|
首页 所有 |
李桂松:全球算力资产竞争格局与资产管理报告(十九) |
| 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) 第十九章算力资产运营管理 前言:从“建好”到“用好”的运营跃迁 算力资产运营管理,是整个管理框架中与“价值创造”最直接相关的章节。如果说台账管理是“记录资产”,计量核算是“度量价值”,那么运营管理就是“创造价值”——它回答的是:如何让算力资产在给定的技术条件和物理约束下,产出最大的有效价值。 这一章的核心命题,可以用一个数据来概括: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。运营管理的目标,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”。 这一跃迁的紧迫性来自三重力量的叠加。第一,算力供给的刚性约束:高端GPU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。第二,算力成本的结构性上升:2026年开年,阿里云、腾讯云、百度智能云相继上调AI算力产品价格,涨幅从5%至34%不等,标志着“低价扩张”时代的终结。第三,技术迭代的加速:GPU每18-24个月更新一代,算力资产的“经济寿命”持续缩短。在这些约束下,“用好已有的算力”比“拥有更多的算力”更具战略意义——而“用好”的核心,正是调度、交易、协同和运维四个运营环节。 一、调度与编排 (一)从“资源分配”到“价值优化”的调度范式转换 传统IT资源的调度逻辑是“资源分配”——将服务器分配给不同的应用或部门,确保“每个应用都有资源可用”。算力资产的调度逻辑必须升级为“价值优化”——在“时延、成本、能效、SLA”等多重约束下,将算力任务分配到创造最大价值的资源上。 这一范式转换的技术基础正在快速成熟。2026年4月,江苏省未来网络集团的全国算网协同调度中心投入试运行,已连接“东数西算”八大枢纽节点及沿途32个城市的算力资源。该调度中心“已经可以支撑千亿级大模型秒级排队,在2000公里跨域训练场景下,池化算效高达98%”。98%的池化算效意味着:跨域调度的“效率损失”被压缩到仅2%——这一数字使“东数西算”从政策概念转化为经济可行的技术现实。 这一调度能力的经济含义是深远的。一个训练任务如果可以在2000公里范围内调度到绿电富集区域(如甘肃庆阳、内蒙古乌兰察布),其电力成本节省可能超过传输成本。阿里云在乌兰察布的实践表明,同样的机房运行算力,“每年的电费能够节省50亿元”。调度不再是“技术问题”,而是“成本优化问题”和“碳排放优化问题”。 (二)异构算力池化的“并网”挑战 异构算力池化是调度的技术前提,也是当前算力运营中最棘手的工程挑战。江苏省未来网络集团在算力并网过程中发现的痛点具有代表性:“算力卡在架构、指令、通信协议等方面的差异,造成A机房算力没法借给B机房用,任务跨不过去,数据传不动、跑不通,算力并网也就无法池化、协同,形成一块块‘算力孤岛’”。 这一“算力孤岛”问题的技术根源在于算力资产的异质性属性。不同厂商的芯片——英伟达 GPU、华为昇腾、百度昆仑芯、Google TPU——在指令集、通信协议、软件栈上存在根本性差异。CUDA代码无法直接在昇腾上运行,昇腾的CANN生态无法直接调度英伟达 GPU。华为轮值董事长汪涛对此的表述是:“内存不能统一编址的不是超节点”——这一技术标准定义本身,就是对“算力池化”的严格要求。 解决方案正在标准化层面推进。全国一体化算力网已发布9项技术文件,其中《算力并网技术要求》确立了“物理并网”和“逻辑并网”的双层架构。物理并网“用于承载算力网中用户业务、平台管控等流量的传输,以实现算力资源的可达、可用”;逻辑并网“经由资源封装、适配转换、标准接口进行分层抽象,以实现算力资源的管理、调度与计量”。这一“物理+逻辑”的双层设计,本质上是在承认异构性的前提下,通过标准化接口实现“可调度性”。 (三)算力并网与全国一体化算力网的制度化推进 算力调度的制度框架正在快速成型。2026年2月,工信部印发《关于开展国家算力互联互通节点建设工作的通知》,提出建立“1+M+N”国家算力互联互通节点体系——“1”个已建成发布的国家算力互联网服务节点,“M”个区域节点,“N”个行业节点。 这一体系的核心机制是“统一标识、统一标准、统一规则”。算力标识管理系统接收服务中心注册信息,按标准完成算力标识赋码,提供标识解析服务;算力资源汇聚系统与算力资源服务商接口标准化适配,接入各类算力资源;算力选择系统提供参数检索、推荐等服务,支撑路径精准选择与数据高效传输。这一“标识—汇聚—选择”的技术架构,使算力资源从“不可见的黑箱”转变为“可发现、可调度、可计量的资产”。 从调度粒度的角度看,算力并网标准定义了物理并网锚点和逻辑并网端点两类接口。物理并网锚点是“算力资源与网络资源组网连接的锚点”,解决“连得上”的问题;逻辑并网端点是“算力资源实现与平台API接口互通的能力转换的端点”,解决“管得了”的问题。这一“物理+逻辑”的双层接口设计,使不同架构的算力资源能够在保持自身技术特征的同时,实现统一的调度和管理。 二、算力交易管理 (一)算力交易模式的“金融化”演进 算力交易正在经历从“资源租赁”向“金融化交易”的演进。2026年,中国信通院联合算力产业发展方阵正式启动“算力超银生态共建计划”,探索“算力超市”和“算力银行”两大创新服务形态。 “算力超市”的核心是算力资源的“商品化”。它“搭建或依托现有算力平台,推动‘算模数用’认定资源的商品化展示、标准化计价、在线交易与自动交付”。计价方式包括“按‘卡时’‘核时’及Token计费等灵活计费方式”,支持中小企业“按需采购、随用随付”。从用户视角看,算力超市使企业能够“像网购一样获取AI算力”——“按需选购、即买即用”。 “算力银行”的核心是算力资源的“金融化”。它“借鉴金融银行模式,将散落各处的闲置算力资源化、标准化、金融化,通过‘零存整取’和跨域调度实现普惠供给”。其运作机制包括四个环节:资源归集(存款)——将不同品牌、规格的算力资源统一标准化为“标准算力单元”;资源池化(金库)——利用平台将分散部署的服务器整合为虚拟资源池;按需配给(贷款)——用算企业可像申请银行贷款一样按需下单;价值清算(结算)——建立计量与返利机制。 这一“存—贷—取—结”的金融化模式,其资产管理含义是深远的。它使算力资产从“企业内部的固定资产”转变为“可跨主体流动的金融资产”。一个大学实验室的闲置算力可以在夜间“存入”算力银行,获得“未来积分”;一家自动驾驶初创公司可以用“算力券”从算力银行“贷出”算力,避开公有云高峰高价。这一模式使算力资产的利用率能够从“企业内部”扩展到“跨主体”,从而提升整个社会的算力资产使用效率。 (二)定价机制:从“成本加成”到“能力定价” 算力交易的定价逻辑正在经历根本性转变。2026年开年,阿里云、腾讯云、百度智能云相继上调AI算力产品价格,打破了行业近20年“只降不升”的惯例。阿里云对平头哥真武810E等算力卡产品价格调涨5%至34%;百度智能云对AI算力相关产品服务价格上调5%至30%。 这一“涨价潮”的深层含义是:算力市场的竞争逻辑正在从“低价扩张”转向“能力定价”。云阿云智库报告分析认为:这轮涨价的意义不在于打破‘只降不升’,而在于它标志着中国云计算市场的竞争逻辑正在从低价扩张转向能力定价。在AI时代,决定竞争胜负的已不只是通用算力的低成本供给,而是谁能持续提供稳定、充足、可调度的高端算力,以及与之配套的模型、存储、网络。 从定价机制设计的角度看,算力交易需要覆盖四种模式。成本加成定价以“采购成本+运营成本+目标利润率”为基础,适用于长期合约和专属算力。市场竞价定价以“供需关系”为基础,适用于现货交易和闲置算力。动态浮动定价以“时段、绿电占比、碳成本”为基础,适用于算电协同场景。能力定价以“模型质量、服务SLA、Token产出效率”为基础,适用于MaaS和智能体服务。 (三)算力券:普惠化交易的制度创新 “算力券”是算力交易管理中最具中国特色的制度创新。它通过政府补贴来降低中小企业的算力使用门槛,从而扩大算力需求的基数,支撑算力基础设施的可持续运营。 从发放规模来看,各地算力券的力度在2026年显著提升。杭州将算力券发放额度从5000万元提升至2.5亿元;北京、甘肃庆阳每年发放1亿元;河南、湖北、江苏无锡每年5000万元;成都每年1000万元。从补贴比例来看,成都和厦门的补贴比例最高,达到算力服务合同费用的50%;北京对“国产人工智能算力”的补贴比例为40%,高于非国产算力的30%。 算力券的资产管理含义是双重的。从需求侧看,算力券降低了中小企业的“试错成本”,使它们能够以更低的门槛尝试AI应用,从而扩大了算力需求的“长尾”。从供给侧看,算力券为算力资产的运营者提供了“需求保障”——获得算力券补贴的中小企业更可能持续使用算力服务,从而提升了算力资产的“利用率”和“收入可见性”。 三、算电协同 (一)从“绿色数据中心”到“算电联合优化”的范式升级 算电协同正在从工程概念演变为制度框架。2026年9月,中央网信办等七部门联合印发的方案明确要求“推动算力与电力协同发展,统筹算力设施绿电需求和新能源消纳需要,引导算力资源向风光水等清洁能源富集地区集聚”,并部署了“攻关算力和电力协同调度、绿电直连以及高效、长时、大容量新型储能等技术和标准”的具体任务。 这一政策框架的核心逻辑是:算力负载的时间弹性和空间弹性可以用来匹配电力系统的供需波动。从时间弹性看,AI训练任务具有“可延迟性”——一个训练任务的开始时间可以在数小时甚至数天的窗口内灵活调整。从空间弹性看,算力任务可以在不同地理位置的数据中心之间迁移,优先使用绿电富集或电价低谷地区的算力资源。 东软Neusoft SDA平台的算电协同实践展示了这一逻辑的技术实现: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。 (二)绿电直连与碳资产的“合规化” 算电协同的合规压力正在快速上升。国家发改委等五部门发布的文件明确要求:“加快提升钢铁、有色、建材、石化、化工等行业企业和数据中心,以及其他重点用能单位和行业的绿色电力消费比例,到2030年原则上不低于全国可再生能源电力总量消纳责任权重平均水平;国家枢纽节点新建数据中心绿色电力消费比例在80%基础上进一步提升”。 这一“80%+绿电消费比例”的强制要求使算力资产的运营者面临三重合规挑战。第一,绿电采购:数据中心需要从绿电市场购买绿色电力或绿证,以证明其消费的电力来自可再生能源。第二,碳足迹追踪:需要按算力任务、租户、产品维度追踪碳排放,并将绿电消费信息“纳入上市企业环境、社会和公司治理(ESG)报告体系”。第三,碳市场衔接:需要将绿电消费与碳配额、碳信用进行核算和抵扣,避免“重复计算”或“重复获益”。 从资产管理的角度看,绿电与碳资产的“合规化”意味着算力资产的运营者需要建立“碳感知调度”能力。东软Neusoft SDA平台将“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。这一“碳感知调度”的前提是准确的绿电与碳资产台账——没有准确的碳排放数据,就无法做出“碳最优”的调度决策。 (三)虚拟电厂与需求响应:算力资产的“能源收益” 算力资产不仅是“电力消费者”,还可以成为“电力系统的调节资源”。虚拟电厂(VPP)和需求响应(DR)机制为算力资产提供了新的收益来源。 从技术可行性来看,算力负载的可调节性使其成为电力系统需求响应的优质资源。AI训练任务可以在秒级到小时级的时间窗口内弹性调节——当电力系统需要“削峰”时,可以延迟非紧急的训练任务;当电力系统需要“填谷”时,可以启动可延迟的批处理任务。这一“负载弹性”使算力资产能够参与电力市场的需求响应交易,从而获得“调节收益”。 从收益结构的角度看,算力资产的“能源收益”可能成为算力资产回报率的重要补充。在电价低谷时段,算力资产的运营者可以以低价购电,运行可延迟的算力任务;在电价高峰时段,可以减少算力负载,释放电力容量参与需求响应,获得电网的补偿。这一“低买高卖”的能源交易模式,使算力资产从“纯粹的电力消费者”转变为“电力系统的“产消者” 。 四、运维管理 (一)从“故障修复”到“预测性维护”的运维范式 算力资产的运维正在从“被动修复”向“主动预测”演进。传统IT运维的典型模式是“故障发生→告警→修复”——这是一种反应式的运维模式。算力资产的运维需要升级为“预测性维护”——在故障发生之前识别风险,主动干预。 IEEE发表的研究展示了预测性维护的技术成熟度。一项基于Edge-AI的遥测系统研究“利用54个传感器节点监测温度、湿度和电压,应用CatBoost算法在ARM-based边缘计算平台上实现99.80%的准确率、99.81%的精确率和99.65%的召回率”。另一项基于LSTM的预测性框架“为422个节点提供次日(24小时)风险预测,平均MAE仅为0.018,准确率达98.2%”。这些数据表明:算力资产的故障预测已经能够达到“接近精确”的水平。 预测性维护的经济价值是显著的。Uptime Institute的数据显示,“2021年30%的宕机事件持续超过24小时,而2017年仅为8%”。长时间的宕机不仅导致服务中断的损失,还导致设备的“闲置能耗”浪费——“当设备在宕机期间闲置时,它通常继续消耗电力,尤其是冷却系统”。预测性维护通过减少宕机频率和持续时间,直接降低了算力资产的“非计划性停用成本”。 (二)GPU健康度监测与“有效算力”保障 GPU健康度监测是算力资产运维中最特殊、最关键的环节。与CPU和存储设备不同,GPU的性能退化可能不影响“正常运行”,但显著降低“有效算力”。一块显存有错误的GPU可能仍然能够运行推理任务,但其输出质量可能受到影响;一块互联性能退化的GPU可能仍然能够参与训练,但其训练速度可能显著下降。 GPU健康度监测的核心指标包括:温度与功耗(GPU温度是否在安全范围内、功耗是否异常)、显存错误(ECC错误计数、显存带宽是否达标)、互联质量(NVLink/灵衢的带宽和延迟是否达标)、计算利用率(SM活动百分比、Tensor Core使用率是否正常)。华为在超节点交付中的实践具有参考价值:“有效训练率达97%、万卡规模集群线性扩展度超过85%”——这些数据本身就是运维管理的“性能基线”,任何偏离基线的行为都需要被及时识别和干预。 从运维自动化的角度看,AI for IT Operations(AIOps)正在成为算力资产运维的核心技术。IEEE的研究指出,“AIOps解决方案使用先进的数据分析、机器学习和深度学习方法,为数据中心开发自动化和先进的异常检测与预测工具”。这些工具“在规模和速度上运行,提高数据中心的弹性和能源效率”。在万卡级集群中,人工运维已经不可行——AIOps的自动化异常检测和预测是保障集群稳定运行的必要条件。 (三)备件管理与“代际流转”的运维协同 算力资产的备件管理面临与传统IT设备截然不同的挑战。传统IT设备的备件管理基于“故障率+采购周期”的经典模型。算力资产的备件管理需要同时考虑“技术迭代”和“代际流转”。 代际流转是算力资产运维中最具“价值优化”潜力的环节。当新一代芯片(如英伟达 Rubin或华为昇腾960)发布时,当前的“核心算力”(如Blackwell或昇腾950)需要降级为“边缘算力”,用于内部推理或对外出租。这一“降级”不是“故障处置”,而是“资产再配置”。运维管理的任务从“保障设备正常运行”扩展为“保障设备在正确的“代际层级”中运行”。 从备件管理的角度看,代际流转使备件的种类和数量需要动态调整。当Blackwell降级为“边缘算力”时,其备件需求可能从“高性能GPU”转向“兼容性更强的通用备件”。同时,退役设备的“残值回收”成为备件管理的新维度——一台退役的A100可能无法用于前沿训练,但可以用于推理、微调或教育场景。千循科技与华章数据的合作框架——“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”——正是这一“残值回收”理念的制度化实践。 (四)运维工单与SLA保障的“闭环管理” 算力资产的运维需要以“SLA保障”为核心构建闭环管理体系。临港算力披露的“GPU集群对外服务的可用率达到99.5%”是这一体系的核心指标。99.5%的可用率意味着每年的不可用时间不超过约44小时——这一水平在万卡级集群中极具挑战性。 闭环管理的核心机制包括:监测(实时采集GPU健康度、网络质量、任务状态)、告警(基于基线的异常检测和分级告警)、诊断(根因分析与影响评估)、处置(自动或人工的故障恢复)、复盘(故障原因分析和改进措施)。这一“监测—告警—诊断—处置—复盘”的闭环,使运维管理从“被动响应”升级为“主动优化”。 从SLA设计的角度看,算力资产的SLA需要超越传统的“可用性”指标,纳入“有效算力”维度。传统的SLA承诺“服务可用率99.5%”,但算力资产的SLA还需要承诺“有效算力达标率”——即在“服务可用”的条件下,算力的“有效产出”是否达到约定水平。华为的“有效训练率97%”和百度的“有效训练率达97%”都是这一“有效算力SLA”的实践案例。 本章小结 算力资产运营管理是从“建好”到“用好”的关键跃迁。本章从调度与编排、算力交易管理、算电协同、运维管理四个维度,系统构建了算力资产运营的管理框架。 调度与编排的核心是从“资源分配”升级为“价值优化”。全国算网协同调度中心已实现“2000公里跨域训练场景下池化算效98%”。“1+M+N”国家算力互联互通节点体系通过“统一标识、统一标准、统一规则”实现异构算力的标准化互联。 算力交易管理的核心是“金融化”演进。“算力超市”实现算力的商品化展示和标准化计价;“算力银行”借鉴金融银行模式实现算力的“零存整取”。算力券的发放规模从5000万元提升至2.5亿元,补贴比例最高达50%。 算电协同的核心是从“绿色数据中心”升级为“算电联合优化”。政策要求“国家枢纽节点新建数据中心绿色电力消费比例在80%基础上进一步提升”。“碳感知调度”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。 运维管理的核心是从“故障修复”升级为“预测性维护”。Edge-AI遥测系统实现“99.80%的准确率”;LSTM预测框架“为422个节点提供次日风险预测,准确率达98.2%”。代际流转使算力资产在“核心算力—边缘算力—退役算力”的分层中持续产生价值。 本章的核心命题是:算力资产的价值不在于“拥有”,而在于“运营”。一台GPU在“闲置”状态下的经济价值可能为负——它消耗电力、占用空间、面临技术贬值。而在“满负荷运营”状态下,它是“生息资产”。运营管理的目标,是使每一单位算力在其“经济寿命”内产出最大的“有效价值”。这一目标的实现,依赖于调度、交易、协同和运维四个环节的系统性协同。 |
|||
![]() |
|||
|
|
|
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 |
|