務器了。”到了智算時代，技術迭代周期加快，若跟不上轉型，在使用效率和成本方面將面臨更大壓力。

上述智算行業專家表示，即便是當下算力需求大增的情況下，通用計算算力仍然存在過剩情況。“過往一擁而上建的傳統數據中心，最后要靠自然消化，要么成為云廠商，要么成為云廠商的服務商。但云的自然增長率只有個位數，傳統數據中心還是租不出去。”這是因為這樣的數據中心“不具備市場服務能力”，而更深層的原因在于垂直生態體系建設不到位，云服務能力跟不上。

他表示，數據中心是基礎設施，資源調度和應用服務要依賴軟件服務體系。云廠商自建數據中心，實現IaaS（基礎設施即服務）、PaaS（平臺即服務）一體化服務，是提升用戶體驗的基礎。“只建設IaaS是AI服務器加價分銷模型，沒有系統運維和軟件服務能力，其利潤必然是單薄的，很難實現可持續發展”

與此同時，數據中心是產業消耗品，老設備耗電大、算力低，建設5年后會被淘汰。“如果一些數據中心是傳統老舊的5000瓦以下單機柜功率的服務器，這樣的中心只能在硬件層面進行改造。如果原來都是一臺臺機器的建設方式，恐怕很難適應大規模高性能集群的架構。”另有業內人士對澎湃科技表示。

不過，中信建投證券認為，中國數據中心市場均存在一定供需和區域不平衡的問題，但已經出現明顯緩解。與普通數據中心相比，智算中心支撐的GPU服務器功率密度增大，為傳統云計算準備的機柜功率無法很好滿足GPU算力的部署需求，同時隨著GPU單卡功耗不斷提升，對于機柜功率密度的要求也在隨之增加，存在大量新建高功率機柜的增量需求。存量舊機房消耗疊加高功率新需求釋放，有望開啟新一輪周期。

新生的算力服務中間商

應對激增的算力需求，除了建設更多的數據中心，還需要不斷提升數據中心的運營效率，算力業務正從單一資源提供向綜合服務轉變。由于各大算力中心缺乏運行服務的能力，代運營算力中心的算力服務中間商應運而生。

這些中間商提供運維、調度和優化服務，幫助算力中心提高資源利用率和服務質量。在AI大模型訓練需求激增的背景下，代運營服務將成為連接供需雙方的重要橋梁。

欲做AI模型算力“超級放大器”的上海無問芯穹智能科技有限公司相關負責人告訴澎湃科技，企業算力業務逐漸從提供傳統的機柜租賃、端口服務等基礎資源，向算力智能化服務延伸。例如部分服務商開始提供智能化調度、算法優化等增值服務，通過算法預測算力需求、優化異構資源調度效率，填補市場空白，滿足AI訓練等高階需求。未來要實現更高效地調度算力，還需要解決算力資源的異構性整合問題，實現不同品牌和型號計算資源的統一調度，同時根據大模型訓練任務的實時需求動態調整算力資源。在跨地域算力資源協同方面，要實現不同區域間算力資源的靈活調配和高效利用。未來，具備全棧服務能力的第三方服務商將成為行業主導力量。

趙鴻冰則認為，算力服務的價值形態包括IaaS、PaaS、SaaS，大模型爆火后又出現了MaaS（模型即服務），算力服務中間商只有深耕這些價值，才能找到深入的場景和規模效益。“我們更希望把已經建成的中心納入到并行的算力網絡中，匹配客戶需求，讓這些中心發揮出產能和社會效益。”

“超算支撐了傳統科學的計算，智算支撐了數據科學的計算，支持大模型的預訓練、后訓練和推理，無論是超算還是智算，都由社會需求驅動產生。”趙鴻冰說，算力需求無止境，AI的落地一定會帶動算力的利用率，關鍵在于滿足用戶需求。要按照市場化需求，依據不同業務類型，在不同區域構建不同的資源和產品形態，例如離線的訓練業務可以使用西部綠色算力資源，實時性業務在東部運行，相應的電力成本也會偏高。“按照客戶真正的業務特征場景來設計、建設和運營，其實利用率差距是不大的。”

在上述智算行業專家看來，DeepSeek使算力資源得到中期調整和去泡沫，但真正滿足用戶需求的算力仍然不足。當前推理算力需求持續增加，模型應用的核心訴求是推理算力能夠更好地響應用戶、降低成本和提高產出。同時，基礎模型仍處于多模態、多模式擴張階段，高性能算力依然不夠，軟硬件一體道路是未來唯一的選擇，就像DeepSeek以工程優化將硬件性能發揮到極致，軟件能力將越來越重要。

無問芯穹表示，DeepSeek引爆推理需求，未來推理芯片會急劇增多，推理算力需求或是預訓練需求的百倍以上，預計訓練和推理的算力配比將從8:2發展至2:8。國產芯片會迎來繁榮，應抓住機遇打造全國產AI產業閉環，實現更可控的自主算力發展。要面向國外芯片開展極致的軟硬件協同優化，以有限算力實現國產模型能力追趕，推動國產芯片廠商開放底層軟件生態，依托國產和國外芯片搭建“異構”AI系統，解決算力缺口。

“我們對大自然的探索、生命的認識還遠遠沒有到頭，科學研究對算力的需求是無止境的。更大的算力可以把模型擴得更大，研究更精細。”李根國表示，算力需求不斷增長，但計算形態并未發生本質變化，計算的基礎仍是以馮·諾依曼結構為主的存算分立集成電路。未來如果實現存算一體，將改變現有計算模式，突破算力難題，提供更加高效的算力支持。