定制报告-个性化定制-按需专项定制研究报告
行业报告、薪酬报告
联系：400-6363-638
《IDC&浪潮信息：2025年中国人工智能计算力发展评估报告（45页）.pdf》由会员分享，可在线阅读，更多相关《IDC&浪潮信息：2025年中国人工智能计算力发展评估报告（45页）.pdf（45页珍藏版）》请在薪酬报告网上搜索。
1、中国人工智能计算力发展评估报告2025年核心观点第一章 全球及中国人工智能发展概述1.1 全球：生成式人工智能成为重要新型工作负载，人工智能算力呈现五大发展趋势1.2 中国：系统性提高算力效能，加速智能涌现和智能应用第二章 人工智能算力及应用2.1 芯片和服务器：向高性能与高效能方向演进，重视开放多元体系建设2.2 存储和网络：分布式存储与全闪存提升性能，先进网络架构优化数据访问速度2.3 可持续数据中心：液冷技术成为关注重点，聚焦智能算力散热革命2.4 边缘计算：大模型的部署向边缘迁移，智慧边缘加速模型推理2.5 算法和模型：算法创新与模型迭代解锁更高算力利用率，实现卓越性能与效率2.6 人
2、工智能算力服务：构建全栈服务体系，加速大模型应用落地2.7 应用：积极探索人工智能应用场景，加速智能对于业务发展的价值转化第三章 人工智能算力发展评估3.1 行业排名3.2 地域排名第四章 IDC建议01030409141517181921222332333540目录算法是驱动是人工智能发展的核心引擎，决定了应用的智能上限，也牵引着算力的发展。2024年，o系列、Llama3、通义千问、R1等大模型不断升级，尤其是DeepSeek R1系列模型的发布，正是基于算法层面的极大创新，对中国乃至全球的人工智能产业带来深刻变革。一方面DeepSeek采用了大规模强化学习、多头注意力机制等算法创新，智能
3、水平在美国高中数学竞赛邀请赛AIME、博士水平科学问答等测试中榜单上接近甚至超过了OpenAI的o1模型；另一方面，DeepSeek R1算法的创新也带来训练和推理阶段算力消耗的降低，训练算力只有Llama3的1/10，推理阶段缓存数据量降低了50倍，为在算力约束的条件下进行AI算法创新提供了一个全新思路，吸引了全球开发者，7天实现了活跃用户数破亿。规模法则（Scaling law）在当前人工智能发展中仍然占主导地位，推高人工智能算力需求。目前规模法则正在从预训练扩展到了后训练和推理阶段，基于强化学习、思维链等算法创新在后训练和推理阶段更多的算力投入，可以进一步大幅提升大模型的深度思考能力。同
4、时基于杰文斯悖论的现象表明，DeepSeek带来的算法效率的提升并未抑制算力需求，反而因更多的用户和场景的加入，推动大模型普及与应用落地，重构产业创新范式，带动数据中心、边缘及端侧算力建设。IDC数据显示，2024年全球人工智能服务器市场规模预计为1,251亿美元，2025年将增至1,587亿美元，2028年有望达到2,227亿美元，其中生成式人工智能服务器占比将从2025年的29.6%提升至2028年的37.7%。中国智能算力发展水平增速高于预期。在中国，企业加速生成式人工智能布局和投入，IDC调研结果显示，目前42%的中国企业已经开始进行大模型的初步测试和重点概念验证，17%的企业已经将技
5、术引入生产阶段，并应用于实际业务中，在未来18个月内，硬件升级将成为企业的首要投资目标。在旺盛的市场需求、丰富应用场景的驱动下，中国智能算力规模呈现增长态势。IDC最新预测结果显示，2025年中国智能算力规模将达到1,037.3 EFLOPS，并在2028年达到 2,781.9 EFLOPS，2023-2028年中国智能算力规模和通用算力规模的五年年复合增长率分别达46.2%和18.8%，较上一版本预期值33.9%和16.6%有显著提升。中国人工智能算力基础设施发展呈现出多元化、服务化、场景化、绿色化等特征。大模型的开源趋势正在显著增强，成为加速AI普惠、降本增效的重要力量。开源模型，通过大幅
6、降低训练部署成本并提供与闭源模型性能水平相当的能力，正成为推动人工智能技术普及和应用落地的重要力量。在过去的18个月里，全球领先的软件和云服务商发布了数十种开放和部分开放的基础模型，开源社区的协作和贡献正在成为加速技术创新的重要力量，开源框架作为人工智能开发的基础，其生态系统日益丰富。IDC预测，2025年，为了更快获得创新能力、运营主权、透明度和更低成本，将有55%的企业使用开源人工智能基础模型开发应用程序。核心观点01核心观点“扩容”与“提效”并行推动人工智能应用落地。为应对生成式人工智能和大模型应用扩展带来的数据、算力、模型、人才、成本等多方面挑战，尤其是算力基础设施的瓶颈，IDC建议企
7、业采取“扩容”与“提效”并行策略，通过提升算力供给能力和质量，优化基础设施架构，增强数据支持和模型效率，系统性地提高算力利用率。提高模型架构效率与增加原始计算能力同等重要，更经济的先进模型将推动AI需求，增加效率而不仅仅是原始计算能力可能是真正的竞争优势。算法创新与模型迭代是提升模算效率的关键，通过算法创新，如模型剪枝、知识蒸馏、设计高效模型架构、分布式计算等方法，能在保障模型能力的前提下减少模型计算量和存储需求，降低同等精度水平下的算力成本，加速人工智能技术的应用和商业化进程。人工智能算力服务市场蓬勃发展，算力供给模式不断创新。企业对智能算力基础设施和服务能力的需求正在发生深刻变化，传统算力
8、技术架构和云服务模式难以满足新需求。生成式人工智能将推动企业更多使用人工智能就绪数据中心托管设施和生成式人工智能服务器集群，缩短部署时间，降低资本成本。这一变化挑战了传统算力服务的优势，带来新的市场机遇，促使算力服务商不断创新，提升技术水平和服务质量，并通过合作机制重新分配资源与市场，形成由数据中心服务商、云服务商、硬件制造商以及其他创新企业共同参与的产业生态，通过生成式人工智能 IaaS服务、算力租赁、算力共享、智算中心等算力供给模式满足多样化的智能算力需求。IDC数据显示，2024年中国智算服务市场整体规模达到50亿美元，2025年将增至79.5亿美元，2023-2028年五年年复合增长率
9、达57.3%。人工智能算力发展将坚持绿色可持续原则，液冷技术成为关注重点。IDC预测，2025年，人工智能数据中心IT能耗将达到77.7太瓦时（TWh），是2023年能耗量的两倍，2027年将增长至146.2太瓦时，2022-2027年五年年复合增长率为44.8%，五年间实现六倍增长。面对这一挑战，业界积极探索破局之道，液冷技术作为关键突破，可以显著提升计算密度，降低数据中心的总能耗，通过全栈液冷方案，推动算力设施在计算节点层面、机柜层面以及数据中心层面的绿色化和低碳化转型。IDC预测，2028年中国液冷服务器市场将达到105亿美元，2023-2028年五年年复合增长率将达到48.3%。人工智
10、能行业渗透度持续增加，城市走出各具特色的发展路径。人工智能行业渗透度排名前五的行业依次为：互联网、金融、运营商、制造和政府，其中，互联网企业在大模型的研发、应用及推广过程中持续发挥引领作用；金融行业进一步加深人工智能与风控、投资决策和个性化财富管理等场合的融合，排名从第四名攀升至第二名；制造业持续加速智能化转型，扩大人工智能技术在生产线、产品设计、运营和安监等场景的应用，排名从第五名提升至第四名。中国人工智能城市评估框架首次将大模型架构及生成式人工智能技术的投资、建设进度和规划布局纳入关键指标，评估结果显示，北京凭借其科研资源和人才优势成为人工智能创新中心，继续领跑发展，位居首位；杭州和上海分
11、别位列第二和第三，其中上海凭借其国际化优势和政策支持，在推动人工智能世界级产业集群建设等方面表现出色，较前一年排名上升了一位。此外，广州、成都、天津、厦门等城市的排名均有所提升。02核心观点第一章全球及中国人工智能发展概述1.1 全球：生成式人工智能成为重要新型工作负载，人工智能算力呈现五大发展趋势1.2 中国：系统性提高算力效能，加速智能涌现和智能应用1.1 全球：生成式人工智能成为重要新型工作负载，人工智能算力呈现五大发展趋势全球人工智能市场持续呈现增长态势，成为各行业智能化升级的重要驱动力。生成式人工智能和大模型是推动人工智能技术迅猛发展的关键因素，深度学习、强化学习和迁移学习等核心技术
12、的突破，使得模型在处理复杂任务时变得更加高效，进而在更多商业化场景中得以落地，并逐渐影响社会经济的方方面面。在技术创新、应用场景拓展的多重驱动下，全球企业对于人工智能技术的投资普遍提升，IDC预测，2025年全球2000强企业会将超过40%的IT预算投入到人工智能项目中，旨在推动产品和流程创新，并促成两位数的营收增长。从区域角度来看：美国凭借政府支持、资本活力、技术基础和创新生态，在人工智能市场继续引领全球发展。美国政府持续加大对人工智能发展的支持力度，2024财年，美国“网络与信息技术研发计划”（NITRD）人工智能研发投资预算增长至31亿美元，占整体财年预算的近三分之一，相比于上一年提高了
13、19.2%；2025年1月，美国政府公布“星际之门”国家级计划，该计划预计将投入5000亿美元用于美国国内人工智能基础设施建设，显示出其更倾向于支持人工智能发展而非严格监管的立场。对于企业而言，其对于人工智能的投资也在不断增加，如微软、Meta、谷歌等大型科技公司陆续宣布了数十亿美元的投资计划，用于建设和升级人工智能基础设施；医疗、金融和自动驾驶等行业也纷纷加大在人工智能技术研发上的投入。此外，基于良好的算力和数据支撑，美国在基础模型研发和应用方面也处于高水平，据IDC不完全统计，2024年1月至9月全球推出的四十多个重要开源语言模型中，三分之二来自于美国。亚太地区人工智能发展呈现出多样化和快
14、速增长的特点。中国继续引领亚太地区人工智能市场发展，逐步成为全球人工智能强国，建立了多个国家级的人工智能实验室和研究中心，在研发更高算力服务器与芯片、开发生成式人工智能两项主线任务之外，全方位构建包含基础设施、算法工具、智能平台和解决方案的产业生态，持续以需求为牵引，加速智能技术的行业落地，并加快绿色技术研发，推进生成式人工智能的可持续发展；日本政府积极推进社会的智能化转型，2024年宣布设立规模超过650亿美元的投资基金，用于支持芯片和人工智能行业的发展，其中约420亿美金将用于下一代芯片的研发，并支持功率芯片的量产，2025年日本持续加速推进人工智能新法的相关立法准备工作，通过制定相应的法
15、律法规来规范人工智能的应用和发展；新加坡在人工智能方面具备较强的学术能力与政府扶持力度，2024年预算案中，新加坡政府表示未来五年将投资10亿美元用于人工智能计算、人才和产业发展，2025年新加坡政府推出人工智能教育计划，所有中小学将开设人工智能课程，旨在培养学生的数字素养和人工智能知识。欧洲诸多国家政府在过去一年也积极推动人工智能技术的发展，同时出台了多项政策和法规，确保人工智能技术的安全使用。2024年8月，全球首部全面监管人工智能的法规人工智能法案开始生效，以更好规范人工智能应用的透明度和安全性，将对市场参与者的业务模式产生积极影响。2024年10月，英国成立了专门的监管创新办公室，加速
16、人工智能等技术的创新和应用。欧盟委员会推出一揽子人工智能创新计划，其中包括计划在2025年初启动首批人工智能工厂的建设，这些工厂通过整合尖端计算能力、数据资源和人才，将为初创企业、中小型企业和科学家等开发可信、前沿的生成式人工智能模型提供计算、存储和数据等服务。目前，欧盟已经收到来自芬兰、卢森堡、瑞典、德国、意大利、西班牙和希腊等七个国家的人工智能工厂提案。在市场方面，欧洲企业在数字化和人工智能领域的投资持续加大，发展潜力逐步释放。第一章 全球及中国人工智能发展概述04全球范围内人工智能技术的加速发展与生成式人工智能的持续创新密切相关，生成式人工智能正在成为企业重要新型工作负载。IDC全球调研
17、数据显示，85%的企业认为生成式人工智能将与ERP、电子商务一样，成为企业重要的新型工作负载。基于大模型强大的计算能力和学习能力，生成式人工智能技术取得了突破性的进展，其能力可覆盖内容生成、数据增强、创意辅助等诸多应用场景，极大地提高了生产效率，为用户带来全新的体验，并进一步助推企业整体智能化发展，加速人工智能技术的广泛应用。IDC数据显示，目前全球超过70%的组织已经开始对生成式人工智能技术进行投资或处于初步测试阶段，已经有17%的组织将生成式人工智能应用和服务引入生产环节；2025年全球企业生成式人工智能支出预计将达到691亿美元，2028年超过2,022亿美元，2023-2028年五年年
18、复合增长率为59.2%（人工智能市场整体同期年复合增长率为29.0%）。伴随大模型技术的持续发展和生成式人工智能新兴应用场景不断涌现，全球人工智能算力发展正在呈现出新的发展趋势。趋势一：规模法则（Scaling law）在当前人工智能发展中仍然占主导地位，推高人工智能算力需求规模法则（Scaling law）目前正在从预训练扩展到后训练和推理阶段。基于强化学习、思维链等算法创新在后训练和推理阶段更多的算力投入，可以进一步大幅提升大模型的深度思考能力。同时，基于杰文斯悖论的现象表明，DeepSeek带来的算法效率的提升并未抑制算力需求，反而因更多的用户和场景的加入，推动大模型普及与应用落地，重构
19、产业创新范式，带动数据中心、边缘及端侧算力建设。DeepSeek系列模型的发布对中国乃至全球人工智能产业带来巨大变革，其通过技术普惠化、场景纵深化和算力泛在化三重路径，推动大模型的普及与应用落地，驱动算力需求增长。技术普惠化：DeepSeek的核心技术不仅显著提升了模型性能，还大幅降低了算力消耗，为用户参与大模型应用生态创造了条件，引领一场从单纯算力扩张转向增效提质的产业变革。DeepSeek通过开源开放战略和轻量化部署，降低技术使用门槛，使更多企业和开发者能够便捷地获取先进技术，开源框架和工具的普及，让中小企业和个人开发者也能参与人工智能应用开发，推动技术民主化。场景纵深化：得益于其强大的语
20、言处理能力、经济高效的训练过程以及对特定业务需求的高度适应性，Deep-Seek在金融、医疗、汽车、电信等多个行业逐步落地，重构产业模式，提升企业的运营效率和服务质量，通过人工智能优化生产流程，降低成本的同时激发更大需求，验证了“杰文斯悖论”效率提升带来成本下降，进而推动需求激增，形成良性循环。算力泛在化：DeepSeek通过其先进的算法优化和高效的模型性能，促进了人工智能技术在C端和B端用户中更广泛的应用，显著拉动了人工智能算力在数据中心、端侧及边缘侧的发展。在数据中心，DeepSeek不仅提高了训练和推理效率，降低了能耗，还因其高性能吸引了更多企业部署复杂人工智能解决方案；在端侧，Deep
21、Seek提供了轻量化模型版本，使得智能手机、智能家居等设备能够执行如实时翻译、语音识别等复杂人工智能任务；在边缘计算领域，DeepSeek能够在边缘设备上执行关键分析任务，实现低延迟响应和分布式智能处理，减轻中央服务器的压力并提高系统的可靠性和安全性。IDC数据显示，2024年全球人工智能服务器市场规模预计为1,251亿美元，2025年将增至1,587亿美元，2028年有望达到2,227亿美元，其中生成式人工智能服务器占比将从2025年的29.6%提升至2028年的37.7%。第一章 全球及中国人工智能发展概述05此外，大模型及应用正在驱动计算架构和数据中心变革：在计算架构层面，大模型的训练和
22、应用通常需要处理大规模的数据集，这将增加对于高带宽的需求，以执行数据并行、流水线并行及张量并行等策略。为了满足大模型对计算资源的高需求，提升单节点的计算性能（Scale-up）变得至关重要，这包括增加单芯片或单个机架的计算能力。通常，配备8块高性能GPU的服务器可以支持具有2,000亿参数的大模型训练，而当插卡数量可扩展至72块高性能GPU时，则能够有效支持具有万亿参数的大模型训练，这将有效加速智能涌现的实现。其次，通过增加节点数量，实现计算能力的横向扩展（Scale-out），也正在被用于需要处理大规模数据集和复杂模型的应用场景。高速互联网络（以太网和硅光子技术）和分布式计算框架将有效支持千
23、卡、万卡甚至十万卡的集群建设。通过构建具有更高性能的计算集群，支持更复杂的大模型计算和多样化的应用场景。此外，伴随大模型从训练阶段迈向应用阶段，推理工作负载将持续增加，面向应用和推理需求对芯片和系统架构进行设计愈加重要，大语言模型推理包含两个重要的阶段：预填充（Prefill）和解码（Decode），两个阶段处理token序列的长度不同，对计算和存储资源的访问频率和调度需求也不同，实操中往往采用P-D解耦部署策略，通过构建分离式算力资源池，缩短计算时间，降低计算成本，提高资源利用率。在数据中心层面，首先，提高集群系统的可用性和可靠性十分重要，从千卡集群到万卡、十万卡集群，节点故障几率会随集群规
24、模增长而上升，数据中心需要更加高效的监控体系和先进的故障恢复机制，基于诸如智能显存分配、故障点恢复管理等技术，确保集群在发生节点故障时能够迅速响应，最小化停机时间。其次，应重视算力体系的兼容性和可扩展性建设，在执行模型训练、推理等工作任务时，CPU、GPU、ASIC等不同类型的计算资源各具优势，因此需要协同异构基础设施，将整个数据中心作为协同工作的有机体，整合多种计算资源，优化数据处理流程和模型训练效率，通过灵活的计算任务调度，高效执行人工智能任务。最后，随着单机柜性能大幅提升，能耗将持续攀升，通常GPU功耗在250W到700W之间，服务器单机柜功率可高达130KW，数据中心应持续优化能耗方案
25、，通过优化空间规划、供电系统，并采用先进冷却技术，提高散热特性，应对能耗挑战。图1 全球生成式人工智能和非生成式人工智能服务器市场规模预测350,000300,000250,000200,000150,000100,00050,000040.0%35.0%30.0%25.0%20.0%15.0%10.0%2023 2024 2025 2026 2027 2028生成式AI 非生成式AI 生成式AI占比来源：IDC，202519.6%25.0%29.6%32.4%35.6%37.7%单位：百万美元 第一章 全球及中国人工智能发展概述06趋势二：企业更加重视发挥平台价值，构建互联的生态体系生成式人
26、工智能代表了一种全新的技术范式，这种范式要求企业从硬件到软件、从开发工具到用户体验实现全面创新。若将生成式人工智能发展作为企业战略性工作负载，企业需要寻求新的供应商和合作伙伴支持生成式人工智能落地，IDC数据显示，全球85%的组织认为，需要制定全新的供应商/合作伙伴战略，在基础设施、软件、数据、云等维度获得不同的服务能力。鉴于生成式人工智能技术栈复杂、供应链漫长，为企业提供低门槛的生成式人工智能应用开发平台越来越重要。通过平台整合服务能力，企业可获得模型构建和精排、应用开发与部署、数据管理等相关软件及工具，以及资源统筹和调度管理等服务和先进的行业智能化解决方案，从而有效加速先进技术落地和商业价
27、值实现。生成式人工智能应用与开发平台不仅是技术工具的集合，更是互联生态的载体，其应具备开放性、互操作性、灵活性和适应性，通过围绕生态构建自身价值，帮助企业简化集成流程、实现资源高效扩展、推动跨供应商的一致性和互操作性，应对数据治理等方面面临的挑战。趋势三：面向人工智能场景构建先进数据基础设施，并打造高质量数据集生成式人工智能重塑了数据生命周期特征，数据的生成、采集、存储、处理和分析变得更加复杂。全球数据量持续增长，IDC数据显示，2024年全球产生的总数据量达到163ZB，2025年将增至201.6ZB，2028年将翻番至393.9ZB，2023-2028年五年年复合增长率为24.4%；生成式
28、人工智能还将带来更多的混合内容生成和处理需求，目前，生成式人工智能生成的数据中，文本内容占比超35%，到2028年，图像和视频类数据占比将增加，超过75%的生成数据将均匀覆盖文本、图像和视频三种类型，此外，还有接近18%的生成数据为软件代码。企业需要面向训练和推理过程中的数据特征，构建先进数据基础设施，为数据收集、预处理、写入读出、稳定训练集、数据安全、推理结果使用等环节提供支撑，并根据数据量、访问模式及成本效益决定采用云存储、本地存储或混合存储方案，发挥先进存储介质和存储架构优势。伴随数据逐渐成为企业的核心资产和重要生产要素，企业需要提升数据质量和数量，从而优化企业决策和业务流程。这一需求将
29、促进企业使用数据增强工具、数据合成等方式提高数据质量。数据增强工具可以通过对现有数据进行扩展和优化，提升数据的多样性和代表性；合成数据通常由现有数据集或真实世界事件/流程的模拟数据创建而成，用来代替真实世界数据进行应用测试或人工智能训练，其比收集足够的真实世界数据更具成本效益和效率。通过这些服务，企业可以更好地管理和利用数据，支持人工智能应用的开发和部署，实现业务价值的最大化。趋势四：优化策略制定、关注技术创新，加速实现投资高效回报深度学习和生成式人工智能模型的规模和复杂性增加，使得支持这些模型的基础设施变得更加复杂、庞大且昂贵。为避免给企业造成不必要的财务负担，企业在投资人工智能基 础设施时
30、，需要创建合适的投入产出比（ROI）模型，将投资回报率与生成式人工智能的应用案例和业务成果联系起来，通过加速应用部署，使高投资实现价值回报。生成式人工智能带来的成果既包括可通过KPI衡量的有形收益，如加速内容创作、提高客服效率和降低成本；也涵盖无形价值，比如提升员工体验、加强客户关系和忠诚度以及优化品牌营销。这些软性收益虽然不易量化，但对企业的长期成功至关重要。企业可以利用技术评估、项目组合管理和企业整体战略管理等方法，制定符合自身发展需求的生成式人工智能投资和应用策略。企业会更加重视成本效益更高的人工智能解决方案，采用有望降低人工智能基础设施要求和成本的新技术，如小语言模型（SLM）、窄人工
31、智能模型和稀疏人工智能模型，以及通过检索增强生成（RAG）对较小模型进行定制的方法。第一章 全球及中国人工智能发展概述07在硬件创新方面，厂商也正在推出先进的人工智能芯片方案，加速生成式人工智能工作负载的处理，提高性价比。同时，RISC-V作为一种开放源码架构，也可以为定制化人工智能硬件解决方案提供灵活性和成本效益。趋势五：能耗挑战持续加剧，冷却技术不断创新人工智能大模型技术的研发和应用带来了更高的能耗需求，IDC数据显示，2024年人工智能数据中心IT能耗（含服务器、存储系统和网络）达到55.1太瓦时（TWh），2025年将增至77.7太瓦时，是2023年能耗量的两倍，2027年将增长至14
32、6.2太瓦时，2022-2027年五年年复合增长率为44.8%，五年间实现六倍增长。欧洲绿色协议、美国新能源法案、数字中国建设整体布局规划、企业可持续发展报告指令等可持续发展政策法规的施行，对现有数据中心基础设施提出了更严格的能耗要求。大模型的训练和优化作为能源密集型任务，需要高密度机架的支持，而这些机架的能耗已超出传统风冷的能力范围，促使越来越多的数据中心转向使用液冷技术。IDC预测，到2028年，60%的数据中心将采用微电网、定制硅芯片、液体冷却和加固结构等创新解决方案，以应对电力短缺和日益增长的可持续性要求。图2 全球数据中心及人工智能数据中心能耗预测，2022-2027来源：IDC，2
33、025全球数据中心 人工智能数据中心90080070060050040030020010002022 2023 2024 2025 2026 20272022年人工智能数据中心能耗占比为7.6%2027年人工智能数据中心能耗占比将为18.0%（TWh）302.723.023.055.177.7106.0146.2374.1450.9559.7704.7813.7 第一章 全球及中国人工智能发展概述08此外，数据中心正积极探索从储电能向储大模型算力的跨越性转变。这一转型的核心策略，在于通过大幅增加和优化IT基础设施，将原本静态储存的电能，转化为驱动大规模计算模型的动态算力。不再满足于电能的简单储
34、备，而是致力于让算力靠近电力源头，利用先进的IT基础设施，如高性能服务器、高效能存储系统等，实现电能到算力的即时、高效转换。这些基础设施的升级与扩容，不仅提升了数据中心的算力水平，更为基于大模型的“智能蓄势”提供了稳定、强大的计算支撑。通过这一转变，智算数据中心不仅可以优化能源利用结构，减少能源浪费，更以就近、快速的方式，满足现代计算对算力的迫切需求，为数字经济的蓬勃发展注入强劲动力。对大型模型及生成式人工智能需求的日益增长，正显著推动中国人工智能算力基础设施的快速发展，促使企业不断升级其硬件配置，通过采购高性能的计算设备、优化数据中心基础设施、提升存储和网络能力等，进一步支持复杂的人工智能运
35、算任务。这一趋势不仅反映了市场对先进人工智能技术的迫切需求，也体现了中国企业在全球人工智能竞赛中的积极布局和投入。IDC调研结果显示，在未来18个月内，中国企业在生成式人工智能项目上的投资将首要集中在硬件升级方面。中国积极稳步扩大算力规模，探究生成式人工智能在行业中的应用中国“两会”政府报告重点强调了数字基础设施建设、积极推进数字产业化和产业数字化、积极培育新兴产业和未来产业等七大加速发展领域。党的二十届三中全会也提出要推动实体经济和数字经济的融合发展，为高质量发展提供新动能。在政策的鼓励和引导下，中国企业将人工智能作为产业创新的抓手，加速探究生成式人工智能等先进技术在行业中的应用，越来越多的
36、中国企业正在积极制定和实践人工智能转型战略。IDC调研显示，42%的中国企业已经开始进行大模型的初步测试和重点概念验证，17%的企业已经将技术引入生产阶段，并应用于实际业务中。1.2 中国：系统性提高算力效能，加速智能涌现和智能应用图3 中国企业生成式人工智能的应用现状来源：IDC，2025我们正在进行一些模型的初步测试和重点概念验证（PoC），但还没有制定明确的支出计划我们正在大力投资生成式AI，并已制定了用于培训和获取生成式AI增强软件的支出计划我们已经将几种生成式AI增强的应用程序/服务能力引入生产，并将扩展使用范围42%41%17%第一章 全球及中国人工智能发展概述09为评估中国算力规
37、模发展现状和趋势，本报告基于IDC中国加速计算服务器半年度市场跟踪报告及智能加速卡半精度（FP16）相当运算能力数据，测算了中国智能算力规模。结果显示，2025年中国智能算力规模将达到1,037.3 EFLOPS，预计到2028年将达到2,781.9 EFLOPS。此外，本报告基于IDC中国服务器市场季度跟踪报告及CPU双精度（FP64）运算能力数据，测算了中国通用算力规模。2025年中国通用算力规模将达到85.8 EFLOPS，预计到2028年将达到140.1 EFLOPS。预测显示，2023-2028年期间，中国智能算力规模的五年年复合增长率预计达到46.2%，通用算力规模预计达到18.8
38、%。较上一版本预期值33.9%和16.6%，均有显著提升。图4 未来18个月，中国企业生成式人工智能项目的主要支出方向来源：IDC，2025硬件升级成本数据采集与处理费用外部咨询或服务费用员工培训费用软件采购费用29%24%18%10%19%图5 中国智能算力和通用算力规模及预测，2020-2028来源：IDC，20253,000.02,500.02,000.01,500.01,000.0500.00.02020 2021 2022 2023 2024 2025 2026 2027 2028EFLOPS75.0155.2259.9416.7725.31,037.31,460.32,019.92
39、,781.9160.0140.0120.0100.080.060.040.020.002020 2021 2022 2023 2024 2025 2026 2027 2028EFLOPS39.647.754.559.371.585.8101.7119.9140.1智能算力（基于FP16计算）通用算力规模（基于FP64计算）第一章 全球及中国人工智能发展概述10中国人工智能算力基础设施发展主要特征在旺盛的市场需求、丰富应用场景的驱动下，中国人工智能算力基础设施呈现出快速发展的趋势，并表现出如下发展特征：多元化：由于人工智能在国内的应用场景较为复杂，同时受到地缘、供应链等因素影响，人工智能芯片类型
40、与厂商呈现出多元化的趋势，GPU、CPU、DSA、ASIC等多种芯片被广泛应用在人工智能的训练与推理中，不少场景实现了多类型芯片的混合使用。在芯片厂商方面，诸多国内厂商开始崭露头角，提供了大规模的算力集群方案。服务化：为满足不同的算力需求，人工智能算力服务不断革新。生成式人工智能IaaS服务可为企业按需提供容量，支持灵活的模型训练和内容生成；算力租赁使用户按需租赁计算资源，降低成本并提高灵活性；算力共享通过资源池化和动态调度，实现资源共享和成本分摊；智算中心集成高性能的计算、存储和网络资源，提供高可用的一站式服务，支持大规模人工智能应用。这些服务化模式不仅提高了资源利用率和灵活性，还降低了用户
41、的使用成本，推动了人工智能技术的广泛应用。场景化：人工智能算力基础设施的多样化旨在应对不同行业和应用场景的多样化需求。各行业对于数据处理的需求各具特色，例如金融行业需要高安全性和低延迟的计算环境，医疗行业需要处理大量医学影像数据，制造业需要实现实时生产优化，互联网行业需要处理大规模用户数据和内容推荐。这些需求对底层架构提出了高性能、低延迟、高安全性、可扩展性和成本效益等新要求。通过资源池化、智能调度、多租户支持、异构计算和边缘计算等技术，人工智能算力基础设施能够灵活应对这些需求，确保资源的高效利用和业务的稳定运行，从而推动人工智能技术在各行业的广泛应用。绿色化：在双碳目标的指引下，全国范围内对
42、绿色发展的重视程度和投资力度不断加大。政策上来说，一方面国家对于数据中心的新建审批及能耗要求上持续趋严；另一方面也会通过诸如电费分段计价等引导数据中心绿色化发展。技术上来说，越来越多的数据中心采用先进的计算、存储和网络架构，提高计算效率；使用液冷服务器等节能技术，提高散热效率，降低PUE值至1.3甚至1.15以下，满足可持续发展政策的要求。第一章 全球及中国人工智能发展概述11中国人工智能算力发展面临的挑战与解决方案IDC研究发现，随着生成式人工智能和大模型逐步扩大应用，企业将面临来自数据、算力、模型、人才、成本等多方面的挑战。其中，算力基础设施是关键议题，企业当下面临的相关挑战包括但不限于计
43、算架构难以支持大规模应用、与基础设施建设和维护相关的高昂成本投入，以及高性能的计算资源的不足。企业在人工智能大模型训练、推理阶段，会面临不同的算力挑战。对于持续开展大模型训练和研发的企业和研究机构而言，他们需要完成大量计算任务，推高算力需求，将长期处于高性能算力供不应求的状态；随着大模型和生成式人工智能技术在实际应用场景中落地，企业普遍面临以推理负载为主的算力需求，在推理阶段，算力分配和调度是主要问题，推理任务的算力需求具有波动性，难以预测和管理，导致资源分配不均衡，缺乏有效的算力分配和调度机制，导致算力资源的局部浪费和整体利用率低下，这不仅影响了人工智能基础设施的算力效率，也增加了整体成本。
44、此外，对于调整技术发展路径的科技企业或者行业巨头而言，如放弃自研大模型转用第三方模型，结束大模型训练转向模型推理，或通过模型剪枝、量化等方法降低模型算力需求，可能会出现算力盈余的情况。同时，在智算中心的积极建设的过程中，部分中心也出现了在实际运营中算力利用率未达预期的情况。图6 企业在应用人工智能过程中面临的挑战来源：IDC，2025缺乏高质量可用数据投入成本过高基础计算架构上存在技术局限性，无法大规模应用缺乏成熟可用的模型缺乏人工智能开发所需的人才计算资源的配置不足，难以快速获取高效的计算资源商业价值回报不明确人工智能解决方案需要快速迭代找不到合适的落地场景数据安全存在顾虑决策层、管理层对人
45、工智能方案接受度不够人工智能应用与其他应用之间的打通存在鸿沟66.0%52.0%49.0%47.0%46.0%43.0%35.0%34.0%33.0%31.0%30.0%26.0%第一章 全球及中国人工智能发展概述12为应对以上挑战，IDC认为在人工智能算力发展过程中应采取“扩容”和“提效”并行的策略：提升算力供给能力，提高算力供给质量增强算力资源的可获得性：增加智算中心的数量，实现充足的多元算力供给，支持人工智能技术的研发和应用，并在不同地区合理规划智算中心分布，实现不同区域协调发展。同时智算中心呈现出规模化发展趋势，政府智算中心单期算力规划可达千P级及以上，而运营商和互联网公司的智算中心则
46、致力于实现万卡及以上的算力规模部署。应面向未来适度超前规划并建设智算中心，支持科技创新和业务扩展，重视规模扩大的同时，还要注重技术先进性。优化算力基础设施架构：采用先进的计算架构，提升单计算节点性能，提高计算效率。优化内存层次结构，减少数据传输延迟，增强数据处理速度。利用智能调度算法合理分配计算任务，优化集群管理方面，确保资源高效利用。推动产业聚集效应：充分考量区域产业基础和发展目标，通过集中建设智算中心，吸引相关产业链上下游企业集聚，形成规模效应和技术溢出效应，降低低单位算力成本的同时，带动地区经济发展和技术进步。系统性地提高算力利用率提高模型算力效率：通过算法创新，如模型剪枝、知识蒸馏、设
47、计高效模型架构、分布式计算等方法，在保障模型能力的前提下减少模型计算量和存储需求，降低同等精度水平下的算力成本，促进模型的应用落地。增强数据支持：提高数据质量可以减少无效计算，提高模型训练和推理的效率，提升整体计算性能和结果准确性。可通过建立高质量的数据集，并构建统一的数据存储和访问接口，简化数据流动与共享，为人工智能模型训练提供强有力的支持。此外，基于先进的加密技术和访问控制机制等技术，可以保护数据和模型免受未授权访问或攻击，提高数据安全。以浪潮信息源2.0-M32为例，其创新性地提出和采用了“基于注意力机制的门控网络”技术，构建包含32个专家（Expert）的混合专家模型（MoE），大幅提
48、升模型算力效率，显著降低在模型训练、微调和推理所需的算力开销，单Token下训练和推理所需的算力资源仅为Llama-70B的1/19，显著提升效率。2024年12月，深度求索（DeepSeek）发布了拥有6710亿参数的DeepSeek-V3模型，不到一个月后，发布了通过强化学习优化的DeepSeek-R1推理模型，在英语、代码、数学等多个基准测试中表现优异，迅速登上Hugging Face排行榜榜首。DeepSeek模型采用专家混合（MoE）架构，允许模型在保持高表达能力的前提下，大幅减少计算量和内存占用，提高训练效率和推理速度，使人工智能技术更加经济高效，便于广泛应用，公开信息显示Deep
49、Seek-V3模型的开发时间仅为两个月，开发成本不到600万美元。DeepSeek-R1 API服务定价为每百万输入tokens 1元（缓存命中）/4元（缓存未命中），每百万输出tokens16元，大约是OpenAI o1运行成本的3%。第一章 全球及中国人工智能发展概述13第二章人工智能算力及应用2.1 芯片和服务器：向高性能与高效能方向演进，重视开放多元体系建设2.2 存储和网络：分布式存储与全闪存提升性能，先进网络架构优化数据访问速度2.3 可持续数据中心：液冷技术成为关注重点，聚焦智能算力散热革命2.4 边缘计算：大模型的部署向边缘迁移，智慧边缘加速模型推理2.5 算法和模型：算法创新
50、与模型迭代解锁更高算力利用率，实现卓越性能与效率2.6 人工智能算力服务：构建全栈服务体系，加速大模型应用落地2.7 应用：积极探索人工智能应用场景，加速智能对于业务发展的价值转化2.1 芯片和服务器：向高性能与高效能方向演进，重视开放多元体系建设大模型兴起和生成式人工智能应用显著提升了对高性能计算资源的需求，人工智能服务器作为支撑这些复杂人工智能应用的核心基础设施，市场规模也持续扩大。根据IDC报告，2024年中国人工智能算力市场规模达到190亿美元，2025年将达到259亿美元，同比增长36.2%，2028年将达到552亿美元。随着模型的成熟以及生成式人工智能应用的不断拓展，推理场景的需求
51、日益增加，推理服务器的占比将显著提高。IDC数据显示，预计到2028年，推理工作负载占比将达到73%。图7 中国人工智能服务器市场预测，2024-2028来源：IDC，202560,00050,00040,00030,00020,00010,0000100%90%80%70%60%50%40%30%20%10%0%单位：百万美元2024 2025 2026 2027 202886.9%36.2%30.2%28.8%27.3%金额增速第二章 人工智能算力及应用15随着大模型训练和推理任务的复杂性和规模不断增加，人工智能服务器朝着更高性能和更高效能方向演进。人工智能服务器在算力提升、功耗优化和硬件
52、加速等领域实现突破，为大规模数据处理和执行深度学习等复杂计算任务提供了强有力的支撑。人工智能服务器不断集成更多的智能管理和优化功能。例如，通过引入智能调度和资源管理系统，可以动态分配计算资源，优化任务执行效率，减少资源浪费。这些功能的提升，使得人工智能服务器能够更好地支持大规模并行计算和实时数据处理，满足大模型训练和推理的高性能需求。人工智能服务器的生态系统建设也将成为市场发展的关键因素，硬件与软件的协同作用将进一步提升算力效率和应用场景的适应性。企业将在技术研发、定制化解决方案和生态建设上持续投入，以满足日益复杂的行业需求。人工智能芯片作为算力产业的关键基础设施要素，呈现多元化发展趋势。多元
53、化的人工智能芯片可针对不同的应用场景进行优化设计，例如，针对深度学习训练的GPU和TPU，能够提供大规模矩阵运算的高效支持；而针对推理任务的ASIC，则在功耗和延迟方面表现出色，适合部署在边缘计算设备中。此外，人工智能芯片在技术创新、生态系统建设和产业发展等多个方面展现出蓬勃发展的态势。在技术方面，中国人工智能芯片针对深度学习优化架构设计，推进架构创新，并重视软硬件协同优化，通过编译器、运行时环境、开发工具链等一系列配套软件的支持加速硬件潜能的发挥。在生态系统建设方面，诸多厂商推出开放平台，提供丰富的API接口和预训练模型库，降低使用门槛，并构建云-边-端一体化解决方案，形成完整的计算链条；活
54、跃的技术社区加速知识共享和技术交流，帮助厂商改进产品和服务；此外，人工智能芯片企业还与其他行业领导者建立战略合作伙伴关系，共同探索新的应用场景和服务模式。未来全球人工智能芯片市场将持续扩大，中国作为重要市场之一，也将迎来高速增长期。政府出台一系列促进产业发展的扶持政策，包括资金投入、税收优惠和知识产权保护等。在大力政策支持下，芯片厂商正在加速新技术研发，推进产业链上下游联动，推动人工智能芯片技术的突破和广泛应用。图8 中国人工智能服务器工作负载预测，2024-2028来源：IDC，2025100%90%80%70%60%50%40%30%20%10%0%2024 2025 2026 2027
55、202865.0%67.0%70.0%72.0%73.0%35.0%33.0%31.0%28.0%27.0%训练推理第二章 人工智能算力及应用16总的来说，中国推动算力产业的转型与市场发展，通过人工智能服务器和人工智能芯片的双轨并行发展，正在构建一个高性能、多元化和高效的算力基础设施体系。这一体系不仅能够满足当前大模型训练和推理所需的爆发式增长的算力需求，还为未来人工智能技术的创新和应用提供了坚实的基础。随着算力产业的不断发展，中国在全球人工智能领域的竞争力也将进一步提升，推动智能化社会的全面到来。2.2 存储和网络：分布式存储与全闪存提升性能，先进网络架构优化数据访问速度随着人工智能技术的飞
56、速发展，企业对数据存储的需求达到了前所未有的高度。IDC数据显示，2024年全球企业在人工智能存储领域的支出达到67亿美元，2025年将增至76亿美元，2028年有望达到102亿美元，2023-2028年五年年复合增长率为12.2%。大模型训练和生成式人工智能技术的应用对存储市场产生了显著影响。首先，算力的增强推动了对存储性能需求的升级。存储系统需要具备更大的容量、更快的读写速度、更低的延迟、更高的可靠性和更佳的灵活性，以支持高效的数据处理与模型训练，同时适应不断增长的数据量和扩大模型规模的需求。在这个过程中，分布式存储架构凭借其性能线性扩展的优势，成为训练场景的主要选择。随着算力集群规模扩大
57、，存储带宽需相应提升，传统集中式存储和串行运算模式已难以满足需求。分布式存储与并行运算的结合，为人工智能领域提供了新的解决方案。分布式存储系统通过将数据分散在多个物理节点上，提供冗余备份、无限扩展性和并行访问，提升数据可靠性和容错性，系统可以迅速从其他节点恢复数据，确保应用的连续运行；支持PB级甚至EB级数据扩展，满足人工智能模型对海量数据的需求；支持并行访问，多个节点可以同时读取和写入数据，降低数据访问延迟。其次，存储系统需要能够灵活应对复杂的数据治理和应用需求。当训练出的大模型应用于具体行业时，需要将行业内的各种数据与大模型结合，而这些海量数据来源广泛、类型多样且分布在不同地点，企业需要高
58、效完成这些数据的汇集和预处理。除分布式存储架构外，多协议支持将成为关键。存储系统需要支持多种数据访问协议以及具备无损互通非结构化数据的能力，兼容不同数据格式和传输方式，从而提高数据管理的效率和灵活性，满足复杂应用场景的需求。未来，随着推理工作负载的增加，存储系统将更加注重快速读写数据、实时响应推理任务、支持大量并发访问以及确保数据的高可用性和完整性。通过采用NVMe SSD等高性能存储介质，结合数据缓存和预取机制，设计灵活的扩展方案，并实施智能数据管理和优化策略，可以帮助企业提高存储利用率和性能，优化数据治理，加速数据价值挖掘。全闪存存储方案凭借其卓越的数据传输速度、更低的能耗以及更高的单位物
59、理空间容量，在人工智能市场中展现出强劲的增长势头。特别是QLC SSD（四层单元固态硬盘），预计将在以读取为中心的工作负载及应用程序中，以及缓存和分层架构的企业SSD市场中占据越来越重要的地位。PCIe接口协议正逐步占据更大的市场份额，代表下一代高性能网络技术的NVMe over Fabric（NVMe-oF）也开始崭露头角。NVMe-oF能够提供服务器与网络存储间极低的访问延迟，从而充分发挥NVMe SSD的优势并加速其普及。生成式人工智能和大模型的发展带来了计算集群规模的提升，从万卡扩展到十万卡，大模型在训练和推理过程中会生成大量的临时数据，这些数据需要在不同计算节点之间快速传输和处理：基
60、于远程直接内存访问（RDMA）技术可实现数据在设备间的直接传输，而不用经过传统网络协议，从而提高传输速度；在数据中心层面，400G以太网技术已经开始在新型数据中心得以采用。面对不断增长的数据传输需求，需要全面提升网络运力效率，构建面向人工智能的运力体系，该体系应具备如下特征：第二章 人工智能算力及应用17高带宽：高带宽能够显著提升数据传输速度，减少训练和推理时间，提高整体效率。目前网络速率已经可达到400G/800G，1.6T是超大规模数据传输和高效能需求的下一步计划，未来行业目光将投向3.2T乃至更高速率，以应对数据中心内部服务器之间和跨数据中心场景下的数据互联。低延迟：低延迟对于实时数据处
61、理和快速响应至关重要，能够显著提升系统的性能和用户体验。RoCEv2的出现，使AIGC集群可以基于RDMA技术扩展到超大规模，较传统以太网的通信方式大大降低了延迟。高可靠：高可靠性能够保证数据传输的稳定性和连续性，避免因网络故障或升级导致数据丢失和服务中断。从传输层的冗余路由和智能流量控制，到链路层的链路聚合与自动故障切换，再到物理层的硬件冗余设计和环境监控防护，通过多层次的设计和技术手段，确保网络系统和数据传输在任何情况下都能稳定、连续地运行。端网协同：在大规模人工智能计算中，端网协同至关重要，能够显著提升数据传输的效率和可靠性，减少数据传输过程中的延迟和丢包率。新一代以太网技术的优化将不再
62、局限于单一的网络设备或组件，而是覆盖数据端到端流程，从交换设备到网卡，再到软件端的全面优化。通过诸如智能网卡等技术的应用，减轻主处理器的负担，提高整体系统性能。负载均衡：随着网络规模的扩大，传统的路由技术已难以满足需求。新的路由技术需要引入先进的负载均衡算法，确保数据流在网络中的均匀分布，避免某些节点过载。同时，这些算法还需具备高效的路径选择能力，以最优路径传输数据，减少延迟。拥塞控制：在大规模网络中，拥塞是一个常见现象。拥塞控制技术通过监测网络流量，动态调整数据传输速率。先进的拥塞控制算法能够快速响应网络状态变化，避免因网络拥塞导致的数据传输延迟和丢包，确保数据传输的稳定性和高效性。全网可视
63、：网络可视化技术提供了对网络状态的实时监控和管理能力。通过可视化工具，网络管理员可以直观地了解网络拓扑、流量分布和性能指标，及时发现和解决潜在问题，优化网络性能。这些升级不仅提升了网络性能，还增强了系统的灵活性和可靠性，为人工智能技术的发展提供了坚实的基础。2.3 可持续数据中心：液冷技术成为关注重点，聚焦智能算力散热革命数据中心作为现代信息技术的基础设施，其能源消耗问题日益受到关注。随着人工智能、大数据和云计算等技术的快速发展，数据中心的能耗不断增加，对环境和经济都带来了巨大压力，可持续性发展成为行业关注的焦点。为了解决人工智能工作负载带来的功耗和热挑战，业界积极探索多种形式的技术手段，共同
64、研发更高效的能源管理和数据冷却技术，推动算力设施在计算节点应用如冷板、相变浸没液冷服务器、处理器垂直供电、超高转化率大功率氮化镓（GaN）电源等解决方案，提升算、电综合利用率；在机柜层面采用超高密度液冷机架实现集中部署，并融入创新的基于人工智能的智能控制技术，提高运维效率，通过落实“三总线盲插技术”、毫秒级多重漏液监测、负压式CDU等手段保障机柜运维安全；此外，数据中心积极引入可再生能源、智能能效管理系统实现绿色化、低碳化转型，加强电力与算力在绿色技术创新方面的合作。第二章 人工智能算力及应用18液冷技术的发展是实现这一转型的重要技术突破，它可以显著降低数据中心的总能耗，提高计算密度，加速训练
65、和推理的速度，提高算力利用率。该技术可将数据中心PUE值降至1.1以下，并减少了散热设备所需的空间，这不仅节省了空间资源，还在相同面积内实现了更多的服务器配置，极大提高了数据中心的效率和性能。此外，随着技术的不断进步，液冷技术还将与数据中心的其他技术相结合，如人工智能、物联网等，实现更加智能化、自动化的散热管理，推动数据中心向更加绿色、可持续的方向发展。IDC预计，2028年中国液冷服务器市场将达到105亿美元，2023-2028年五年年复合增长率将达到48.3%。2.4 边缘计算：大模型的部署向边缘迁移，智慧边缘加速模型推理边缘计算将在更广泛的IT战略中发挥关键作用。人工智能将逐步向边缘侧或
66、端侧倾斜，未来企业级大模型有可能将越做越小，成为可搭载于边缘侧的计算设备，从而促进大模型在各种边缘场景下发挥更大的价值。IDC研究显示，生成式人工智能正迅速成为企业在边缘计算环境中最广泛应用的工作负载。图9 中国液冷服务器市场规模及预测，2023-2028来源：IDC，202512,00010,0008,0006,0004,0002,00002023 2024 2025 2026 2027 2028单位：百万美元第二章 人工智能算力及应用19随着人工智能技术的日益成熟，其应用场景也在不断拓展。然而，传统的云端人工智能处理模式在面临海量数据、实时性要求高以及网络带宽限制等挑战时，显得力不从心。因
67、此，人工智能向边缘侧或端侧的迁移成为了一种必然趋势。边缘人工智能通过直接在数据源头进行处理和分析，不仅减少了数据传输的延迟和成本，还有效保障了数据隐私和安全，为智能应用的广泛部署提供了可能。在这一背景下，企业级大模型的设计和应用也迎来了新的变革。为了适应边缘侧的计算环境和资源限制，大模型正朝着更加精简、高效的方向发展。通过模型压缩、剪枝、量化等技术手段，大模型能够在保持较高精度和性能的同时，显著减小模型体积和计算复杂度，从而轻松搭载于边缘侧的计算设备。这一变化不仅降低了部署成本，还提高了模型的灵活性和可扩展性，为边缘智能应用的快速发展奠定了坚实基础。边缘计算通过本地化数据处理、减少网络延迟、保
68、障数据隐私、优化资源分配和增强系统弹性等多方面的优势，显著提高了大模型的算力效率和实用性。首先，本地化数据处理使得大模型能够直接在数据源头进行实时分析，减少了数据传输的延迟和成本；其次，通过减少网络延迟，边缘计算确保了智能应用的即时响应和高效运行；同时，数据隐私的保障也为企业级应用提供了更加安全、可靠的环境；此外，资源分配的智能化优化和系统弹性的增强，使得边缘计算能够根据实际情况动态调整资源分配，最大化利用资源，确保大模型在各种场景下都能发挥出最佳性能。图10 全球边缘基础设施支持广泛的数字业务和运营计划来源：IDC，2025生成式人工智能供应链管理AI辅助质量管理交易处理流程自动化工人安全损
69、耗控制店铺分析预测性维护数字标牌自动化运营远程患者护理数字孪生技术以上均无贵公司有哪些工作负载或用例是在边缘计算环境中运行的？0%5%10%15%20%25%第二章 人工智能算力及应用20算法是驱动是人工智能发展的核心引擎，决定了应用的智能上限，也牵引着算力的发展。2024年，o系列、Llama3、通义千问、R1等大模型不断升级，尤其是DeepSeek R1系列模型的发布，正是基于算法层面的极大创新，对中国乃至全球的人工智能产业带来深刻变革。一方面DeepSeek采用了大规模强化学习、多头注意力机制等算法创新，智能水平在美国高中数学竞赛邀请赛AIME、博士水平科学问答等测试中榜单上接近甚至超过