记录WAIC 2025 | 北京超算携手15家伙伴共筑AI生态！

AI模型复杂度呈指数级增长，参数规模动辄百亿、千亿，驱动算力需求水涨船高，百卡、千卡乃至万卡级集群成为行业高频词汇。

大模型落地主要围绕两大任务：训练（“学知识”）与推理（“做任务”）。随着AI应用场景落地，大模型推理需求显著攀升，甄亚楠对此深有体会：

“2019年我们开始做GPU相关算力服务时，当时用户以科研高校为主，从2023年开始，尤其是ChatGPT爆火以后，大量用户涌入大模型训练。2024年下半年线上推理需求激增，RTX系列推理卡凭借成熟生态成为主流选择。整体来讲，大模型推理和训练仍然保持高速增长状态，推理增长更为迅猛，就目前服务的客户而言，单一算力资源池通常在千卡级别。”

行业数据同样印证了这一趋势：今年上半年英伟达在其财报电话会议上曾披露，大模型推理场景已经占了数据中心业务40%的营收比例。Gartner 预测，到 2028 年，全球推理算力需求与训练算力需求之比将达 3∶1，中国市场这一差距甚至会突破 4∶1。

甄亚楠进一步分析用户痛点，用户在算力选择上有很多困扰，首先全国算力中心分布不均匀和网络带宽问题，导致用户获取资源效率受限与成本上升，例如做在线推理的客户对网络延时要求较高，一般单项延迟在10毫秒以内。随着人工智能对推理需求的激增，如没有一个合理的算力使用方案，无论是增加成本还是浪费算力资源，都是得不偿失的。

“目前国内已建设和正在建设的智算中心超过250个，我们要做的就是定制化地帮用户把最高性能和最高性价比的数据中心选择出来。”甄亚楠说。

具体怎么选？——算力租赁，是目前解决按需索取弹性算力资源的最优解，也是北京超算的核心竞争优势：

其一，按需付费——用户仅为实际使用的计算量和时长付费，大幅降低运营成本；其二，高效调度——依托成熟的算力网络，最大化资源利用率；其三，深度定制——提供从选型分析、资源定制、环境搭建、网络专线到平台搭建的全流程服务。

甄亚楠展望：“未来，若IDC成本持续降低、网络带宽质量提升，将实现用户与我们的双赢。”

大模型时代，芯片性能的跃升与模型迭代加速并存。但算力中心常面临难以消除的“迭代时差”：芯片量产部署需半年至一年，算法移植磨合又需一两个月，叠加模型优化的反复性，算力资源与业务需求的适配总是慢半拍。

甄亚楠指出，芯片与模型的协同迭代是破局关键。芯片性能突破的同时，模型需主动适配多元算力环境。不同行业的差异化需求尤为显著：金融苛求精度与稳定性，法律依赖高效并行处理，政务则侧重数据安全。这催生了“专机专用”与“通用模型”并行的路径，为算力优化开辟多元方向。

北京超算的应对策略颇具代表性：以英特尔、AMD、英伟达等通用资源为基底保障业务连续性，同时将华为、海光等国产算力纳入资源池，精准响应高精尖场景需求，保证用户最快速度拿到算力资源。

用户的核心抉择在于“平衡”二字，甄亚楠指出，华为 910 等国产芯片在特定场景性能已超越国际产品，但企业为抢占市场先机，往往优先选择成熟通用芯片快速落地，待模型稳定后再推进国产化移植，期间需精细测算性价比与研发投入的平衡点。算力中心的价值正在于搭建桥梁，让算力性能释放与成本控制的适配更精准高效。

不仅如此，北京超算也在积极推广国产工业软件。以往，工业行业多依赖与AMD、英伟达适配度高的国外软件。如今，国内自研工业软件蓬勃发展，众多国产模型性能出色，完全能在国产芯片上高效运行。

“我们帮助用户实现程序在国产芯片与通用芯片上的双重运行与严谨精度比对，显著提升了用户对国产芯片的信任度。”甄亚楠介绍。目前，在材料计算、工业仿真等特定领域，大量国产工业软件已得到广泛应用，有力推动了工业软件的国产化进程。

大模型掀起的算力浪潮，正重塑算力市场的游戏规则。如今，企业的核心挑战已不再是单纯的“算力稀缺”，而是如何在性能跃迁、需求分化与成本控制这三重压力下，找到最佳平衡点。破局的关键，在于推动“算力即服务”的深度进化与升级。而令人振奋的是，国产算力生态的崛起正为本土化破局提供坚实支点。