圖片來源@視覺中國

去年年初，東數西算工程的啟動，讓“算力”一詞實力破圈，2022年也因此被定義為算力元年。回望2022，展望2023，中國算力發展處於一個什麼樣的時點，人工智慧與算力的融合又處於一個什麼樣的發展階段？

根據中國信通院公佈的測算資料，截至2021年底，我國算力核心產業規模達1。5萬億元，關聯產業規模也已經超過8萬億元。就全球來看，美國和中國位居全球算力領跑者，其次為日本、德國、英國、法國、加拿大、韓國、澳大利亞等。其中，中國計算力水平增幅最大達到13。5%。

那麼，算力規模的評定是由哪些因素決定的呢？

主要在於四個方面：算力、存力、運力以及環境四個維度。

中國資訊通訊研究院釋出的《算力時代網路運力研究報告（2022年）》指出，算力包括算力規模和算力質效；存力包括存力規模和存力效能；運力包括網路運力質量和基礎網路條件；環境包括資源環境和市場環境。

算力規模的增長能有效帶動數字經濟的增長，計算力指數平均每提高1點，數字經濟和GDP將分別增長3。5‰和1。8‰。相關資料顯示，在數字經濟方面，中美同樣領跑，2021年，從規模看，美國數字經濟蟬聯世界第一，規模達15。3萬億美元，中國位居第二，規模為7。1萬億美元。這與全球算力格局異曲同工。

得益於算力基礎設施、市場及政策的推動，全球算力發展如火如荼，但算力發展也有分化。

單就算力的型別來說，也分為智慧算力和通用算力（超算算力規模不在本文算力範圍），並且根據IDC與浪潮資訊近日釋出的《2022-2023 中國人工智慧計算力發展評估報告》，2022年智慧算力規模達預計達到268。0EFLOPS，到2026年智慧算力規模將進入每秒十萬億億次浮點計算（ZFLOPS）級別，達到1271。4EFLOPS。

並且隨著市場對智慧算力的需求量增大，智慧算力規模在2019年已經超越通用算力規模。

2021-2026年期間，預計中國智慧算力規模年複合增長率為52。3%，同期通用算力規模的年複合增長率為18。5%。

智慧算力與通用算力規模增長對比

那麼為什麼會出現智慧算力與通用算力的差別？簡單理解，智慧算力是由人工智慧市場帶動起來的算力型別，未來隨著人工智慧應用的普及，算力也會逐漸向智慧算力集中。

資料顯示，2022年中國人工智慧市場相關支出將達到130。3億美元，有望在2026年達到266。9億美元，2022至2026年年複合增長率達19。6%。IDC調研顯示，全球範圍內，企業在包括硬體、軟體和服務在內的人工智慧市場的技術投資從2019年的612。4億美元增長至2021年的924。0億美元，預計將在2022年同比增長 26。6%至1170。0億美元，並有望到2025年突破2000億美元，且人工智慧的支出

增幅高於企業數字化轉型（DX）的支出增幅

。這從市場層面驅動了智慧算力未來的高增長。

全球人工智慧支出、數字化轉型支出及GDP增長趨勢預測（202-2024）

不過就智慧算力的實現方式上，雖然已經有一部分企業開始嘗試使用雲端算力增加峰值計算彈性，但IDC調研發現，就現階段而言，由於中國市場傾向於首先投資硬體，

中國人工智慧支出中硬體佔比將保持最大，未來5年將一直保持65%左右的份額

。

某人工智慧領域大晶片製造企業目前已經在晶片研發的相關環節嘗試存算分離，即資料存在本地，計算放在雲端，用低成本、高彈性的雲端算力滿足晶片研發對算力的需求。但該晶片企業的相關負責人對鈦媒體App表示：“即便在嘗試使用雲端算力，但是大晶片的研發流程複雜，無法一次實現全部流程上雲，當下硬體對算力需求的推動更加突出，並且從行業來講在長時間使用硬體加速計算是主流。”他同時也表示，

當下雲端算力的使用門檻仍然存在，具體場景下雲端算力使用的便捷性上，仍然需要更多探索和磨合。

人工智慧支出中的硬體、軟體、服務佔比及趨勢

也正是如此，目前，中國仍以GPU為主實現資料中心計算加速，市場佔有率近90%，但ASIC、FPGA、NPU等非GPU晶片市場也在加速發展。同時，《2022-2023 中國人工智慧計算力發展評估報告》也顯示，中國企業對人工智慧算力基礎設施平臺的關注點依次為：豐富的應用場景配置、加速效能和計算能力、規模效應下的價格成本因素、訓練的資料支援、人工智慧配套政策吸引等等。

雖然有諸多挑戰，但值得一提的是，也正是因為算力基礎設施的逐步完善，諸多人工智慧企業都在推動算力使用的便捷性。其中一個表現就是越來越多的人工智慧演算法模型正在湧現，並呈現出多樣化、巨量化、專業化等顯著特徵，

演算法基建化也已經成為行業趨勢

。

演算法基建化發展對於實現普惠人工智慧具有重要作用， 綠色高效、可應用性強等成為主要訴求。市場積極探索麵向專業場景的輕量化模型以加速落地運作，並透過集中式的資料和算力開發模式為企業提供預訓練平臺，提供分散式加速計算叢集解決方案，合理匹配計算任務與計算資源，提升整體利用率和訓練效率，加速實現人工智慧普惠化目標。

IDC認為，企業在模型研發和落地過程中往往存在高投入、高風險等挑戰，演算法基建化可有效幫助企業實現破局。藉助智慧計算中心，企業可部署訓練和推理系統，推進模型研發和創新，尤其有利於自然語言處理大模型、視覺大模型和多模態大模型等高算力消耗模型的構建。

除了大模型研發和創新，對於眾多企業而言，他們還面臨如何將大模型落地行業，解決現實複雜、瑣碎場景中的應用問題。IDC調研顯示，

未來超過80%的組織表示會考慮購買預先訓練好的人工智慧模型，而不是自己進行訓練。

但是預先訓練的模型在可用性和適應性、執行模型的基礎設施，以及內部專業知識等方面還存在提升的空間，企業亟需行業的解決方案商的支援，縮小技術創新和落地應用之間的鴻溝。

（本文首發鈦媒體APP 作者 |秦聰慧）‌