算力是 AI 产业的底座，也是过去两年最容易被简单化成“堆卡”的领域。但当总量达到一定规模之后，真正决定产业效率的已经不再是总量，而是结构。
总量与结构
公开数据显示，2025 年全国智能算力规模达到约 1037.3 EFLOPS，万卡级集群成为大模型训练的主流载体。有研究机构预测，2026 年智能算力在总算力中的占比有望突破 35%。
比总量更值得注意的是三个结构性变化：
- 从训练向推理倾斜。模型训练是一次性的高投入，而模型上线后的每一次调用都是推理。随着应用铺开，推理算力需求的增速会明显快于训练。
- 从集中向分层分布。超大规模集群承担训练，边缘和端侧承担低延迟推理，中间层由区域算力中心承接。分层之后，不同规模的企业才有机会以合适成本获得算力。
- 从单一架构向异构兼容。软件栈对多种芯片的兼容能力在提升，这直接关系到算力供给的弹性和成本。
“东数西算”的实际意义
算力资源与能源分布并不重合。把对时延不敏感的训练任务放到能源成本更低的西部，把对时延敏感的推理任务留在靠近用户的东部，是这个工程最朴素的逻辑。它决定了长期来看，算力的单位成本还有下降空间。
对企业的现实影响
- 不要把算力当成必须自建的资产。对绝大多数企业来说，按需租用比自建更划算，也更灵活。
- 关注推理成本而非训练成本。做预算时，容易被忽略的往往是上线之后持续发生的调用费用。
- 留意地域与时延。如果业务涉及实时交互，算力部署位置会直接影响体验。
- 预留架构弹性。上游芯片和框架仍在快速变化，架构上留出替换空间，比押注单一路线更稳妥。
算力竞争的上半场比的是规模，下半场比的是每单位算力能产出多少有效结果。