要理解当前的算力变局，先要纠正一个常见印象：很多人以为算力是过剩的。

就在几年前，行业讨论的主流话题还是算力闲置数据中心利用率低上云之后省了多少钱。2020年前后，国内不少地方的数据中心上架率不足50%，算力供给看起来绰绰有余。

但从2023年开始，风向变了。生成式AI的爆发，让算力需求曲线突然陡峭起来。

先看一组最新数据。工业和信息化部在2026中国算力大会上公布：截至2026年6月，我国在用智能算力规模达到2185 EFLOPS（FP16精度），同比增长177%。这个增速，是此前任何一个时期都没有过的。

什么概念？EFLOPS是每秒百亿亿次浮点运算。2185 EFLOPS，意味着我国智能算力规模在一年间翻了近三倍。而就在2025年底，这个数字还是159万PFLOPS——注意单位，1 EFLOPS等于1000 PFLOPS，换算下来相当于从1590 EFLOPS增长到2185 EFLOPS，半年增长约37%。

需求增长更快。据中国信通院数据，2026年一季度国内AI算力需求同比大增417%，而供给增速仅128%。供需之间的缺口，正在以肉眼可见的速度扩大。高端算力方面，供需缺口逼近46%。

这就是价格上涨的根本原因：不是厂商串通涨价，而是需求端爆发式增长，供给端受多重瓶颈制约，两者之间的缺口持续扩大。

但如果只看到供需失衡四个字，还远远不够。真正值得关注的是，这次需求增长的结构和以往完全不同。

过去两年，很多人对算力需求的理解还停留在训练大模型上。训练确实消耗巨大——训练一个千亿参数的大模型，需要数千张高端GPU连续运行数月。但训练有一个特点：它是阶段性的、一次性的投入。

真正改变算力格局的，是推理。

什么是推理？简单说，就是模型训练完成后，每次实际使用时都需要进行的计算。你问AI一个问题、让它生成一张图、帮你写一段代码，背后都在发生推理计算。和训练不同，推理是持续性的、高频的、伴随每一次用户交互发生的。

国家数据局的数据揭示了一个关键转折：2025年，我国用于人工智能训练和推理的数据总量为199.48 EB，其中推理数据量达到101.34 EB，首次超过训练数据量。

这是一个标志性的变化。它意味着AI已经从实验室训练阶段进入大规模应用阶段。据测算，未来推理算力需求与训练算力需求之比可能达到3:1，甚至更高。

这个转变为什么重要？因为它从根本上改变了算力的经济属性。

训练是资本开支——企业一次性投入大量资金买卡、建集群，训练完成后这笔投入就结束了。而推理是运营开支——只要用户还在使用AI服务，企业就要持续为算力付费。算力从阶段性投入变成了持续性运营成本。

这也解释了为什么云厂商集体涨价。当AI应用的用户量和调用量持续攀升，推理算力的消耗是指数级的。中国日均Token调用量在2026年3月已经突破140万亿，相比2024年初的1000亿增长了超过1000倍。仅2026年一季度，就比2025年底增长了40%以上。

Token是大模型处理文本的基本单位。140万亿Token是什么概念？如果把一本300页的书算作约30万Token，140万亿相当于每天处理约4.7亿本书的文本量。而且这还只是文本，多模态模型处理图片、视频、音频的算力消耗是文本的数倍甚至数十倍。

所以，算力需求的增长不是线性的，而是随着AI应用的普及呈指数级攀升。这是需求端发生的第一个、也是最根本的质变。

需求端在爆发，供给端却遇到了两个绕不开的瓶颈。

第一个瓶颈是芯片。

高端AI芯片的产能扩张不是一朝一夕的事。一条先进制程芯片的生产线，从建设到量产需要两到三年时间，投资动辄数百亿美元。而AI芯片的核心组件——高带宽存储器（HBM）——的产能更加紧张，全球只有少数几家厂商能够生产。

供需紧张直接反映在交付周期上。目前，高端千卡GPU采购订单的交付周期已经延长至12至15个月，新订单普遍排到2027年第二季度。也就是说，你现在下单买卡，最快也要一年多以后才能拿到。

对于大多数企业而言，自建数据中心正变得愈发困难。一方面，高端GPU一卡难求，采购周期被拉长至数月甚至一年以上；另一方面，建设一个具备规模化效应的智算中心，从规划、采购、部署到调试，周期动辄超过一年，且需要数亿元乃至数十亿元的巨额资本投入。

这催生了算力租赁市场的爆发。据中国信通院数据，2026年一季度国内算力租赁市场规模达680亿元，同比增长62%，预计全年突破2600亿元。但租赁市场也面临同样的供给约束——价格上涨的同时，很多高端GPU的租赁容量已经售罄。

第二个瓶颈，也是更长期的瓶颈，是电力。

很多人没有意识到，算力的本质是电力的另一种形态。每一次计算，都需要消耗电能；芯片性能越强，功耗越高。一个大型智算中心的用电量，相当于一座中等城市。

中国信通院的数据显示，2025年我国算力中心用电量约1960亿千瓦时，同比增长18.1%，增速是全社会用电增速的3.6倍。另一个口径显示，2025年我国算力设施用电量达1700亿千瓦时，同比增长约30%。两个口径略有差异，但都指向同一个事实：算力用电正在快速增长。

国家能源局预计，十五五时期全国算力用电量年均新增1000亿千瓦时以上。中国信通院按高、中、低三种情景预测，到2030年全国算力中心用电量可能达4000亿至7000亿千瓦时，占全社会用电量的3%至5%。

这意味着什么？算力正在成长为与工业、交通并列的重点用能行业。电力供应能力，正在成为制约算力扩张的硬约束。不是你想建多少数据中心就能建多少，而是电网能承载多少、绿电能供应多少，决定了算力的上限。

正是在这个背景下，2026年9月，英伟达、谷歌等巨头牵头成立AEMA联盟，试图通过算力负载灵活调度来释放电网容量。联盟推动AI数据中心随电网情况动态调用电，通过负载迁移、储能与自备发电，预计可释放最高100GW电网容量，每吉瓦新建算力中心有望节省约7.33亿美元电力配套成本。

连全球科技巨头都要联合起来解决电力问题，足以说明这个约束有多硬。

面对需求爆发和供给瓶颈，中国正在推进一套系统性的解决方案，核心是两个词：东数西算和算电协同。

先看东数西算。

这个工程的逻辑很直观：东部地区经济发达、AI应用需求旺盛，但土地紧张、电价高、电力承载有限；西部地区能源丰富、气候凉爽、土地充裕，但需求不足。把东部的算力需求调度到西部的数据中心去处理，既能缓解东部的电力和土地压力，又能利用西部的清洁能源和自然冷源，降低算力成本。

目前，我国已经布局八大国家算力枢纽节点和十大数据中心集群。截至2025年底，八大国家枢纽已建成智算规模达138.8万PFLOPS，占全国比重超过80%。截至2026年6月，全国已建成超70条连通算力枢纽、重点区域的算力传输通道，批复17个国家算力互联互通区域节点。

更重要的是，全国一体化算力网正在从建得多走向用得好。截至目前，已有140万PFLOPS智能算力接入全国一体化算力网试验验证平台。国家级监测调度平台已接入137万PFLOPS智能算力，约占全国总量的72%。这意味着，分散在各地的算力资源正在被统一调度、按需分配，算力的使用效率在提升。

再看算电协同。

如果说东数西算解决的是算力的空间布局问题，那么算电协同解决的就是算力与能源的深度融合问题。

算电协同是指通过数字化技术、智能算法、信息网络，将算力基础设施与电力系统进行深度融合，推动资源动态匹配与优化配置。简单说，就是让数据中心的用电变得灵活——电网负荷高的时候，数据中心可以降低非紧急计算任务、转移负载或者使用储能；电网负荷低、绿电充足的时候，数据中心可以多跑一些计算任务。

2026年，算电协同被纳入政府工作报告，标志着它从理念走向国家战略。目前，国内已经建成一批算电协同标杆工程，电碳算一体化调度技术推动算力负荷柔性参与电网调峰，绿电直连等机制试点落地。

与此同时，算力设施本身的绿色化转型也在加速。液冷散热正在成为高密度智算中心的标配。传统风冷模式下，完成一度电的计算任务，要额外消耗0.3至0.5度电用于散热；采用全浸没式液冷，散热侧额外耗电可降至约0.15度，节能效果显著。

2026年8月，七部门联合发布文件，明确提出强化算力设施绿色设计，支持液冷散热、余热回收、低功耗芯片等技术创新推广，探索800V高压直流供电架构，推进超百千瓦单机柜规模化部署。这为国内算力基础设施的低碳迭代划定了清晰的施工图。

从东数西算到算电协同，再到绿色算力技术的全面推广，中国正在构建一套有别于单纯堆规模的算力发展路径。这套路径的核心逻辑是：在资源约束下，通过空间优化、能源协同和技术进步，让每一度电产生更多的计算价值。

在讨论算力的时候，有几个常见的说法容易把人带偏，这里逐一澄清。

误区一：算力涨价是暂时的，等芯片产能上来就会回落。

这个判断有它成立的一面——芯片产能确实在扩张，供需缺口可能在某个阶段收窄。但它忽略了一个更根本的变量：需求的增长速度可能持续超过供给的扩张速度。

AI应用还在早期，随着大模型能力提升、多模态普及、AI Agent进入工作流，推理算力的需求只会越来越大。摩根士丹利预计，2025年至2028年AI算力容量可能扩大约4倍至120GW。即使芯片产能翻倍，需求可能已经翻了三倍。

更准确的说法是：算力价格可能会有阶段性波动，但算力越来越便宜的长期趋势已经被打破，算力将从廉价资源变成需要精打细算的核心生产要素。

误区二：算力就是GPU数量，卡越多越强。

这个说法在AI发展早期还大致成立，但现在已经不够准确了。

算力的实际效能取决于一整套系统：芯片性能只是基础，还需要高速网络互联、高效存储架构、优化的调度软件、散热和供电系统的配合。同样数量的GPU，集群互联效率不同、调度算法不同，实际能发挥的算力可能相差30%甚至更多。

而且，随着推理成为算力消耗的主体，每瓦算力和每Token成本比总算力规模更重要。一个能效比高、调度优化好的中等规模集群，可能比一个规模更大但效率低下的集群更有商业价值。

误区三：算力是大企业的事，和中小企业、普通人没关系。

这可能是最需要纠正的一个误解。

算力正在像水电一样渗透到经济的每一个角落。你用的AI助手、看的推荐内容、企业用的智能客服、工厂的质检系统、医院的影像辅助诊断，背后都在消耗算力。算力成本的变化，最终会传导到每一个AI服务的价格上，传导到每一个使用AI的企业和个人身上。

对中小企业来说，算力租赁市场的成熟反而降低了使用门槛——不需要自建数据中心，按需租赁、按量付费，就能用上以前只有大公司才有的算力资源。关键是要学会用好算力，而不是拥有算力。

如果你关注算力行业，或者你的工作和AI、数字化相关，不需要追逐每一个新闻。建立一套判断框架，比记住更多名词更有用。

判断算力趋势，可以重点看四个变量：

第一，看推理需求的真实增长。不要只看又发布了什么新模型，而要看AI应用的实际调用量、用户留存率和付费转化率。推理需求是持续的、可验证的，它比训练投入更能反映AI的真实商业化进展。Token调用量、推理数据量占比、AI服务的活跃用户数，是比模型参数规模更值得跟踪的指标。

第二，看供给端的交付周期和产能利用率。高端GPU的交付周期是供需关系最直接的晴雨表。交付周期缩短，说明供给在改善；交付周期继续拉长，说明供需缺口还在扩大。同时关注数据中心的上架率和利用率——如果规模很大但利用率低，说明存在结构性过剩；如果规模增长的同时利用率也在提升，说明需求是真实的。

第三，看电力约束的缓解进度。电力是比芯片更长期的硬约束。关注三个信号：一是新建数据中心的并网审批速度，二是绿电直连和算电协同的试点范围，三是液冷、高效供电等节能技术的渗透率。电力约束缓解得越快，算力供给的天花板就越高。

第四，看每Token成本的变化趋势。这是比总算力规模更有商业意义的指标。每Token成本下降，说明算力效率在提升、AI应用的商业模型在改善；每Token成本上升，说明算力供需紧张在向应用层传导。长期来看，谁能把每Token成本降得更低，谁就能在AI应用竞争中占据优势。

这四个变量合在一起，可以帮你过滤掉很多噪音，看清算力行业的真实走向。

回顾这篇文章讨论的内容，核心其实只有一个判断：算力正在经历一场从规模扩张到效率竞争的结构性转变。

在过去的云计算时代，算力的核心矛盾是够不够用，解决方案是不断扩大规模、降低成本。而在AI时代，算力的核心矛盾正在变成用得好不好——同样的算力资源，谁的调度更智能、能效更高、模型优化更好，谁就能用更低的成本提供更好的AI服务。

这场转变对不同的人有不同的含义。

对企业来说，盲目采购GPU、自建数据中心的时代正在过去。更理性的做法是根据实际需求选择合适的算力获取方式——训练用自建或长期租赁，推理用弹性云服务，非核心任务用性价比更高的算力方案。同时，把精力放在模型优化和应用落地上面，因为最终决定竞争力的不是你有多少卡，而是你能用这些卡创造多少价值。

对政策制定者来说，算力基础设施的建设思路需要从上项目、扩规模转向提效率、促协同。全国一体化算力网的价值，不在于建了多少数据中心，而在于能不能把分散的算力资源高效地调度起来、能不能让算力和电力实现动态匹配、能不能让中小企业用得起、用得好。

对普通人来说，不需要理解算力的技术细节，但需要意识到：我们正在进入一个算力即基础设施的时代。就像电力改变了20世纪的工业生产、互联网改变了21世纪的信息传播一样，算力正在改变这个时代的智能服务。它会渗透到工作、学习、医疗、出行、娱乐的每一个角落，而我们每个人都是算力的最终使用者和受益者。

算力的上半场，比的是谁建得快、谁规模大。算力的下半场，比的是谁用得好、谁效率高。理解这个转变，才能看懂接下来五年整个数字经济的运行逻辑。

作者声明：个人观点，仅供参考，不构成任何投资意见。