“誰能構建未來智算的標準、模式與底座，誰就將在下一代智能化競爭中擁有真正的主導權。”

作者丨楊依婷 趙之齊 劉伊倫

編輯丨包永剛

上午場深入分享的余韻尚未散盡，GAIR 2025「AI算力新十年」下午場便接續開啟，思辨與洞察仍在回響，關于中國智算體系未來走向的更宏大命題，已在會場內外激起新的波瀾和期待。

本次大會由GAIR研究院與雷峰網共同舉辦，于深圳·博林天瑞喜來登酒店隆重召開。作為粵港澳大灣區的AI標桿盛會，GAIR 自創辦以來始終致力于連接技術前沿與產業實踐，推動人工智能生態的交流、融合與發展。

下午的論壇以為主題，關注的焦點，從“實現0到1的突破”，轉向“完成1到N的系統化構建和價值閉環”，算力不再只以內核、生態或架構的單點創新為中心，而是邁向以系統運營、模式創新與價值閉環為核心的全棧競爭。

在這一主題之下，下午的八位嘉賓從學術研究、產業實踐、基礎設施運營到算力服務模式創新等多個維度展開了密集而深刻的分享。

他們討論的議題不再局限于單個技術路線或單項產品突破，而是聚焦于一個更宏大的命題：誰能構建未來智算的標準、模式與底座，誰就將在下一代智能化競爭中擁有真正的主導權。

清華大學（深圳）國際研究生院副教授王智：破解工業大模型“數據、成本、算力”三難，以“訓推協同”新范式驅動智能制造

下午論壇的首位嘉賓是清華大學深圳國際研究生院的王智副教授，他從事分布式機器學習、智能多媒體網絡、工業大模型與工業具身等方向的研究，帶來了題為《工業機理x大模型：行業大模型的系統約束和可控推理的研究進展》的主題演講。

王智開篇指出，工業大模型是智能制造發展的關鍵路徑。他闡述了當前面臨的三大挑戰：難以刻畫工業場景和流程、難以在算力受限環境訓練部署、難以滿足工業規范和動態任務，并由此提出需要建立工業機理約束的訓推協同范式。

為了回應這些挑戰，王智團隊將技術體系概括為“四條主線的協同”——工業跨場景數據生成與融合，工業機理約束感知的大模型設計、算網聯合感知的分布式訓練、數據模型聯合優化的任務自適應。

如何破解“數據難”？團隊瞄準工業數據成本高、機理信息缺失的痛點，提出虛實融合的智能數據制備路徑。不僅通過高效3D重建與壓縮技術構建物理可靠的數字場景，更利用大模型生成和編輯結構化工業場景。IGen框架僅憑單張現實照片，就能在仿真中自動生成上千條機器人操作演示數據，將無人工示教（遙操）的模型成功率從0%提升至75%，為規模化獲取工業具身數據開辟了新范式。

如何讓大模型“懂行規、控成本”？在模型設計層面，團隊重點注入工業領域的機理與成本約束。他們提出了成本感知的大模型任務規劃框架，讓大模型在調用工具鏈時能自動權衡性能與耗時、顯存等成本，剔除冗余步驟。同時，面向工業實時決策需求，團隊設計了機理感知的調度框架（Trailblazer），通過大小模型協同的路由機制，讓大模型“該出手時再出手”。

如何在“弱算力、弱網絡”下訓練大模型？針對工業邊緣環境算力分散、網絡條件差的現實，團隊深入分布式訓練底層優化。他們提出了可理論分析梯度壓縮與延遲聚合影響的虛擬隊列框架，以及面向非獨立同分布數據的高效稀疏壓縮器，確保在受限資源下訓練仍能高效收斂。

如何讓訓練好的模型“跑得快、用得穩”？他們發現，模型結構剪枝與輸入信息過濾是耦合的，因此提出多維度聯合輕量化方法（PRANCE），實現動態協同優化。針對具身智能中關鍵的視覺-語言-動作模型，團隊創新性地進行“時空聯合壓縮”，并針對擴散策略模型設計了塊級自適應緩存與實時剪枝技術，讓“大腦”的思考能跟上“手腳”的動作。

歐洲科學院院士、IEEE Fellow劉向陽：企業AI能力的未來，由數字化底座決定

歐洲科學院院士、美的首席信息安全官兼軟件工程院院長、IEEE Fellow劉向陽，在大會上帶來題為《中立云：賦能AI與AI賦能的多云統一數字化底座》的主題演講，分享了美的在企業級數字化與AI實踐中的真實路徑。

作為橫跨學術與產業的復合型專家，劉向陽如今也深耕企業數字化轉型一線。即便身處全球最大的家電企業、世界500強企業之一，他卻并不認為“規模”和“技術儲備”等同于“AI能力”。

“現在大家都在談AI，但很多企業并沒有真正獲得業務價值，根本原因不是AI不行，而是數字化基本功沒打好。”在演講一開始，他便給AI熱潮潑了一盆冷水，“如果把數字化比作一棟樓，數字化底座就是地基，地基決定了你這棟樓能蓋多高。”

圍繞“地基”該怎么打，他直指企業常見的兩條路徑：自建數據中心，或全面上公有云。前者看似成本低，但現實往往事與愿違，“如果一個 CIO 真能把數字化底座建得非常好，那他其實已經可以去開一家公有云了。”在他看來，多數企業的自建底座仍停留在上世紀90年代的虛擬化技術，技術老舊、產品雜亂、穩定性和安全性難以保障。

“大的故障，基本都是架構和體系的問題”，他尤其強調了架構問題帶來的系統性風險。在很多企業的數據中心里，業務系統之間無法有效隔離，“一個系統被攻破，可能就是全軍覆沒。”

而公有云看似先進，卻又帶來了另一組難題：多云幾乎是大型企業的必然選擇，美的目前使用的云超過8朵，但彼此之間互不兼容，且遷移難、聯動難，最終形成云孤島、數據孤島。在業內，跨云遷移半年起步已是常態。

正是這樣的背景下，劉向陽帶領美的選擇了一條“自建云能力”的路徑。他介紹，美的構建了一整套云計算能力，從IaaS到PaaS，從AI算力平臺到DevOps、安全體系，既能部署在自有數據中心，也能部署在公有云之上，且不同平臺之間的應用遷移不需要做任何業務改造。

在AI層面，這套底座直接決定了算力效率和成本。“如果沒有AI算力平臺，GPU利用率可能只有10%；有了之后，至少能提升4到5倍。”并且，在模型使用上，美的通過統一的AI網關，實現了多模型接入、權限控制、審計和計費，讓AI能力真正嵌入業務系統，而非停留在實驗階段。

并行科技副總裁，AI云聯創始人趙鴻冰：算力服務的關鍵是成為用戶的“專屬車手”，讓每一分算力都產生價值

北京并行科技副總裁、AI云事業部總經理趙鴻冰帶來了題為《基于用戶視角的算力服務及算網服務》的演講，從算力服務提供商的角度，闡釋了如何讓算力從“資源”轉化為真正驅動業務的“生產力”。

報告開篇，趙鴻冰指出，并行科技研發了“ParaSelect”性能預測與智能選型系統，可基于應用運行特征分析，為用戶推薦性能最佳或性價比最高的算力平臺。

為此，趙鴻冰分享了多個優化案例，例如通過深度優化將某客戶1300億參數大模型訓練的GPU利用率從75%提升至95%，整體效率提升40%，顯著降低訓練成本與時間。在國產算力支持方面，并行科技也積極投入，例如在昇騰910平臺上通過適配優化，使Llama2-7B訓練性能達到A800的92.8%，性價比達1.23倍，展現出國產算力在大模型場景下的可行性與競爭力。

如何從用戶的需求視角來思考算力服務運營的思路？

趙鴻冰提出三個關鍵維度：可用、好用、降本。即用戶需要算力時，平臺能提供可運行且滿足業務要求的算力，同時要保證高效使用，并具有良好的性價比。

趙鴻冰通過幾個形象的比喻，清晰梳理了當前算力市場的不同業態。他將算力租賃比作“長期包車”，用戶租用算力后自行支配使用方式；算力服務則如“專車”，按用戶具體需求提供定制化服務；算力運營則類似于“多車型調度平臺”，可靈活調配各類算力資源；而算力網絡則是更上層的“全國調度平臺”，將多個運營平臺整合為一張統一的算力網絡，實現跨平臺、跨區域的資源協同與智能調度。

為實現這一目標，并行科技構建了“廠網結合”的運營模式，不僅依托自建的龐大算力集群，還接入了全國47個智算中心與15個超算中心，總計管理超200萬CPU核心與5萬GPU卡，形成龐大的資源池。

演講最后，趙鴻冰引用《中國算力發展指數白皮書》的數據強調了算力的經濟價值：“在算力中每投入1元，可帶動3-4元的經濟產出。”他斷言：“毋庸置疑，AI將是推動接下來10年發展的核心驅動力，而算力是基石之一。”

清程極智聯合創始人、產品副總裁師天麾：MaaS爆發背后，還需填補供需端信息差

隨后，清程極智聯合創始人、產品副總裁師天麾，在大會上帶來了題為《智能算力的適配、優化和服務》的主題演講。

在演講開篇，師天麾便直指當前算力市場面臨的一個共性瓶頸：為什么算力買下來后，卻不好用？

“雖然大家買的是硬件，但真正用的其實是軟件”，這是他在與客戶交流中反復強調的一句話。在他看來，決定算力能否真正釋放價值的關鍵，在于橫亙于芯片與應用之間的那層軟件，尤其在推理算力爆發的現在，推理引擎尤為重要。它不僅決定模型能不能跑，更決定能否跑得穩、跑得值。

推理引擎并非一個可以輕易“拼裝”的模塊。師天麾解釋道，一個完整的推理引擎涉及算子層、并行計算、PD分離等多個層級，任何一處改動，都會牽一發而動全身。因此，推理引擎的設計是一項系統工程。

當算力能夠穩定、高效地跑起來之后，新的問題隨之出現：如何把能力真正變成可用的服務？在師天麾看來MaaS是下一個必須重視的方向。

他指出，今年MaaS迎來了明顯爆發，其核心優勢在于門檻低、成本低、迭代快，“一次大模型調用，可能只需要幾分錢，甚至一分錢不到”，再加上中國擁有全球最活躍的開源模型生態和龐大的開發者群體，他對MaaS的長期前景保持樂觀。

但現實同樣存在痛點。當前MaaS市場中，不同廠商的能力指標高度不統一。即便在模型相同、價格相近的情況下，不同云廠商之間的吞吐與延遲差異，仍可能達到五倍之多；而在需求側，不同用戶對穩定性、延遲、成本的關注點也并不一致。供需之間，存在著巨大的信息差。

圍繞這一問題，師天麾介紹了清程極智的另一款核心產品——AI Ping一站式大模型服務評測與API調用平臺，以“讓大模型調用更快、更穩、更省錢”為目標，通過標準化測評機制，幫助用戶更清晰地理解不同MaaS服務的真實能力。

在國產算力逐步鋪開的背景下，這些從軟件底層出發、耐心補齊基礎能力的實踐，正悄然改變算力被理解、被選擇、被使用的方式。

鼎犀智創聯合創始人呂海峰：以“干濕結合”閉環攻克AI+新材料數據瓶頸，讓算力從基建走向產業價值

論壇的最后一位嘉賓，是鼎犀智創的聯合創始人呂海峰，以一位“算力老兵”的獨特視角，帶來了以《科學智能驅動的新材料設計研發》為題的演講分享。

他從個人經歷切入，回溯了從參與建造國內首臺T級超算開始，到推動算力服務商業化，最終投身“AI+新材料”領域的從業歷程，并犀利地指出核心問題：“建了這么大的算力，到底誰來用？怎么形成真正的產業價值？”

最終，他找到了答案——將AI與算力深度融合，應用于新材料的設計與研發。

呂海峰指出，材料科學已步入“AI for Science”的第五研發范式。傳統模式依賴試錯，周期長達十數年，成本高昂，已無法滿足新能源、半導體等戰略產業對創新材料研發的迫切需求。以美國最新發布的“創世紀計劃”為例，AI加速科學突破已成為全球核心戰略競爭點。

盡管前景廣闊，但落地之路不僅需要強大的算力平臺，更需要材料領域專業方向的大規模高質量數據基礎，否則AI模型成為“無米之炊”。

為解決這一根本矛盾，鼎犀智創提出了“模型+實驗”的干濕結合閉環研發新路徑：首先用AI大模型進行分子設計與配方建議；再通過模擬仿真進行高通量虛擬篩選與驗證；最終驅動全自動化實驗平臺進行合成制備與表征分析。這一過程不僅可以產生標準化、高質量的真實實驗數據更能實現實時反饋與迭代優化，形成自我強化的智能循環。

呂海峰強調，這不僅是一個技術閉環，更是可持續商業模式的基石——通過提供從行業真實需求輸入到新材料設計、工藝包交付輸出的“端到端”研發服務，成為客戶真正的研發伙伴，是跨越從實驗室到產業化之間鴻溝，實現產業化落地的必由之路。

目前，鼎犀智創已將此理念付諸實踐。他們以納米碳材料為切入點，形成了以材料大模型、智能化合成制備平臺為代表的系統化產品服務能力，已經成功發現了多種新型催化劑并顯著提升了制備效率。同時，在與行業頭部企業的深度合作中，這套體系已已經成功將客戶的真實實驗效率提升數倍，顯著縮短了研發周期。

圓桌對話：如何從 “算力基建” 到 “價值閉環”？

下午4時，“如何從‘算力基建’到‘價值閉環’？”圓桌論壇在三豐投資創始合伙人李東東主持下開啟。李東東攜清程極智聯合創始人師天麾、朗擎數科CIO徐永昌，從投資視角與一線實踐出發，圍繞算力產業發展階段、價值瓶頸及突破路徑深度研討，碰撞產業核心洞見。

李東東在開場中直指行業核心痛點：當前算力賽道熱度高漲，但核心問題突出。信通院數據顯示，不少智算中心算力平均利用率不足40%，且大模型訓練退潮后，增量需求轉向分散破碎的推理側，算力消納成為行業通病。在此背景下，兩位嘉賓首先就“算力產業當前所處階段”分享觀點。

師天麾表示，如今的算力建設已告別“先建后用”的粗放模式，轉向“性價比優先、場景倒推建設”的新階段。他強調，建設前需明確用戶群體與使用場景，不同模式直接決定硬件選型、組網方案與軟件平臺的功能設計，算力建設正從“可用”向“好用、高性價比”加速升級。

徐永昌則將今年算力發展分為兩個階段：上半年以DeepSeek-R1開源為標志，中文數據優勢與高質量數據集構建成為國產大模型追平國際水平的核心；下半年垂類模型與Agent應用爆發，華西第二醫院通過構建專科醫生高質量數據集，訓練的AI分身使醫生日接診量從10人提升至30人。

圍繞“算力價值閉環的核心標志與關鍵條件”，師天麾認為，算力作為基礎設施，價值核心在于“方便、易用、便宜”，他重點推崇MaaS模式。該模式通過技術優化實現底層硬件與模型細節“透明化”，用戶可低成本調用算力，供應商則通過大規模并行、PD分離等技術壓低成本，形成“技術優化-成本降低-用戶增長-利潤提升”的正向循環。

徐永昌則直言，價值閉環的終極標準是“讓客戶用AI賺到錢”。他以成都某房地產服務企業為例，該企業通過AI工具提升成交量，后續因數據安全與成本需求采用浸沒式一體機本地算力方案，印證“解決痛點、創造收益，才能讓客戶持續付費，而非單純售賣硬件”的核心邏輯。

談及行業價值轉化瓶頸，師天麾認為，MaaS模式興起改變行業盈利邏輯，技術實力成為核心競爭力，其價格戰背后是軟件優化帶來的成本優勢，技術越強則利潤率越高。徐永昌從三個維度給出判斷：一是基座模型能力仍需提升，需實現“大模型能力向小模型遷移”；二是算力架構需升級，超節點高速互聯方案可大幅降低模型訓練成本與時間；三是高質量數據與行業專家資源稀缺，二者是垂類模型成功的關鍵，三者需系統性解決，否則行業仍會“熱鬧但不實用”。

展望未來，師天麾認為，2025年將是中國AI從訓練向推理轉型的關鍵年，MaaS市場持續壯大；2026年，推理市場與國產化進程將加速推進，“方便、好用、便宜”仍是核心趨勢。徐永昌則用“推理”總結2025年，用“國產”與“液冷”定義2026年：隨著發改委對智算中心PUE≤1.3的要求落地，國產芯片與液冷技術的適配將成為關鍵，2026年將成為二者爆發的元年。

李東東在總結中指出，本次論壇理清了算力產業核心邏輯：既要突破技術瓶頸，也要破解產業難題，更要錨定“算力+應用”本質，把握推理需求爆發窗口期。智算的未來不僅由技術定義，更由價值閉環的商業模式與跨域協同的產業生態決定，算力新十年的篇章，將是技術躍進、生態共榮與價值普惠的共同實現。

結語

伴隨著論壇議程的結束，一場聚焦于智算體系構建的務實探討也畫上了階段性句號。

與追問某個特定定義者相比，論壇更重要的貢獻在于厘清了“定義權”所依賴的基礎要件與生成邏輯。

本屆專場下午的討論，以扎實的運營實踐與模式創新案例，將宏觀命題落地為可分解、可行動的體系化思考，展現了其推動產業理性前行的一貫力量。

“定義未來”，其本質是構建標準、塑造范式、主導價值分配的過程。而中國智算未來的定義權必然歸屬于一個能夠高效整合算力資源、持續產出普惠服務、并最終在各行各業形成價值閉環的先進系統與成熟模式。

以此為新的基準，我們呼吁從技術協同、商業設計到政策引導的全鏈條創新，共同澆筑這一系統性能力的基石。

智算的未來形態正在實踐中被塑造成型。

讓我們攜手，不僅預見未來，更以扎實的構建，成為定義未來的一部分。