简介这份《2025年中国人工智能计算力发展评估报告》由浪潮信息发布共45页面向关注AI算力产业的研究者、企业技术决策者与投资分析人员帮助读者系统把握全球及中国智能算力的发展脉络与趋势判断。报告围绕算法创新、算力规模、芯片与服务器、存储网络、液冷数据中心、边缘计算、算力服务及行业与地域评估等模块展开结合DeepSeek R1等案例剖析算法效率与算力需求的互动关系并给出IDC对市场规模、能耗与液冷渗透率等关键数据的预测可作为行业研究、方案论证与趋势汇报的参考素材。资源包内为1个PDF文件约4.69MB单文件结构便于直接检索与引用。目前已有180人学习下载适合需要快速获取权威算力评估框架与数据支撑的读者查阅。1. 2025算力报告里那个“反常识”数字算法越省算力越缺一份45页的行业评估报告最值得琢磨的往往不是它写了多少页而是它敢把哪个数字往上修。2025年中国智能算力规模预测被抬到1037.3 EFLOPS2023—2028年五年年复合增长率46.2%——上一版这个数是33.9%。同一份报告里还写着另一件事某个开源推理模型把训练算力压到同类模型的十分之一、推理缓存降低50倍7天活跃用户破亿。省算力和缺算力同时成立这不是矛盾是这份报告最想让人看懂的那层信号。对做基础设施选型、算力采购和AI应用落地的从业者来说2025年的人工智能计算力发展评估已经从“堆卡叙事”转向“扩容与提效并行”的双线叙事读不懂这条分岔预算大概率会踩坑。2. 全球算力五大趋势规模法则没死只是换了战场2.1 从预训练到后训练与推理算力投入的位置变了过去两年谈规模法则默认语境是预训练——堆数据、堆参数、堆卡时。这份报告给出的判断是规模法则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投入更多算力可以进一步提升大模型的深度思考能力。换句话说算力没有变得不重要而是从“一次性砸进预训练”变成“持续投在后训练和推理”。这个位移对从业者的直接影响是采购节奏。预训练时代的算力需求是脉冲式的一个大模型训练周期几个月集群拉满训完就空。后训练和推理时代的算力需求更接近常态化的服务负载波动性大、调度复杂。报告里提到推理负载的两个阶段——预填充和解码两者处理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解耦部署策略构建分离式算力资源池。这意味着机房的规划逻辑要跟着改不是买一批卡训完就完事而是要按推理服务的峰谷来设计资源池的弹性和调度机制。从行业角度看这条趋势最容易被低估的地方在于它改变了算力投资的回报模型。预训练投入的回报周期长、不确定性高推理侧投入直接对应业务量单位算力的产出更容易衡量。报告里那句“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”说的就是这个转向。2.2 杰文斯悖论效率提升为什么反而推高总需求报告用杰文斯悖论解释了一个反直觉现象算法效率的提升并未抑制算力需求反而因更多用户和场景的加入推动大模型普及与应用落地带动数据中心、边缘及端侧算力建设。这个逻辑链条值得拆开看。效率提升降低单次调用成本成本下降打开新的应用场景场景增加带来调用总量上升总量上升最终推高总算力消耗。报告给出的佐证是2024年全球人工智能服务器市场规模预计1251亿美元2025年增至1587亿美元2028年有望达到2227亿美元其中生成式人工智能服务器占比从2025年的29.6%提升至2028年的37.7%。服务器市场规模的持续扩张和算法效率的持续提升是同步发生的。对做容量规划的人来说这条规律的实际含义是不能因为模型变便宜了就按“同等业务量、更少算力”去做预算。更常见的现实是业务量随成本下降而膨胀算力需求曲线整体上移。血泪经验往往就出在这里——按效率提升后的单位成本做线性外推结果被业务量的非线性增长打穿。2.3 平台化与生态互联企业不再单打独斗报告提到全球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。生成式人工智能技术栈复杂、供应链漫长单一供应商很难覆盖从硬件到软件、从开发工具到用户体验的全部环节。这条趋势对采购决策的影响很直接评估供应商时看的不是单点性能而是它在生态里的互操作性。报告强调生成式人工智能应用与开发平台应具备开放性、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。翻译成落地语言就是选型时要问清楚接口标准、数据迁移路径和跨平台兼容性而不是只看跑分。2.4 数据基础设施与能耗两条被低估的硬约束报告给出的数据量预测是2024年全球产生的总数据量163ZB2025年增至201.6ZB2028年翻番至393.9ZB五年年复合增长率24.4%。更值得注意的是数据结构的变化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还有接近18%为软件代码。多模态数据的存储和读写压力和纯文本时代完全不是一个量级。能耗侧的数字更硬。2024年人工智能数据中心IT能耗达到55.1太瓦时2025年增至77.7太瓦时是2023年能耗量的两倍2027年增长至146.2太瓦时2022—2027年五年年复合增长率44.8%五年间实现六倍增长。报告同时指出2027年人工智能数据中心能耗占比将为18.0%而2022年这个比例是7.6%。单机柜功率可高达130KW已经超出传统风冷的能力范围液冷从可选项变成必选项。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48.3%。提示做机房改造预算时把液冷和供电改造放在同一张表里算。单看服务器采购价会严重低估总拥有成本。3. 中国算力盘面46.2%增速背后的结构性变化3.1 智能算力与通用算力的增速剪刀差报告的核心预测数据是2025年中国智能算力规模达到1037.3 EFLOPS2028年达到2781.9 EFLOPS通用算力2025年85.8 EFLOPS2028年140.1 EFLOPS。2023—2028年智能算力和通用算力的五年年复合增长率分别为46.2%和18.8%较上一版本预期值33.9%和16.6%均有显著提升。这组数字的结构含义比绝对值更重要。智能算力增速是通用算力的两倍多且两个预期值同时上修说明上修不是单点修正而是整体判断的抬升。对从业者来说这意味着以CPU为主的通用算力集群在新项目里的占比会继续下降加速卡和异构计算的配比需要重新算。指标2025年2028年2023—2028年CAGR上一版CAGR中国智能算力规模1037.3 EFLOPS2781.9 EFLOPS46.2%33.9%中国通用算力规模85.8 EFLOPS140.1 EFLOPS18.8%16.6%中国智算服务市场79.5亿美元—57.3%—中国液冷服务器市场—105亿美元48.3%—表格里智算服务市场那一行值得单独说。2024年中国智算服务市场整体规模50亿美元2025年增至79.5亿美元2023—2028年五年年复合增长率57.3%是整份报告里增速最高的数字之一。服务化模式的增速高于硬件市场说明企业获取算力的方式正在从“买设备”转向“买服务”。3.2 企业投入阶段42%在测试17%进生产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41%的企业正在大力投资生成式AI并已制定培训和获取增强软件的支出计划17%的企业已经将技术引入生产阶段并应用于实际业务。未来18个月内企业在生成式人工智能项目上的投资首要集中在硬件升级占比29%其次是数据采集与处理费用24%、外部咨询或服务费用19%、员工培训费用18%、软件采购费用10%。这组分布透露的信号是多数企业还处在从验证到生产的过渡带硬件升级是当前最紧迫的支出项。对做解决方案的人来说这个阶段的企业最需要的不是又一个模型而是能把验证环境平滑推到生产环境的工程能力——包括算力调度、数据管道和成本控制。报告列出的企业挑战排序也印证了这一点缺乏高质量可用数据66.0%、投入成本过高52.0%、基础计算架构存在技术局限性无法大规模应用49.0%、缺乏成熟可用的模型47.0%、缺乏人才46.0%、计算资源配置不足43.0%。数据问题排在算力问题前面说明瓶颈不只在卡上。3.3 行业与城市排名金融上升制造追赶人工智能行业渗透度排名前五依次为互联网、金融、运营商、制造和政府。变化在于金融从第四升至第二制造从第五升至第四。金融的上升对应风控、投资决策和个性化财富管理等场景的加深融合制造的上升对应生产线、产品设计、运营和安监等场景的智能化转型。城市维度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。结果显示北京继续领跑杭州和上海分列第二、第三上海较前一年排名上升一位广州、成都、天津、厦门等城市排名均有提升。对做区域部署的人来说城市排名的变化意味着智算中心的选址逻辑在变——不再只看电价和土地还要看当地的模型生态和应用场景密度。4. 算力技术栈逐层拆解从芯片到应用哪一层在松动4.1 芯片与服务器高性能与高效能并重开放多元成主线报告对芯片和服务器的判断是向高性能与高效能方向演进重视开放多元体系建设。这个表述背后有两层含义。第一层是单节点性能继续提升配备8块高性能GPU的服务器可以支持2000亿参数的大模型训练插卡数量扩展至72块高性能GPU时能够有效支持万亿参数大模型训练。第二层是异构协同CPU、GPU、ASIC、DSA等不同类型的计算资源各具优势需要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通过灵活的计算任务调度高效执行人工智能任务。对选型者的实际影响是评估加速卡不能只看单卡算力峰值要看它在集群里的互联能力和调度兼容性。报告提到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卡、万卡甚至十万卡集群建设。集群规模上去之后节点故障几率随规模增长而上升需要更高效的监控体系和先进的故障恢复机制基于智能显存分配、故障点恢复管理等技术确保集群在发生节点故障时迅速响应最小化停机时间。这就是所谓的黑匣子能力——平时看不见出事时决定集群能不能扛住。4.2 存储与网络全闪存和分布式存储的性能账报告指出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。这条在纸面上不显眼落地时却是最容易翻车的一环。大模型训练和推理对存储的要求不是容量而是吞吐和延迟。多模态数据占比上升之后图像和视频的读写压力会进一步放大存储瓶颈。报告建议企业根据数据量、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。实际操作中训练集群的存储配置要按checkpoint写入频率和数据集加载模式来算而不是按总容量拍脑袋。推理侧的存储压力则集中在缓存命中率上报告提到推理阶段缓存数据量可以大幅降低但前提是缓存策略和存储层级设计到位。4.3 液冷与可持续数据中心PUE 1.3以下的工程现实液冷这条线的数据前面已经列过这里补工程视角。报告提到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。PUE值降到1.3甚至1.15以下是政策要求和成本压力共同作用的结果。对做机房规划的人来说液冷改造的难点不在冷板本身而在供电和空间规划的联动。单机柜功率到130KW级别传统配电架构需要重新设计空间规划也要给管路留出余量。报告提到数据中心正探索从储电能向储大模型算力的转变通过增加和优化IT基础设施将静态储存的电能转化为驱动大规模计算模型的动态算力让算力靠近电力源头。这个思路对新建智算中心的选址有参考价值。4.4 边缘计算与算力服务推理下沉服务分层报告判断大模型的部署向边缘迁移智慧边缘加速模型推理。轻量化模型版本使智能手机、智能家居等设备能够执行实时翻译、语音识别等复杂任务边缘设备上执行关键分析任务可以实现低延迟响应和分布式智能处理减轻中央服务器压力。算力服务侧报告列出生成式人工智能IaaS服务、算力租赁、算力共享、智算中心等供给模式。这些模式的共同点是按需获取、降低前期资本支出。报告提到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。对预算有限又需要快速验证的团队服务化模式比自建集群更现实。4.5 算法与模型模算效率成为独立指标报告把算法创新与模型迭代定位为提升模算效率的关键具体手段包括模型剪枝、知识蒸馏、设计高效模型架构、分布式计算在保障模型能力的前提下减少计算量和存储需求降低同等精度水平下的算力成本。报告举的例子是某混合专家模型采用基于注意力机制的门控网络技术构建包含32个专家的MoE架构单Token下训练和推理所需的算力资源仅为同类70B参数模型的1/19。另一个例子是某开源推理模型采用MoE架构在保持高表达能力的前提下大幅减少计算量和内存占用公开信息显示其开发时间仅两个月开发成本不到600万美元API服务定价约为同类国际模型的3%。这些数字的意义不在于比较谁更省而在于说明模算效率已经成为一个可以单独评估的工程指标。选模型时除了看 benchmark 分数还要看单位token的算力开销和部署成本。# 模算效率粗算示例对比两个模型在给定业务量下的推理算力开销 # 参数均为示意值实际使用时替换为压测数据 def inference_cost(tokens_per_day, cost_per_million_tokens, cache_hit_rate0.0, cached_price0.0, uncached_price0.0): tokens_per_day: 日均token调用量 cost_per_million_tokens: 未区分缓存时的统一单价元/百万token cache_hit_rate: 缓存命中率0~1 cached_price / uncached_price: 区分缓存后的单价元/百万token million_tokens tokens_per_day / 1_000_000 if cache_hit_rate 0: effective_price (cache_hit_rate * cached_price (1 - cache_hit_rate) * uncached_price) else: effective_price cost_per_million_tokens return million_tokens * effective_price # 场景日均1亿token缓存命中率60% daily 100_000_000 cost_a inference_cost(daily, cost_per_million_tokens16) cost_b inference_cost(daily, cost_per_million_tokens0, cache_hit_rate0.6, cached_price1, uncached_price4) print(f统一单价方案日成本: {cost_a:.2f} 元) print(f缓存分层方案日成本: {cost_b:.2f} 元)这段代码的逻辑是把缓存命中率纳入推理成本估算。参数说明tokens_per_day按业务监控的实际调用量填cache_hit_rate来自线上缓存统计两个单价按服务商报价填。关键点在于缓存命中率对总成本的影响是非线性的——命中率从0提到60%成本降幅远大于单价直接打折。做容量规划时把缓存策略和算力采购放在一起算比单独压单价更有效。5. 常见误读这份报告里四个容易看反的地方5.1 误判一算法效率提升等于算力需求下降为什么容易误判看到“训练算力只有同类模型的十分之一”“推理缓存降低50倍”这类数字直觉是总算力需求会跟着降。怎么看报告明确用杰文斯悖论反驳了这个直觉——效率提升带来成本下降成本下降推动需求激增。全球人工智能服务器市场规模从2024年1251亿美元增至2028年2227亿美元的预测和算法效率提升是同时发生的。正确的读法是单位算力成本下降总算力支出上升预算模型要按业务量增长来建不能按单位成本线性外推。5.2 误判二智能算力增速上修等于通用算力不重要为什么容易误判46.2%对18.8%的增速差太显眼容易得出“通用算力要被淘汰”的结论。怎么看通用算力2028年仍有140.1 EFLOPS的规模且增速预期也从16.6%上修到18.8%。异构协同是报告反复强调的方向——CPU、GPU、ASIC各具优势需要协同调度。实际架构里通用算力承担数据预处理、调度管理和部分推理任务不是被替代而是角色分化。5.3 误判三企业42%在测试说明落地还很远为什么容易误判42%停留在初步测试和概念验证看起来渗透率很低。怎么看同一组调研里41%的企业已制定明确的支出计划17%已进入生产阶段。三个阶段加起来是100%说明市场不是“少数人试水”而是处在从验证向生产迁移的中间态。未来18个月硬件升级占支出首位29%说明这批验证中的企业正在为规模化做准备。对供应商来说现在是抢生产环境入口的窗口期。5.4 误判四液冷是大型数据中心的专属议题为什么容易误判液冷改造听起来是大规模集群才需要考虑的工程。怎么看单机柜功率到130KW级别风冷已经到极限这个门槛不是只有万卡集群才会碰到。中等规模机房只要上了高密度加速卡机柜就会遇到同样的散热问题。报告预测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这个比例说明液冷正在从头部方案变成通用方案。提前做管路和配电预留比事后改造便宜得多。6. 接下来怎么走扩容与提效并行下的三个观察点第一个观察点是算力服务市场的增速能否持续高于硬件市场。57.3%对48.3%液冷和整体服务器市场的增速对比说明服务化模式正在吃掉一部分自建需求。如果这个趋势延续企业的算力预算表里“服务采购”科目的占比会继续上升自建集群的决策门槛会更高。对从业者来说这意味着评估方案时要同时算自建和服务两条路的三年总成本而不是默认自建更划算。第二个观察点是推理侧的基础设施设计会不会成为独立赛道。P-D解耦、分离式算力资源池、缓存分层这些做法目前还散落在各家的工程实践里没有形成标准化的产品形态。报告把推理工作负载的持续增加列为明确趋势谁先把推理侧的调度和存储方案产品化谁就能接住从验证期进入生产期的这批企业需求。第三个观察点是绿色化约束会不会改变区域算力布局。能耗增速44.8%、五年六倍增长的数字摆在那里PUE要求只会更严。液冷、微电网、算力靠近电力源头这些方向最终会体现在智算中心的选址和评级上。做区域部署规划时把能耗指标和当地政策放进同一张评估表比只看电价更稳妥。从那以后我每次看这类评估报告都强制自己先翻到预测修正那一页看哪些数字被上修、上修了多少再看正文的解释逻辑能不能对上。预期值从33.9%跳到46.2%这种幅度的修正往往比任何单点技术指标都更能说明行业判断的变化。希望帮到你。本文还有配套的精品资源点击获取