|
首页 所有 |
李桂松:全球算力资产竞争格局与资产管理报告(一) |
| 日期 2026-10-18 作者 李桂松 编辑 北京云阿云 |
全球算力资产竞争格局与资产管理报告 导读:算力即国力。当芯片从设备升维为可计量、可调度、可金融化的战略资产,一场围绕有效算力的全球竞逐已然打响——美企主导、中国追赶,双核格局之下,大国算力博弈中国胜算几何?报告全文20万字,由云阿云智库平台主席兼财政金融院长李桂松原创出品。 报告名称:《全球算力资产竞争格局与资产管理报告》 报告撰写:北京云阿云智库平台主席兼财政金融院长李桂松 课题组长:李桂松院长 课题组成员名单: 李桂松:北京云阿云智库平台主席兼财政金融院长 李国熙:北京云阿云智库平台全球治理研究中心主任 李国琥:北京云阿云智库平台空天学院院长 李嘉仪:北京云阿云平台金融院长 报告完成日期:2026年9月19日 业务联系电话:13360021949(李博士) 报告提纲 前言 一、编制背景 二、编制目的与意义 三、研究方法与数据来源 四、报告结构说明 第一篇宏观格局篇 第一章全球算力发展态势 一、全球算力基础设施规模与投资格局 二、算力需求增长的驱动因素 三、全球算力竞争的地缘政治维度 第二章我国算力发展概况 一、算力基础设施建设成就 二、算力应用与产业生态 三、算力发展面临的挑战 第三章全球算力发展展望 一、技术演进趋势 二、能源与绿色算力趋势 三、算力经济模式演进 四、地月空算力前沿与中美太空竞争 第二篇全球算力资产核心企业深度分析篇 第四章英伟达 一、企业概况与算力资产规模 (一)市值与财务表现 (二)全球AI芯片市场份额 (三)算力资产部署规模 二、核心算力资产分析 (一)显卡产品线 (二)CUDA软件生态壁垒 (三)NVLink与超节点互联技术 三、竞争优势分析 (一)硬件与软件的双重锁定效应 (二)开发者生态的网络效应 (三)与全球云厂商的深度绑定 四、劣势与风险分析 (一)客户自研芯片的替代威胁 (二)中国市场被华为系统性替代的风险 (三)出口管制政策的不可预测性 (四)估值泡沫与预期透支风险 五、战略动向与展望 第五章 微软 一、企业概况与算力资产规模 (一)Azure算力基础设施规模 (二)2026年资本支出计划 (三)云市场份额与增长态势 二、核心算力资产分析 (一)Azure AI基础设施体系 (二)自研芯片进展 (三)与OpenAI的算力绑定关系 三、竞争优势分析 (一)企业级客户的深度锁定 (二)“从芯片到Agent”的垂直整合能力 (三)多模型策略与11,000+模型平台 四、劣势与风险分析 (一)云市场份额增长放缓 (二)自研芯片竞争力尚待验证 (三)对OpenAI依赖的反噬风险 (四)资本支出回报周期的不确定性 五、战略动向与展望 第六章亚马逊/AWS 一、企业概况与算力资产规模 (一)AWS云市场份额与收入规模 (二)资本支出强度 (三)自研芯片业务体量 二、核心算力资产分析 (一)Trainium/Inferentia AI加速器 (二)Graviton CPU与Nitro网络芯片 (三)2250亿美元Trainium收入承诺 (四)OpenAI与Anthropic的算力合作 三、竞争优势分析 (一)云市场先发优势与规模效应 (二)自研芯片的成本优势 (三)从芯片到云服务的垂直整合 四、劣势与风险分析 (一)云市场份额持续被侵蚀 (二)Trainium仅在AWS内部可用,市场外延受限 (三)芯片业务盈利能力不透明 (四)资本支出对现金流的挤压 五、战略动向与展望 第七章字母表/谷歌 一、企业概况与算力资产规模 (一)谷歌 Cloud增长态势 (二)TPU十年积累的规模效应 (三)资本支出指引 二、核心算力资产分析 (一)TPU第八代/第九代/第十代路线图 (二)Ironwood芯片与Anthropic的5GW协议 (三)与Meta的TPU供应协议 (四)AMD参与第十代TPU设计 三、竞争优势分析 (一)TPU在成本与能效上的结构性优势 (二)DeepMind驱动的软硬件协同设计 (三)同时服务内部研究与外部客户的独特定位 四、劣势与风险分析 (一)内部研究算力被外部客户挤占 (二)DeepMind人才因算力短缺流失 (三)TPU生态的封闭性限制外部采用 (四)云市场份额仍落后于AWS和Azure 五、战略动向与展望 第八章Meta Platforms 一、企业概况与算力资产规模 (一)AI基础设施累计投资近1800亿美元 (二)2026年资本支出1250-1450亿美元 (三)全球数据中心布局 二、核心算力资产分析 (一)显卡集群规模 (二)自研芯片进展 (三)对外算力租赁服务的战略转型 (四)闲置算力的商业化路径 三、竞争优势分析 (一)广告业务现金流对算力投入的强力支撑 (二)Llama开源生态的算力需求牵引 (三)从“自用”到“租赁”的资产变现灵活性 四、劣势与风险分析 (一)算力投资回报路径尚不清晰 (二)元宇宙历史包袱对资本纪律的影响 (三)云服务领域的新进入者劣势 (四)自研芯片能力相对薄弱 五、战略动向与展望 第九章华为 一、企业概况与算力资产规模 (一)昇腾芯片出货规模与部署量 (二)昇腾910C/950超节点部署情况 (三)中国AI芯片市场的替代进度 二、核心算力资产分析 (一)昇腾AI芯片路线图 (二)CANN/MindSpore软件生态 (三)灵衢UnifiedBus互联与百万卡集群 (四)鲲鹏CPU与存储系统 三、竞争优势分析 (一)中国市场对英伟达的系统性替代地位 (二)国家战略支持与封闭市场保护 (三)与DeepSeek等头部模型厂商的协同 (四)从芯片到云服务的全栈能力 四、劣势与风险分析 (一)先进制程工艺受限 (二)CANN生态成熟度远不及CUDA (三)国际市场拓展受地缘政治制约 (四)软件生态的“鸡与蛋”难题 五、战略动向与展望 第十章阿里巴巴 一、企业概况与算力资产规模 (一)阿里云全球市场份额 (二)五年千亿美元AI商业化目标 (三)资本支出强度 二、核心算力资产分析 (一)平头哥自研显卡芯片 (二)百炼MaaS平台Token消耗增长 (三)Qwen模型系列与算力需求 (四)数据中心布局 三、竞争优势分析 (一)中国云计算市场的领先地位 (二)自研芯片的外部商业化能力 (三)从芯片到MaaS的完整AI栈 四、劣势与风险分析 (一)全球市场份额长期停滞在4% (二)平头哥芯片性能与国际领先水平的差距 (三)中国AI算力紧缺背景下的供给约束 (四)地缘政治对海外扩张的限制 五、战略动向与展望 第十一章腾讯 一、企业概况与算力资产规模 (一)资本支出激增 (二)研发支出强度 (三)算力基础设施布局 二、核心算力资产分析 (一)显卡算力采购与锁仓策略 (二)混元大模型算力需求 (三)工作伙伴与AI智能体算力消耗 (四)游戏业务的AI算力消耗 三、竞争优势分析 (一)游戏与社交业务提供的稳定现金流 (二)多元业务场景消化算力能力 (三)从模型到应用的闭环能力 四、劣势与风险分析 (一)缺乏自研芯片能力 (二)算力资产完全依赖外部采购 (三)AI商业化收入贡献尚不显著 (四)资本支出的短期利润压力 五、战略动向与展望 第十二章百度 一、企业概况与算力资产规模 (一)AI业务收入占比首次过半 (二)昆仑芯部署规模 (三)文心大模型算力需求 二、核心算力资产分析 (一)昆仑芯P800万卡集群 (二)天池256卡超节点 (三)文心5.1训练与推理算力 三、竞争优势分析 (一)全栈国产化算力验证的先发优势 (二)搜索业务与AI的协同 (三)文心模型的成本效率 四、劣势与风险分析 (一)昆仑芯生态成熟度不足 (二)搜索广告业务增长乏力对AI投入的制约 (三)在中国AI云市场的份额落后于阿里 (四)大模型商业化路径尚不清晰 五、战略动向与展望 第十三章台积电 一、企业概况与算力资产规模 (一)市值与全球半导体代工份额 (二)先进制程产能分配 (三)算力芯片制造的核心地位 二、核心算力资产分析 (一)3nm/2nm制程产能 (二)CoWoS先进封装产能 (三)主要客户结构 三、竞争优势分析 (一)制程技术的全球垄断地位 (二)先进封装产能的不可替代性 (三)客户生态的深度绑定 四、劣势与风险分析 (一)地缘政治风险 (二)海外建厂的成本与效率挑战 (三)客户自研芯片趋势对代工需求的长期影响 (四)技术迭代的资本压力 五、战略动向与展望 第十四章博通 一、企业概况与算力资产规模 (一)市值与业务结构 (二)AI 专用集成电路定制芯片业务规模 (三)与谷歌/Apple/Meta的定制芯片合作 二、核心算力资产分析 (一)TPU定制设计参与 (二)AI 专用集成电路与网络芯片产品线 (三)VMware软件资产与算力的协同 三、竞争优势分析 (一)超大规模客户定制芯片的核心合作伙伴地位 (二)网络芯片与算力互联的协同 (三)专用集成电路业务的毛利率优势 四、劣势与风险分析 (一)客户集中度风险 (二)AMD/联发科在TPU项目上的竞争 (三)AI 专用集成电路市场增速可能低于显卡市场 (四)软件业务与半导体业务的管理复杂度 五、战略动向与展望 第十五章企业对比分析与竞争格局总结 一、十家企业算力资产规模对比 二、技术栈完整度对比 三、中美企业的结构性差异 四、自研芯片 vs.外购显卡的战略分化 五、未来竞争格局演变的关键变量 第三篇算力资产管理框架篇 第十六章算力资产总论 一、算力资产的概念界定 二、算力资产的分类体系 三、算力资产的生命周期模型 第十七章算力资产台账管理 一、硬件资产台账 二、软件资产台账 三、网络资源台账 四、能耗资产台账 第十八章算力资产计量与核算 一、算力计量体系 二、成本核算方法 三、资产估值模型 第十九章算力资产运营管理 一、调度与编排 二、算力交易管理 三、算电协同 四、运维管理 第二十章算力资产效能与安全 一、效能指标体系 二、安全与合规管理 第二十一章算力资产管理平台与组织 一、技术平台架构 二、组织与制度体系 附录 附录一:全球算力资产核心企业关键数据汇总表 附录二:算力资产分类编码表 附录三:术语与缩略语表 附录四:参考数据来源与文献清单 前言 一、编制背景 (一)算力成为数字经济时代的基础性战略资源 算力正在经历从“信息技术支撑要素”向“独立生产要素”的历史性跃迁。如果将数据比作数字经济的“石油”,算力则是将其转化为价值的“炼油厂”——没有足够的算力支撑,数据要素的潜在价值就无法被充分释放。近年来,全球范围内对算力基础设施的资本投入呈现出前所未有的强度和集中度,其规模之大、增速之快、牵涉面之广,已经使算力资产的管理问题从技术运维层面上升为影响企业竞争力乃至国家经济安全的核心议题。 从资本投入的绝对规模来看,全球算力基础设施正在经历一场堪比19世纪铁路建设、20世纪电信网络铺设的资本支出狂潮。据云阿云智库报告数据2025年全球人工智能支出总额达到约1.5万亿美元,其中AI优化服务器和AI处理半导体分别达到2675亿和2092亿美元,到2026年全球AI总支出将突破2万亿美元。仅美国四大超大规模云厂商——微软、亚马逊、谷歌、Meta——2026年的资本支出合计就接近或超过7500亿美元。摩根大通的研究显示,超大规模云厂商的云端积压订单总额已达约1.7万亿美元,同比增长超过150%,增速显著高于同期约80%的资本支出增长。这一数据传递出一个重要信号:AI基础设施投资正在从“烧钱阶段”进入“订单兑现阶段”,但同时也意味着算力资产的管理效率将直接决定这些天量投资能否转化为可持续的商业回报。 在中国,算力基础设施的建设同样以惊人的速度推进。截至2026年6月,全国智算规模达到2185 E浮点运算每秒(FP16),同比增长177%;全国在用标准机架达1556万架,已建成超70条连通算力枢纽和重点区域的算力传输通道。截至2026年7月底,已有145万P浮点运算每秒智能算力纳入国家级监测调度平台,相当于近六成智能算力进入“全国一本账”。中国信通院2025年综合算力指数显示,河北省连续两年位居全国首位,张家口、北京、廊坊、天津之间正在形成算力供给廊道,呈现出“少数省份高位引领、多数省份中部集聚”的梯度分化格局。 然而,规模的快速扩张恰恰暴露了资产管理能力的滞后。一个值得警惕的现象是:在算力总量快速增长的背景下,算力资源的实际利用率却呈现出显著的不均衡——“有的地方算力紧张,有的地方利用率不足”。跨区域调度仍面临异构芯片壁垒、缺乏统一度量衡与标识体系、跨区域高速直连网络不完善等多重卡点。这些问题的本质,不是技术能力的不足,而是资产管理框架的缺位:当算力从少数自用的“设备”演变为大规模、多租户、跨域调度的“资产”时,传统的IT资产管理方法已经无法有效应对其计量、估值、调度、核算等全新命题。 (二)全球算力资产格局的结构性变化 当前全球算力资产格局正在经历三个层次的结构性变化,这些变化共同构成了本报告编制的核心现实背景。 第一,算力资产的“资本化”与“金融化”加速。 算力资产不再仅仅是企业资产负债表上的“固定资产”或“IT支出”,而是正在成为可交易、可融资、可证券化的金融资产类别。字节跳动2026年9月获得的296亿美元银团贷款,利率定在SOFR加68个基点,创下中企境外贷款利差的历史最低纪录,银行认购订单一度超过300亿美元。阿里巴巴8月完成的800亿港元新股配售,启动不到一小时即获近3倍超额认购,净额100%投向全球算力与AI数据中心。Meta正在积极尝试将闲置算力对外出售,扎克伯格明确表示“收到了大量远高于成本价的算力报价”。这些迹象表明,算力资产的融资、定价、交易和变现正在形成一个独立的市场层次。 第二,算力资产的“地缘化”与“阵营化”趋势。 中美在算力领域的竞争已经从技术层面扩展到资本结构、供应链安全、标准制定和太空部署的全方位博弈。斯坦福大学《2026 AI Index》显示中美顶尖模型性能差距已缩至2.7%,但美国2025年私人AI投资达2859亿美元,中国仅为124亿美元,差距达23倍。这一“技术接近、资本悬殊”的格局意味着两国选择了截然不同的算力资产积累路径:美国以私人资本主导的全球商业化变现为驱动,中国则依靠国家资本与产业政策进行系统性替代和追赶。这种路径差异深刻影响着算力资产的管理逻辑——美国企业更关注单位算力的商业回报率和资产周转效率,中国企业则需要在供给约束和生态建设之间寻求平衡。 第三,算力资产的“太空化”与“地月化”从科幻走向工程。 2025年末,英伟达携手星云成功将H100芯片送入轨道,标志着太空算力进入AI时代。SpaceX的远期构想是发射多达100万颗卫星,每年在太空部署100吉瓦计算能力。中国“天算星座”已部署16颗低轨卫星和7个地面站,2026年8月正式启动常态化在轨实验服务。中国科学院院士褚君浩指出:“天基计算是开启太空智能时代的算力底座,将成为未来制天权的核心制高点。”虽然航天公司认为大规模轨道数据中心经济可行性的自信预测时间约为2040年,但近中期路径——在轨边缘算力实现“以计算换带宽”——已经在遥感数据处理等领域展现出明确的技术经济价值。 (三)资产管理视角的缺位与补位需求 在上述宏大叙事之下,一个关键的“中层问题”被严重忽视:当算力资产的规模、复杂度和金融属性发生质变时,管理算力资产的方法论框架是否跟上了变化? 现实是,绝大多数企业和机构仍在沿用管理传统IT设备的方式来管理算力资产。服务器采购沿用“三年折旧、五年报废”的旧规,却忽视显卡芯片在18-24个月内就可能被新一代产品在性能上超越、在能效上碾压的事实。成本核算仍然以“台”或“机架”为单位,却无法回答“这张H100在三月份训练任务中的实际成本贡献是多少”这样的基本问题。资产台账记录着设备序列号和机架位置,却缺乏对互联拓扑、显存配置、CUDA版本兼容性、集群通信效率等算力资产特有属性的系统追踪。 更深层的问题是,算力资产管理尚未形成一个独立的知识体系。它横跨财务会计(折旧、估值、成本分摊)、运营管理(调度、运维、SLA保障)、技术工程(虚拟化、异构融合、散热制冷)和战略管理(投资决策、竞争定位)多个领域,但每个领域都在用自己的语言讨论算力,彼此之间缺乏统一的框架和共享的概念基础。财务部门看到的是一笔折旧费用,运维部门看到的是显卡利用率的波动曲线,战略部门看到的是中美AI竞赛的宏观图景,而这三者之间的因果链条却从未被清晰地勾勒出来。 本报告试图填补这一空白。在“全球算力资产竞争格局”与“算力资产管理操作框架”之间,建立一个具有分析穿透力的中层理论:算力资产的价值不在于其硬件参数的绝对值,而在于其在特定调度场景下、在特定时间窗口内、在特定商业合约中被实际“激活”的程度。一台闲置的H100和一台满负荷运转的H100,在财务报表上可能被同等对待,但在价值创造上有着天壤之别。管理的核心任务,就是缩小这两者之间的差距。 二、编制目的与意义 (一)编制目的 本报告的编制旨在实现以下四个层次的目标,这四个层次由表及里、由操作到战略,构成了一个完整的分析链条。 第一,建立算力资产的系统化认知框架。 当前业界对“算力资产”的理解高度碎片化。芯片工程师关注的是浮点运算每秒和显存带宽,云架构师关注的是虚拟化效率和调度延迟,财务分析师关注的是折旧年限和资本回报率,而政策制定者关注的是算力总量和国产化率。每个视角都捕捉到了算力资产的一个侧面,但缺乏一个能将它们整合起来的统一框架。本报告的首要目的,是提出一个跨学科的算力资产认知模型,明确算力资产区别于传统IT资产的核心属性——异质性(不同芯片架构之间的不可通约性)、时效性(算力价值随芯片迭代和市场供需快速衰减)、网络外部性(单卡价值远低于集群价值,集群价值取决于互联质量)和金融属性(可租赁、可交易、可证券化)。理解这四个属性,是有效管理算力资产的认识论前提。 第二,构建可操作的算力资产管理工具体系。 认知框架如果不落地为可操作的工具,就只是学术概念。本报告将系统性地提出算力资产在台账管理、计量核算、运营调度、效能评价、安全合规五个核心环节的操作规范和方法论。这些规范不是抽象的原则,而是包含具体登记要素、计算公式、审批流程和报表模板的“可执行文件”。以计量为例,报告将详细界定“卡时”(显卡-Hour)的采集精度要求、多租户场景下的分摊算法、DCGM/NVML采集与调度日志交叉验证的技术实现路径。以核算为例,报告将提供从硬件采购成本到“单Token算力成本”的完整归集路径,并讨论在显卡技术迭代加速背景下折旧年限设定对财务报表的实质性影响。 第三,服务算力资产投资决策与战略规划。 对于正在或计划大规模投资算力基础设施的企业和机构而言,本报告提供的分析框架可以帮助回答一系列关键问题:在英伟达显卡、自研专用集成电路和国产替代芯片之间,如何根据业务场景和投资约束进行组合配置?算力资产的投资回收期应该在多长范围内设定才合理?当技术迭代周期(约18-24个月)短于财务折旧周期(通常3-5年)时,投资决策应该以哪个时间尺度为准?在全球算力资产格局分化为“美国生态”和“中国生态”的背景下,企业的算力资产配置应如何平衡性能、合规和供应链安全?报告通过对全球前十家算力资产核心企业的深度分析,为这些问题提供实证参照和决策启示。 第四,为算力资产的政策制定与行业标准建设提供参考。 算力资产的特殊性——尤其是其跨域调度中的“度量衡不统一”问题和“绿色算力”核算中的碳足迹归属问题——已经超出了单个企业能够解决的范畴,需要行业标准和政策框架的支撑。本报告关于算力计量单位体系、算力标识与寻址、绿电占比核算、碳配额与算力资产协同管理等方面的讨论,旨在为相关标准制定工作提供系统性的问题梳理和分析基础。 (二)理论意义 本报告的理论意义在于尝试在“算力经济学”这一新兴交叉领域做出系统性的概念贡献。 传统经济学将资本品视为同质的、可替代的生产要素,一台机器和另一台机器在标准生产函数中的差异仅体现为边际产出效率的数值不同。但算力资产从根本上挑战了这一假设。两块不同架构的显卡可能具有相似的纸面浮点运算每秒指标,但在实际运行特定AI工作负载时的有效算力可能相差数倍,因为有效算力取决于芯片指令集、内存带宽、互联拓扑、软件栈成熟度等一系列不可通约的因素。这意味着算力资产不是同质资本品,而是“场景依赖型资本品”——其经济价值高度依赖于具体的任务特征、软件生态和调度策略。 这一洞察具有超越算力领域的理论意义。在AI驱动的经济中,越来越多资产具有类似的“场景依赖性”特征,传统的“一资产、一价格、一折旧曲线”的资产管理范式正在失效。本报告提出的“动态估值模型”——将设备在线状态、利用率波动、技术迭代折价和市场供需调节纳入估值因子——为场景依赖型资产的管理提供了一个可推广的分析框架。 此外,本报告对“算电协同”的分析也具有理论前沿性。算力资产与电力资产在时间尺度上具有天然的互补性:算力负载可以在秒级到小时级的时间窗口内弹性调节,而电力系统的供需平衡需要在毫秒到小时级的尺度上实时匹配。这种时间尺度上的“可调度性”使算力资产成为电力系统需求响应的优质资源。本报告将算电协同从“绿色数据中心”的工程技术议题提升为算力资产与能源资产的联合优化问题,为理解数字经济与能源经济的耦合关系提供了一个新的分析视角。 (三)实践意义 对企业决策者而言,本报告提供的最大价值是帮助其回答“算力资产到底值多少钱”这一看似简单却极难回答的问题。在2026年的市场环境中,一张H100芯片的采购价格是明确的,但其在特定企业特定业务场景中的经济价值是模糊的。如果这张卡用于训练一个需要三个月才能收敛的大模型,而三个月后该模型的推理服务市场已经饱和,那么这张卡的“有效寿命价值”可能远低于其账面价值。如果这张卡用于支撑一个日均调用量千万次的推理服务,且该服务具有稳定的付费用户基础,那么其价值创造效率可能远超预期。本报告提供的估值框架和效能指标体系,旨在帮助企业从“买卡算钱”的粗放思维转向“按场景估值、按效能管理”的精细思维。 对投资机构而言,本报告关于算力资产“准金融资产”属性的分析具有直接的参考价值。当算力租赁合约可以被证券化、当显卡集群可以作为抵押品进行融资、当闲置算力可以进入现货市场交易时,算力资产正在从“企业内部的成本中心”转变为“可定价、可交易、可对冲的金融资产”。理解算力资产的定价逻辑和风险特征,是参与这一新兴市场的基本前提。 对政策制定者而言,本报告关于算力资产“计量标准化”和“绿色核算”的讨论具有紧迫的现实意义。在“全国一体化算力网”的建设框架下,如果不同厂商、不同架构、不同区域的算力无法用统一的标准进行度量,那么“算力并网”就只能停留在概念层面,无法真正实现跨域调度和交易。同样,如果绿电占比和碳足迹无法在算力资产的层级上进行准确追踪和归属,那么“算电协同”和“碳资产管理”就缺乏可靠的数据基础。 三、研究方法与数据来源 (一)研究方法论 本报告采用“混合方法研究设计”,将定量分析与定性分析、一手数据与二手数据、归纳推理与演绎推理相结合,以应对算力资产管理这一跨学科研究对象的复杂性。 第一,多案例比较分析法。 本报告对全球前十家算力资产核心企业(英伟达、微软、亚马逊/AWS、字母表/谷歌、Meta、华为、阿里巴巴、腾讯、百度、台积电、博通)进行系统的深度案例分析。每家企业的分析遵循统一的五维度框架:企业概况与算力资产规模、核心算力资产构成、竞争优势分析、劣势与风险分析、战略动向与展望。这一框架的设计逻辑是:算力资产的管理效能最终体现为企业的竞争地位。一家企业能够在算力资产上持续投入并获得回报,说明其资产管理框架在特定市场条件下是有效的;一家企业在算力资产上遭遇挫折或面临结构性风险,则揭示了资产管理中的共性难题。案例选择遵循“理论抽样”原则而非“统计抽样”原则——选取的企业不是随机样本,而是分别代表算力资产价值链上不同环节(芯片设计、云服务、自研芯片、国产替代、先进制造)和不同战略路径(垂直整合、平台生态、替代追赶)的典型主体。比较分析的重点不在于罗列各企业的财务数据,而在于识别不同资产管理模式背后的逻辑和条件。 第二,数据三角验证法。 算力资产管理领域的公共数据存在显著的口径不一致问题。不同来源的“算力规模”数据可能基于不同的精度标准(FP16/FP8/INT8)、不同的统计范围(已部署/已签约/规划中)和不同的时间节点。本报告在关键数据的处理上采用三角验证策略:对同一事实,尽可能获取至少两个独立来源的数据进行交叉核对。例如,在讨论某企业的资本支出规模时,同时参考其官方财报披露数据、投行研报中的估算数据以及行业媒体的报道数据,在存在显著差异时予以标注和讨论。对于无法获得公开验证的数据——如企业内部的算力利用率、实际训练成本等——本报告明确标注为“估计值”或“行业推测”,不与确凿数据混同使用。 第三,技术-经济耦合分析法。 算力资产管理的一个核心困难在于,技术参数(浮点运算每秒、显存带宽、互联速率)与经济指标(成本、收益、折旧)之间的映射关系不是线性的,也不存在通用的转换公式。本报告采用“技术-经济耦合分析”的方法,在讨论每一项资产管理决策时,同时分析其技术约束和经济含义。例如,在讨论显卡虚拟化的“时间片切分”策略时,既分析其对显存隔离和上下文切换的技术影响,也分析其对单位算力成本和SLA保障能力的经济影响。这种耦合分析的目的不是追求“精确的定量模型”,而是揭示技术选择与经济后果之间的因果链条,帮助管理者做出“知其然也知其所以然”的决策。 第四,趋势外推与情景分析法。 算力资产管理是一个快速演进的领域,当前的最佳实践可能在12个月后就变得过时。本报告在讨论管理制度和操作规范时,有意识地采用“趋势外推”方法,识别那些正在形成但尚未成为主流的趋势(如算力资产证券化、太空算力商业化、Agent驱动的算力需求爆发),并讨论这些趋势对当前管理框架可能产生的冲击。同时,在涉及高度不确定性的领域(如中美算力竞争的未来格局、芯片技术路线的分化方向),采用情景分析法,勾勒多种可能的发展路径及其对算力资产管理的影响,而非做出单一路径的预测。 (二)数据来源体系 本报告的数据来源分为四个层级,按可靠性和适用性依次排列。 第一层级:企业官方披露数据。 包括上市公司财报、投资者关系材料、年度报告、SEC文件等。这一层级的数据具有最高的可靠性和可比性,是本报告财务分析和企业比较的基础。主要涉及的企业包括:英伟达(2026财年全年营收2159亿美元,数据中心业务1937亿美元)、微软(Azure FY2026营收1019亿美元,全年营收3318亿美元)、亚马逊(AWS Q1 FY2026营收376亿美元,自研芯片年化营收突破200亿美元)、字母表(谷歌 Cloud Q1 FY2026营收200亿美元,积压订单4620亿美元)、Meta(2026年资本支出指引1300-1450亿美元)、阿里巴巴(平头哥显卡累计交付47万片)等。本报告在使用官方数据时遵循“以最新披露为准”的原则,对于会计年度与自然年度不一致的企业,明确标注其财年定义。 第二层级:权威研究机构与咨询公司报告。 包括云阿云智库、IDC、摩根大通、高盛、摩根士丹利、凯普资本集团、经济合作与发展组织等机构发布的研究报告和预测数据。这一层级的数据提供了官方披露所不具备的行业全景视角和前瞻性判断。例如,云阿云智库关于全球AI支出的预测(2025年1.5万亿美元,2026年2万亿美元)、摩根大通关于云厂商积压订单与资本支出关系的分析、经济合作与发展组织关于AI风险资本投资国别分布的数据、凯普资本集团关于中美科技企业资本支出对比的估算等。本报告在引用这些数据时注意标注其方法论假设和适用范围,避免将不同机构的估算值进行简单加减。 第三层级:行业媒体与专业数据库。 包括36氪、证券时报、上海证券报、智东西、纳斯达克等媒体的报道以及创投数据库。这一层级的数据时效性强、覆盖面广,但需要在可靠性上进行审慎评估。本报告对媒体数据的引用遵循“多源验证”原则:只有当同一事实被至少两个独立来源报道时,才作为事实性数据使用;单一来源的报道仅作为“线索”或“迹象”引用,并明确标注其来源性质。例如,关于字节跳动296亿美元银团贷款的细节、华为昇腾2026年规划产量120万片的信息等,均标注了具体来源。 第四层级:学术论文与标准文件。 包括斯坦福大学《2026 AI Index》、中国科学院相关研究报告、中国信通院算力经济研究报告、以及全国一体化算力网技术文件体系的相关标准草案。这一层级的数据为报告提供了学术严谨性和政策合规性基础。特别是在讨论算力资产的理论框架和标准规范时,学术文献和标准文件是不可替代的参考来源。 (三)研究局限性说明 本报告在以下方面存在需要明确说明的局限性。 第一,企业私有数据的不可获得性。 算力资产管理中最关键的一些指标——如实际显卡利用率、单位算力的真实成本、跨域调度的实际效率损失——属于企业内部运营数据,不对外公开。本报告在讨论这些议题时,主要依赖行业访谈的间接信息、技术文献中的实验数据以及合理的工程推断。读者应将这些讨论理解为“分析框架和逻辑推演”,而非对特定企业实际运营状况的精确描述。 第二,数据口径的不可比性。 如前所述,不同来源的算力规模、投资规模等数据存在口径差异。本报告在可能的情况下进行了口径统一,但在某些情况下(特别是涉及中美比较时),由于统计体系本身的差异,精确的可比性难以完全实现。本报告对此予以明确标注,并建议读者关注趋势方向而非精确数值的比较。 第三,未来预测的内在不确定性。 本报告对算力资产管理趋势的判断基于当前可观测的信息和技术演进路径,但算力领域的技术变革速度极快,黑天鹅事件(如颠覆性芯片架构的出现、地缘政治格局的剧变)可能使当前的预测迅速过时。本报告在涉及未来展望的内容中,倾向于使用“可能”“倾向于”“在X条件下”等限定性表述,以反映这种内在的不确定性。 四、报告结构说明 (一)整体架构逻辑 本报告采用“宏观态势—企业实证—管理框架”的三篇结构,对应“是什么—为什么—怎么办”的认知逻辑链条。三篇之间的关系不是线性的“背景—案例—建议”关系,而是层层递进的分析关系:第一篇建立算力资产管理的问题意识——全球算力格局正在发生什么变化,这些变化为什么使算力资产管理成为一个紧迫议题;第二篇提供算力资产管理的实证参照——全球最具影响力的算力资产持有者和运营者是如何管理其资产的,它们的成功经验和失败教训揭示了哪些管理原则;第三篇构建算力资产管理的操作体系——在前两篇的基础上,系统性地提出可落地的管理框架、流程和工具。 这种结构设计的一个核心考量是:算力资产管理不能脱离具体的竞争环境和战略语境来讨论。一台显卡的折旧年限应该是三年还是五年,一个数据中心的PUE目标应该是1.2还是1.1,这些看似“技术性”的问题,其答案高度依赖于企业所处的竞争位置、业务模式和资本约束。一个以AI模型训练为核心业务的企业,对显卡性能迭代的敏感度远高于一个以传统云服务为主的企业;一个拥有稳定企业客户基础的云厂商,比一个依赖单一模型公司的算力出租方,具有更强的算力资产抗贬值能力。因此,本报告将企业实证分析放在管理框架之前,目的是让读者先理解“在什么条件下什么样的算力资产管理策略是有效的”,再进入操作层面的讨论。 (二)第一篇:宏观格局篇(第一章至第三章) 第一篇共三章,系统勾勒全球算力资产管理的宏观背景和问题框架。 第一章“全球算力发展态势”从投资规模、需求驱动、竞争格局和核心挑战四个维度,描绘当前全球算力基础设施的扩张图景。重点分析:全球AI基础设施投资的规模与结构、大模型训练与推理需求的分化趋势、美国私营部门主导与中国国家战略引领两种模式的特征,以及能源瓶颈、技术迭代风险和地缘政治约束三重挑战。 第二章“我国算力发展概况”聚焦中国算力基础设施的建设成就、产业生态和结构性挑战。在成就方面,涵盖智算规模增长(2026年6月达2185 E浮点运算每秒)、区域协同布局(京津冀算力供给廊道)、算力网络体系化推进(“点、链、网、面”思路)和算电协同实践。在挑战方面,重点分析跨域调度的四重卡点(异构芯片壁垒、标准缺失、网络设施不完善、利用率不均衡)和高端芯片供给约束。 第三章“全球算力发展展望”从技术演进、能源与绿色算力、算力经济模式和地月空前沿四个方向,前瞻性地讨论算力资产管理的未来图景。特别关注:异构算力融合对资产台账管理的新要求、Token经济对算力计量体系的挑战、太空算力从边缘计算到轨道数据中心的演进路径,以及中美在太空算力领域的不同战略取向。 (三)第二篇:全球算力资产核心企业深度分析篇(第四章至第十五章) 本篇是报告的核心板块,预计占报告总篇幅的三分之一左右。 选取全球算力资产领域最具代表性的十一家企业——英伟达、微软、亚马逊/AWS、字母表/谷歌、Meta、华为、阿里巴巴、腾讯、百度、台积电、博通——进行深度案例分析。选择标准包括:算力资产规模与市值、对全球算力基础设施的控制力、技术栈完整度、对中美算力竞争格局的影响力。十一家企业覆盖了算力资产价值链的关键环节:芯片设计(英伟达、华为、百度昆仑芯、阿里平头哥)、芯片制造(台积电)、定制芯片与网络(博通)、云服务与算力运营(微软、亚马逊、谷歌、阿里云、腾讯云)、以及从自用向租赁转型的算力持有者(Meta)。 每家企业的分析遵循统一的五维度框架: 维度一:企业概况与算力资产规模。 包括财务表现、算力资产部署规模、市场份额等基础数据。例如,英伟达2026财年营收2159亿美元,数据中心业务1937亿美元;微软 Azure FY2026营收首次突破1000亿美元;亚马逊 AWS Q1 FY2026营收376亿美元,自研芯片年化营收超200亿美元。 维度二:核心算力资产分析。 深入分析该企业的算力资产构成、技术特征和战略布局。例如,谷歌的TPU路线图与Anthropic的5GW协议、华为的昇腾950PR/DT双线布局与CANN生态、阿里的平头哥显卡累计交付47万片且60%服务外部客户。 维度三:竞争优势分析。 识别该企业在算力资产管理方面的结构性优势。例如,英伟达的CUDA生态锁定效应、微软的企业级客户黏性、华为在中国市场的系统性替代地位、台积电的制程垄断。 维度四:劣势与风险分析。 客观评估该企业面临的挑战和脆弱性。例如,英伟达面临客户自研芯片替代和中国市场被华为系统性替代的双重压力;Meta的算力投资回报路径尚不清晰且自研芯片能力相对薄弱;阿里云的全球市场份额长期停滞且面临芯片供给约束。 维度五:战略动向与展望。 基于当前态势,分析该企业算力资产管理策略的可能演进方向。 第十五章“企业对比分析与竞争格局总结”对十一家企业进行横向比较,重点分析:算力资产规模的量化对比、技术栈完整度的差异、中美企业的结构性差异(美国企业以全球商业化变现为驱动,中国企业以国产替代和生态建设为核心任务)、自研芯片与外购显卡的战略分化,以及未来竞争格局演变的关键变量。 (四)第三篇:算力资产管理框架篇(第十六章至第二十一章) 第三篇从企业实证回到操作层面,系统性地构建算力资产管理的操作框架。以“框架性、操作性、精炼化”为原则,避免与第二篇的企业分析重复。 第十六章“算力资产总论”建立概念基础。界定算力资产的定义和分类体系,提出算力资产的四个核心属性(异质性、时效性、网络外部性、金融属性),构建从“规划采购”到“退役处置”的全生命周期管理模型。 第十七章“算力资产台账管理”提供操作规范。涵盖硬件资产(显卡单卡登记要素、服务器整机配置、网络设备拓扑)、软件资产(框架许可、模型登记)、网络资源(带宽、IP、互联节点)和能耗资产(电力容量、绿电占比、碳配额)四类台账的登记规范和动态更新机制。 第十八章“算力资产计量与核算”是操作框架的核心。在计量层面,界定卡时、核时、Token、MFU/HFU等计量单位的定义和采集方法,讨论多租户场景下的分摊算法。在核算层面,分析从硬件采购到“单Token算力成本”的完整成本归集路径,讨论显卡技术迭代加速背景下折旧年限设定的财务影响。在估值层面,提出包含设备在线状态、利用率波动、技术迭代折价和市场供需调节四因子的动态估值模型。 第十九章“算力资产运营管理”聚焦调度、交易、算电协同和运维四个运营环节。调度部分讨论优先级调度、成本最优调度和能效最优调度的策略选择;交易部分分析现货、期货、算力银行和算力超市四种交易模式及其定价机制;算电协同部分探讨分时电价信号接入、任务时移和负载弹性调节的技术路径;运维部分涵盖设备健康度监测、故障预测和备件管理。 第二十章“算力资产效能与安全”建立效能评价和安全合规体系。效能部分提出涵盖基础效能(显卡利用率、可用率)、业务效能(任务完成率、Token产出效率)、经济效能(单卡时收入、ROA)和绿色效能(PUE、CUE、单位算力碳排放)的四维指标体系。安全部分涵盖物理安全、网络安全、数据安全和供应链安全四个层面。 第二十一章“算力资产管理平台与组织”讨论技术平台架构和组织制度保障。平台部分描述从数据采集层到决策分析层的五层架构和核心功能模块;组织部分提出资产管理委员会、算力资产管理部门、运营服务团队和技术支持团队的组织设计,以及采购验收、台账管理、盘点处置和效能考核的制度体系。 (五)附录 附录部分提供报告正文中引用的操作工具和参考数据,包括:全球算力资产核心企业关键数据汇总表、算力资产分类编码表、算力资产台账登记模板、折旧年限参考表、效能指标计算公式、盘点清单模板和术语缩略语表。这些工具性材料的设计目标是可直接用于实际管理工作,而非仅作为报告的装饰性附件。 (六)阅读指引 本报告面向的读者群体涵盖企业管理者、投资分析师、政策研究者和技术从业者,不同背景的读者可以根据自身需求选择阅读路径。 对于时间有限的企业高管,建议优先阅读:前言(理解问题框架)、第四章至第十五章中与本企业竞争定位最相关的2-3家企业分析(理解竞争态势)、第十八章(理解算力资产估值和核算的核心逻辑)、第二十一章(理解组织保障要求)。 对于投资分析师,建议重点关注:第一章和第三章(宏观投资环境)、第二篇全部企业分析(获取可比数据和竞争格局判断)、第十八章第三节(动态估值模型)、以及各企业的“劣势与风险”部分。 对于算力资产管理的一线从业者,建议以第三篇为主要阅读内容,特别是第十七章(台账管理)、第十八章(计量核算)和第十九章(运营管理),这些章节包含了可直接应用于日常工作的操作规范和方法论。 对于政策研究者,建议关注:第二章(中国算力发展概况)、第三章第四节(地月空前沿与中美竞争)、第九章至第十一章中涉及国产替代和标准建设的内容,以及第二十章第二节(合规管理)。 各章之间虽然存在逻辑上的先后关系,但在阅读顺序上并不要求严格线性。第二篇的企业分析可以独立阅读,第三篇的操作框架可以按需查阅,附录的工具模板可以随时参考。报告的核心价值不在于提供一套“标准答案”,而在于构建一个帮助读者提出正确问题的分析框架。 第一篇宏观格局篇 第一章全球算力发展态势 一、全球算力基础设施规模与投资格局 (一)全球数据中心资本支出的规模跃迁 全球算力基础设施正在经历一场规模空前的资本支出扩张周期。根据云阿云智库与牛津经济研究院联合发布的《全球数据中心展望2026-2050》报告,全球数据中心年度资本支出将从2026年的约8000亿美元增长至2050年的1.8万亿美元,累计投资规模在基准情境下将达到31.6万亿美元,乐观情境下可能接近50万亿美元。这一投资规模远超传统基础设施建设的量级——以全球铁路建设的历史高峰为参照,21世纪初全球铁路年度投资峰值约为3000亿美元,而当前数据中心年度资本支出已接近其3倍,且增长曲线尚未出现放缓迹象。 更值得关注的是这一轮投资的结构性特征。云阿云智库报告揭示了一个容易被忽视的关键数据:ICT设备(包括服务器、显卡、存储设备及网络系统)在全球数据中心总资本支出中的占比,将从2026年的70%提高至2050年的93%。这意味着未来的数据中心投资将越来越集中于“计算能力本身”,而非承载计算能力的物理空间。报告进一步估算,平均每投入1美元于数据中心建设,未来可能需要额外投入约12美元于ICT设备的采购与汰换。这一比例揭示了一个深刻的转变:数据中心的资产价值重心正在从“砖瓦水泥”向“芯片和软件”大规模迁移。 这种迁移的驱动力来自AI计算负载的特殊性。传统云计算基础设施主要依赖CPU进行通用计算,设备更新周期较长,通常为5-7年。而AI训练与推理所需的显卡和加速器,不仅单位成本远高于CPU服务器,其更新周期也显著缩短——云阿云智库报告指出,显卡及服务器设备平均约4至6年即需更新一次,这意味着单一数据中心在20年的生命周期内,可能历经三至五次大型设备升级投资。设备更新频率的加快,使得算力资产的管理不再是“一次性采购、长期摊销”的传统模式,而演变为“持续投入、动态迭代”的运营性活动。 这一趋势的量化表现同样引人注目。云阿云智库报告预测,全球AI基础设施投资规模将在2050年达到31.6万亿美元,其中美国预计吸引约48%的投资(约15.1万亿美元),亚太地区(以中国和印度为首)预计吸引约8.2万亿美元。在“数字主权”情景下,投资的地理分布可能发生显著变化——部分公认的枢纽市场(如爱尔兰、荷兰、德国)可能失去部分跨境流量份额,而波兰等东欧市场则可能获得约34%的额外投资增长。这表明,算力基础设施的投资格局不仅是技术和市场力量的产物,也在日益受到地缘政治和政策选择的塑造。 (二)超大规模云厂商的资本支出竞赛 在全球算力基础设施投资的宏大图景中,超大规模云服务商(CSP)的资本支出是最具风向标意义的核心指标。根据云阿云智库2026年8月的最新数据,全球九大CSP——微软、谷歌、亚马逊AWS、Meta、甲骨文、字节跳动、腾讯、阿里巴巴、百度——2026年合计资本支出预计将突破8867亿美元,同比增幅接近90%。这一数字较2026年5月首次预测的8300亿美元进一步上调,反映出AI算力需求的超预期增长和厂商投资意愿的持续强化。 北美五大CSP的投资力度尤为突出。微软2026年资本支出展望上调至1900亿美元,年增长率约130%,其中约250亿美元为反映零部件价格上涨的影响。谷歌的资本支出指引从最初的1750-1850亿美元逐步上调至1950-2050亿美元,年增长率同样超过100%。亚马逊AWS的资本支出预计超过2300亿美元,同比增长50%以上,新增资金重点投向高端AI服务器、显卡集群采购及数据中心扩容。Meta的资本支出区间从1150-1350亿美元上调至1300-1450亿美元,年增长率约85%,资金集中投向AI训练算力集群、自建数据中心与自研专用集成电路芯片。甲骨文2026财年资本开支最终达到557亿美元,超出前期500亿美元的预期,并预告2027财年资本开支将攀升至700亿美元,持续扩建与英伟达合作的AI算力集群。 截至2025年底,北美五大CSP(AWS、微软、谷歌、Meta、甲骨文)已在全球部署800至900座数据中心,其中AWS的站点比例最高。这一部署规模构成了全球算力基础设施的骨干网络。云阿云智库预计,2026年全球数据中心电力总容量将上升至约155GW,年增约29%,而AI服务器的总用电量将在2026年正式超越通用型服务器。 中国云厂商的资本支出增速同样显著。云阿云智库预估2026年字节跳动、腾讯、阿里巴巴、百度的合计资本支出将年增逾80%,其中字节跳动的投入力度最大,重点新建大规模AI智算中心、扩容显卡集群,并推进自研专用集成电路芯片落地。阿里巴巴上调AI基础设施中长期投入规划,推动平头哥自研芯片商用落地,通过算力供应链多元化缓解高端算力供给压力。腾讯明确全年资本开支同比显著上行,下半年加速超级算力节点布局,加大国产AI芯片适配与规模化应用。百度持续加码自有智算中心建设,持续支撑文心大模型迭代,同时扩大对外算力租赁服务所需的训练、推理服务器储备。 (三)数据中心部署的区域分化 全球算力基础设施的部署呈现出显著的区域分化特征。从CSP的全球布局策略来看,北美厂商与中国厂商采取了截然不同的扩张路径。 阿里巴巴通过阿里云主打“在地节点”与“主权云”策略,以切入新兴市场。自2025年宣布将在巴西、法国、荷兰建立运营地理区域以来,阿里云目前已涵盖全球29个地理区域和94个可用区。这一策略的核心逻辑是:在数据主权监管日趋严格的全球环境中,通过本地化部署满足各国对数据存储和处理的合规要求,同时以“主权云”品牌建立信任壁垒。 字节跳动则通过TikTok平台推进海外发展,已在美国、巴西、爱尔兰等八国落地,三大主要投资项目分别位于欧洲、泰国和马来西亚,为海外部署密度最高的中国云厂商。字节跳动的扩张策略更侧重于“跟随用户”和“规避管制”——通过在用户集中地和监管友好地区部署算力节点,既服务全球用户,又降低地缘政治风险。 这种区域分化背后是更深层的结构性力量。云阿云智库报告指出,AI工作负载的分布模式正在发生根本性改变。传统云基础设施部署大多跟随人口与GDP分布,但AI推理受到低延迟需求、隐私保护及数据主权等因素的影响,需要更接近用户进行在地部署。云阿云智库估计,目前约30%的AI工作负载具有在地化需求,且这一比例仍在持续增加。与此同时,大型AI模型训练工作则倾向于集中在电力成本较低、先进芯片供应稳定且执行效率较高的市场,形成更分散且不均衡的全球投资格局。 在欧洲市场,监管环境的变化正在重塑投资流向。云阿云智库报告指出,西欧市场正面临日益严重的限制——电网接入能力的短缺、漫长的行政审批程序以及分散的监管环境,导致需求开始向东欧转移。在“数字主权”情景下,波兰的累计投资可能比基准情景高出34%,使其成为全球投资增长排名第八的市场。这一趋势表明,算力基础设施的投资决策正在从纯粹的“成本-效率”考量,转向“成本-效率-合规-韧性”的多维权衡。 (四)从设备采购到全链条升级的结构性转变 本轮算力资本支出扩张的一个显著特征是,投资不再局限于单一的显卡硬件采购,而是延伸至液冷散热、高速光互联、供电配套、自研芯片等全链条基础设施升级。这种“全链条”特征反映了AI算力对基础设施提出的系统性要求:高功率密度的显卡集群需要液冷散热来应对热管理挑战,大规模集群互联需要高速光模块和先进网络架构,而持续增长的电力需求则推动HVDC供电系统和配套电网的升级。 以液冷技术为例,随着显卡功耗从H100的700W提升至GB200的1200W以上,传统风冷方案的散热能力已接近物理极限。云阿云智库指出,HVDC和液冷散热等关键零部件市场将因AI服务器量产而获得显著增长。这一趋势的资产含义是:算力资产的范畴正在从“计算芯片”扩展到“热管理系统”和“供电系统”,资产管理需要覆盖的物理边界显著扩大。 自研芯片同样是全链条升级的重要组成部分。微软、谷歌、亚马逊、Meta均在加速自研AI芯片的规模化落地。亚马逊的Trainium和Inferentia芯片、谷歌的TPU系列、Meta的自研专用集成电路,以及中国厂商中字节跳动的自研芯片计划、阿里巴巴平头哥显卡的商用落地,共同构成了一个“去英伟达化”的产业趋势。这一趋势对算力资产管理提出了新的要求:企业需要同时管理来自不同厂商、采用不同架构、具有不同软件栈兼容性的异构算力资产,资产台账的复杂度显著提升。 二、算力需求增长的驱动因素 (一)从训练到推理的需求结构迁移 算力需求的结构正在经历从“训练主导”向“推理主导”的历史性转变。这一转变的根本驱动力在于:AI产业的重心正从“造模型”转向“用模型”。 中国信通院的数据清晰地揭示了这一趋势。2026年一季度,国内AI算力需求同比上涨417%,而有效供给增速仅为128%,供需缺口持续拉大。从全球范围看,高端显卡供给增速仅15%至20%,而需求增速则高达45%至60%,长期存在约3倍的算力缺口。 需求结构的转变体现在数据层面:国家数据局数据显示,2025年我国用于人工智能训练和推理的数据总量为199.48艾字节(EB),推理数据量首次超过训练数据量,达到101.34EB。据测算,未来推理算力需求与训练算力需求之比或将达到3:1甚至更高。中国电信研究院的预测更为激进:预计2029年我国推理算力市场占比将达到80%,推理算力需求将远远超过训练算力。 这种结构转变的深层含义在于:算力从“阶段性投入”变成了“持续性运营支出”。在训练主导的时代,算力需求具有“项目制”特征——训练一个大模型需要集中投入大量算力,但训练完成后需求可能迅速下降。而在推理主导的时代,算力需求具有“运营制”特征——每一次用户调用、每一个智能体任务、每一次AI交互都在持续消耗算力,需求曲线从“脉冲式”变为“持续性”。这一转变使算力资产的管理从“项目资产管理”向“运营资产管理”演进,对资产调度、效能监测和成本核算的精细化程度提出了更高要求。 (二)Token消耗量的指数级增长 Token(词元)消耗量的爆发式增长是算力需求扩张的最直接度量。中国电信研究院行业与企业战略研究所所长饶少阳在2026中国算力大会上表示,预计2026年我国Token年消耗量将达到10亿亿,到2030年将超过3500亿亿,年复合增长率接近12倍。从更宏观的视角看,华为发布的《智能世界2035》报告预测,到2035年全球年度Token消耗量将增长10万倍,其中智能体流量占比超过90%。 Token消耗量的增长并非简单的线性扩张,而是伴随着单次任务算力消耗的指数级跃升。参加上证投资汇活动的一位券商首席分析师指出:“过去,用户问AI一个问题,得到回复需要30秒到5分钟即可;到了‘长思维链’时代,一个AI任务可能要跑20多个小时,对内存和算力的消耗呈数量级跃升。同时,AI Agent和AI Coding也带来需求端的结构性跃升。” 这种“单位任务算力消耗跃升”与“任务数量增长”的乘数效应,构成了算力需求爆发的核心动力机制。中国移动集团首席专家钱岭披露的数据提供了一个具体的观测窗口:中国移动2025年测算的日均Token产量约为3.4万亿,而2026年的产能将显著超过去年。从2024年初到2026年3月,我国日均Token调用量从1000亿增长至超过140万亿,增长了1000多倍,仅2026年前3个月就增长了超过40%。 Token消耗量的增长直接驱动了算力基础设施的扩张需求。华为报告提出的目标——“算力集群规模百倍提升,智能体任务成本千倍下降”——揭示了这一趋势的双重含义:一方面,算力规模需要大幅扩张以承载Token消耗的增长;另一方面,单位算力的效率必须同步提升,否则成本将无法承受。 (三)智能体带来的结构性需求跃升 AI智能体的规模化落地是推动算力需求结构跃升的关键变量。中国电信研究院发布的《智能体时代AI基础设施发展研究报告(2026)》指出,人工智能正进入以智能体为主要形态的全新发展阶段,行业竞争重心已从大模型训练、算力资源比拼,转向智能体规模化落地和场景化商业变现。 智能体对算力需求的独特影响在于其“持续性感知-推理-行动”循环。与传统的“一问一答”式AI交互不同,智能体持续感知环境、自主推理决策、动态调用工具、实时与人交互,每一步都伴随着Token的大规模生成与高频流转。这意味着智能体的算力消耗不是“任务触发式”的,而是“持续运行式”的。一个部署在生产环境中的智能体,可能在无人值守的情况下持续调用工具、检索信息、执行决策,其算力消耗强度远超传统的模型推理服务。 国际市场研究机构预测,2026年全球活跃智能体数量将达到近8000万个,预计2030年达到22.16亿个。从8000万到22亿的规模跨越,意味着算力需求将面临来自“智能体数量”和“单智能体算力消耗强度”的双重增长压力。中国电信研究院的报告预测,从算力需求来看,智能体的爆发将带动我国算力需求持续高速增长,预计未来2-3年,我国算力需求平均每年将增长近10倍。 智能体对算力资产管理提出的新要求是系统性的。首先,智能体的“持续性运行”特征使算力资产的利用率监测需要从“任务级”细化到“时间片级”——一个在后台持续运行的智能体可能在某一时刻执行轻量级检索(低算力消耗),而在另一时刻执行复杂推理(高算力消耗),资产管理需要能够追踪这种动态变化的算力消耗模式。其次,智能体的“自主决策”特征使算力需求的可预测性下降,调度系统需要具备更强的弹性响应能力。 (四)算力供需缺口的量化分析 供需缺口的持续扩大是理解当前算力市场动态的核心线索。从多个维度的数据来看,算力供给的刚性约束与需求的爆发式增长之间的张力正在加剧。 从国内来看,中国信通院数据显示,2026年一季度国内AI算力需求同比增长417%,而有效供给增速仅为128%,供需缺口持续拉大。从全球来看,高端显卡供给增速仅15%至20%,而需求增速高达45%至60%,长期存在约3倍的算力缺口。这一缺口的形成受到多重供给端约束的共同作用:台积电先进制程产能被英伟达等大客户锁定,预计到2027年上半年仍无缓解迹象;HBM(高带宽内存)供应持续偏紧,进一步加剧了算力供给的刚性约束。 供需缺口的扩大直接反映在算力价格上。2026年以来,腾讯云、阿里云、百度智能云等云计算厂商及AI服务商密集上调算力产品价格,部分服务最高涨幅超过30%。云阿云智库报告指出,此轮算力涨价“不是短期波动,而是AI产业从‘补贴扩张’走向‘商业可持续’的标志性节点”。 从算力租赁市场的规模变化可以更直观地观察供需缺口的市场影响。中国信通院数据显示,2026年一季度国内算力租赁市场规模已达680亿元,全年预计突破2600亿元。市场普遍预期,2026年算力租赁订单将密集释放,全年租赁体量有望达到2025年的4倍。 供需缺口的存在对算力资产管理具有深刻的含义。在供给约束条件下,每一单位闲置算力都意味着机会成本的显著损失。传统的“买卡、部署、等待任务”的粗放管理模式,在供需缺口持续存在的市场环境中将导致巨大的价值流失。资产管理需要从“拥有多少算力”转向“激活多少算力”,从“资产规模的扩张”转向“资产效率的提升”。这正是本报告将“效能管理”作为核心管理环节的原因所在。 三、全球算力竞争的地缘政治维度 (一)美国出口管制体系的持续升级 美国对华AI芯片出口管制是塑造全球算力竞争格局的最重要地缘政治变量。2026年5月31日,美国商务部工业和安全局(BIS)发布新指引,将针对总部设在中国企业的高端AI芯片出口管制扩大至其海外子公司。这意味着,不仅对中国的直接出口受到限制,对总部或母公司在中国的海外企业的销售也将被禁止。 这一新规封堵了自2025年5月以来存在的“监管漏洞”。2025年5月,美国商务部宣布暂不执行拜登政府末期发布的“AI扩散规则”,导致中国企业的海外子公司无需申请许可即可采购英伟达Blackwell系列芯片。据熟悉供应链的芯片行业人士估计,在这一漏洞存在的一年期间,可能有高达数十万枚高端芯片被出口至中国企业的海外子公司,马来西亚等东南亚地区被分析为“核心通道”。 然而,新指引并未要求数据中心停止使用已安装的芯片,也未切断对服务器等先进计算设备的日常维护服务。这意味着现有数据中心的运营在短期内不会出现重大障碍,但未来的算力扩张将面临更严格的约束。 美国出口管制政策的效果正在受到越来越多的审视。英伟达CEO黄仁勋在2026年5月接受采访时坦承,美国出口限制持续重塑全球AI芯片格局,该公司已将中国市场“基本上拱手让给”了中国公司。美国商务部长卢特尼克披露的数据更为具体:中国至今尚未采购“一片H200芯片”,因为中方希望将投资重心放在本土产业自主发展上。这一事实表明,出口管制虽然在短期内限制了中国获取最先进芯片的能力,但也在客观上加速了中国国产算力生态的建设和成熟。 (二)中国的国家算力骨干网战略 面对出口管制和算力供给约束,中国采取了与美国私营部门主导模式截然不同的应对策略:由国家主导建设全国一体化的算力骨干网络。据彭博报道,中国最新的计划是一项2950亿美元、为期五年的项目,旨在连接全国各地的数据中心,将分散的算力资源池化为统一的全国性网络。 这一战略的核心逻辑是“以网络换算力”——在无法获得最先进芯片的条件下,通过高效的网络调度和资源整合,最大化利用现有的算力资源。彭博的报道精辟地概括了这一思路:“服务器不会闲置在内蒙古的沙漠或贵州的山谷中。该系统将像智能电网一样运作,将算力输送到有需求的地方。” 中国算力骨干网的建设体现了“集中力量办大事”的体制特征。美国的AI基础设施竞赛由微软、亚马逊、字母表和Meta等私营巨头驱动,而中国则试图通过主权债务和国家支持的资金,由国内领军企业(如华为)提供技术支撑,建设国家级的算力基础设施。这种模式的优势在于能够快速集中资源、统一标准、协调跨区域调度;挑战则在于如何平衡国家主导与市场活力,以及如何在技术快速迭代的环境中保持投资的有效性。 中国算力骨干网的建设已经在具体层面取得进展。截至2026年7月底,已有145万P浮点运算每秒智能算力纳入国家级监测调度平台,相当于近六成智能算力进入“全国一本账”。全国已建成超70条连通算力枢纽和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。这些数字背后反映的是一个正在成型的基础设施体系:算力不再是分散在各地数据中心中的孤立资源,而是可以被统一感知、统一调度、统一管理的“网络化资产”。 (三)FDI审查:从物理资产到算力控制权 全球外商直接投资(FDI)审查体系的演变,揭示了算力基础设施在地缘政治博弈中地位的上升。过去,外商投资审查主要集中在港口、电站等实体物理资产上;而今天,审查重心已大幅拓展至数据、算法访问权限、核心算力以及AI架构底层的整体基础设施。 富而德律师事务所反垄断、竞争及贸易业务合伙人博加德指出:“FDI审查已从看公司所有权转向看对能力(数据、算力、算法、基础设施)的掌控。当某些司法管辖区对特定投资者施加限制时,资本自然会流向其他对AI及算力设施更开放的地区。” 这种审查逻辑的转变在数据中心领域体现得尤为明显。第一财经的报道指出,数据中心不再仅仅被视为物理基础设施,而是演变为数字经济中的“控制点”,关乎数据的存储位置、访问权限、关键服务的韧性程度。当外国投资者在本土以外的司法管辖区投资数据中心时,监管机构的核心关切集中在两个方面:一是数据与设施的访问及控制权限,二是服务运行的韧性——即数据中心能否在需求暴增时保障AI与云服务的持续供应。 不同司法管辖区的监管路径分化清晰可见。荷兰已对装机容量不低于50兆瓦、收购表决权30%及以上的数据中心交易设定强制申报要求,且不设本土或欧盟投资者豁免;2022年起,荷兰进一步对70兆瓦以上的新建超大规模数据中心实施全国性暂停禁令。德国、英国也在收紧对数据中心投资的审查。而在亚洲,部分市场正积极吸引资本,另一些市场则在收紧对数据、网络安全、外资持股及关键基础设施的管控。 FDI审查的收紧对算力资产管理的影响是深远的。当算力基础设施被视为战略资产而非普通商业资产时,其投资决策、运营管理和资产处置都将面临更复杂的合规约束。跨境算力资产的持有结构、数据流动路径、技术出口合规性等,都需要在资产管理框架中被系统性地纳入考量。 (四)技术主权与算力资产的“阵营化”趋势 地缘政治竞争正在推动全球算力资产格局的“阵营化”分化。这种分化不仅体现在芯片供应链的“脱钩”趋势上,更体现在算力生态系统的整体性分离。 从芯片层面看,美国生态以英伟达显卡和CUDA软件栈为核心,辅以AMD的MI系列和各大云厂商自研的专用集成电路芯片;中国生态则以华为昇腾系列为核心,辅以百度昆仑芯、阿里平头哥等国产替代方案。两个生态在指令集架构、软件栈、开发工具和开发者社区上存在根本性差异,跨生态的算力调度和软件迁移面临极高的技术壁垒。 从算力网络层面看,中国正在建设的全国一体化算力网与美国超大规模云厂商的全球数据中心网络,形成了两个相对独立的算力基础设施体系。中国的算力骨干网强调“自主可控”和“主权云”,美国的CSP网络则强调“全球覆盖”和“商业效率”。在跨境数据流动和算力服务方面,两个体系之间的互联互通面临越来越多的合规和技术障碍。 从标准层面看,算力计量、标识、调度等领域的标准化工作正在分轨推进。中国信通院等机构在推动全国一体化算力网的技术文件体系建设,包括算力并网、算力池化、多量纲计费、算效衡量等标准;而国际标准组织(如ITU)的相关工作则更多反映美国生态的技术框架和商业逻辑。标准的分离将进一步固化算力资产的“阵营化”格局。 这种“阵营化”趋势对算力资产管理提出了一个根本性的战略问题:在算力生态分裂的背景下,企业应如何配置算力资产以平衡性能、合规和供应链韧性? 对于中国企业而言,高端芯片的供给约束使“国产替代”不仅是政策要求,更是运营现实;对于跨国企业而言,中美两个生态的算力资产需要分别管理,无法实现全球统一的调度和优化。这一约束条件正在深刻改变算力资产管理的逻辑,使其从纯粹的技术经济优化问题,演变为需要在多重约束下寻求可行解的复杂系统工程。 |
|||
![]() |
|||
|
|
|
云阿云智库●区域经济研究院 |
|
北京市平谷区中关村科技园区平谷园1区-21594(集群注册) |
|
| 13360021949 (李博士) | |
liguisong2006@163.com |
|