|
首页 所有 |
李桂松:全球算力资产竞争格局与资产管理报告(十六) |
| 日期 2026-10-20 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) 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 (一)从“算力资源”到“算力资产”的认知跃迁 “算力资产”这一概念的出现,标志着算力从技术资源向经济资产的认知跃迁。理解这一跃迁的起点,需要回到“资产”本身的经济学定义。一项资源要成为“资产”,需要同时满足三个条件:可积累(能够被储存和保有)、可参与价值创造(能够嵌入生产过程并产生收益)、可通过制度安排参与收益分配(具有可交易的产权边界)。 从这一定义出发,算力在2026年已经具备了成为资产的全部要件。在可积累性方面,算力基础设施(数据中心、GPU集群、超节点)是物理上可积累的资本品,其存在形态不因单次使用而消失。在价值创造方面,算力在大模型训练、算法优化、自动驾驶、药物筛选等场景中承担“价值放大器”功能,能够推动生产率曲线的阶梯式跃升。在收益分配方面,算力已被标准化为可度量的最小计算单元(如GPU-Hour、Token),可以在不同主体之间实现动态调配与即时交易,算力券、算力期货等衍生工具正在扩大算力资源的跨时空交易配置范围。 然而,“算力资源”与“算力资产”之间存在一个关键的认知鸿沟。中国信通院云大所云计算部副主任刘如明在IDCC2025论坛上披露的一组数据精准地揭示了这一鸿沟:2025年国内智算的共算量约38亿卡时,用算量仅14亿卡时,用算占比只有36.8%。这意味着超过六成的算力资源处于未被有效使用的状态。设备存在,但资产价值尚未形成。卡与卡时之间的差距,正是“资源”与“资产”之间的分水岭。 这一鸿沟的本质在于:算力的“资产价值”不取决于其物理存在,而取决于其“被激活”的程度。一台闲置的H100和一台满负荷运转的H100,在物理上完全相同,但在经济上截然不同。资产管理的核心任务,正是缩小“卡”与“卡时”之间的差距——使算力从“被拥有的资源”转化为“被使用的资产”。 (二)算力资产的定义与核心属性 基于上述认知,本报告将算力资产定义为:以计算能力为核心价值载体,能够通过调度、计量和交易参与价值创造过程,并具有可积累性、可交易性和收益性的经济资源。 这一概念包含四个核心属性,它们共同构成了算力资产管理区别于传统IT资产管理的认识论基础。 属性一:异质性。 传统IT资产(如CPU服务器、存储设备)在很大程度上是同质的——两台配置相同的服务器在标准工作负载下可以互换。但算力资产从根本上挑战了这一假设。两块不同架构的GPU可能具有相似的纸面FLOPS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。华为轮值董事长汪涛披露的仿真数据具有震撼性:4K超节点组成的10万卡集群相比由8卡服务器组成的10万卡集群,模型浮点算力利用率(MFU)提升了2.75倍。同样的芯片数量,在不同的系统架构下,有效算力可以相差近三倍。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。 属性二:时效性。 传统IT设备的更新周期通常为5-7年,其价值衰减相对平缓。但算力资产面临双重时效压力。硬件层面,GPU技术迭代周期约为18-24个月,新一代芯片的出现可能使旧一代芯片在性能上被超越、在能效上被碾压。市场层面,算力供需格局的变化可能导致算力价格的剧烈波动——在供给紧张时期,一张GPU的“市场价值”可能远高于其“账面价值”;在供给宽松时期,可能相反。这一双重时效压力意味着算力资产的折旧策略和估值模型需要比传统IT资产更加动态和前瞻。 属性三:网络外部性。 单张GPU的价值远低于其在一个大规模集群中的价值。算力资产的价值创造能力高度依赖于集群规模、互联质量和调度效率。一台孤立的H100只能进行小规模的模型训练和推理;130万颗H100组成的集群(如Meta的普罗米修斯)可以进行前沿大模型的训练。这一“网络外部性”意味着算力资产的价值评估不能以“单卡”为单位,而必须以“集群”或“系统”为单位。一台服务器的价值不仅取决于其搭载的GPU型号,还取决于其网络架构、冷却方案和软件栈。 属性四:金融属性。 2026年算力资产领域最深刻的变革,是算力资产金融化的制度性突破。算力正在从“企业内部的固定资产”转变为“可租赁、可交易、可证券化的金融资产”。英伟达与贝莱德、黑石、阿波罗等六大资管机构合作搭建算力基础设施融资平台,长期目标动员5000亿美元第三方资本。Google-博通-阿波罗/布莱克斯通的SPV结构将TPU硬件转化为“可租赁的资本资产”。在中国市场,IDC公募REITs(南方润泽、南方万国)已上市交易,底层资产上架率接近满格。这一金融化趋势使算力资产的管理从“技术运维问题”升级为“资本运营问题”。 (三)算力资产与传统IT资产的本质区别 算力资产与传统IT资产的区别,可以从五个维度进行系统对比。 第一,价值来源不同。 传统IT资产(如办公电脑、通用服务器)的价值主要来自其功能效用——它们承载软件应用、存储数据、提供服务。算力资产的价值主要来自其生产性产出——它们“生产”Token、训练模型、执行推理。这意味着算力资产的价值评估需要从“功能”转向“产出”:一台服务器的价值不在于“它能运行什么软件”,而在于“它能以多快的速度、多低的成本生产多少Token”。 第二,折旧逻辑不同。 传统IT资产的折旧主要基于物理寿命和技术过时两个因素。算力资产的折旧还受到技术迭代速度和市场供需波动的强烈影响。英伟达的GPU每18-24个月更新一代,且每一代的性能提升幅度在数倍到十倍之间。这意味着算力资产的“经济寿命”可能远短于其“物理寿命”。并行科技披露的数据具有参考价值:其算力设备折旧年限为五年,但“通过合适的并行策略、软件和应用优化以及良好的运维保障,算力设备经济生命周期通常为7-8年或更长”。这一“会计折旧年限与有效经济寿命之间的差距”是算力资产管理中的一个核心张力。 第三,计量单位不同。 传统IT资产以“台”“套”“许可”为单位计量。算力资产的计量单位是多维的:FLOPS/TFLOPS/PFLOPS(计算能力)、卡时/GPU-Hour(时间维度的资源消耗)、Token(业务维度的产出)、MFU/HFU(效率维度)。内蒙古地方标准《数据中心算力分级评估规范》将算力计量分为通用算力(TFLOPS)、智能算力(PFLOPS)、通用算效(GFLOPS/W)和智能算效(GFLOPS/W)四个指标。这一“多维计量体系”使算力资产的管理比传统IT资产更加复杂——它需要同时追踪“计算能力”“时间消耗”和“业务产出”三个维度。 第四,调度依赖不同。 传统IT资产的调度主要是资源分配——将服务器分配给不同的应用或部门。算力资产的调度是价值优化——在“时延、成本、能效、SLA”等多重约束下,将算力任务分配到最合适的资源上。东软Neusoft SDA平台将算电协同定位为“把电变成更经济的算力”。这意味着算力资产的调度决策直接影响其经济回报——同样的算力资源,在不同的调度策略下,可能产生数倍的价值差异。 第五,管理目标不同。 传统IT资产管理的核心目标是降低总拥有成本(TCO)、确保合规和保障服务连续性。算力资产管理的核心目标是最大化“有效算力产出”——即在给定的硬件投资和运营成本下,最大化算力的“被使用程度”和“价值转化率”。东软将这一转变描述为从“建设时代”进入“经营时代”:“过去,企业拥有的是设备清单、资源监控和费用账单;未来,企业需要的是一张能够贯通能源、算力、模型和业务结果的AI资产经营报表”。 二、算力资产的分类体系 (一)按物理形态分类:从硬件到绿色的四层结构 算力资产的物理形态分类,是构建资产台账和管理框架的基础。本报告基于算力标准体系建设指南的分类框架,将算力资产划分为硬件资产、软件资产、网络资源资产和能耗与环境资产四个层级。 第一层:硬件资产。 这是算力资产中最直观、最“重”的组成部分。硬件资产可进一步细分为: (1)计算芯片资产:包括GPU(英伟达 H100/B200/GB200/Rubin系列,AMD MI系列)、NPU/ASIC(Google TPU、亚马逊 特雷尼乌姆、华为昇腾、百度昆仑芯、阿里平头哥)、CPU(英特尔 Xeon、AMD EPYC、华为鲲鹏、AWS Graviton)以及专用加速器(Groq LPU等)。 (2)服务器整机资产:包括AI训练服务器(8卡/16卡GPU服务器)、推理服务器、超节点(华为昇腾950超节点1024卡、百度天池256卡超节点)等。 (3)存储设备资产:包括HBM(高带宽内存,直接集成在GPU封装中)、NVMe SSD、分布式存储系统等。 (4)网络设备资产:包括InfiniBand交换机(英伟达 Quantum)、以太网交换机(博通 战斧)、NVLink交换机、灵衢互联设备等。 第二层:软件资产。 软件资产是算力资产的“操作系统”,决定了硬件资产的有效产出。软件资产可细分为: (1)基础软件许可:操作系统、虚拟化软件、容器平台。 (2)AI框架与中间件:PyTorch、TensorFlow、JAX、CANN、MindSpore、Neuron SDK等。 (3)模型资产:自研模型(混元、文心、通义千问)、外购模型许可、开源模型(羊驼、DeepSeek)的定制版本。 (4)工具链资产:编译器、调试器、性能分析工具、调度系统。 第三层:网络资源资产。 网络资源是算力资产“网络外部性”的载体。网络资源资产可细分为: (1)带宽资源:数据中心内部互联带宽(NVLink、灵衢)、数据中心之间传输带宽(DCI)。 (2)IP地址与域名资源。 (3)互联互通节点资源:国家级算力互联互通区域节点、算力传输通道。 (4)专线资源。 第四层:能耗与环境资产。 在“算电协同”和“双碳”政策背景下,能耗与环境资产正在成为算力资产中增长最快、监管最严的组成部分。能耗与环境资产可细分为: (1)电力容量指标:数据中心获得的电力配额(兆瓦级、吉瓦级)。 (2)能耗计量与分摊资产:电表、传感器、计量系统。 (3)绿电与碳资产:绿电直连合同、分布式光伏、碳配额、碳信用、绿证。 (二)按资产权属分类:从“拥有”到“使用”的光谱 算力资产的权属分类揭示了算力资产管理中一个根本性的战略选择:企业是应该“拥有”算力资产,还是“使用”算力资产? 自有算力资产是传统的“重资产”模式。企业购买GPU服务器、建设数据中心、雇佣运维团队,拥有算力资产的全部产权和运营责任。英伟达、Google、Meta的自建集群是这一模式的典型代表。自有模式的优势是完全的控制权和长期的成本优势;劣势是高资本支出、低灵活性、高折旧风险。 租赁算力资产是“轻资产”模式。企业租赁云服务商的算力实例(如AWS EC2、Azure VM),不拥有硬件,但获得算力服务。这一模式的优势是低资本支出、高灵活性;劣势是单位算力成本高、控制权受限。 托管算力资产是“混合”模式。企业购买硬件,但托管在第三方数据中心(如Equinix、Digital Realty),不拥有数据中心建筑,但拥有计算设备。这一模式的优势是平衡了资本效率和运营控制;劣势是依赖于第三方数据中心的服务质量。 共享算力资产是“平台”模式。多个主体共享同一算力基础设施,通过调度系统分配算力资源。华为的“超节点+集群”模式、百度的“天池超节点”都支持多租户共享。这一模式的优势是最大化算力利用率;劣势是调度复杂度高、安全隔离挑战大。 从资产管理的角度看,这四种模式的选择取决于企业的战略定位、资本约束和风险偏好。Google选择“自有+共享”(TPU自用+对外销售)是因为其拥有自研芯片能力和DeepMind的模型能力。Meta选择“自有+租赁”是因为其缺乏自研芯片能力但拥有广告业务的现金流。阿里选择“自有+租赁+共享”是因为其同时服务内部业务和外部客户。 (三)按服务形态分类:从裸金属到无服务器的抽象层级 算力资产按服务形态分类,反映了算力从“物理资源”到“业务服务”的抽象层级。 裸金属算力资产提供物理服务器的直接访问,无虚拟化层。适用于对性能要求极高的训练任务。华为昇腾超节点、百度昆仑芯集群主要以此形态交付。 虚拟化算力资产通过虚拟机管理程序将物理GPU切分为多个虚拟GPU(vGPU),实现资源的时间片切分和显存隔离。英伟达的MIG(Multi-Instance GPU)技术是典型代表。 容器化算力资产通过容器编排(Kubernetes)将算力资源池化,以Pod为单位分配给任务。阿里云、腾讯云的GPU容器服务是典型代表。 无服务器算力资产将算力完全抽象为API调用,用户按调用次数或Token消耗付费,无需管理任何基础设施。百炼MaaS平台、腾讯TokenHub是典型代表。无服务器模式使算力资产的计量单位从“资源”转向“业务”——用户不再关心“用了多少GPU小时”,只关心“调用了多少次API”或“消耗了多少Token”。 这一分类的资产管理含义是:抽象层级越高,资产管理的“技术属性”越弱,“业务属性”越强。裸金属模式的管理重点是硬件健康度和利用率;无服务器模式的管理重点是Token产出效率和业务价值转化率。 三、算力资产的生命周期模型 (一)生命周期模型的总体框架 算力资产的生命周期管理需要超越传统IT资产管理的“采购-部署-运维-退役”线性模型,构建一个多阶段、多反馈、动态调整的框架。本报告基于ISO/IEC 19770-10:2025的标准框架,结合算力资产的特殊属性,提出“五阶段+三循环”的生命周期模型。 五个阶段分别是:规划与采购、部署与验收、运营与服务、变更与调配、退役与处置。 三个循环分别是:技术迭代循环(硬件层面的代际更新)、业务适配循环(软件层面的模型和调度优化)、价值评估循环(财务层面的折旧和估值调整)。这三个循环贯穿于五个阶段之中,使算力资产的管理不是“一次性”的项目,而是“持续性”的运营活动。 (二)规划与采购阶段:从“买卡”到“投资决策” 规划与采购阶段的核心任务,是将业务需求转化为算力资产配置决策。这一阶段的关键挑战在于:在技术快速迭代、供给持续紧张的环境中,如何做出“不会后悔”的采购决策。 传统IT资产的采购决策主要基于“需求预测+预算约束”。算力资产的采购决策需要引入三个新的分析维度。 维度一:技术路线选择。 企业面临“自研芯片 vs.外购GPU”的战略选择。自研芯片的战略回报是捕获芯片层利润和降低对英伟达的依赖;风险是研发投入巨大、技术迭代速度快、软件生态建设周期长。亚马逊的特雷尼乌姆、Google的TPU、华为的昇腾——这些自研芯片的成功案例都经过了数年的迭代。外购GPU的优势是生态成熟、性能领先、即买即用;劣势是成本受英伟达定价权影响、供应受产能约束。 维度二:规模与配置。 算力资产的配置不是“越多越好”,而是需要匹配业务需求。训练集群需要高带宽互联(NVLink/灵衢),推理集群需要高能效比,混合负载需要异构算力组合。华为的“超节点+集群”架构、百度的“昆仑芯万卡集群”都是针对特定工作负载优化的配置方案。 维度三:财务安排。 算力资产的采购涉及大额的资本支出和复杂的融资安排。是自有资金还是债务融资?是直接购买还是融资租赁?是自建数据中心还是托管?Meta与BlackRock的合资安排(BlackRock 80%/Meta 20%)是“既推进扩张又控制资本支出”的典型案例。 (三)部署与验收阶段:从“设备交付”到“算力可用交付” 部署与验收阶段的核心任务,是将“购买的硬件”转化为“可用的算力”。这一阶段的关键认知转变是:交付的标准不是“设备到货”,而是“算力可用”。 传统IT项目的验收标准是“硬件安装完成、系统启动成功”。算力资产的验收标准需要提升到“有效算力可用”。临港算力商业化总监兰宏凯披露的数据具有参照意义:GPU集群对外服务的可用率达到99.5%。这一“99.5%可用率”的资产管理含义是:可用率不是工程指标,而是运营指标——它直接关系到算力是否能够被持续使用、长期信任,并形成稳定收益。 “算力可用交付”需要满足三个条件。第一,硬件健康度验证:所有GPU通过压力测试,显存无错误,互联链路质量达标。第二,软件栈就绪:CUDA/CANN/Neuron SDK配置完成,框架和库版本兼容,调度系统集成。第三,基准性能达标:集群的MFU/HFU达到设计目标,跨节点通信延迟在可接受范围内。 华为在超节点交付中的实践具有参考价值。华为在交付昇腾950超节点时,同时交付“有效训练率达97%、万卡规模集群线性扩展度超过85%”的验证数据。这一“带性能指标交付”的模式使客户能够在部署阶段就确认算力资产的“有效价值”,而非在运营阶段才发现“标称算力”与“有效算力”之间的差距。 (四)运营与服务阶段:从“运维”到“资产经营” 运营与服务阶段是算力资产价值创造的核心阶段,也是生命周期中持续时间最长、管理复杂度最高的阶段。 这一阶段的核心任务可以概括为“三本账”的管理。第一本是“算力账”——算力资产的利用率、有效产出、任务完成率。第二本是“能源账”——算力资产的电力消耗、PUE/CUE、绿电占比、碳足迹。第三本是“模型账”——算力资产的Token产出、模型调用成本、业务价值转化。东软Neusoft SDA平台将这三本账的整合描述为“一张能够贯通能源、算力、模型和业务结果的AI资产经营报表”。 运营阶段的关键管理机制是调度。算力资产的调度不是简单的“资源分配”,而是在多重约束下的价值优化。东软Neusoft SDA的算电协同模块展示了调度策略的复杂性:它“统一接入绿电直连、分布式光伏、储能、电网直供等能源资源,并结合算力负荷预测、电价预测和任务优先级,形成动态能源调度策略”。平台进一步将“电价、碳成本、绿证成本和虚拟电厂收益转化为价格信号,反向影响算力任务调度”。这意味着算力资产的调度决策需要同时考虑“技术约束”和“经济约束”——在电价低谷时运行可延迟的训练任务,在绿电充足时优先执行算力密集任务。 (五)变更与调配阶段:从“设备更新”到“资产流转” 变更与调配阶段是算力资产管理中最容易被忽视但最具价值优化潜力的环节。这一阶段的核心任务是:在技术迭代和业务变化的背景下,动态调整算力资产的配置和使用方式。 算力资产的变更与调配包括三种类型。第一,代际流转:当新一代芯片(如英伟达 Rubin)发布时,当前的“核心算力”(Blackwell)可以降级为“边缘算力”,用于内部推理或对外出租;当前的“边缘算力”(H100)可以进一步降级,以更低的价格出租给对成本敏感的客户。这种“代际流转”机制使算力资产每一代都能在不同层级中被充分利用。第二,跨域调度:当某一区域的算力需求超过供给时,将任务调度到算力富余的区域。中国的“东数西算”工程、内蒙古至京津冀的5毫秒时延通道,都是跨域调度的物理基础。第三,用途转换:当算力资产的主要用途发生变化时(如从训练转向推理),需要调整配置和调度策略。 (六)退役与处置阶段:从“报废”到“残值回收” 退役与处置阶段是算力资产生命周期的终点,但也是价值回收的“最后机会”。 传统IT资产的退役处置主要是“报废”或“低价出售”。算力资产的退役处置需要更加精细化的残值管理。千循科技与华章数据的合作提供了一个系统性的退役管理框架:针对“头部互联网企业、电信运营商及超算中心的退役服务器资产(包括GPU服务器、高密度存储阵列)建立定向回收机制”;依据ISO品质管制体系对设备进行“深度清洁、元件级维修及核心部件压力测试”;建立“设备全生命周期档案,开展资产定级与残值评估,为后续运营及资本化运作提供数据支撑”。 这一框架的资产管理含义是深远的:算力资产的退役不是“成本”而是“残值回收”。一台退役的A100 GPU可能无法用于前沿训练,但可以用于推理、微调或教育场景。通过再制造和再认证,退役算力资产的经济寿命可以延长数年,从而提升整个算力资产组合的投资回报率。 (七)三个循环:使生命周期“活起来” 技术迭代循环是算力资产区别于传统IT资产的最显著特征。英伟达的GPU每18-24个月更新一代,华为昇腾的迭代节奏也在加速(昇腾960提前三个季度发布)。这意味着算力资产的“技术寿命”远短于“物理寿命”。管理策略需要将“技术迭代”纳入折旧和更新决策,而非简单地按“物理寿命”折旧。 业务适配循环是算力资产“有效算力”的调节器。同样的硬件,在不同的软件栈和调度策略下,有效算力可能相差数倍。华为的MFU提升2.75倍、百度的有效训练率97%、腾讯的Hy3任务解决率90%——这些都是业务适配循环的成果。管理策略需要持续优化“芯片-模型-调度”的协同,使算力资产的“有效产出”最大化。 价值评估循环是算力资产金融化的产物。随着算力资产从“自用工具”转变为“可交易资产”,其市场价值可能显著偏离账面价值。腾讯刘炽平披露的“部分算力订单如果售出,可较几个月前的采购价高出30%以上的利润”,揭示了算力资产“市场价值”与“采购成本”之间的动态关系。管理策略需要定期进行“市场价值重估”,而非固守“历史成本”或“直线折旧”。 本章小结 算力资产总论为整个管理框架提供了认识论基础。算力资产区别于传统IT资产的四个核心属性——异质性、时效性、网络外部性和金融属性——决定了其管理框架需要超越“采购-运维-退役”的传统范式。“五阶段+三循环”的生命周期模型将算力资产的管理从“静态的台账管理”提升为“动态的价值经营”:规划与采购是“投资决策”,部署与验收是“算力可用交付”,运营与服务是“三本账经营”,变更与调配是“代际流转”,退役与处置是“残值回收”。技术迭代循环、业务适配循环和价值评估循环贯穿始终,使算力资产的管理成为一项持续性的、多目标的、跨学科的价值优化活动。这一框架的核心命题是:算力资产的价值不在于其“物理存在”,而在于其“被激活”的程度。管理的目标,是使每一单位算力在其“经济寿命”内产出最大的“有效价值”。 |
|||
![]() |
|||
|
|
|
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 |
|