算力的社会化进程：产业演进脉络与数字时代社会基础重构分析

一、算力的定义：从“看不见的计算”说起

1. 算力的本质：运算能力而非存储容量

从技术定义看，算力（Computing Power）衡量的是计算系统在单位时间内可完成的运算量，其计量单位即“每秒浮点运算次数”，英文缩写为FLOPS。

这里的“浮点”，指带小数点的实数。以浮点而非整数作为基准，原因在于人工智能的运算以海量小数乘加为主：一张图片进入模型后会被转换为数百万个介于0至1之间的数值，模型对其执行的乘法与加法，数量级极为庞大。

2. 量级的阶梯：从T到Z

FLOPS并非单一刻度，而是按数量级层层递进；每上升一级，量级扩大一千倍。

算力的计量单位

资料来源：观研天下数据中心整理

工业和信息化部数据显示，截至2026年6月，我国在用智能算力规模为2185 EFLOPS（FP16）。若按单人每秒完成一次运算折算，完成这一规模一秒的运算量需约69万亿年，约为宇宙年龄的5000倍。

3. 三种算力：通用、智能、超级

依据计算精度与适用任务的不同，业界一般把算力分为通用算力、智能算力与超级算力三类。

三类算力的分工

资料来源：观研天下数据中心整理

三者之中，智能算力的增长最为迅猛。大模型的训练与推理本质上是海量矩阵乘法，GPU一类芯片的架构正好适配并行乘加；相较之下，CPU长于复杂逻辑与串行控制，GPU的优势在于大规模并行处理，二者分工近似于通才与专才之别。过去两年，中国算力的增量部分几乎全部落在智能算力这一类别。

4. 三层部署：云、边、端

根据观研报告网发布的《中国算力‌‌‌行业发展趋势分析与投资前景预测报告（2026-2033年）》，算力资源并不只是机房中的设备堆叠。若按物理位置划分，可归为云、边、端三个层次。

云算力——体量最大、单位成本最低，代价是“配送”环节存在时延。大模型训练基本都在这一层完成，单次训练常需上万张加速卡并行运行数月。

边缘算力——布设于城市边缘、厂区车间与路口基站，靠近数据产生端。自动驾驶的实时决策与工业质检的即时判别之所以依赖这一层，是因为数据若往返千里之外的机房，时延无法满足要求。

端侧算力——嵌入手机、眼镜、手表与汽车等终端，绝对算力最弱，却在响应速度与隐私保护上占优。

三层之间是分工而非替代：一个健全的算力体系，需要云、边、端同时在位。

5. 算力的特点

（1）重资产

大型智算中心的单体投资通常在十亿元量级，GPU集群的折旧周期却只有三至五年。高门槛与短折旧叠加，使项目建成后必须保持较高利用率才能收回成本，经营绩效因此高度取决于开机率。

（2）高耗能

算力中心是典型的高耗电设施，行业通常用PUE（电源使用效率）衡量其能效，数值越接近1，意味着电能利用越充分。这也可以解释数据中心为何集中在内蒙古、甘肃、宁夏与贵州：起决定作用的不是土地价格，而是低廉的电价、凉爽的气候以及充裕的风光绿电。

（3）对时延极度敏感

光在光纤中的传播速度约为每毫秒200公里，这一物理常数直接限定了算力的空间布局：实时性要求高的业务，算力必须落在距用户数十公里之内；对时延不敏感的业务，则可以放到两千公里以外。

（4）技术迭代极快

算力芯片的架构大致每一到两年更新一次，今天建成的集群在三年后可能已不是最优方案。由此产生的直接后果是，算力资产会经历明显的“技术性贬值”，且贬值速度远快于传统基础设施。

二、全球历程：从摩尔定律到十万卡集群

1. 单机时代（1946—1990年代）

1946年ENIAC投入运行，运算速度为每秒五千次加法。1965年，戈登·摩尔提出“摩尔定律”，即集成电路上可容纳的晶体管数量约每两年翻一番。此后半个世纪，信息产业始终沿着这条经验曲线扩张：单位算力成本不断下降，且下降节奏大体可以预判。

2. 云计算时代（2006—2012年）

2006年亚马逊推出AWS，把算力的获取方式从“购买服务器”改写为“租用服务”。这一转换具有根本性：企业不必一次性投入数十万元购置硬件，只需按使用小时付费。算力由此首次成为一种可以像水电那样计量、结算的商品。

3. 深度学习时代（2012—2022年）

2012年，深度学习模型AlexNet在图像识别竞赛中以明显优势夺冠，其算力基础正是GPU的并行能力。此后十年间，GPU的身份由游戏显卡转为战略物资。2017年Transformer架构问世，为日后的通用大模型提供了技术底座。

4. 大模型时代（2022年至今）

2022年底ChatGPT上线，把算力需求推到新的量级：训练一个前沿大模型，所需不再是数百张加速卡，而是数万乃至数十万张卡互联协同。行业术语也随之从“万卡集群”迅速过渡到“十万卡集群”。

三、中国算力行业的发展历程

1. 从超算起步（1980-2020年）

自上世纪80年代中期的“银河”系列起步，中国用约三十年时间完成了从跟跑到并跑的追赶。2010年，“天河一号”首次登上全球超级计算机500强榜首；2013年“天河二号”实现六连冠；2016年，“神威·太湖之光”再度登顶并连续四次夺冠，且首次实现核心处理器的全国产化。

这一阶段的算力由国家队主导，主要服务气象预报、核模拟、石油勘探等国家战略领域，与公众日常生活几乎没有交集。

2. 政策驱动的体系化布局（2021-2025年）

2021年5月，国家发展改革委等四部门联合印发《全国一体化大数据中心协同创新体系算力枢纽实施方案》，“东数西算”由此首次进入政策文本。这被视为中国算力政策的分水岭——建设重心由“建机房”转向“建网络”。

2022年2月，“东数西算”工程全面启动，布局8个国家算力枢纽节点与10个国家数据中心集群。

2023年10月，工业和信息化部等六部门联合印发《算力基础设施高质量发展行动计划》，首次将计算力、运载力、存储力纳入统一规划框架。

2023年12月，国家发展改革委等部门印发《关于深入实施“东数西算”工程 加快构建全国一体化算力网的实施意见》，明确“全国一盘棋”的建设原则。

2024年，《政府工作报告》提出“适度超前建设数字基础设施，加快形成全国一体化算力体系”。所谓“适度超前”，意味着政策层面允许算力建设适度领先于当期需求。

2025年5月，工业和信息化部印发《算力互联互通行动计划》，确定“先互联、再成网、同步建市场”的推进思路，并提出到2026年形成较为完备的互联互通标准、标识与规则体系，到2028年基本实现全国公共算力的标准化互联。

2025年8月，国务院印发《关于深入实施“人工智能+”行动的意见》，要求加强智能算力互联互通与供需匹配。这是“人工智能+”首次以国务院文件形式与算力基础设施直接衔接。

3. 从建设规模到使用效率（2026年至今）

2026年2月，工业和信息化部印发《关于组织开展国家算力互联互通节点建设工作的通知》，提出构建“1+M+N”体系，即1个国家节点、M个区域节点、N个行业节点，目标是形成全国统一的算力服务大市场。

2026年，《政府工作报告》首次写入“算电协同”，并将超大规模智算集群、算电协同纳入新基建工程部署。同年，“十五五”规划明确要构建多层次算力设施体系与全国一体化算力网。

2026年7月，中共中央政治局会议提出扎实推进“六张网”规划建设，算力网为其一。

2026年10月20日，国家数据集团有限公司在河北雄安新区挂牌成立，成为中国算力与数据产业的一个标志性节点。

中国算力基础设施主要指标（截至2026年6月）

资料来源：工业和信息化部、《2026综合算力全景分析》

4. 空间格局：物理约束下的地理分布

从区域分布看，截至2026年6月，东部、中部、西部、东北地区智算规模占全国的比重依次为55.9%、10.6%、32.6%、0.9%。

资料来源：工业和信息化部；观研天下数据中心整理

这组数据反映两个层面的变化。

其一，西部加速崛起。内蒙古数据中心的绿电综合使用率已超过85%；甘肃庆阳成长为西部重要的智算基地；贵阳贵安的智算占比超过98%，意味着当地基本不再新建通用数据中心，新增供给全面转向智能算力。西部的角色定位，也由“能源输出地”转为数字经济的直接参与者。

其二，空间距离的约束减弱。近两年，围绕国家算力枢纽节点建成70余条算力大通道，东西部主要区域之间已形成“毫秒级”服务圈。以内蒙古乌兰察布至北京为例，数据传输时延仅4.2毫秒，远低于一次眨眼的耗时。

四、社会环境分析：算力为何必须“下沉”

任何技术的普及，除供给能力外，还取决于社会条件的配合。2026年算力加速向公众渗透，背后至少有四个社会层面的变化在起作用。

1. 用户结构的变化：从尝鲜到依赖

中国互联网络信息中心（CNNIC）于2026年9月发布《生成式人工智能应用发展报告（2026）》。报告显示，截至2026年上半年，我国生成式人工智能用户规模已突破7亿人，普及率超过50%。

以我国约11亿的网民规模为参照，这一数字意味着超过六成网民已经使用过生成式人工智能。除覆盖面之外，使用深度同样值得关注。

生成式人工智能用户使用场景分布

资料来源：中国互联网络信息中心《生成式人工智能应用发展报告（2026）》；观研天下数据中心整理

从使用频次看，截至2026年7月，AI综合助手、AI搜索引擎与AI生活助手的月均使用次数居前三位；其中AI综合助手、AI效率办公等应用的使用次数同比增长均超过100%。

中国人民大学智能信息分析研究中心副主任朝乐门认为，依照创新扩散的一般规律，新技术普及率接近50%，往往意味着进入增长拐点，新增用户增速将逐步放缓，行业发展重点从规模扩张转向质量提升和价值创造。

也就是说，我国人工智能已经越过普及门槛，后续的核心议题转向使用质量。

2. 教育：AI进入课程体系

中央网信办、教育部等部门印发的《2026年提升全民数字素养与技能工作要点》提出，把人工智能知识纳入国民教育体系，推动中小学人工智能通识课程常态化开设。

这一部署的意义在于代际：下一代对“算力”“模型”“词元”等概念的熟悉程度，或将接近当代人对“电”的理解。

这一渗透同样延伸至高等教育与职业教育阶段。教育场景的共性在于用户基数大、使用频次高、对成本高度敏感。正因如此，教育往往成为检验新技术普惠成色的首选场景。

3. 就业与素养：技术普惠的另一面

技术普惠在创造新岗位的同时，也在重塑既有岗位。随着人工智能从“信息生成”迈向“任务执行”，相关岗位的技能要求与组织分工正加快重构。

与算力普惠相伴而生的，是算力鸿沟。二者并存，且将长期存在。判断一国算力产业是否健康，规模增速只是其中一面，另一面在于能否把红利输送到技术使用能力最弱的群体。

4. 信任与安全：普及之后的隐忧

2026年4月7日，国家安全部就“词元”热潮发布安全提示，归纳出泄露劫持、伪造篡改、诈骗陷阱三类风险。同期，中国信通院《智能算力服务研究报告（2026年）》指出，我国智能算力在资源供给、设施建设、平台汇聚与融合应用方面已有进展，但高端芯片、基础软件、跨域调度与服务生态培育仍是短板；随着词元服务进入金融、医疗、政务等高敏感领域，安全隐患不容忽视。

此外，大模型的“幻觉”问题至今未能根治。

上述问题决定了算力下沉难以线性推进。当算力服务从“企业采购”变成“个人订阅”，安全责任的边界也随之从CTO转移到了每一个普通用户。这既是普及要付的代价，也是行业必须补上的功课。（知衡）