0
| 本文作者： 楊依婷 | 2025-12-15 11:16 |
作者 | 楊依婷 趙之齊 劉伊倫
編輯 | 包永剛
上午場深入分享的余韻尚未散盡，GAIR 2025「AI算力新十年」下午場便接續(xù)開啟，思辨與洞察仍在回響，關于中國智算體系未來走向的更宏大命題，已在會場內外激起新的波瀾和期待。
本次大會由GAIR研究院與雷峰網(公眾號：雷峰網)共同舉辦，于深圳·博林天瑞喜來登酒店隆重召開。作為粵港澳大灣區(qū)的AI標桿盛會，GAIR 自創(chuàng)辦以來始終致力于連接技術前沿與產業(yè)實踐，推動人工智能生態(tài)的交流、融合與發(fā)展。
下午的論壇以【誰將定義中國智算未來】為主題，關注的焦點，從“實現0到1的突破”，轉向“完成1到N的系統化構建和價值閉環(huán)”，算力不再只以內核、生態(tài)或架構的單點創(chuàng)新為中心，而是邁向以系統運營、模式創(chuàng)新與價值閉環(huán)為核心的全棧競爭。
在這一主題之下，下午的八位嘉賓從學術研究、產業(yè)實踐、基礎設施運營到算力服務模式創(chuàng)新等多個維度展開了密集而深刻的分享。
他們討論的議題不再局限于單個技術路線或單項產品突破，而是聚焦于一個更宏大的命題：誰能構建未來智算的標準、模式與底座，誰就將在下一代智能化競爭中擁有真正的主導權。
下午論壇的首位嘉賓是清華大學深圳國際研究生院的王智副教授，他從事分布式機器學習、智能多媒體網絡、工業(yè)大模型與工業(yè)具身等方向的研究，帶來了題為《工業(yè)機理x大模型：行業(yè)大模型的系統約束和可控推理的研究進展》的主題演講。
王智開篇指出，工業(yè)大模型是智能制造發(fā)展的關鍵路徑。他闡述了當前面臨的三大挑戰(zhàn)：難以刻畫工業(yè)場景和流程、難以在算力受限環(huán)境訓練部署、難以滿足工業(yè)規(guī)范和動態(tài)任務，并由此提出需要建立工業(yè)機理約束的訓推協同范式。
為了回應這些挑戰(zhàn)，王智團隊將技術體系概括為“四條主線的協同”——工業(yè)跨場景數據生成與融合，工業(yè)機理約束感知的大模型設計、算網聯合感知的分布式訓練、數據模型聯合優(yōu)化的任務自適應。
如何破解“數據難”？ 團隊瞄準工業(yè)數據成本高、機理信息缺失的痛點，提出虛實融合的智能數據制備路徑。不僅通過高效3D重建與壓縮技術構建物理可靠的數字場景，更利用大模型生成和編輯結構化工業(yè)場景。IGen框架僅憑單張現實照片，就能在仿真中自動生成上千條機器人操作演示數據，將無人工示教（遙操）的模型成功率從0%提升至75%，為規(guī)?；@取工業(yè)具身數據開辟了新范式。
如何讓大模型“懂行規(guī)、控成本”？ 在模型設計層面，團隊重點注入工業(yè)領域的機理與成本約束。他們提出了成本感知的大模型任務規(guī)劃框架，讓大模型在調用工具鏈時能自動權衡性能與耗時、顯存等成本，剔除冗余步驟。同時，面向工業(yè)實時決策需求，團隊設計了機理感知的調度框架（Trailblazer），通過大小模型協同的路由機制，讓大模型“該出手時再出手”。
如何在“弱算力、弱網絡”下訓練大模型？ 針對工業(yè)邊緣環(huán)境算力分散、網絡條件差的現實，團隊深入分布式訓練底層優(yōu)化。他們提出了可理論分析梯度壓縮與延遲聚合影響的虛擬隊列框架，以及面向非獨立同分布數據的高效稀疏壓縮器，確保在受限資源下訓練仍能高效收斂。
如何讓訓練好的模型“跑得快、用得穩(wěn)”？ 他們發(fā)現，模型結構剪枝與輸入信息過濾是耦合的，因此提出多維度聯合輕量化方法（PRANCE），實現動態(tài)協同優(yōu)化。針對具身智能中關鍵的視覺-語言-動作模型，團隊創(chuàng)新性地進行 “時空聯合壓縮” ，并針對擴散策略模型設計了塊級自適應緩存與實時剪枝技術，讓“大腦”的思考能跟上“手腳”的動作。
歐洲科學院院士、美的首席信息安全官兼軟件工程院院長、IEEE Fellow劉向陽，在大會上帶來題為《中立云：賦能AI與AI賦能的多云統一數字化底座》的主題演講，分享了美的在企業(yè)級數字化與AI實踐中的真實路徑。
作為橫跨學術與產業(yè)的復合型專家，劉向陽如今也深耕企業(yè)數字化轉型一線。即便身處全球最大的家電企業(yè)、世界500強企業(yè)之一，他卻并不認為“規(guī)?！焙汀凹夹g儲備”等同于“AI能力”。
“現在大家都在談AI，但很多企業(yè)并沒有真正獲得業(yè)務價值，根本原因不是AI不行，而是數字化基本功沒打好。”在演講一開始，他便給AI熱潮潑了一盆冷水，“如果把數字化比作一棟樓，數字化底座就是地基，地基決定了你這棟樓能蓋多高?！?/p>
圍繞“地基”該怎么打，他直指企業(yè)常見的兩條路徑：自建數據中心，或全面上公有云。前者看似成本低，但現實往往事與愿違，“如果一個 CIO 真能把數字化底座建得非常好，那他其實已經可以去開一家公有云了。”在他看來，多數企業(yè)的自建底座仍停留在上世紀90年代的虛擬化技術，技術老舊、產品雜亂、穩(wěn)定性和安全性難以保障。
“大的故障，基本都是架構和體系的問題”，他尤其強調了架構問題帶來的系統性風險。在很多企業(yè)的數據中心里，業(yè)務系統之間無法有效隔離，“一個系統被攻破，可能就是全軍覆沒?！?/p>
而公有云看似先進，卻又帶來了另一組難題：多云幾乎是大型企業(yè)的必然選擇，美的目前使用的云超過8朵，但彼此之間互不兼容，且遷移難、聯動難，最終形成云孤島、數據孤島?！痹跇I(yè)內，跨云遷移半年起步已是常態(tài)。
正是這樣的背景下，劉向陽帶領美的選擇了一條“自建云能力”的路徑。他介紹，美的構建了一整套云計算能力，從IaaS到PaaS，從AI算力平臺到DevOps、安全體系，既能部署在自有數據中心，也能部署在公有云之上，且不同平臺之間的應用遷移不需要做任何業(yè)務改造。
在AI層面，這套底座直接決定了算力效率和成本?！叭绻麤]有AI算力平臺，GPU利用率可能只有10%；有了之后，至少能提升4到5倍?！辈⑶?，在模型使用上，美的通過統一的AI網關，實現了多模型接入、權限控制、審計和計費，讓AI能力真正嵌入業(yè)務系統，而非停留在實驗階段。
北京并行科技副總裁、AI云事業(yè)部總經理趙鴻冰帶來了題為《基于用戶視角的算力服務及算網服務》的演講，從算力服務提供商的角度，闡釋了如何讓算力從“資源”轉化為真正驅動業(yè)務的“生產力”。
報告開篇，趙鴻冰指出，并行科技研發(fā)了“ParaSelect”性能預測與智能選型系統，可基于應用運行特征分析，為用戶推薦性能最佳或性價比最高的算力平臺。
為此，趙鴻冰分享了多個優(yōu)化案例，例如通過深度優(yōu)化將某客戶1300億參數大模型訓練的GPU利用率從75%提升至95%，整體效率提升40%，顯著降低訓練成本與時間。在國產算力支持方面，并行科技也積極投入，例如在昇騰910平臺上通過適配優(yōu)化，使Llama2-7B訓練性能達到A800的92.8%，性價比達1.23倍，展現出國產算力在大模型場景下的可行性與競爭力。
如何從用戶的需求視角來思考算力服務運營的思路？
趙鴻冰提出三個關鍵維度：可用、好用、降本。即用戶需要算力時，平臺能提供可運行且滿足業(yè)務要求的算力，同時要保證高效使用，并具有良好的性價比。
趙鴻冰通過幾個形象的比喻，清晰梳理了當前算力市場的不同業(yè)態(tài)。他將算力租賃比作“長期包車”，用戶租用算力后自行支配使用方式；算力服務則如“專車”，按用戶具體需求提供定制化服務；算力運營則類似于“多車型調度平臺”，可靈活調配各類算力資源；而算力網絡則是更上層的“全國調度平臺”，將多個運營平臺整合為一張統一的算力網絡，實現跨平臺、跨區(qū)域的資源協同與智能調度。
為實現這一目標，并行科技構建了“廠網結合”的運營模式，不僅依托自建的龐大算力集群，還接入了全國47個智算中心與15個超算中心，總計管理超200萬CPU核心與5萬GPU卡，形成龐大的資源池。
演講最后，趙鴻冰引用《中國算力發(fā)展指數白皮書》的數據強調了算力的經濟價值：“在算力中每投入1元，可帶動3-4元的經濟產出。”他斷言：“毋庸置疑，AI將是推動接下來10年發(fā)展的核心驅動力，而算力是基石之一?！?/p>
隨后，清程極智聯合創(chuàng)始人、產品副總裁師天麾，在大會上帶來了題為《智能算力的適配、優(yōu)化和服務》的主題演講。
在演講開篇，師天麾便直指當前算力市場面臨的一個共性瓶頸：為什么算力買下來后，卻不好用？
“雖然大家買的是硬件，但真正用的其實是軟件”，這是他在與客戶交流中反復強調的一句話。在他看來，決定算力能否真正釋放價值的關鍵，在于橫亙于芯片與應用之間的那層軟件，尤其在推理算力爆發(fā)的現在，推理引擎尤為重要。它不僅決定模型能不能跑，更決定能否跑得穩(wěn)、跑得值。
推理引擎并非一個可以輕易“拼裝”的模塊。師天麾解釋道，一個完整的推理引擎涉及算子層、并行計算、PD分離等多個層級，任何一處改動，都會牽一發(fā)而動全身。因此，推理引擎的設計是一項系統工程。
當算力能夠穩(wěn)定、高效地跑起來之后，新的問題隨之出現：如何把能力真正變成可用的服務？在師天麾看來MaaS是下一個必須重視的方向。
他指出，今年MaaS迎來了明顯爆發(fā)，其核心優(yōu)勢在于門檻低、成本低、迭代快，“一次大模型調用，可能只需要幾分錢，甚至一分錢不到”，再加上中國擁有全球最活躍的開源模型生態(tài)和龐大的開發(fā)者群體，他對MaaS的長期前景保持樂觀。
但現實同樣存在痛點。當前MaaS市場中，不同廠商的能力指標高度不統一。即便在模型相同、價格相近的情況下，不同云廠商之間的吞吐與延遲差異，仍可能達到五倍之多；而在需求側，不同用戶對穩(wěn)定性、延遲、成本的關注點也并不一致。供需之間，存在著巨大的信息差。
圍繞這一問題，師天麾介紹了清程極智的另一款核心產品——AI Ping一站式大模型服務評測與API調用平臺，以“讓大模型調用更快、更穩(wěn)、更省錢”為目標，通過標準化測評機制，幫助用戶更清晰地理解不同MaaS服務的真實能力。
在國產算力逐步鋪開的背景下，這些從軟件底層出發(fā)、耐心補齊基礎能力的實踐，正悄然改變算力被理解、被選擇、被使用的方式。
論壇的最后一位嘉賓，是鼎犀智創(chuàng)的聯合創(chuàng)始人呂海峰，以一位“算力老兵”的獨特視角，帶來了以《科學智能驅動的新材料設計研發(fā)》為題的演講分享。
他從個人經歷切入，回溯了從參與建造國內首臺T級超算開始，到推動算力服務商業(yè)化，最終投身“AI+新材料”領域的從業(yè)歷程，并犀利地指出核心問題：“建了這么大的算力，到底誰來用？怎么形成真正的產業(yè)價值？”
最終，他找到了答案——將AI與算力深度融合，應用于新材料的設計與研發(fā)。
呂海峰指出，材料科學已步入“AI for Science”的第五研發(fā)范式。傳統模式依賴試錯，周期長達十數年，成本高昂，已無法滿足新能源、半導體等戰(zhàn)略產業(yè)對創(chuàng)新材料研發(fā)的迫切需求。以美國最新發(fā)布的“創(chuàng)世紀計劃”為例，AI加速科學突破已成為全球核心戰(zhàn)略競爭點。
盡管前景廣闊，但落地之路不僅需要強大的算力平臺，更需要材料領域專業(yè)方向的大規(guī)模高質量數據基礎，否則AI模型成為“無米之炊”。
為解決這一根本矛盾，鼎犀智創(chuàng)提出了“模型+實驗”的干濕結合閉環(huán)研發(fā)新路徑：首先用AI大模型進行分子設計與配方建議；再通過模擬仿真進行高通量虛擬篩選與驗證；最終驅動全自動化實驗平臺進行合成制備與表征分析。這一過程不僅可以產生標準化、高質量的真實實驗數據更能實現實時反饋與迭代優(yōu)化，形成自我強化的智能循環(huán)。
呂海峰強調，這不僅是一個技術閉環(huán)，更是可持續(xù)商業(yè)模式的基石——通過提供從行業(yè)真實需求輸入到新材料設計、工藝包交付輸出的“端到端”研發(fā)服務，成為客戶真正的研發(fā)伙伴，是跨越從實驗室到產業(yè)化之間鴻溝，實現產業(yè)化落地的必由之路。
目前，鼎犀智創(chuàng)已將此理念付諸實踐。他們以納米碳材料為切入點，形成了以材料大模型、智能化合成制備平臺為代表的系統化產品服務能力，已經成功發(fā)現了多種新型催化劑并顯著提升了制備效率。同時，在與行業(yè)頭部企業(yè)的深度合作中，這套體系已已經成功將客戶的真實實驗效率提升數倍，顯著縮短了研發(fā)周期。
下午4時，“如何從‘算力基建’到‘價值閉環(huán)’？”圓桌論壇在三豐投資創(chuàng)始合伙人李東東主持下開啟。李東東攜清程極智聯合創(chuàng)始人師天麾、朗擎數科CIO徐永昌，從投資視角與一線實踐出發(fā)，圍繞算力產業(yè)發(fā)展階段、價值瓶頸及突破路徑深度研討，碰撞產業(yè)核心洞見。
李東東在開場中直指行業(yè)核心痛點：當前算力賽道熱度高漲，但核心問題突出。信通院數據顯示，不少智算中心算力平均利用率不足40%，且大模型訓練退潮后，增量需求轉向分散破碎的推理側，算力消納成為行業(yè)通病。在此背景下，兩位嘉賓首先就“算力產業(yè)當前所處階段”分享觀點。
師天麾表示，如今的算力建設已告別“先建后用”的粗放模式，轉向“性價比優(yōu)先、場景倒推建設”的新階段。他強調，建設前需明確用戶群體與使用場景，不同模式直接決定硬件選型、組網方案與軟件平臺的功能設計，算力建設正從“可用”向“好用、高性價比”加速升級。
徐永昌則將今年算力發(fā)展分為兩個階段：上半年以DeepSeek-R1開源為標志，中文數據優(yōu)勢與高質量數據集構建成為國產大模型追平國際水平的核心；下半年垂類模型與Agent應用爆發(fā)，華西第二醫(yī)院通過構建?？漆t(yī)生高質量數據集，訓練的AI分身使醫(yī)生日接診量從10人提升至30人。
圍繞“算力價值閉環(huán)的核心標志與關鍵條件”，師天麾認為，算力作為基礎設施，價值核心在于“方便、易用、便宜”，他重點推崇MaaS模式。該模式通過技術優(yōu)化實現底層硬件與模型細節(jié)“透明化”，用戶可低成本調用算力，供應商則通過大規(guī)模并行、PD分離等技術壓低成本，形成“技術優(yōu)化-成本降低-用戶增長-利潤提升”的正向循環(huán)。
徐永昌則直言，價值閉環(huán)的終極標準是“讓客戶用AI賺到錢”。他以成都某房地產服務企業(yè)為例，該企業(yè)通過AI工具提升成交量，后續(xù)因數據安全與成本需求采用浸沒式一體機本地算力方案，印證“解決痛點、創(chuàng)造收益，才能讓客戶持續(xù)付費，而非單純售賣硬件”的核心邏輯。
談及行業(yè)價值轉化瓶頸，師天麾認為，MaaS模式興起改變行業(yè)盈利邏輯，技術實力成為核心競爭力，其價格戰(zhàn)背后是軟件優(yōu)化帶來的成本優(yōu)勢，技術越強則利潤率越高。徐永昌從三個維度給出判斷：一是基座模型能力仍需提升，需實現“大模型能力向小模型遷移”；二是算力架構需升級，超節(jié)點高速互聯方案可大幅降低模型訓練成本與時間；三是高質量數據與行業(yè)專家資源稀缺，二者是垂類模型成功的關鍵，三者需系統性解決，否則行業(yè)仍會“熱鬧但不實用”。
展望未來，師天麾認為，2025年將是中國AI從訓練向推理轉型的關鍵年，MaaS市場持續(xù)壯大；2026年，推理市場與國產化進程將加速推進，“方便、好用、便宜”仍是核心趨勢。徐永昌則用“推理”總結2025年，用“國產”與“液冷”定義2026年：隨著發(fā)改委對智算中心PUE≤1.3的要求落地，國產芯片與液冷技術的適配將成為關鍵，2026年將成為二者爆發(fā)的元年。
李東東在總結中指出，本次論壇理清了算力產業(yè)核心邏輯：既要突破技術瓶頸，也要破解產業(yè)難題，更要錨定“算力+應用”本質，把握推理需求爆發(fā)窗口期。智算的未來不僅由技術定義，更由價值閉環(huán)的商業(yè)模式與跨域協同的產業(yè)生態(tài)決定，算力新十年的篇章，將是技術躍進、生態(tài)共榮與價值普惠的共同實現。
伴隨著【誰將定義中國智算未來】論壇議程的結束，一場聚焦于智算體系構建的務實探討也畫上了階段性句號。
與追問某個特定定義者相比，論壇更重要的貢獻在于厘清了“定義權”所依賴的基礎要件與生成邏輯。
本屆專場下午的討論，以扎實的運營實踐與模式創(chuàng)新案例，將宏觀命題落地為可分解、可行動的體系化思考，展現了其推動產業(yè)理性前行的一貫力量。
“定義未來”，其本質是構建標準、塑造范式、主導價值分配的過程。而中國智算未來的定義權必然歸屬于一個能夠高效整合算力資源、持續(xù)產出普惠服務、并最終在各行各業(yè)形成價值閉環(huán)的先進系統與成熟模式。
以此為新的基準，我們呼吁從技術協同、商業(yè)設計到政策引導的全鏈條創(chuàng)新，共同澆筑這一系統性能力的基石。
智算的未來形態(tài)正在實踐中被塑造成型。
讓我們攜手，不僅預見未來，更以扎實的構建，成為定義未來的一部分。
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
