大模型驱动下的算力变革与数据中心承载能力探讨

摘要： 本次路演探讨了大模型驱动下的算力变革，分析了国产大模型（如 DeepSeek）爆发对算力基础设施的影响，重点对比了训练与推理阶段的算力需求差异，并评估了中国现有数据中心在承载大模型技术需求方面的现状与挑战。

行业主线：

1. 算力成为核心瓶颈：AI大模型的发展受模型规模、训练方式和推理效率影响，算力需求呈指数级增长，智算中心正逐步取代传统数据中心成为关键基础设施。
2. 训练与推理需求分化：训练阶段极度依赖高性能AI加速器（如GPU）、高带宽存储（HBM3/3E）及低延迟网络（RDMA）；推理阶段则侧重于低功耗加速器、量化优化与边缘计算。

关键变化与分歧：

1. 国产算力生态进展：推理侧国产芯片（如华为升腾、昆仑芯）已具备一定优势并应用于实际产品；但训练侧受出口管制影响，高端GPU受限，国产替代在生态软件兼容性和大规模集群能力上仍需突破。
2. 承载能力评估：中国现有数据中心基本能满足推理需求，但在高端训练算力和大规模AI专用计算机群方面面临显著挑战。

受益方向与风险：

1. 受益方向：国产AI芯片的自主突破、大规模智算中心建设、存算融合技术（CXL 3.0）及分布式算力调度平台。
2. 核心风险：高端芯片供应链受限、国产芯片生态完善速度不及预期、数据中心升级节奏波动。