AI算力的路、油與交規

文 | 舒書

2026年7月20日，中央網絡安全和信息化委員會印發《深化互聯網協議第六版（IPv6）技術創新和融合應用實施方案（2026—2030年）》。

同一天，工信部在發布會上披露，下一步將印發《算力標準體系建設指南》——該文件的前身是2025年10月發布的征求意見稿，當前正加快推進正式版落地。兩份信號在同一日釋放，一份指向網絡底座的長期升級，一份指向市場秩序的規則建立。

市場端則是另一番景象：國內首座全鏈路國產十萬卡AI超集群在鄭州落成；內蒙一座已投產的智算園區綜合算力利用率不足五成（以機柜上架率統計，若按GPU有效計算時長占比，該數值可能更低）；算力租賃價格高企，存儲、先進制程和先進封裝產能層層吃緊。

一上一下，構成了當前中國AI基建的橫截面。

貫穿全文的一條隱線是時間尺度的錯配：IPv6的五年規劃與AI產業的季度迭代，遵循完全不同的時鐘。政策層以五年為單位規劃路，產業層以月為單位消耗油——這種周期錯配，是所有矛盾的根源。

一、IPv6在鋪什么路？

我國IPv6規模部署自2017年啟動，2021年進入規模部署階段，本次《實施方案》是深化階段文件——目標不是從零修路，而是把已修好的路升級為智能高速。

對AI產業而言，IPv6解決的是一個基礎技術問題：算力網絡需要統一的編址與調度底座。大量存量網絡仍基于IPv4，無法實現跨層級、跨地域的統一編址與端到端調度。基于IPv6演進的SRv6技術，正試圖通過算力感知路由和業務鏈編排，將邊緣、區域、樞紐三級節點串聯為邏輯統一的算力網絡。

但這條路解決的是能不能通的技術可能性，而非跑不跑得起的成本問題——后者需要靠油和交規來回答。

二、算力在缺什么油？

產業層面對的是另一道題。十萬卡集群中，制約大模型訓練效率的往往不是算力芯片本身的計算能力，而是顯存帶寬（HBM）導致的內存墻效應。GPU大量時間在等數據，而非算數據。

以昇騰910B與英偉達H200對比：910B顯存64GB、帶寬1.6TB/s，H200為141GB、帶寬4.8TB/s，差距約2倍。國產芯片集群訓練時間拉長，單卡算力差距之外，HBM容量和帶寬的代差是更隱蔽的核心瓶頸。集群效率的短板不僅來自單卡算力和顯存，多機高速互聯帶寬（HCCL vs NVLink）、光模塊、高速交換機、液冷配套構成整條供應鏈約束。

科大訊飛管理層在業績會上坦言：在昇騰910B上訓練大模型，因顯存和帶寬限制，訓練效率從開箱狀態的30%，經深度調優后提升至84%和93%。實驗數據顯示，在特定測試環境和框架下，昇騰910B在通用NLP任務中可達A800的約85%-90%，在復雜領域微調任務中降至50%-60%。以上數據受測試框架、精度模式、集群互聯方案影響顯著，不代表全場景性能結論。

內蒙智算中心利用率不足的完整誘因包括：訓練/推理需求分化導致時延不匹配、跨省數據合規顧慮、算力平臺缺少標準化交易體系、西部本地AI產業薄弱、地方政績驅動上馬項目。多重因素疊加，才構成西部曬太陽、東部買不到的結構性割裂。

算力結構性緊缺并非中國獨有。據中國信通院《中國算力發展研究報告（2026年）》及IDC數據，截至2025年底，中美智能算力規模（FP16理論峰值口徑，不含邊緣算力）差距約2倍。需要說明的是，理論峰值指硬件標稱算力上限，未計入實際集群利用率、軟件棧效率、互聯損耗等因素——若以有效算力衡量，實際可用差距可能更大。

美國Meta將2026年全年資本開支（CapEx）指引上調至1250億至1450億美元，資金向AI基礎設施傾斜，但該數字為包含元宇宙、社交基礎設施在內的集團整體資本開支上限，并非全部用于GPU采購。多家市場機構據此預估其高端GPU部署規模將大幅擴張。海外依靠單一芯片生態短期調度更順暢，但也承受供應鏈風險與定價權外溢的代價。

數據中心用電量預計從2024年1660億千瓦時增至2030年3000億至7000億千瓦時，能耗指標已是比網絡時延更前置的硬約束。美國對華高端GPU出口禁令、EDA工具限制、先進制程封鎖，共同構成國產芯片追趕的外部硬約束。國產化是戰略必選項，而非純商業選擇。

三、油還不夠，交規也沒到位

如果把網絡底座比作路，芯片和電力是油，那么當前缺的不僅是油，還有一套讓車在跨省道路上順暢行駛的交規。

這里有兩條紅線需要區分：IPv6和SRv6解決的是算力調度的技術可行性——能不能把東西部的算力在協議層連接起來。但跨省稅收留存、GDP核算、能耗指標分攤、數據跨域流通規則，解決的是算力調度的制度可行性——體制機制允不允許算力順暢流動。

東數西算的理想模型是東部推理、西部訓練，但跨省綠電交易機制不健全、碳排放指標不單列，導致西部綠電無法高效輸向東部數據中心。即便網絡時延達標，數據屬地和行業監管要求——很多東部實時推理業務的數據不允許出省，西部算力從根源上無法承接——這是比網絡時延更前置的門檻。

路、油、交規三者并非獨立并行，而是層層牽制的關系：交規打通后，若無充足的算力油，調度平臺無貨可調；大量算力油投產，若缺少統一網絡路和流通交規，依然會持續區域錯配。

時間尺度上的錯配進一步放大了這種牽制效應。某AI企業在季度財報壓力下需要立即擴充推理算力，但一座新建智算集群從立項到投產需12至18個月，IPv6的SRv6網絡升級規劃按年度推進，跨省調度機制涉及多部門協商周期更長——產業端以月為單位決策，基建端以年為單位交付，兩者之間沒有中間緩沖層，這是節奏錯配最具體的傷害路徑。

與此同時，物理層面的微觀交規也在迭代：單機柜功率從傳統6-8kW攀升至AI集群普遍的30kW乃至50kW以上，傳統風冷方案逐漸觸達性能天花板，液冷（冷板式、浸沒式）正在成為新建智算中心的隱性準入門檻。這套硬件層面的新標準，也在加速淘汰一批能耗偏高、密度不足的老舊算力集群。

四、算力通脹會形成壟斷嗎？

答案是：結構性分化已經形成，且這種分層格局在短期內趨于固化。

第一層，萬億參數級大模型預訓練。中國最強模型約1.6萬億參數（MoE架構，激活參數量遠小于總參數量，與海外Dense或MoE模型直接對比總參數量不具備嚴格數學可比性），海外前沿模型總參數已進入十萬億級別。這一層是巨頭游戲，且短期內看不到松動跡象。

第二層，行業大模型微調與中等規模訓練。門檻持續下降。模型蒸餾、開源生態、輕量化技術正在降低算力消耗，但企業仍需承擔相當的算力成本。

第三層，高并發、低時延商業推理。優質算力依舊緊缺，輕量化離線推理門檻相對較低。

為驗證普惠算力是否具備真實的商業履約能力，可以觀察一種新興模式：市場上出現了一些異構算力交易平臺，宣稱可降本30%以上。但中小企業使用便宜的異構算力，往往需承擔高昂的算子適配、代碼重構和調試成本。昇騰上適配一套模型需額外3至6個月。如果省下的租金抵不上工程師的適配工資，普惠就是偽命題。真正的普惠不僅是買得便宜，更是用得平滑。

算力壟斷的答案是：高端訓練算力的壟斷格局已經固化，短期內不可逆；推理側正在分化，但優質實時推理算力依然稀缺。中小企業從推理側向訓練側滲透的可能性極低——訓練算力的規模效應構成結構性壁壘：萬卡級集群的邊際成本遠低于千卡級，巨頭在單位算力成本上具備持續擴大的優勢，且數據規模與模型迭代速度形成正反饋閉環。行業洗牌不會改變這一底層結構。

五、交規能定到什么程度？

當前算力租賃市場的深層問題，不僅是算力不夠或算力放錯了地方，更是行業缺乏統一的計量與定價參照。異構芯片之間不存在通用換算標準，這才是堵車的重要內因。

《算力標準體系建設指南》試圖解決的是服務評估與交易結算層面的標準化問題，但需冷靜看待標準的邊界。異構芯片架構完全不同，強制推行統一的算力度量衡會觸及各廠商的商業護城河與生態壁壘。統一換算標準不僅是技術問題，更是產業鏈多方商業博弈。標準在短期內只能停留在服務評估和交易結算層面，底層硬件的無縫互換仍需依賴類似CUDA的中間件生態——而這正是國產芯片當前最缺的軟實力。而生態的本質是開發者習慣，國產芯片最缺的不僅是底層編譯器，更是百萬級習慣了海外生態的AI工程師。

一個更根本的制衡邏輯值得重視：算力供給擴容，會進一步推動大模型迭代、智能體普及與AI應用爆發，最終使得算力需求增速持續跑贏產能建設速度。即便路、油、交規全部理順，算力絕對缺口會有所緩和，但結構性緊缺仍將長期存在，只是矛盾表現形式發生轉換。

六、誰能先跑通？

2026年7月20日，兩份政策信號同日釋放——一份升級路，一份加速推進交規。而油的供應——芯片產能、HBM、電力配套、高速互聯——正在由市場、地方政府和云廠商共同博弈。

這里需要區分兩套算力體系：全國一體化算力調度平臺主要面向各地國資智算中心；頭部云廠商和民營算力集群屬于市場化主體，自愿接入調度平臺的意愿有限。即便交規完善，民營商業算力是否愿意納入統一調度，仍存在巨大的博弈空間——并非全社會算力可以自由流轉。

這兩套體系推進算力調度的邏輯完全不同。國資算力平臺的優勢在于政策執行力強、可承擔跨省調度的制度性成本，但運營效率和市場化定價能力偏弱；大型科技企業的優勢在于技術積累和商業化敏捷度，但缺乏將自身算力資源納入公共調度體系的商業動力。兩種主體各有利弊，孰為主導，將取決于政策設計能否在公共性與市場化之間找到平衡。

三件事的推進節奏差異巨大，且存在結構性錯位：《算力標準體系建設指南》推進相對最快，但落地仍需多方博弈；跨省調度機制涉及利益博弈，落地緩慢；國產芯片受制于先進制程、HBM、EDA工具等卡脖子環節，短期難以突破。

更深一層的制度根源：地方同質化建設智算園區的沖動，源于能耗指標屬地化管理、數字經濟考核偏重機柜建設規模，缺乏算力利用率、產業落地成效等后置硬性考核指標。政策信號要轉化為有效供給，還需考核機制的配套改革。

中國AI基建的終局，表面上是路、油、交規的賽跑，本質上是一場生態突圍戰。無論是IPv6的演進、國產芯片的迭代，還是算力標準的統一，最終都要回答一個問題：我們能否在脫離海外單一生態依賴的前提下，建立起一套自洽、高效、具備商業閉環的中國AI底座？

算力的結構性緊缺是全球AI爆發的共性挑戰，而非中國獨有的布局問題。歐美同樣面臨算力分布不均、電價上漲、集群建設周期漫長的難題；海外依靠CUDA生態的便利，代價是算力供給高度集中于單一廠商，長期存在供應鏈風險。

真正拉開差距的，不是誰先建起更多集群，而是誰能在路升級、油補齊、交規理順的三重節奏中，率先跑通那個從拼卡的數量到拼Token的產出成本的轉型。

在算力緊缺的上行周期，囤積硬件資源的短期商業回報經常高于長期投入算力調度和算法優化的收益。原因在于：算力緊缺周期中，囤積硬件可在短期內獲得確定性回報（租賃溢價），而投入算力調度優化和算法效率提升則需要長期研發投入且回報路徑不確定。企業作為理性經濟主體，天然傾向于前者。若不借助政策工具改變相對價格，這種激勵扭曲將持續存在。

這場轉型，注定不會靠市場自發完成。它必須依靠前述交規的強制糾偏——算力券補貼、標準化交易結算、能耗指標傾斜、考核機制調整——才能將市場的短期套利沖動，引導向長期的生態建設。

既然市場自發缺乏動力，那么推動算力精細化調度、提升資源利用率的主體，究竟是政策引導下的國資算力平臺，還是具備長期投入能力的大型科技企業？

這個問題的答案，將決定對齊之日何時到來。