首页   所有
李桂松:全球算力资产竞争格局与资产管理报告(二十一)
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)

第二十一章

算力资产管理平台与组织

前言:从“人管资产”到“平台管资产”的治理跃迁

算力资产管理平台与组织体系,是整个管理框架的执行载体和制度保障。前二十章构建的台账规范、计量方法、运营策略、效能指标和安全要求,最终都需要通过技术平台来落地,通过组织制度来保障。没有平台支撑,台账管理将退化为手工Excel表格,调度优化将依赖“老师傅经验”,效能监测将滞后于业务变化;没有组织保障,制度将停留在纸面,流程将形同虚设,安全责任将无人承担。

这一章的核心命题,可以用一个数据来概括:56%的企业对GPU资源管理表示担忧,但只有12%的公司对变化速度感到满意。这意味着,绝大多数企业意识到了算力资产管理的问题,但尚未建立起有效的“发现—决策—执行”闭环。平台和组织的价值,正是将“意识到问题”转化为“解决问题”——使算力资产的管理从“被动响应”升级为“主动经营”。

云阿云智库报告精准地定义了这一跃迁方向:AI基础设施的竞争,正在从‘有没有’转向‘用得怎么样’,从规模建设转向资产经营”。从“建设时代”进入“经营时代”,需要的不仅是技术的升级,更是组织能力的重塑和制度体系的构建。

一、技术平台架构

(一)算力资产管理平台的“五层+三体系”总体架构

算力资产管理平台的技术架构,需要同时满足异构纳管、统一调度、精细计量、智能分析、安全管控五项核心能力。基于全国一体化算力网技术文件体系和行业实践,本报告提出“五层+三体系”的总体架构框架。

第一层:资源层,是平台监测和管理的核心对象。资源层涵盖各类算力资源(通用算力、智算算力、超算算力)、网络资源(RDMA网络、通用网络)、存储资源(高性能NVMe、分布式存储)及配套基础设施(电力、冷却、机架)。资源层的管理挑战在于异构性:平台需要同时纳管英伟达 GPU、华为昇腾、百度昆仑芯、寒武纪、海光等主流品牌的芯片,并支持ARM与x86架构的统一管理。

第二层:采集接入层,是平台的“数据入口”。采集接入层负责各类资源数据的采集与接入,支持多协议、多来源、多类型资源的接入与格式转换,采用侵入式与非侵入式相结合的采集方式,构建“数据中心—平台—上级监测节点”的全链路自动采集与报送机制。在技术实现上,采集方式包括带外管理接口采集(通过BMC/IPMI)、DCGM/NVML采集(通过英伟达 Data Center GPU Manager)、调度系统日志采集(通过Kubernetes/Slurm)。

第三层:数据处理层,负责对采集到的原始数据进行清洗、转换、整合、存储与管理,建立统一的数据标准和数据模型,解决数据碎片化、格式不统一等问题。数据处理层的核心任务是实现“语言统一”——使工程、财务、运维三端的数据能够互联互通。中国移动云能力中心的实践表明,“按照‘逻辑梳理—明确口径—系统嵌入—管理分析’的工作步骤,打通工程、运维、财务三套账,统一资产资源语言”是平台建设的关键环节。

第四层:智能分析层,是平台的“大脑”。智能分析层依托大数据、人工智能、机器学习等技术,实现算力负载分析、异常检测、趋势预测、能耗优化、调度辅助等功能,支持多因子综合分析,具备自学习、自优化能力。在技术实现上,智能分析层需要集成预测性维护模型(如基于LSTM的故障预测框架,为节点提供次日风险预测,准确率达98.2%)、算电协同策略(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)。

第五层:应用层,是面向用户的“交互界面”。应用层提供可视化展示、告警预警、报表统计、权限管理、接口开放等功能,满足不同用户(管理员、运维人员、业务人员)的个性化需求,实现算力态势“一屏统览”。在资产管理场景中,应用层的核心产品是“AI资产经营报表”——一张能够贯通能源、算力、模型和业务结果的综合视图。

三大配套体系贯穿五层架构。安全保障体系涵盖数据安全、网络安全、应用安全、终端安全,落实网络安全等级保护要求。运维管理体系建立平台部署、运行、维护、升级的标准化流程,实现运维工作的规范化、自动化。标准规范体系遵循国家标准,建立数据接口、数据格式、监测指标、技术参数的统一标准,确保平台的兼容性、可扩展性和互联互通。

(二)核心功能模块:从“管资源”到“营资产”的能力矩阵

算力资产管理平台的核心功能模块,需要覆盖从“资源管理”到“资产经营”的完整能力谱系。基于行业实践,本报告提出六大核心功能模块。

模块一:资产管理模块。 这是平台的基础模块,负责算力资产的台账管理、全生命周期追踪和权属管理。云阿云科技算力供应链平台的“资产管理”模块“推出算力租赁融资等普惠产品”,其核心功能是使算力资产能够被“看见”、被“算清”、被“用起来”。云阿云科技“算力信”系统的核心理念是“让算力资产‘看得见’(通过设备接入、硬件参数、在线状态及性能数据实现真实资产的清晰核验)、‘算得清’(综合采购成本、市场行情、剩余周期、租赁价格及运营收益进行多维评判)、‘敢于用’(为银行开展算力贷、设备融资、融资租赁等业务提供底层资产数据和动态风控支撑)”。

模块二:调度编排模块。 这是平台的“核心引擎”,负责异构算力的统一调度和任务编排。根据《全国一体化算力网算力资源管理与调度技术要求》,调度层功能包括设计编排(资源的抽象建模、服务模板构建与流程编排定义)、智能调度(结合多维度信息进行策略评估与任务分配)、资源管理(对算力、网络资源的状态、性能、拓扑等信息的管理)。Volcano v1.14的架构升级展示了调度技术的前沿方向:多调度器架构(动态节点分片机制,支持批量训练、AI Agent、微服务等不同类型工作负载的差异化调度)、网络拓扑感知调度(HyperNode级Binpack策略、SubGroup级精细化拓扑感知)、AI Agent极速调度(专为延迟敏感型负载打造的独立调度器,提供毫秒级响应)。

模块三:计量计费模块。 这是平台的“价值度量衡”,负责算力资源的精确计量、成本归集和计费结算。计量计费模块需要支持多量纲计费(卡时、核时、Token、包年包月、按需使用、阶梯定价),并能够按租户、按任务、按部门进行成本归集和分摊。海南算力监测调度平台的实践表明,平台需要“支持按需调度、按策略调度等多种调度模式,并提供算力产品展示、选购、下单等交易功能”。

模块四:算电协同模块。 这是平台的“绿色引擎”,负责算力调度与电力供需的联合优化。云阿云科技的算电协同模块“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”,并“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”。这一模块的核心价值在于:使算力资产的调度决策同时考虑“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。

模块五:模型运营模块。 这是平台的“业务引擎”,负责模型资产的管理、调用追踪和价值转化。随着AI应用从“训练”向“推理”和“Agent”演进,模型运营正在成为算力资产管理平台增长最快的功能模块。云阿云科技的模型运营模块“把每一次模型调用变成可衡量的业务结果”。具体功能包括:Token消耗追踪(按API Key、模型服务、时间窗口统计调用次数、输入/输出Token数)、模型版本管理(支持模型注册、版本迭代、A/B测试)、MaaS服务管理(支持模型推理服务的发布、计量和计费)。

模块六:安全审计模块。 这是平台的“合规底线”,负责访问控制、操作留痕、安全审计和合规报告。安全审计模块需要覆盖三个层面:平台自身安全(网络安全等级保护要求)、数据安全(训练数据、模型权重、推理结果的保密性和完整性)、合规报告(绿电消费占比、碳足迹核算、等级保护测评)。校院两级统一算力基座平台的实践表明,平台需要“资源池/服务器节点/显卡三级权限体系,多组织隔离,安全审计全覆盖”。

(三)平台集成与标准化接口

算力资产管理平台不是孤立的系统,而是需要与多个外部系统进行标准化集成。

与CMDB系统的集成是资产管理的基础要求。平台需要与企业的配置管理数据库(CMDB)进行数据同步,确保算力资产的台账信息与企业的整体IT资产管理体系保持一致。

与财务系统的集成是成本核算的前提。平台需要将算力资产的采购成本、折旧数据、运营成本与企业的ERP/财务系统进行对接,实现业财融合。中国移动云能力中心的实践表明,“实现工程、财务、运维三端资产资源‘语言统一’是平台建设的关键挑战。

与调度系统的集成是运营效率的保障。平台需要与Kubernetes、Slurm、Volcano等调度系统进行深度集成,实现任务级、容器级、Pod级的资源追踪和成本归集。Volcano v1.14的多调度器架构和动态节点分片机制展示了调度系统与资产管理平台协同工作的技术路径。

与监控系统的集成是效能监测的数据基础。平台需要从DCGM、NVML、普罗米修斯、Grafana等监控工具中采集GPU利用率、显存利用率、温度、功耗等实时指标,并与资产台账进行关联。

与国家级平台的集成是算力并网的前提。根据全国一体化算力网技术文件体系,算力资产管理平台需要支持与国家级、省级算力监测平台互联互通,遵循“统一标准、开放兼容”的原则,通过标准化API接口实现数据报送和调度指令接收。

二、组织与制度体系

(一)组织架构设计:从“运维团队”到“资产经营组织”

算力资产管理的组织架构,需要从传统的IT运维团队升级为资产经营组织。这一升级的核心逻辑是:算力资产管理不是“技术运维”的延伸,而是“资产经营”的新职能。

第一层:资产管理委员会。 这是跨部门的决策机构,负责算力资产的战略规划、重大投资决策和跨部门协调。委员会成员应包括CEO/CTO级别的管理层(战略决策)、财务负责人(资本配置)、业务负责人(需求对接)和技术负责人(技术路线)。委员会的核心职责包括:审批算力资产的年度投资计划、审议自研芯片与外购GPU的战略选择、协调算电协同中的跨部门协作(与能源部门)、审批算力资产的处置和证券化方案。

第二层:算力资产管理部门。 这是专职的管理执行机构,负责算力资产的全生命周期管理。根据云阿云智库平台的人员配置要求,这一团队需要具备平台架构设计、跨团队协同流程、系统缺陷识别、任务全生命周期管理、定制化AI镜像开发、账单分析和治理、大规模网络联调等能力。团队的核心岗位包括:资产台账管理岗(负责硬件/软件/网络/能耗台账的登记和维护)、计量核算岗(负责算力计量、成本归集和分摊)、效能分析岗(负责MFU/HFU监测、瓶颈识别和优化建议)。

第三层:运营服务团队。 这是直接面向用户的服务团队,负责算力服务的交付、客户支持和SLA保障。团队的核心岗位包括:调度运营岗(负责算力任务的调度和编排)、客户服务岗(负责算力产品的售前咨询和售后支持)、SLA保障岗(负责可用性监测和故障响应)。智算平台运维运营人员的能力要求远超传统运维人员:不仅需要掌握Slurm/K8s、监控告警系统、日志分析工具,还需要深刻理解高校/科研机构的科研范式(如大模型训练、科学计算、AI for Science),并能将业务需求转化为平台能力。

第四层:技术支持团队。 这是技术能力的“底座”,负责平台开发、系统集成和技术创新。团队的核心岗位包括:平台开发岗(负责资产管理平台的开发和迭代)、系统集成岗(负责与CMDB/财务/调度系统的集成)、AI能力岗(负责预测性维护模型、算电协同策略等AI能力的开发)。

(二)岗位能力模型:智算运维运营人员的“能力光谱”

智算平台运维运营人员的能力要求,与传统IT运维人员存在根本性差异。根据云阿云智库平台的研究,智算运维运营人员需要具备“传统运维基础+AI技术理解+管理决策能力”的复合能力。

技术能力维度包括:算力规模与性能管理(理解GPU/NPU架构、MFU/HFU指标、集群互联拓扑)、AI框架与工具链(熟练掌握PyTorch、TensorFlow、CANN、Neuron SDK等框架的部署和调优)、大规模集群运维(掌握Slurm/K8s、IB/RoCE网络、并行文件系统)、任务全生命周期管理(精通训练/推理任务失败诊断、环境依赖处理、性能瓶颈分析)。

管理能力维度包括:成本分析与治理(算力资源的账单分析和治理,持续优化账单体系)、多维治理框架(建立覆盖成本、效率、公平、安全的多维治理框架)、流程与制度建设(主导编写平台运维运营SOP、用户接入规范、故障响应流程等制度文档)。

沟通能力维度包括:跨部门协调(能有效建立并主持周期性跨团队协同会议)、用户培训(支持客户侧对科研用户的使用培训)、期望管理(能清晰、精准地向技术专家、管理层及客户传达复杂信息、风险状况和解决方案)。

这一“技术+管理+沟通”的三维能力模型,是算力资产管理组织从“运维团队”升级为“资产经营组织”的人才基础。

(三)制度流程体系:从“SOP文档”到“治理框架”

算力资产管理的制度流程体系,需要覆盖五个核心制度。

制度一:资产采购与验收制度。 这一制度的核心是将“算力可用交付”作为验收标准。传统的验收标准是“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”——硬件健康度验证、软件栈就绪、基准性能达标。华为在超节点交付中的实践具有参考价值:“带性能指标交付”——交付时同时提供“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。

制度二:资产台账管理制度。 这一制度需要明确四类台账的登记规范、更新机制和审计要求。登记规范需要覆盖硬件资产(计算芯片/服务器/存储/网络)、软件资产(AIBOM/框架/模型)、网络资源(带宽/IP/互联节点)、能耗资产(电力容量/绿电/碳资产)。更新机制需要覆盖资产状态变更、配置变更、代际状态三种触发条件。审计要求需要明确盘点周期、盘点方法和差异处理流程。

制度三:计量核算制度。 这一制度需要明确计量单位体系、采集精度要求、成本归集方法和估值模型。根据算力多量纲计费标准,计量需要按秒计算计费时长,并支持卡时、核时、Token等多种计量方式。成本归集需要覆盖资源维度和业务维度,折旧需要从“物理寿命导向”转向“经济寿命导向”。

制度四:效能考核制度。 这一制度需要建立多维度的效能考核体系,覆盖基础效能(GPU利用率、可用率)、有效算力(MFU/HFU)、业务效能(任务完成率、Token产出效率)、绿色效能(PUE/CUE、绿电占比)。考核结果需要与团队绩效和资源分配挂钩,形成“效能提升→资源获得→效能再提升”的正反馈循环。

制度五:安全合规制度。 这一制度需要覆盖网络安全等级保护、数据安全、模型安全和绿色合规四个层面。根据GB/T 45958-2025,安全制度需要明确平台提供方、数据提供方、模型提供方、应用提供方四类角色的安全职责。新网络安全法的“双罚制”要求制度将安全责任落实到具体的管理者。绿色合规制度需要覆盖绿电消费占比追踪、碳足迹核算和ESG报告。

本章小结

算力资产管理平台与组织体系,是整个管理框架的“执行引擎”和“制度骨架”。本章从技术平台架构和组织制度体系两个维度,系统构建了算力资产管理的落地框架。

技术平台架构的核心是“五层+三体系”:资源层(异构算力纳管)、采集接入层(全链路数据采集)、数据处理层(统一数据标准)、智能分析层(AI驱动的优化能力)、应用层(算力态势一屏统览)。安全保障体系、运维管理体系和标准规范体系贯穿五层。六大核心功能模块——资产管理、调度编排、计量计费、算电协同、模型运营、安全审计——覆盖了从“管资源”到“营资产”的完整能力谱系。标准化接口使平台能够与CMDB、财务系统、调度系统、监控系统和国家级平台实现深度集成。

组织与制度体系的核心是从“运维团队”到“资产经营组织”的升级。四层组织架构——资产管理委员会(决策)、算力资产管理部门(执行)、运营服务团队(服务)、技术支持团队(底座)——覆盖了算力资产管理的全职能链条。三维能力模型——技术能力、管理能力、沟通能力——定义了智算运维运营人员的能力光谱。五项核心制度——资产采购与验收、资产台账管理、计量核算、效能考核、安全合规——构成了算力资产管理的治理框架。

本章的核心命题是:算力资产管理的“最后一公里”,不是技术问题,而是组织和制度问题。没有平台支撑,台账管理将退化为手工Excel;没有组织保障,制度将停留在纸面。云阿云科技的发布定义了这一跃迁的方向:“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”。从“设备清单”到“资产经营报表”的跃迁,需要的不仅是技术的升级,更是组织能力的重塑和制度体系的构建。这一跃迁的完成,将标志着算力资产管理从“技术运维”正式进入“资产经营”的新范式。

附录

附录一:全球算力资产核心企业关键数据汇总表

一、企业概况与财务数据

表1-1:核心企业市值与财务表现(2026年)

企业

市值(亿美元)

最新财季营收

同比增速

核心财务特征

英伟达

53,000

681亿美元(Q4 FY26)

+73%

数据中心业务占比89.7%,毛利率75.0%

微软

35,900

3,318亿美元(FY26全年)

—

Azure FY26营收1,019亿美元,资本支出约1,750-1,900亿美元

字母表/Google

44,000

247.68亿美元(谷歌云 Q2)

+82%

云业务积压订单5,140亿美元,资本支出指引1,950-2,050亿美元

亚马逊/AWS

24,000+

422.3亿美元(AWS Q2)

+36.7%

AWS营业利润率39.4%,资本支出指引约2,200亿美元

Meta

10,700

590亿美元(家族应用Q2)

+27%

2026年资本支出1,300-1,450亿美元,算力容量7GW

博通

20,000+

295.91亿美元(Q3 FY26)

+86%

AI半导体营收167亿美元,+221%,自由现金流137亿美元

台积电

22,500+

3.81万亿新台币(2025全年)

+31.6%

2nm 2025Q4量产,CoWoS产能持续紧缺

华为

非上市

未披露

—

昇腾950出货目标75万片,超节点部署超1,000套

阿里巴巴

2,815

484.37亿元(AI云与算力Q2)

+45%

平头哥GPU累计交付47万片,资本支出676.78亿元

腾讯

5,400

2,048亿元(Q2)

+11%

资本支出527.84亿元,+176%

百度

305

321亿元(Q1)

—

AI业务收入占比52%,昆仑芯P800交付万卡集群

注:英伟达市值及财务数据来自2026财年第四季度财报;博通数据来自FY2026第三季度财报;AWS数据来自Q2财报;百度AI业务占比数据来自2026年Q1财报。

二、算力资产规模与部署数据

表1-2:核心企业算力资产部署关键指标

企业

芯片/集群规模

关键部署数据

英伟达

年出货数百万颗GPU

半导体收入1,257亿美元(2025),网络业务收入310亿美元

Google

TPU年出货约420万颗

Ironwood TPU(v7)单集群9,216颗芯片,42.5 FP8 ExaFLOPS

亚马逊

特雷尼乌姆累计承诺2,250亿美元

特雷尼乌姆2性价比超GPU 30%,Anthropic使用超100万颗特雷尼乌姆2

Meta

60万H100等效算力

普罗米修斯集群130万颗H100,7GW算力容量(2026)

华为

昇腾950目标75万片

昇腾910C超节点部署超1,000套,最大支持100万卡集群

百度

昆仑芯出货约20万卡

P800交付多个万卡集群,全国产集群有效训练率97%

阿里巴巴

平头哥GPU累计47万片

60%服务外部客户,支持400+企业客户

博通

XPU出货量+3.5倍

Ironwood TPU v7交付Anthropic和Google,TPU v8i开始出货

台积电

N3月产能18.5万片

AI需求占N3产出约60%(2026),英伟达占超70%

注:台积电N3产能数据及AI需求占比来自SemiAnalysis分析。

三、中国算力基础设施数据

表1-3:中国算力基础设施关键指标(2025-2026)

指标

数值

时间节点

数据来源

在用标准机架

1,556万架

2026年6月

中国算力大会

在用智能算力规模

2,185 EFLOPS(FP16)

2026年6月

中国算力大会

建成万卡智算集群

42个

2025年底

国家数据局

智能算力规模

159万PFlops(FP16)

2025年底

国家数据局

超大型算力设施平均PUE

1.34

2025年底

国家数据局

绿色低碳等级4A级以上

超160个

2025年底

国家数据局

国家级监测调度平台接入算力

145万PFLOPS

2026年7月

国家数据局

全球超大规模AI算力中心(投运及在建)

60+座

2026年7月

Epoch AI

其中中国企业入围

3座

2026年7月

Epoch AI

注:全球超大规模AI算力中心数据来自Epoch AI《AI Data Centers》数据库,中国企业入围的3座为华为云和林格尔、世纪互联乌兰察布、阿里云张北。

四、资本支出对比

表1-4:核心企业2026年资本支出指引

企业

2026年资本支出

同比变化

主要投向

字母表

1,950-2,050亿美元

翻倍

60%服务器,40%数据中心

亚马逊

约2,200亿美元

+50%以上

AI服务器、GPU集群、数据中心

微软

约1,750-1,900亿美元

+61%

GPU/CPU(2/3)、数据中心(1/3)

Meta

1,300-1,450亿美元

~3.5倍

AI训练集群、自建数据中心、自研芯片

CoreWeave

350-390亿美元

上调

AI云基础设施

神谕

约750亿美元(FY27)

上调

AI算力集群

台积电

620亿美元

+40%以上

2nm/3nm产能、CoWoS封装

注:CoreWeave资本支出数据来自其2026年8月财报电话会,从310-350亿美元上调至350-390亿美元。

附录二:算力资产分类编码表

一、硬件资产分类编码

表2-1:计算芯片资产编码规则

一级分类

二级分类

三级分类

编码示例

计算芯片(CHIP)

GPU加速器(GPU)

英伟达H100

CHIP-GPU-NV-H100



英伟达B200

CHIP-GPU-NV-B200



AMD MI455X

CHIP-GPU-AMD-MI455X


NPU/ASIC(NPU)

华为昇腾910C

CHIP-NPU-HW-910C



华为昇腾950PR

CHIP-NPU-HW-950PR



Google TPU v8i

CHIP-NPU-GO-TPU8I



亚马逊 特雷尼乌姆2

CHIP-NPU-AM-TRN2


CPU(CPU)

华为鲲鹏

CHIP-CPU-HW-KP



英特尔 Xeon

CHIP-CPU-IN-XEON



AMD EPYC

CHIP-CPU-AMD-EPYC

注:编码规则遵循《算力标准体系建设指南》的算力设备分类框架,采用“类别-子类-厂商-型号”四段式结构。

表2-2:服务器整机资产编码规则

一级分类

二级分类

三级分类

编码示例

服务器整机(SRV)

AI训练服务器(TRAIN)

8卡GPU服务器

SRV-TRAIN-8GPU-{配置码}



16卡GPU服务器

SRV-TRAIN-16GPU-{配置码}


AI推理服务器(INFER)

4卡推理服务器

SRV-INFER-4GPU-{配置码}


超节点(SUPERNODE)

华为昇腾950超节点

SRV-SN-HW-950-1024



百度天池256卡超节点

SRV-SN-BD-TC-256

二、软件资产分类编码

表2-3:软件资产编码规则(AIBOM框架)

一级分类

二级分类

三级分类

编码示例

AI模型(MODEL)

基础模型(BASE)

文心5.1

MODEL-BASE-BD-WX51



混元Hy3

MODEL-BASE-TX-HY3



通义千问系列

MODEL-BASE-AL-通义千问


微调适配器(ADAPT)

金融领域微调

MODEL-ADAPT-FIN-{版本}


推理框架(INFRA)

vLLM

MODEL-INFRA-VLLM



TensorRT

MODEL-INFRA-TRT

AI框架(FRAME)

训练框架(TRAIN)

PyTorch 2.x

FRAME-TRAIN-PT2



MindSpore

FRAME-TRAIN-MS


推理框架(INFER)

TensorRT-LLM

FRAME-INFER-TRTLLM

三、网络资源分类编码

表2-4:网络资源编码规则

一级分类

二级分类

编码示例

网络资源(NET)

数据中心内部互联(INTRA)

NET-INTRA-NVLINK-{版本}



NET-INTRA-UB-{版本}


数据中心之间传输(INTER)

NET-INTER-DCI-{区域码}


算力传输通道(CHANNEL)

NET-CHANNEL-{通道编号}


IP地址资源(IP)

NET-IP-{地址段}

四、能耗资产分类编码

表2-5:能耗资产编码规则

一级分类

二级分类

编码示例

能耗资产(ENERGY)

电力容量(POWER)

ENERGY-POWER-{数据中心}-{容量}


绿电资源(GREEN)

ENERGY-GREEN-{来源}-{电量}


碳资产(CARBON)

ENERGY-CARBON-{配额/信用}-{数量}


储能设施(STORAGE)

ENERGY-STORAGE-{容量}-{类型}

附录三:术语与缩略语表

一、核心术语

算力资产(Computing Power Asset):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。区别于传统IT资产,算力资产具有异质性、时效性、网络外部性和金融属性四大核心属性。

有效算力(Effective Computing Power):在特定工作负载、软件栈和调度策略下,算力资产实际能够产出的计算能力。有效算力可能显著低于标称算力,取决于模型浮点算力利用率(MFU)、硬件浮点算力利用率(HFU)和系统架构质量。

卡时(GPU-Hour):算力资源消耗的基础计量单位,定义为“GPU卡数×小时数”。卡时计量需与GPU型号维度绑定,单独的卡时数字不具备跨型号可比性。

MFU(Model FLOPs Utilization,模型浮点算力利用率):实际达到的FLOPS与理论峰值FLOPS的比值,衡量硬件性能被有效利用的程度。华为披露的仿真数据显示,4K超节点组成的10万卡集群相比8卡服务器集群,MFU提升2.75倍。

算力并网(Computing Power Grid Integration):将分散的算力资源通过标准化接口接入统一调度网络的过程,分为物理并网(解决“连得上”问题)和逻辑并网(解决“管得了”问题)两个层面。

算电协同(Computing-Power Coordination):利用算力负载的时间弹性和空间弹性,匹配电力系统供需波动的联合优化机制。核心手段包括分时电价信号接入、绿电消纳、虚拟电厂需求响应等。

超节点(Super Node):在物理上由多个计算节点通过高效互联协议紧密连接组成,具备跨物理节点统一内存编址能力,逻辑上具备“一台计算机”特征的计算系统。华为昇腾950超节点单节点规模达1,024卡,最大可支持100万卡集群。

AIBOM(AI Bill of Materials,AI物料清单):传统SBOM在AI时代的升级,登记AI模型的基础模型、数据集、微调适配器、MCP工具、推理框架等组件及其供应链关系,用于合规管理、安全审计和模型资产追踪。

Token经济(Token Economy):围绕Token“生产—调度—定价—消耗—交易”形成的商业生态。Token正在成为算力经济的核心计量单位,使算力计量从“资源消耗”(卡时)向“业务产出”(Token)迁移。

二、缩略语表

缩略语

英文全称

中文释义

AI

Artificial 英特尔ligence

人工智能

ASIC

Application-Specific   Integrated Circuit

专用集成电路

CANN

Compute Architecture for   Neural Networks

华为AI计算软件栈

CLOS

Clos Network

无阻塞交换网络架构

CoWoS

Chip on Wafer on   Substrate

台积电先进封装技术

CUDA

Compute Unified Device   Architecture

英伟达 GPU编程模型

CUE

Carbon Usage   Effectiveness

碳利用效率

DCI

Data Center Interconnect

数据中心互联

DCGM

Data Center GPU Manager

英伟达数据中心GPU管理工具

DPU

Data Processing Unit

数据处理单元

EFLOPS

Exa Floating Point   Operations Per Second

百亿亿次浮点运算/秒

FLOPS

Floating Point   Operations Per Second

每秒浮点运算次数

FP4/FP8/FP16

Floating Point   4/8/16-bit

4/8/16位浮点精度

GPU

Graphics Processing Unit

图形处理器(AI加速器)

HBM

High Bandwidth Memory

高带宽内存

HFU

Hardware FLOPs   Utilization

硬件浮点算力利用率

IaaS

Infrastructure as a   Service

基础设施即服务

IB

InfiniBand

高性能网络互联协议

IDC

Internet Data Center

互联网数据中心

KV Cache

Key-Value Cache

键值缓存(大模型推理)

LPU

Language Processing Unit

语言处理单元(推理专用芯片)

MaaS

Model as a Service

模型即服务

MFU

Model FLOPs Utilization

模型浮点算力利用率

MIG

Multi-Instance GPU

英伟达多实例GPU技术

NPO

Near-Packaged Optics

近封装光学

NPU

Neural Processing Unit

神经网络处理器

NVLink

英伟达 Link

英伟达 GPU间高速互联协议

NVML

英伟达 Management   Library

英伟达管理库

PaaS

Platform as a Service

平台即服务

PFLOPS

Peta Floating Point   Operations Per Second

千万亿次浮点运算/秒

PUE

Power Usage   Effectiveness

电能利用效率

REITs

Real Estate Investment   Trusts

不动产投资信托基金

RDMA

Remote Direct Memory   Access

远程直接内存访问

RoCE

RDMA over Converged   Ethernet

基于融合以太网的RDMA

SLA

Service Level Agreement

服务等级协议

SBOM

Software Bill of   Materials

软件物料清单

SPV

Special Purpose Vehicle

特殊目的载体

SSD

Solid State Drive

固态硬盘

TCO

Total Cost of Ownership

总拥有成本

TFLOPS

Tera Floating Point   Operations Per Second

万亿次浮点运算/秒

TPU

Tensor Processing Unit

Google张量处理单元

UB

UnifiedBus

华为灵衢互联协议

VPP

Virtual Power Plant

虚拟电厂

WUE

Water Usage   Effectiveness

水资源利用效率

附录四:参考数据来源与文献清单

一、企业官方披露

1.     英伟达 Corporation. 2026财年第四季度及全年财务报告. 2026年2月25日. 数据来源:上海证券报、证券时报

2.     博通 Inc. Third Quarter Fiscal Year 2026 Financial Results. 2026年9月1日. 数据来源:博通投资者关系、纳斯达克

3.     亚马逊.com, Inc. Second Quarter 2026 Results. 2026年7月29日. 数据来源:亚马逊投资者关系、证券时报

4.     字母表 Inc. Second Quarter 2026 Earnings. 2026年7月. 数据来源:公开财报

5.     微软 Corporation. Fiscal Year 2026 Fourth Quarter Earnings. 2026年7月. 数据来源:公开财报

6.     Meta Platforms, Inc. Second Quarter 2026 Earnings. 2026年7月. 数据来源:公开财报

7.     百度. 2026年第一季度财报. 2026年5月17日. 数据来源:上海证券报、证券时报

8.     华为. 2026年全联接大会. 2026年9月17日. 数据来源:华为官网、科技日报

二、行业研究机构

9.     SemiAnalysis. The Silicon Shortage: AI’s Real Bottleneck. 2026年3月. 数据来源:TechOrange

10. SemiAnalysis. AI Value Chain Revaluation: Downstream Models Are Profiting, Upstream Still Has Room. 2026年5月. 数据来源:全天候科技

11. Epoch AI. AI Data Centers Database. 2026年7月. 数据来源:国际电子商情

12. 云阿云智库报告. Global AI Server Shipment and HBM Demand Forecast. 2026年.

13. DigiTimes. AI GPU Average Selling Price Tracking. 2026年. 数据来源:VoxBooster

14. 云阿云智库. Cloud Infrastructure Market Share Q2 2026. 2026年.

三、政府与标准文件

15. 国家数据局. 数字中国发展报告(2025年). 2026年6月8日. 数据来源:人民网

16. 中国信通院. 2026综合算力全景分析. 2026年9月12日. 数据来源:光明网

17. 全国数据标准化技术委员会. 全国一体化算力网 算力多量纲计费技术要求(征求意见稿). 2026年1月. 来源:TC609、技术文件

18. 全国数据标准化技术委员会. 全国一体化算力网 算力资源管理与调度技术要求(征求意见稿). 2026年1月. 来源:TC609

19. 国家市场监督管理总局. GB/T 45958-2025 网络安全技术 人工智能计算平台安全框架. 2026年2月1日实施. 来源:中国标准在线服务网

20. 工业和信息化部. 算力标准体系建设指南(2025版). 2025年10月. 来源:明树数据

21. 中央网信办等七部门. 促进数字化绿色化协同转型发展实施方案(2026—2030年). 2026年9月.

四、行业媒体报道与深度分析

22. 证券时报. 拆解英伟达2026财年业绩:三大改变正在发生. 2026年2月26日

23. 证券时报. AWS远超预期:增速创18季新高,亚马逊AI豪赌初见回报. 2026年7月30日

24. 光明网/人民网. 报告显示我国算力发展迈向体系化、精细化新阶段. 2026年9月12日

25. 证券时报. CES 2026开幕前夕 芯片巨头密集上新品. 2026年1月5日

26. Reuters. CoreWeave boosts 2026 spending plan, beats quarterly estimates. 2026年8月11日

27. 纳斯达克. 博通 Q3 Earnings Call Highlights. 2026年9月1日

28. 纳斯达克. 亚马逊’s AI Bet Is Paying Off in Revenues: Why Isn’t FCF Following? 2026年9月15日

29. 人民网. 中国已建成智算规模约159万PFlops 位居全球第二. 2026年6月9日

30. 国际电子商情. 全球最强AI超算中心排名揭晓,3家中国企业入围. 2026年7月27日

五、技术文献

31. Hot Chips 2026. 英伟达 Vera Rubin Platform Architecture. 2026年8月

32. Hot Chips 2026. AMD CDNA 5 and Instinct MI455X Architecture. 2026年8月

33. IEEE. AI Factory: A Five-Year Roadmap (2026-2030). 2026年.

34. Kroll. Tax Valuation of AI Computing Assets. 2026年.

35. 华为. 韬(τ)定律论文. 2026年.

说明:本附录所引用的数据均来自公开可查的来源,包括企业官方财报、权威研究机构报告、政府文件和行业媒体深度报道。部分估算数据(如非上市企业估值、企业私有运营数据)已在正文中标注“估计值”或“行业推测”。数据截止日期为2026年9月。


点击数/观注度 202
  • 你可能感兴趣的?
  • 李桂松:人形机器人与具身智能报告(十二)    
    李桂松:人形机器人与具身智能报告(十一)    
    李桂松:人形机器人与具身智能报告(十)    
    李桂松:人形机器人与具身智能报告(九)    
    李桂松:人形机器人与具身智能报告(八)    
    李桂松:人形机器人与具身智能报告(七)    
    李桂松:人形机器人与具身智能报告(六)    
    李桂松:人形机器人与具身智能报告(五)    
    李桂松:人形机器人与具身智能报告(四)    
    李桂松:人形机器人与具身智能报告(三)    
    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
    京ICP备16017448号
     
    公安部备案
    技术支持