人工智能的竞争，正在发生一个值得关注的变化。
过去几年，人们讨论AI，关注的往往是谁家的大模型更聪明、谁的产品回答问题更准确、谁又发布了令人惊艳的新功能。
但当AI开始从聊天工具走向智能体、工业生产、自动驾驶和科学研究，一个更加现实的问题逐渐浮出水面：
如此庞大的人工智能系统，究竟靠什么支撑运行？
答案离不开算力。
2026年7月，工业和信息化部在介绍上半年工业和信息化发展情况时披露，截至6月底，中国智能算力规模达到2185 EFLOPS（FP16），全国算力设施整体上架率达到71.4%。
几个月前，英伟达公布的2026财年财报也释放出强烈信号：公司全年营收达到2159亿美元，同比增长65%，其中数据中心业务成为增长的重要推动力。
一个是中国持续扩大的智能算力基础设施，一个是全球AI芯片巨头快速增长的商业收入。
两组数据背后，指向同一个趋势：
人工智能的发展，已经不只是算法之间的竞争，更是一场围绕芯片、算力网络、软件生态和能源供应展开的系统性竞争。
而对中国而言，这场竞争真正困难的部分，可能才刚刚开始。
一、从大模型竞赛到算力竞赛：为什么AI越来越离不开芯片？
要理解今天的算力竞争，首先需要认识一个基本事实：
人工智能并不是凭空产生智能。
大模型之所以能够理解语言、生成代码、分析图片乃至执行复杂任务，背后依赖的是大量数学运算。
在模型训练阶段，计算机需要反复处理海量数据，不断调整模型参数。模型规模越大、训练任务越复杂，通常就需要越多的计算资源。
进入应用阶段之后，AI还需要进行推理计算。
当一个AI产品只有少量用户时，算力压力可能并不明显。但当它同时服务数百万甚至数千万用户，或者需要执行长时间、多步骤的智能体任务时，推理需求就会持续积累。
这也解释了为什么AI行业一方面努力降低单次推理成本，另一方面又在建设越来越庞大的数据中心。
斯坦福大学《2025年人工智能指数报告》显示，对达到相当于GPT-3.5水平的模型而言，每百万Token的推理成本从2022年11月的约20美元，下降至2024年10月的约0.07美元，降幅超过280倍。
这说明算法优化和硬件进步正在显著降低AI使用门槛。
但成本下降，并不意味着算力需求一定减少。
恰恰相反，当AI足够便宜，过去不值得使用AI的场景也开始具备商业可行性。企业可能把AI接入客服、办公、研发、制造和供应链，普通人也可能越来越频繁地使用AI服务。
于是，一个看似矛盾的现象出现了：
单次使用AI可能越来越便宜，但整个社会对算力的总需求却可能越来越大。
当然，这并不是必然规律。总需求最终取决于应用增长速度、模型效率和商业化程度。
但至少从目前的产业投资和基础设施建设来看，全球科技企业显然正在为更大规模的AI应用做准备。
二、英伟达为什么如此重要？真正的优势不只是一块GPU
谈到AI算力，就绕不开英伟达。
很多人将英伟达的竞争力理解为GPU性能强，这个判断并没有错，但还不够完整。
一块高性能GPU确实可以提供强大的并行计算能力，可真正的大模型训练往往需要大量芯片协同工作。
这就提出了更复杂的技术问题：
当成百上千块芯片一起计算时，怎样让它们高效交换数据？怎样减少通信延迟？怎样避免某些芯片等待其他芯片？怎样管理庞大的显存需求？
如果这些问题解决不好，即使单块芯片性能出色，整个集群也可能无法充分发挥计算能力。
因此，先进AI计算平台的竞争，已经从单一芯片扩展到高速互联、网络设备、内存系统、编译器、计算框架和集群管理。
英伟达的优势，恰恰来自这些环节长期积累形成的协同体系。
其中，CUDA软件生态尤其值得关注。
大量AI开发工具、计算库和模型训练框架长期围绕CUDA进行优化，开发者也形成了相对成熟的使用习惯。
这意味着，企业选择AI芯片时，考虑的并不只是硬件价格，还包括软件迁移成本、工程师学习成本、已有代码的适配成本，以及系统稳定性。
从商业角度看，这是一种非常重要的生态优势。
英伟达2026财年的业绩进一步反映了这种优势的商业价值。其全年营收达到2159亿美元，同比增长65%；数据中心业务收入同比增长68%。
需要强调的是，这些财务数据说明全球加速计算市场需求旺盛，并不能直接证明英伟达所有技术指标都领先竞争对手。
但它们至少说明了一件事：
在AI产业链中，能够同时提供高性能硬件、成熟软件和规模化计算系统的企业，正在获得越来越重要的地位。
这也给中国AI芯片产业带来了一个关键启示：真正需要追赶的，不是一块芯片，而是一整套计算体系。
三、中国智能算力规模快速增长，但规模不等于竞争力
近年来，中国不断加强智能算力基础设施建设。
从国家算力枢纽布局，到地方智算中心建设，再到国产AI芯片和计算集群的研发，算力正在成为数字基础设施的重要组成部分。
根据工业和信息化部2026年7月公布的数据，截至当年6月底，中国智能算力规模达到2185 EFLOPS，统计口径为FP16。
EFLOPS是衡量计算性能的单位，1 EFLOPS代表每秒进行约一百亿亿次浮点运算。
但这里必须明确一个容易被忽略的问题：
智能算力规模，并不能直接等同于真实可用的AI计算能力。
首先，不同芯片架构、不同计算精度下的理论性能，不能简单地进行横向比较。
其次，算力设施建成之后，还需要通过软件适配、集群调度和实际业务负载，才能转化为真正的生产力。
例如，一个智算中心即使配备了大量AI加速卡，如果网络通信效率不高，或者缺少成熟的软件环境，其实际训练效率仍然可能受到限制。
更重要的是，算力建设必须与真实需求相匹配。
工信部同期公布，全国算力设施整体上架率为71.4%。
这个指标反映了设施部署利用的部分情况，但不代表所有设备都处于满负荷运行状态，更不能直接等同于GPU的实际算力利用率。
换句话说，设备上架、设备运行和计算资源被有效使用，是三个不同层次的问题。
如果忽略这一点，单纯追求算力规模，就容易陷入只重建设、不重运营的误区。
实际上，中国的算力发展正在从追求规模向强化统筹转变。
2026年9月，工信部门披露，中国算力平台已经实现全国一体化算力统筹监测，平台汇聚了超过一万家注册企业用户，上架2000多项算力产品，接入300多个大模型。
这些进展表明，算力资源的统一监测、供需匹配和服务化运营正在推进。
不过，建立监测体系不等于已经解决跨区域调度、异构芯片适配和商业化使用中的所有问题。
未来真正需要关注的是：
企业是否能够方便地获得算力？开发者能否低成本部署模型？不同地区的算力资源能否高效协同？算力中心能否依靠真实业务实现可持续运营？
这些问题的答案，可能比单纯增加多少EFLOPS更加重要。
四、国产AI芯片取得进展，为什么仍然不能掉以轻心？
面对全球AI产业竞争，中国发展自主可控的算力体系，已经具有明确的战略意义。
其中一个重要方向，就是国产AI芯片及其配套计算生态。
以华为昇腾为例。
2026年7月，华为在世界人工智能大会期间展示了Atlas 950 SuperPoD超节点真机。根据华为官方披露，该产品采用1024卡集群部署，重点面向大规模模型训练和高并发推理场景。
值得关注的并不是1024这个数字本身，而是它反映出的技术路径：
当单颗芯片性能受到限制时，可以通过更高效的互联架构和系统设计，提高整个计算集群的协同能力。
这种思路并非中国企业独有，全球AI计算平台都在加强集群规模、高速互联和系统级优化。
但对国产算力而言，它提供了一条值得持续探索的技术路线。
与此同时，我们也必须认识到，国产算力的发展仍面临多重挑战。
第一，是先进制造和供应链能力。
高性能AI芯片不仅需要优秀的架构设计，还依赖先进制造工艺、芯片封装、高带宽存储以及稳定的产业链配套。
第二，是软件生态。
芯片能够正常运行，只是进入市场的第一步。要让大量开发者愿意长期使用，还必须具备成熟的编译工具、算子库、框架兼容性和调试环境。
第三，是实际应用性能。
AI芯片不能只比较宣传材料中的理论峰值性能，还需要在真实模型、真实任务、真实集群规模下进行验证。
第四，是商业化成本。
对于企业来说，采购价格只是总成本的一部分。设备功耗、系统维护、开发适配、长期稳定性和计算效率都会影响最终选择。
因此，国产AI芯片能否形成长期竞争力，不能仅凭某一次发布会或某项性能指标作出判断。
华为等企业披露的产品进展，能够证明国产算力体系正在持续推进，但具体的跨平台竞争力，还需要更多独立测试和长期实际应用验证。
真正值得期待的，不是某一天突然出现一款可以替代所有海外产品的芯片，而是越来越多的国产计算平台在具体场景中建立稳定、可靠、经济的服务能力。
五、DeepSeek带来的启示：算力竞争不仅要靠堆芯片，还要靠算法效率
如果说英伟达代表了大规模加速计算平台的商业优势，那么DeepSeek的技术实践，则让行业重新审视另一个问题：
提升AI能力，是不是一定只能依靠投入更多算力？
2024年底公开的DeepSeek-V3技术报告提供了一个值得研究的案例。
报告显示，DeepSeek-V3采用混合专家模型架构，总参数量为6710亿，但每个Token实际激活的参数约为370亿。
这种设计的意义在于，不必让所有参数在每次计算时都参与运算，从而有机会在模型能力与计算成本之间取得更好的平衡。
报告还披露，DeepSeek-V3完整正式训练过程使用约278.8万个H800 GPU小时。
按照其报告采用的每GPU小时2美元估算，相关计算成本约为557.6万美元。
但这个数字经常被误解。
它不是DeepSeek公司研发大模型的全部成本，也没有包含此前大量架构探索、实验、数据准备、硬件购买及其他运营费用。
因此，简单地说一个顶尖AI模型只需要几百万美元就能研发出来，并不严谨。
DeepSeek真正值得重视的地方，是通过模型架构、负载均衡、计算精度和工程优化，提高了已有计算资源的使用效率。
它说明了一种重要可能性：
算力不足不等于完全没有竞争机会，算法和系统工程创新同样能够改变竞争格局。
但同样需要避免走向另一个极端。
算法效率提高，并不意味着先进芯片不再重要。更高效的算法可以降低完成特定任务的资源消耗，却无法自动消除大规模训练、高并发推理和复杂多模态任务对高性能硬件的需求。
对中国而言，更现实的路径不是在芯片和算法之间二选一，而是推动两者共同进步。
芯片设计需要考虑模型特征，模型优化需要了解硬件架构，软件框架则要把两者连接起来。
只有形成协同创新，有限的算力资源才能发挥更大价值。
六、算力竞争的下半场：决定胜负的可能还有电力
很多人提到AI基础设施，首先想到的都是GPU。
但当算力中心规模不断扩大，一个过去容易被忽视的因素开始变得越来越重要：
电力。
国际能源署在2026年发布的《Key Questions on Energy and AI》中更新预测，全球数据中心用电量预计将从2025年的约485太瓦时，增长至2030年的约950太瓦时。
需要说明的是，这一统计覆盖全球数据中心，不仅仅是AI服务器；2030年的数字也属于情景预测，而不是已经发生的事实。
尽管如此，趋势已经足够清晰。
AI基础设施不仅消耗芯片，也消耗大量电力，同时需要散热系统、供电设施、网络连接和长期维护。
在超大规模数据中心中，电力供应是否稳定、能耗成本能否控制，都会直接影响经营效率。
这意味着，未来算力竞争可能越来越具有能源竞争的特征。
一个地区即使能够购买先进芯片，如果缺少可靠的电力供应，或者电网扩容速度无法跟上数据中心建设，同样可能遭遇发展瓶颈。
对中国而言，能源体系和全国算力布局之间的协同，具有一定的发展空间。
例如，通过国家算力枢纽建设，将部分适合集中处理的计算任务部署在能源条件和基础设施条件更合适的地区，有望改善整体资源利用效率。
但这里存在一个重要限制。
并非所有AI任务都适合远距离调度。
对实时性要求较高的应用，例如工业控制、在线交互和部分边缘智能业务，往往更关注响应延迟和本地计算能力。
相对而言，一些可集中处理、时延要求较低的计算任务，更有条件进行跨区域资源调配。
因此，合理的算力布局，不是简单地把所有服务器集中到电价低的地方，而是根据业务性质，在计算性能、网络时延、电力成本和数据安全之间寻找平衡。
这也是为什么未来算力基础设施的竞争，需要同时考虑芯片、电网、网络和调度系统。
七、中国AI算力突围，真正需要走通四条路
综合全球产业变化和中国当前的发展基础，我认为，中国AI算力要形成可持续竞争力，至少需要完成四个方面的转变。
第一，从追求单芯片性能，走向系统级计算能力建设。
先进AI芯片当然重要，但芯片之间的通信、内存协同、集群稳定性和软件优化，同样决定最终计算效率。
国产算力的发展应当加强芯片、服务器、互联网络和软件平台的联合设计，而不是只关注某一项硬件指标。
第二，从硬件替代，走向软件生态建设。
企业更换AI计算平台，面临的不只是设备采购问题，还有代码迁移、算法适配、研发人员培训和长期运维问题。
如果这些环节成本过高，即使硬件具备一定性价比，也可能难以大规模推广。
因此，兼容主流AI框架、完善算子库、提高开发工具质量，以及建设可持续的开源社区，都具有长期意义。
第三，从算力规模扩张，走向算力运营效率提升。
算力基础设施最终必须服务真实需求。
对于地方智算中心和算力服务商而言，与其盲目追求规模，不如关注实际业务负载、资源利用率、单位任务成本和客户持续使用情况。
只有算力真正被企业使用，才能形成可持续的产业循环。
第四，从单纯追赶硬件，走向软硬协同和产业应用创新。
中国拥有规模庞大的制造业体系，以及金融、交通、能源、医疗等多种AI应用场景。
这些场景对算力的要求并不完全相同。
例如，工业视觉检测可能更加关注推理时延和稳定性，企业知识问答更重视成本和部署便利性，科学计算则可能需要更高的计算精度与吞吐能力。
这意味着，国产芯片没有必要一开始就试图满足所有市场需求。
先在具有明确商业价值的场景中实现性能、成本和稳定性的合理平衡，再逐步扩大应用范围，可能是一条更现实的产业发展路径。
实际上，2025年国务院发布的《关于深入实施“人工智能+”行动的意见》已经明确提出，要支持人工智能芯片创新、培育基础软件生态，并推动智能算力统筹、互联互通和供需匹配。
政策方向已经比较清晰。
接下来更重要的，是如何将这些目标转化为可衡量的技术进步和产业成果。
八、未来三年，AI算力竞争真正应该关注什么？
展望未来，我认为AI算力领域有三个趋势值得特别关注。
首先，竞争对象将继续从单一芯片向完整计算系统转变。
一款芯片的理论性能可能很出色，但最终决定企业采购选择的，是它能否稳定、高效、经济地完成实际任务。
其次，推理成本的重要性可能进一步上升。
当AI应用从少量实验项目进入企业日常运营，持续运行的成本将直接影响商业模式是否成立。
如果一家企业部署AI以后，节省的人力和时间成本不足以覆盖推理及运维支出，那么再先进的模型也很难长期推广。
最后，算力建设将越来越需要接受商业回报的检验。
AI数据中心是一种资本投入大、建设周期长、技术迭代快的基础设施。
对于投资者和运营者而言，既要判断未来需求，也必须警惕设施建设速度与实际应用增长之间的错配。
因此，未来观察中国AI算力产业，不应只盯着新增多少芯片、建设多少智算中心。
更值得持续跟踪的是：
国产计算平台在真实模型上的性能表现，企业使用国产算力的综合成本，算力中心的实际利用效率，以及AI应用究竟创造了多少经济价值。
这些指标，才更接近产业竞争的本质。
结语：真正的算力自主，不只是拥有芯片，而是拥有选择权人工智能的竞争已经进入一个复杂的新阶段。
模型能力仍然重要，但决定AI能否持续发展和大规模应用的因素，正在从算法延伸到芯片制造、软件生态、网络通信、能源供应和产业组织能力。
中国智能算力规模快速增长，国产AI芯片和计算平台持续取得进展，这些都是积极信号。
但必须看到，规模扩张不等于技术领先，产品发布不等于生态成熟，自主研发也不意味着所有供应链难题都已经解决。
未来中国AI算力产业最重要的目标，不应该只是证明某款国产芯片能够运行某个大模型。
而应当是让更多企业能够稳定、经济、高效地使用国产算力，让开发者拥有更多技术选择，让人工智能真正转化为产业生产力。
一场算力竞争的最终胜负，不取决于谁拥有最多的芯片，而取决于谁能将计算资源更高效地转化为技术创新、商业价值和实际生产力。
这或许才是中国AI突破算力瓶颈，最值得关注的方向。