中國算力產業正駛入增長新周期。

　　算力可分為通用算力、智能算力和超算算力，自2022年的“東數西算”政策啟動以來，算力已成為支撐數字經濟發展的堅實基礎。

　　同時，2023年AI大模型迎來爆發，語音、圖像和視頻處理都需要算力作為基底，基于AI芯片的加速計算平臺的智能算力需求龐大。

　　人工智能應用的落地將成為智能算力產業發展的重要推手，驅動智能算力規模高速增長。

　　根據中國通信院數據，2018-2022年，中國智能算力規模由6.8EFLPOS持續增長至140EFLOPS，年均復合增長率為113%。

　　在數據量、人工智能應用、大模型等因素的驅動下，頭豹研究院預計至2027年，中國智能算力規模將增長至700EFLOPS以上。

　　那么，目前中國智能算力行業現狀究竟如何?產業鏈中還存在哪些發展機遇與痛點?

　　本文，頭豹研究院將從智能算力行業定義及分類、發展現狀、市場規模、產業鏈、競爭格局等角度為您深入分析中國智能算力行業。

　　1、中國智能算力行業定義、分類和應用場景

　　● 算力是實現特定結果輸出的計算能力，是支撐數字經濟發展的堅實基礎

　　從狹義上看，算力是設備通過處理數據，實現特定結果輸出的計算能力。算力實現的核心是 CPU、GPU、FPGA、ASIC等各類計算芯片，并由計算機、服務器、高性能計算集群和各類智能終端等承載，海量數據處理和各種數字化應用都離不開算力的加工和計算。算力數值越大代表綜合計算能力越強。

　　從廣義上看，算力是數字經濟時代新生產力，是支撐數字經濟發展的堅實基礎。數字經濟時代的關鍵資源是數據、算力和算法，其中數據是新生產資料，算力是新生產力，算法是新生產關系，構成數字經濟時代最基本的生產基石。現階段 5G、云計算、大數據、物聯網、人工智能等技術的高速發展，推動數據的爆炸式增長和算法的復雜程度不斷提高，帶來了對算力規模、算力能力等需求的快速提升，算力的進步又反向支撐了應用的創新，從而實現了技術的升級換代、應用的創新發展、產業規模的不斷壯大和經濟社會的持續進步。

　　● 按照應用場景的不同，算力可分為通用算力、智能算力和超算算力

　　通用算力的應用極為廣泛，幾乎覆蓋了所有傳統服務器能提供的業務應用。這些應用包含交互性業務，如網絡游戲、網絡購物、移動視頻和移動支付等，以及離線分析業務，如大數據挖掘、數字生命周期模擬、圖像渲染和視頻渲染等。

　　智能算力主要被用于圖像計算服務、數據推理和強化學習訓練等場景。盡管這些應用對實時性的需求并不高，但對計算能力的需求極大。

　　超級計算能力主要應用于科研計算領域，包括流體力學、物理化學和生物信息學等。典型的超級計算應用領域包括氣象分析預測、高海拔宇宙線觀測、空氣動力學、車輛碰撞測試仿真實驗和藥品實驗數據分析等，這些應用需處理的數據量極大。

　　2、中國智能算力行業發展現狀

　　● 算力指數與經濟發展水平呈現正相關關系

　　隨著算力底座的不斷夯實，算力對數字經濟發展和千行百業數字化轉型的支撐作用愈加凸顯，已成為衡量一個地區經濟社會發展程度的重要指標。算力對經濟的影響具體表現在產業產值增長、生產效率提升、商業模式創新、用戶體驗優化等方面。

　　算力對數字經濟和GDP的發展有顯著的帶動作用，2021年全球算力規模增長44%，數字經濟規模和名義GDP分別增長15.6%和13%。全球各國算力規模與經濟發展水平密切相關，經濟發展水平越高，算力規模越大。2021年算力規模前20的國家中有17個是全球排名前20的經濟體。

　　● 算力發展對中國GDP增長的拉動作用顯著，互聯網是對算力需求*的行業

　　算力賦能千行百業數字化轉型，為各行業帶來極大的杠桿效應，算力規模與經濟發展水平呈現出顯著的正相關關系。當前，算力已成為數字經濟的關鍵生產力，在算力作用下，生產力得到前所未有的釋放，算力規模越大，經濟發展水平越高。統計數據顯示，2021年中國算力規模增長50%，數字經濟增長16%，GDP增長12.8%。與全球相比，算力規模增長對中國GDP的拉動作用顯著，在2016-2021年期間，中國算力規模平均每年增長46%，數字經濟增長15%，GDP增長9%;相當于算力規模每增長1%，數字經濟將增長0.3%，GDP將增長0.2%。

　　從行業角度看，互聯網行業對數據處理、模型訓練的需求不斷提升，是算力需求*的行業，占整體算力約50%的份額；政府行業對數字政府、平安城市等領域的投入力度不斷加強，算力份額占比位列第二;服務、電信、金融、制造、教育、運輸等行業分列三到八位其中電信、金融行業企業的數字化程度高，是中國算力應用較大的傳統行業;制造行業方面，隨著工業互聯網發展的不斷成熟，制造業的應用場景將更加豐富，對算力的需求有較大提升潛力。

　　3、中國智能算力行業市場規模

　　● 預計中國智能算力規模于2027年達到762EFLOPS

　　根據中國通信院數據，2018-2022年，中國智能算力規模由6.8EFLPOS持續增長至140EFLOPS,年均復合增長率為113%。頭豹研究院預計至2027年，中國智能算力規模將增長至762EFLOPS，2023至2027年的復合增長率約為40%

　　● 政策推動、產業需求、數據增長等因素驅動中國智能算力規模高速增長

　　2018至2022年，中國智能算力規模增長迅速，主要原因包括：

　　（1）政策推動。期間國家制定一系列政策，例如《全國一體化大數據中心協同創新體系算力樞紐實施方案》，提出要在全國范圍內推動信息基礎設施建設，智算中心的建設是其中的關鍵環節。當前中國已超過30個城市正在建設或提出建設智算中心，一般智算中心的起步算力目標是100PFLOPS，整體布局以東部地區為主，并逐漸向中西部地區拓展。此外，科技部發布《科技部辦公廳關于開展國家新一代人工智能公共算力開放創新平臺申報工作的通知》，提出要推進AI領域的模型與算法創新工作，加快推動國家新一代人工智能公共算力開放創新平臺建設，進一步推動智能算力規模的增長。

　　（2）產業需求。隨著金融、制造業、汽車等行業的數字化轉型升級，對于智能算力的需求持續增長。人工智能、機器學習、大數據分析等應用場景愈加廣泛，推動了智能算力的增長。

　　（3）數據增長。數據是推動人工智能和機器學習發展的關鍵驅動力，而數據規模的快速增長無疑對智能算力提出更大的需求。只有充足的智能算力，才能對這些大幅增長的數據進行計算、處理和分析，從而提取有價值的信息。根據中國電子學會，2017至2022年，中國數據產量增長了32倍，從4ZB增長至128ZB，極大地帶動了智能算力市場規模的增長。

　　展望未來，AI技術在各行業應用場景的持續滲透以及通用大模型的相繼發布，將極大地拉動對智能算力的需求。隨著ChatGPT帶來的新一代AI浪潮，中國本土廠商相繼發布文心一言、通義、盤古等通用大模型，基于大模型的應用場景也不斷拓展，根據國家信息中心，未來80%的應用場景都將基于人工智能，這些萬億級別參數的大模型以及各種垂直行業的應用將極大地驅動了對智能算力的需求。從統計數據上看，算力發展對于中國GDP增長的拉動作用顯著，在2016-2021年期間，中國算力規模平均每年增長46%，GDP增長9%，這意味著GDP每增加1%，算力規模約增長5.1%。

　　2023年開年至今，數字經濟發展將上升至國家戰略最高層面，人工智能應用、AI大模型等數字經濟產業將迎來高速增長，算力需求增速將進一步釋放。假設2023-2027年期間，中國GDP增速為5%，GDP每增長1%，將帶動6%的算力規模增長，則算力規模每年增速將維持在30%以上。此外，基于中國智能算力占比由2016年的3%迅速增長至2021年的51%，預計智能算力的占比將在2023年達到70%，在2027年達到88%。因此，我們預計中國智能算力規模將于2027年達到762EFLOPS。

　　4、中國智能算力行業驅動力：數據量

　　● 中國數據規模的急劇膨脹促使智能算力需求大幅增長

　　隨著互聯網、云計算、大數據、人工智能等新一代信息通信技術的發展，自2016年起，中國數字經濟發展迅猛，帶動數據量呈指數級別增長，中國已成為全球數據資源規模*、增長最快的數據圈，預計到2025年數據總量將躍居世界*，全球占比有望達到27%以上;預計到2030年數據規模將達到4YB以上。

　　智能算力方面，在急劇膨脹的數據中，80%以上均為非結構化數據(文本、圖片、語音、視頻等 )。傳統以CPU為主的芯片年性能提升不超過15%，難以滿足處理視頻、圖片等非結構化數據的需求，亟需多樣化的智能算力。數據規模的急劇增長直接拉動智能算力需求的大幅增長，具體可體現在以下幾個方面：

　　（1）數據處理需求增加。隨著數據量的增長，大數據分析、機器學習、深度學習等任務需要龐大的計算能力來對數據進行挖掘、訓練和推理，直接拉動智能算力需求增長。

　　（2）模型復雜度提升。隨著數據量的增加，為實現更高層次的人工智能，更復雜的算法模型能夠基于海量數據得到充分訓練。例如，在圖像識別領域，更大規模的圖像數據需要更深層次、更復雜的神經網絡模型來進行處理，則需要更高的算力來支持模型的訓練和推理。

　　（3）實時性要求提高。隨著數據量的增長，一些應用對實時性的要求也越來越高。例如，金融交易、在線廣告、智能交通等領域需要實時地處理和響應海量的數據。為了滿足這種實時性要求，需要更大規模的智能算力來保證數據的快速處理和決策效率。

　　5、中國智能算力產業鏈圖譜

　　智能算力的產業鏈的上游主要包括AI服務器、AI芯片和光模塊等基礎設施的供應商;中游為智算中心服務與運營商，主要為云計算和通信類廠商;下游主要為由AI技術驅動的行業和產業應用場景。

　　6、中國智能算力產業鏈上游：AI芯片

　　芯片是計算機負責執行計算任務的核心部件，是實現算力的物理基礎。隨著人工智能產業的高速發展，為了滿足不斷增長的算力需求，AI芯片的市場需求將持續上升。人工智能算法需要從海量的圖像、語音、視頻等非結構化數據中挖掘信息，以及AI大模型的訓練、場景化的微調和推理，這些應用場景都依賴于海量的AI芯片提供強大的算力支撐。然而，傳統以CPU 為主的通用計算能力已經無法滿足多樣化的人工智能應用場景的需求。

　　因此，采用CPU與AI芯片(GPU/FPGA/ASIC)組成的異構計算方案成為當前及未來智能計算的主流解決方案，這種異構計算方案需要大量的AI芯片，具有優秀的并行計算能力和高互聯帶寬，支持AI計算效能的*化。因此，人工智能產業的發展極大地推動了AI芯片的市場需求，國內的芯片廠商也是因此受益。目前已有部分本土廠商自主研發的ASIC芯片實現量產，例如百度的昆侖芯片、華為的昇騰芯片、寒武紀的思元芯片等。

　　7、中國智能算力產業鏈中游：競爭格局

　　● 智算中心建設由政府主導，以市場側實際需求為牽引，引導企業建設高附加值智算中心，準入門檻高

　　在企業自建的智算中心范疇，智算中心主要由大型云計算和通信類企業主導。例如，阿里云是目前的龍頭企業，其算力相關專利數量與算力規模均位于行業前列。阿里云擁有4,529項算力相關的專利以及兩座智算中心，其中烏蘭察布智算中心的算力規模為3EFLOPS，張北智算中心的算力規模12EFLOPS，將成為全球*的智算中心，兩座智算中心合計規模為15EFLOPS，在業內位于**的地位。

　　● 企業自建智算中心，主要考量自身業務需求及經濟效益兩大方面

　　從企業自身業務需求的角度考慮，云計算和通信類企業提供的服務涵蓋了存儲、計算、分析、人工智能等多個領域，這些服務對于智能算力資源有著很大的需求。自建智算中心能夠幫助企業控制和調配算力資源，并存儲數據，從而滿足自身業務發展和數據安全的需求。從經濟效益角度考量，雖然自建智算中心的成本高昂，資金投入通常高達數億甚至數百億元，包括初始投資、設備維護、能源消耗、專業人才等成本，智算中心每年維護成本可高達初始建設費用的5%。但是云計算或通信類企業可將智算中心用以支持自身業務或者向其他企業提供SaaS服務，通過付費使用的方式實現盈利。

　　● 未來智算中心行業的競爭格局將維持強者恒強的趨勢

　　智算中心的建設由政府主導，考慮到智算中心的高投入、對于地方經濟發展的高影響等因素，項目建設將緊密配合國家“東數西算”工程、全國一體化大數據中心協同創新體系等建設指引。企業獨立投建智算中心需要政府發放建設許可、土地授權等資源，政府將結合企業實際業務需求、企業規模、企業類型等因素進行綜合考量。企業自建智算中心的門檻水平高，對于算力需求高的頭部大型互聯網和通信類企業將更易獲得投建許可，因此未來智算中心仍將由這類大型企業所主導。

　　8、中國智能算力產業鏈下游：自動駕駛

　　自動駕駛是汽車智能化和自動化的高級形態，作為AI技術備受關注的重要落腳點，是汽車出行產業的未來方向之一。自動駕駛場景的實現，需要通過感知融合、虛擬路測(模擬仿真) 、高精地圖、車路協同等核心技術將數字世界與實體路況進行深度融合，基于人工智能技術，讓車輛能夠像人類駕駛員一樣準確地識別車道、行人、障礙物等駕駛環境中的關鍵信息，并及時對周圍運動單元的潛在軌跡做出預判。

　　自動駕駛場景的實現，需要通過感知融合、虛擬路測、高精地圖、車路協同等核心技術將數字世界與實體路況進行深度融合，識別駕駛環境并預判周圍運動單元的潛在軌跡，這需要智算中心提供超大算力支撐。智算中心提供的普惠算力可以極大降低自動駕駛所需算力的成本，同時加速自動駕駛新技術與新產品的研發、測試和應用。自動駕駛需要通過對車身多個傳感器的數據進行感知和融合，并在此基礎上對自動駕駛車輛的行為進行決策和控制，其中涉及大量AI算法、機器視覺與傳感器數據整合分析、面向各類算力平臺及傳感器配置方案的適配能力等。

　　此外，自監督大模型技術引入自動駕駛，大幅增加智能算力消耗，例如，Tesla構建的L2級別的FSD自動駕駛融合感知模型的訓練使用了百萬量級的道路采集視頻片段，算力投入約為500PD。隨著自動駕駛級別從L2到L4的提升，對算力的需求將進一步提高。