芯片“圍城”加劇，如何通過“算力運營”加速國產商業落地?

　　作者/琳玉

　　前腳臺積電遭施壓，后腳對華半導體出口又遇“緊箍咒”。

　　近期，國際芯片局勢再收緊，12月3日，中國半導體行業協會等四大協會發布聲明，呼吁或建議國內企業審慎選擇采購美國芯片。

　　隨著AI浪潮和數字經濟的高速發展，作為關鍵基礎設施，AI芯片及相關算力產業已經成為全球數字化、智能化轉型的金鑰匙。算盤一打，更讓人眼前一亮：據中國信通院測算，每投入1元算力，就能拉動3-4元的GDP增長，經濟引擎效應不言而喻。

　　在此背景下，國內人工智能行業雖屢屢受挫，卻也借此東風加速踏上了自主化征途。近年來，我國算力水平實現了高速發展，當前總規模已達246 EFLOPS，躋身全球前列。預計到2025年，算力核心產業規模將膨脹至4.4萬億，聯動產業規模更將突破24萬億大關。

　　眼下，國內大范圍的“算力荒”局面顯著改觀，但國產算力中心在蓬勃興起之時，亦步入了新的挑戰期：供需不匹配、算力閑置、利用率低等難題正慢慢浮出水面……

　　隨之，市場對“算力運營”的也需求開始躍升。

　　IDC數據顯示，2023年“中國智算服務市場”規模已近200億，且未來五年，將保持18.9%的年復合增長率，2027年有望觸及3075億規模。

　　全球市場不確定性加劇，國產芯片商業化落地需求愈發迫切。當前，算力運營”已經成為潛在的千億藍海市場，且已有不少前瞻企業正在積極探索算力的規劃與運營，推動國內芯片核心產業實現高質量的自主可控發展。如何激活閑置算力，使國產算力物盡其用?又如何以算力為依托，進一步盤活人工智能市場?

　　針對這些問題，本期第一新聲采訪并引用了無錫數據集團戰略發展部兼無錫市數字新基建公司負責人孫榮鋒、原IDC 圈分析師金磊、英諾天使基金合伙人王晟、第一新聲創始人兼CEO姚毅、北電數智戰略與市場負責人楊震、北電數智產業生態部負責人吳岳、中國信通院云計算與大數據研究所總工程師郭亮、螞蟻數科AI科技技術負責人李哲等行業大咖的最新觀點，共同探討算力新時代下的“新機會”和“新解法”。

　　01

　　算力喊“閑”?

　　算力“建設”熱潮下，“消納”寒意漸顯。

　　大模型爆發帶動了算力的井噴式增長，這股熱潮下，地方政府、運營商、互聯網大廠紛紛按下加速鍵，大規模興建智算中心，試圖加入這場算力的盛宴。數據顯示，2023年全國的智算中心數量還在30個左右，而截至今年上半年，國內建成和正在建設的智算中心已經超過250個。

　　當算力洪流洶涌而至，算力市場出現了哪些新變化?從智算中心、大模型企業等供需兩端的動態中，我們可以直觀地感知到。

　　首先，智算中心已經拉響了“算力閑置”的警報。

　　在密集的智算中心建設熱潮下，市場端愕然發現：這些新增的算力似乎并未如預期那般，在推動實際應用落地、助力地方產業升級等方面大放異彩。“現在全國90%的智算中心算力規模低于1000P，對大模型訓練作用有限，未來使用效率存疑。”中國信通院云計算與大數據研究所總工程師郭亮對龐大的智算中心建設數量表示擔憂。

　　自2024年下半年以來，算力中心的機架空置問題開始凸顯;過去一年間，北京一家算力運營商在與眾多建設智算中心的政府及企業客戶進行了深入交流后，明顯感受到“市場對算力消納的需求越來越迫切”。

　　某大型智算中心相關負責人向第一新聲談到：“從2024年開始，采購和租用算力設備的企業明顯減少;到了現階段，甚至單純的拼低價，都已經難以有效消納市場上的存量算力……”

　　眼下，多數智算中心仍主要寄希望于手握大模型訓練的“算力消耗大戶”，但現實困境是：大客戶資源越來越稀缺，而智算中心又無法給出更精細化的策略、更具吸引力的價格來服務中小型客戶。由此，算力消納陷入僵局。

　　“B端需求方傾向于選擇熟悉的合作伙伴，成功交易往往還是局限于良好的合作關系之間，或具備較強綜合實力的供應商。”上海潤六尺科技有限公司總經理張亞洲說到。算力大客戶早被鎖定，難以撬動，這也進一步考驗了新建智算中心尋找客戶的能力。

　　其次，當前大模型訓練需求顯著下滑，而推理需求的增長是一個循序漸進的過程，整體而言，算力采購市場也正經歷明顯的冷卻期。

　　狂飆兩年后，大模型的發展開始從狂熱回歸到冷靜。國外方面，OpenAI、Anthropic相繼推遲了最新模型的計劃發布時間;國內大模型公司則開始出現“做減法”的趨勢。

　　一方面，GPT5的發布一再推遲，市場技術引領缺失，導致整個行業大模型的開發和訓練活躍程度徘徊在低位。加之高昂的訓練成本與持續的開源風險，業界普遍將目光投向下一代大模型的誕生，以期新的技術框架重新激活市場活力。

　　網信辦數據顯示，截至2024年10月，已有188個大模型通過生成式AI備案，但其中超三成的大模型在備案后并未進一步公開進展，只有約10%的大模型在加速訓練。

　　另一方面，當前業內開始形成的共識是：“大模型并非參數越多越好”，原IDC圈分析師金磊分析到：“一些大模型廠商在基礎模型達到百億參數量后，便轉向了行業應用的發展，不再盲目追求模型千億、萬億參數規模的排名。”

　　而在應用方面，大模型企業在經歷了商業化征途上的廣泛試水后，也開始回歸到各自更擅長的領域，打法上更加聚焦。例如，今年9月，月之暗面決定停止兩款出海產品Ohai和Noise的嘗試，專注Kimi的開發。百川智能創始人王小川則表示將全面投入AI醫療。

　　“大模型企業采取聚焦行業、精簡規模等措施，本質原因還是期望通過成本的控制來實現真正的商業化落地。當前國內大模型賽道的燒錢戰已經告一段落，為避免高昂的后期使用成本，‘做減法’成為多方選擇。”第一新聲創始人兼CEO姚毅說到。

　　同時，當前資方對部分市場大模型的投資轉為理性。此番風向轉變預示著，在基礎大模型風潮過后、推理需求尚未形成較大規模之前，算力市場將短期承壓。

　　此外，當前大模型的發展也正面臨著安全可信的高質量數據短缺問題。“未來的AI應用需要大量稀缺且難以獲取的長尾數據，如自動駕駛中的極端天氣與極端路況數據、具身智能訓練所需要的復雜場景數據等。”螞蟻數科AI科技技術負責人、螞蟻天璣實驗室主任李哲說到。

　　近年來，伴隨著大模型技術的發展，機器學習正從“以模型為中心”轉向“以數據為中心”，高質量數據可以更好地提升模型的準確性和穩定性，但到當前階段，數據短缺已經成為制約模型發展的關鍵。據Gartner預計，2024年，60%的AI數據將是合成數據;Epoch AI Research研究團隊更是大膽預測“到 2026 年，現存的用于AI模型訓練的高質量語言數據將耗盡。”

　　“垂類模型深耕細分行業，精準掌握特定領域的知識模式，其高度專業化讓任務執行更精準、更高效。但目前缺少安全可信、高質量的數據支撐，很難在實際應用中大規模的開展起來。”一位行業人士對第一新聲坦言。

　　算力需求走低，牽引著其上下游產業也步入降價通道。“曾經一卡難求的算力GPU也出現了明顯的降價趨勢。具體而言，熱門芯片英偉達***的八卡整機價格，已經從去年的360萬巔峰下降到230萬。這也說明，當前階段市場算力是足夠的，主要是需求在下滑。”英諾天使基金合伙人王晟說到。

　　02

　　“買”、“賣”兩難，

　　市場深陷“低效利用”迷局

　　“智算中心的利用率普遍徘徊在低位，而眾多中小企業卻仍然難以負擔高昂的算力成本。”是算力市場在新環境下面臨的尷尬局面。

　　IDC今年的調研數據顯示，以企業為主要用戶的算力中心，其利用率普遍徘徊在10%-15%的低位。而根據推算，想要帶來顯著的經濟效益，算力中心的理想利用率目標至少為80%。當大量算力資源陷入“沉睡危機”時，算力需求方卻難以在市場上找到合適的算力。“即使今年以來算力價格有所下滑，但對于眾多中小企業而言，仍然是很貴的。”北電數智戰略與市場負責人楊震說到，供需雙方間似乎存在一層無形的壁壘，難以跨越。

　　“算力閑置的重要原因是一方‘買不起’、一方‘賣不掉’”金磊剖析道，而這一困境背后又有多重因素交織：其一，進口芯片難以買到，國產芯片性能存在代差導致市場使用積極性欠佳;其二，眾多智算中心采用的單卡集群模式，難以支撐當地產業多元化場景需求;其三，傳統的租賃、包銷模式束縛智算中心，難以拓展多元客戶群。

　　進口芯片使用受限的情況下，國產芯片性能參差不齊，缺乏實際使用場景的集群數據，導致市場難以做出采購選擇，是算力難以高效利用的重要原因。

　　當前國外芯片“限供”問題造成的市場缺口，需要國產芯片來填補。加之政策層面的積極鼓勵，國產算力在整體算力中的占比持續攀升。然而，據張亞洲觀察，當前國產算力市場的參與者眾多，電腦設備廠商、ICT通訊廠商紛紛‘卷’進來，但真正做成、做好的不多。正如中國工程院院士劉韻潔在2024年中國算力大會上所指出的問題：“國產算力已具備一定規模，但利用率不算十分理想。”

　　“目前，國產GPU/AI算力芯片公司的落地難度非常高，國產芯片想進智算中心，必須幫智算中心找到最終買單此芯片和設備的客戶公司。從芯片公司、智算中心、模型公司，再到最終的業務客戶，整個鏈條緊密耦合。”北電數智產業生態部負責人吳岳進一步分析到。

　　同時，單卡集群應用場景少，尤其是對豐富的AI場景支撐性不足，加劇了算力利用率低的問題。楊震作比喻說到：“單卡集群像是單打獨斗的士兵，而非協同作戰的精銳部隊。全能芯片英偉達的單卡集群，就像一位十項全能的運動員，但你的任務可能只需要他的一兩項技能，剩下的就是昂貴的資源浪費。反觀國產芯片的單卡集群，芯片之間各有專長與短板，但使用起來要規避短板也較為繁瑣。”

　　此外，當前算力供給三大模式的局限性，又進一步導致市場供需難以精準匹配。

　　目前市場上主流的算力供應模式有三種：一是政府、央國企投建的算力中心，用于招商引資或產業引導;二是大模型公司自有的算力中心，以自身需求為主，富余算力則通過云服務租賃給市場其他需求方;三是運營商建設的公共算力中心，通過匯總市場上的閑置算力，根據客戶需求匹配算力。

　　“這三種模式的共同特點是：它們的核心銷售方式大部分為“獨占式”的租賃、包銷模式，不論是以卡、匹、時或臺為單位計費，都意味著，在非全天候使用的情況下，即使并未實際使用，費用仍在持續產生。獨占模式往往導致資源利用不足、冗余及浪費現象頻發。”姚毅認為，這種模式適合大參數量的模型訓練，但不適用于公共算力服務。

　　“算力需求還是很大，只是現有供給類型無法滿足用戶需求。無論是適配方面還是性價比角度，都達不到客戶的預期。”IDC中國分析師杜昀龍總結到。在當前AI企業深受算力成本高昂之困、中小開發者與創業公司在算力租賃上尤感壓力的背景下，提高算力利用率，讓中小企業與個人開發者能夠更方便地使用算力、以更低的成本實現開發和應用，對產業的發展至關重要。

　　03

　　打通“算力、算法、數據”孤島，

　　是破題點

　　眼下，算力基礎設施雖然已經不斷被補齊，但這些算力資源就像一根根林立的“煙囪”，孤立而建，彼此之間缺乏聯通與協作的橋梁，因此難以被產業上下游有效利用，資源浪費嚴重。

　　近日，在百度智能云技術論壇上，“大模型訓練中算力有效利用率不足50%。”的話題受到廣泛關注，致使“如何提高算力的有效利用率”再次引發行業探討。

　　當前，算力市場的“煙囪困境”，受制于AI產業上下游、國家環境等多維度因素。“要解決算力煙囪問題，本質上來說，還是要落到產業層面。”楊震講到。人工智能三要素：算力、算法、數據之間環環相扣、互為支撐，破解之道在于三管齊下、打破供需隔閡，為行業提供能夠疏通算力流通梗阻、促進資源精準對接的創新型算力消納方案。

　　算力方面，針對國產芯片性能瓶頸及單卡集群的局限性問題，業界提出了“混元異構集群”的解決方案。

　　目前，國產芯片與國外芯片之間存在代差，使用單一品牌芯片集群存在固定的、無法解決的弱項。“通過混合強弱芯片形成混元集群，再采用算法適配使整體接近高性能芯片，就能夠打破單一集群限制，實現高效協同。”金磊表示。

　　然而，構建高效能的多卡集群需要解決技術復雜性、資源分散、生態支持等一系列問題，盡管市場上眾多廠商標榜具備多集群管理能力，但行之有效的并不多。“真正實現跨多集群協同的廠商極少，許多異構計算僅限于兩個集群間。”楊震表示，北電數智針對性推出的算力管理平臺“前進·AI異構計算平臺”，致力于實現多集群合作，當前已搭建包含三個國產混元集群，達產后將形成2000PFLOPS的智能算力供給。

　　“打破算力延遲，讓不同算力集群能夠實現高效協同作戰，是下一階段必然的發展趨勢。”吳岳說到，其中涉及到很多細碎的功夫是必須要去做的，包括算子庫的補齊、通信庫的補齊等等。只有把每個細節都做好，才能讓芯片無差別地支撐各種不同的底座大模型。

　　同時，相對算力供給包銷、租賃模式的局限性，按token定價的模式則大幅降低了算力的使用成本。“算力中心的運營目標應該是為企業提供像水電一樣的基礎算力設施，用戶使用了算力或模型服務才開始計費，即插即用。”吳岳分析到，當前按token計費的模式，主要是幫助中小企業解決普遍存在的算力應用難題，在面對像醫院這一類傳統客戶的垂類模型訓練時，成本甚至可以降到原來的1/10左右。

　　算法方面，在構建好的芯片混元集群基礎上，運用專業算法實現芯片的異構調度，能夠保證跨集群訓練的穩定性，可以解決算力和模型之間的連接問題。

　　目前，各模型配有相應的上下游生態系統、適配芯片及開發框架，這就導致了一定程度的封閉性。企業因此面臨生態體系差異大、模型難遷移至其他算力芯片等狀況。若要實現遷移，既關乎性能差異，也涉及高昂的成本，可能遭遇模型不兼容、調試困難等問題，試錯成本太大，這也是許多客戶對國產算力望而卻步的原因之一。

　　北電數智的核心產品“寶塔·模型適配平臺”通過算法搭建類似操作系統的適配層，為不同硬件提供統一接口，確保與英偉達等主流產品的兼容性。“向下適配不同芯片，向上適配不同開發框架，這種普適地解決方案本質上是把芯片、模型和開發框架幾個層面完全打通。在這個平臺下，任何一類芯片、模型都可以不受阻礙地部署、開發。客戶不用考慮底層的硬件細節，始終面對一致的接口，從本質上解決市場上存在的算力利用率低的問題。”楊震說到。

　　這種混池策略，將多種算力實現混合調配，對模型的訓練與推理任務都能夠帶來大幅的效率提升。“在訓練任務中，混池技術能夠解決不同算力之間的遷移問題和協同使用問題。在推理任務中，混池技術可以根據算力需求調整使用方式，例如用高性能卡處理模型的首token，低性能卡處理后續內容，以此在節省算力的同時，保證推理的速度大幅領先。”金磊說到。

　　根據測算數據，在現有的智算中心上，布局“前進”和“寶塔”后，能夠實現運營效率至少翻倍，針對純推理需求，效率提升甚至可達300%以上。“同時，我們通過軟件加速優化提升國產芯片性能并延長其壽命。若模型不支持用戶框架，還可以幫助嫁接開源模型庫，讓用戶以‘0代碼’或‘低代碼’的方式快速開發應用，類似于搭建了一個任何人都可以輕松使用的AI工廠。”楊震說到。

　　數據方面，當前，數據采集、高效利用以及數據可信等難題凸顯，成為阻礙大模型進一步發展的重要瓶頸。因此，破解數據難題，是提升模型訓練質量，從而進一步提升算力利用率的前提。

　　近期，中國信息通信研究院院長余曉暉在數博會上著重強調了建立“數據空間” 發揮數據要素的重要性。在當前的數據難題中，流通問題是關鍵。報告顯示，國內約70%的高質量數據掌握在政企手中。而這些數據的有效利用面臨多重挑戰：首先，出于對數據安全、信創合規性等方面存在較深顧慮，部分數據難以對外提供;再者，缺乏有效機制及平臺以保障數據的安全和價值利益。這些因素共同導致市場上的交易量極為有限。

　　當流通難題傳導至中小模型廠商、開發者團隊等數據需求方，就形成了模型難以找到合適的訓練場景、新興技術難以落地賦能的困境。因此，構建一個保障數據安全、合法、可信交換的數字化基礎設施——“可信數據空間”已經迫在眉睫。

　　“現階段在無錫市的數據交易中，能夠為人工智能提供服務的并不多。”無錫數據集團戰略發展部兼無錫市數字新基建公司負責人孫榮鋒分享了無錫市當前的數據交易情況：目前無錫的數據交易為人工智能產業提供服務仍處于探索階段。作為工業大市，無錫在制造業AI大模型的數據提供方面，受數據確權和數據前期治理、清洗、定標等復雜準備工作的影響，企業的參與度不高。

　　為了深度挖掘本地數據潛能、賦能地方產業升級，無錫大數據集團承擔起當地千行百業的公共數據資源“開發”和“運營”責任。積極構建數據交易生態圈，促進數據要素市場化流通，搭建了無錫市公共數據交易平臺——錫數交。“目前我們主動和上海數據交易所、深證數據交易所等一線城市的數據交易平臺合作，并服務第三方機構開展無錫公共數據加工和數據產品的開發，助力數據資源融入全省、全國的數據交易市場。”孫榮鋒講到。

　　以往，場外數據交易平臺或數交所多采用API接口直供或線下審批使用等模式來經營未經必要安全處理的裸數據，安全合規存在較大漏洞，且耗時費力，同時數據價值也不能充分被挖掘。北電數智打造的紅湖·可信數據空間針對交易壁壘，重點保證數據安全、確保雙方利益，為供需雙方提供多層次解決方案和長期可持續的模式，并形成完整的商業閉環。

　　“以具身智能應用為例，在可信數據空間的加持下，數據可以投入訓練場、融入模型，甚至內置于一體機。隨著數據場景增多、新數據不斷引入，可信數據空間能夠為數據提供方帶來穩定收益，為數據使用方提升模型質量、精準度和其他多樣性的應用場景。”楊震分析道，這種模式在數據交易市場的進一步成熟后可以得到更廣泛的發展。

　　04

　　市場呼喚“產業生態”，

　　行業需要“串珠人”

　　“人工智能市場的算力、算法、數據幾個方面就如同散落的珠子，而行業需要一個‘串珠人’的角色，將產業鏈上已有的珠子串上、拉緊，如果沒有的話，就把它造出來。”在楊震看來，智算中心作為重資產行業，卻僅能獲取微薄的利潤，核心原因在于智算中心距離最終的業務場景太遠，在產業鏈的話語權較低。

　　若未來智算中心要實現突破并尋求更深層次的發展，吳岳認為有兩條路徑：一是構建生態，以全棧能力服務更多中小企業客戶，二是做萬匹以上的超大規模，定向服務少數客戶。

　　市場的本質需求是整體解決方案，而非單一產品或年度訂閱服務;智算中心的運營，本質上是人工智能產業鏈的運營。從健康的業務模式來說，智算中心想要獲取更多的市場份額和行業利潤，則需要深耕算力產業，實現算力服務化：既能鎖定大客戶，也能滿足長尾中小客戶，同時，還需要提供一系列能夠助力業務精準落地的增值服務與個性化解決方案。

　　“對于大部分中小智算中心而言，加入產業生態戰略是唯一的解法。”金磊表示。

　　因此，構建健全的產業生態成為推動算力市場持續健康發展的關鍵所在。那么，未來，市場需要將建成什么樣的算力生態，怎么樣的生態能夠促進AI產業的持續發展呢?

　　楊震認為，“串珠人”的角色需要算力運營商來充當，通過匯總閑置算力，匹配客戶需求，提供量身定制的解決方案。

　　當然，構建一個能夠高效鏈接算力行業乃至整個人工智能市場各方的“中轉棧”極具挑戰。算力運營商需要精準審視算力、算法、數據和場景四層中的壁壘，并通過AI全棧布局突破障礙，幫助智算中心結合當地算力供需情況和產業結構，形成具有地方特色的人工智能產業鏈運營中心。如此，才能實現閑置算力的有效消納，并真正發揮AI基礎設施的產業賦能作用。

　　現階段，各地智算中心正陸續意識到產業生態的關鍵性，并積極布局探索。其中，北電數智旗下的星火·智算擁有從芯片層、算法層再到可信數據空間層的全棧布局。同時，星火·智算的標桿項目——北京市數字經濟算力中心還打破傳統形態，將算力展廳、算力劇場、聯合實驗室以及產投孵化平臺等功能空間搬進智算中心，通過打開產業場景、聚集產業要素，最終實現技術攻關以及生態的良性循環發展。

　　“星火·智算不是簡單的建筑，而是“智算中心”和“產業生態”的共生體，通過強大的算力支撐、通用的算法體系、高質量的數據工具，再加上開放的生態思維，能夠幫助智算中心實現從工具層到生態層，甚至是客戶需求方的全面賦能升級。”楊震說到，截止目前，北電數智已經建聯了近1000家生態伙伴，目前有3到4個星火·智算中心在規劃或建設中，正與多地政府接洽，將進一步規劃更大范圍的落地。

　　孫榮鋒對這一生態模式表示了肯定：“構建產業生態是解決當前眾多城市算力供需矛盾的有效途徑，尤其對于無錫等中小城市而言，是一個理想的解決方案。它通過多元化算力供給，能夠整合并解決無錫算力資源規模小且分散的問題。”

　　針對具體的產業模式，楊震提出了兩方向：一是政府、央國企通過公共智算中心的建設及運營，賦能地方產業、實現數字化的高效轉型;二是中小企業通過深度融入算力產業生態，實現效益最大化，并進一步推動構建健康可持續的人工智能發展生態。

　　一方面，當前政府采用的算力券、招商政策等短期措施難以根本解決當地智算中心的消納問題。

　　有效的解題之道，在于追本溯源。目前，大量智算中心項目都由地方政府、城投平臺主導，所以，建設AI生態可以優先在政府層面開放數據、打開場景。比如，國有企業可以通過開發垂類模型釋放算力應用場景，形成第一輪增長點。然后再通過算力、算法、數據層的工具對算力中心做精細化運營，把算力利用率提上去、成本降下來。在此基礎上，鏈接供需兩端，結合當地產業結構實現人工智能轉型，推動區域人工智能產業特色發展，形成第二輪增長點。

　　部分前瞻城市已敏銳洞察先機，率先邁出了探索與實踐的步伐。孫榮鋒在談及此話題時透露：“無錫數據交易平臺上豐富的數據資源，其中有相當一部分能夠為人工智能大模型的訓練提供助力。以此為依托，無錫大數據集團承建了無錫市的政務大模型項目，正積極探索垂類大模型開發。”

　　另一方面，當前很多AI垂類領域在產業鏈上存在斷點和卡點，導致市場上眾多極具潛力的AI應用公司尚未探索出商業閉環便悄然消失。

　　以具身智能為例，大量行業上下游中小型企業和個人開發者群體，填補了大企業不愿涉足的細分領域，但它們在開發訓練的過程中，卻遭遇算力成本、數據搜集成本高昂的雙重阻礙，這也進一步成為制約整個產業鏈落地的最后一道難關。國產算力芯片同樣如此，近年來，雖然整體發展迅猛，但由于缺乏全面的應用場景展示和切實有效的評測機制，很多算力應用方對國產算力的能力認知不夠清晰。

　　在北電數智看來，算力及人工智能產業生態的構建能夠解決這個急迫問題，通過生態的搭建提供普惠和適配的算力、嫁接海量AI應用場景，幫助中小型應用公司、個人開發者順利完成開發，加速產品的商業化落地、實現效益的最大化，同時也推動智能科技的前沿應用。

　　為了填補國產算力全面的應用場景展示、切實有效的評測機制缺失等問題，北電數智打造的“首個國產算力PoC平臺”已正式開放。該平臺依托前進·AI異構計算平臺，是全國首個在生產環境下可實現規模化測試的全棧迭代驗證平臺，創新‘以評促用’模式，為國產算力集群提供垂類場景評測、適配與驗證服務的同時，能夠為金融、政務、工業、醫療、具身智能等各行業的AI垂類場景應用開發提供多種算力適配試驗空間，最終打通底層算力至業務場景的雙向鏈路，加速國產算力從“可用”邁向“好用”，推動場景化應用與商業化落地。

　　“AI產業要快速發展，肯定是大家綁在一起、吊起膀子來干。尤其在人工智能重塑科技產業鏈的時候，團結，才能更快地找出突破性道路。”正如楊震所言，當人工智能產業躍升成為全球戰略性高地、當大模型的發展步入“后訓練”時代，國內人工智能行業更應圍爐共商，共同見證并塑造下一個智能新時代。