简介：这份《2025年中国人工智能计算力发展评估报告》由浪潮信息发布，面向关注AI算力产业的研究者、企业技术决策者与投资分析人员，帮助读者系统理解全球及中国智能算力的发展脉络与趋势判断。报告围绕生成式人工智能带来的算力需求变化展开，涵盖芯片与服务器、存储与网络、可持续数据中心、边缘计算、算法模型、算力服务及应用落地等章节，并给出行业与地域排名及IDC建议，其中对DeepSeek算法创新、规模法则演进、液冷技术与智算服务市场的分析颇具参考价值。资源包共1个PDF文件，约4.69MB，45页篇幅结构完整、图表与核心观点集中，适合快速通读或按章节检索引用。目前已有180人学习，可作为AI算力研究、方案汇报与行业分析的基础素材。

1. 2025算力评估报告：一个反直觉信号藏在DeepSeek的成本账里

2025年中国人工智能计算力发展评估报告发布，最值得琢磨的不是“智能算力规模将达1037.3 EFLOPS”这个数字，而是报告里反复出现的一组对比：DeepSeek-R1的训练算力只有Llama3的1/10，推理阶段缓存数据量降低50倍，API运行成本约为同类推理模型的3%。按常理，效率提升应该抑制算力需求，但报告给出的判断恰恰相反——杰文斯悖论正在生效，算法越省，用的人越多，算力总需求反而被推高。这份45页的PDF把全球与中国两条线并置，从服务器、存储、网络、液冷、边缘计算一路讲到算力服务与行业渗透度排名，核心论点只有一个：扩容与提效必须并行，单靠堆卡或单靠省算力都走不通。对从业者来说，这不是一份可以扫一眼标题就归档的年度报告，它把2025年算力投资的几个关键分歧点摆到了台面上。

2. 全球算力市场：1251亿美元服务器盘子背后的结构性变化

2.1 生成式AI服务器占比从29.6%到37.7%意味着什么

报告给出的全球人工智能服务器市场规模预测是一条清晰的上行线：2024年预计1251亿美元，2025年增至1587亿美元，2028年有望达到2227亿美元。更值得关注的是结构——生成式人工智能服务器占比将从2025年的29.6%提升至2028年的37.7%。这个比例变化说明，增量预算正在向生成式负载倾斜，而非均匀分摊到所有AI服务器品类。

从行业角度看，这组数字对采购决策的指向很直接：如果一家企业2025年的服务器预算还按“通用AI服务器为主、生成式为辅”来分配，很可能在两年内面临架构不匹配的问题。生成式负载对显存带宽、卡间互联、机柜功率密度的要求与传统推理负载不在一个量级。报告提到，配备8块高性能GPU的服务器可支持2000亿参数模型训练，插卡数量扩展到72块才能有效支持万亿参数训练——这个跨度本身就是对基础设施规划能力的考验。

另一个容易被忽略的点是，全球企业生成式AI支出2025年预计691亿美元，2028年超过2022亿美元，五年复合增长率59.2%，而人工智能市场整体同期复合增长率为29.0%。生成式AI支出的增速是整体市场的两倍，这意味着非生成式AI项目的预算空间会被相对挤压，存量系统的更新节奏可能放缓。

2.2 规模法则从预训练延伸到后训练和推理

报告对规模法则的判断值得单独拎出来：它正在从预训练扩展到后训练和推理阶段。过去两年行业讨论算力需求，焦点几乎都在预训练集群规模上，千卡、万卡、十万卡的叙事主导了基础设施投资逻辑。但报告指出，基于强化学习、思维链等算法创新，在后训练和推理阶段投入更多算力，可以进一步大幅提升大模型的深度思考能力。

这个判断对基础设施规划的影响是实质性的。预训练负载相对集中、可排队、对网络带宽要求极高但对延迟容忍度较大；后训练和推理负载则更分散、更贴近业务、对延迟敏感。报告提到推理阶段采用P-D解耦部署策略，通过构建分离式算力资源池缩短计算时间、降低计算成本。预填充阶段处理长token序列、计算密集，解码阶段逐token生成、访存密集，两者混部会互相拖累资源利用率。把这两个阶段拆到不同资源池，是2025年推理基础设施设计的一个具体抓手。

提示：P-D解耦不是万能药。当推理请求的输入输出长度分布比较均匀、集群规模较小时，解耦带来的调度开销可能抵消收益。报告没有给出适用阈值，实际落地需要按自身流量特征做压测。

2.3 数据中心能耗六年六倍：液冷从可选项变成必选项

报告里最硬的一组约束来自能耗：人工智能数据中心IT能耗2024年55.1太瓦时，2025年增至77.7太瓦时，是2023年的两倍，2027年增长至146.2太瓦时，2022到2027五年复合增长率44.8%，五年间实现六倍增长。与此同时，人工智能数据中心能耗占全球数据中心总能耗的比例将从2022年的7.6%升至2027年的18.0%。

这组数字解释了一个现象：液冷技术从“先进方案”变成了“规划前提”。报告预测2028年中国液冷服务器市场将达到105亿美元，2023到2028五年复合增长率48.3%。单机柜功率可达130KW，GPU功耗在250W到700W之间，传统风冷的能力边界已经被越过。到2028年，60%的数据中心将采用微电网、定制硅芯片、液体冷却和加固结构等创新解决方案。

对从业者的实际影响在于，数据中心选址和供电规划的前置周期被拉长了。液冷不是买几台冷板就能解决的问题，它涉及机房承重、管路布局、冷却液供应链、运维流程再造。如果2025年启动的智算中心项目还按风冷架构做土建规划，后续改造成本会非常高。报告提到全栈液冷方案要覆盖计算节点、机柜、数据中心三个层面，这个分层思路值得在方案评审时逐层对照。

3. 中国算力盘面：46.2%复合增速下的扩容与提效之争

3.1 智能算力1037.3 EFLOPS与通用算力85.8 EFLOPS的剪刀差

中国智能算力规模2025年将达到1037.3 EFLOPS，2028年达到2781.9 EFLOPS，2023到2028五年复合增长率46.2%；通用算力2025年85.8 EFLOPS，2028年140.1 EFLOPS，复合增长率18.8%。两个数字放在一起看，智能算力与通用算力的规模差距在五年内会从约12倍扩大到约20倍。

这个剪刀差对技术选型的含义是：通用算力不会消失，但它的角色在变化。报告在数据中心层面提到，CPU、GPU、ASIC等不同类型计算资源各具优势，需要协同异构基础设施，把整个数据中心作为协同工作的有机体。换句话说，通用算力的价值越来越体现在调度、预处理、后处理、数据搬运这些“配角”环节，而不是主力计算。如果一家企业的架构规划还把通用算力当主力来配比，资源浪费几乎是必然的。

报告同时把上一版本的预期值摆了出来：智能算力和通用算力的五年复合增长率此前预期分别为33.9%和16.6%，本次分别上调至46.2%和18.8%。上调幅度不小，说明需求侧的实际增长超出了此前判断。对企业来说，这意味着按旧预期做的容量规划可能已经偏保守。

3.2 42%测试、17%进生产的真实分布

IDC调研显示，42%的中国企业已经开始大模型的初步测试和重点概念验证，41%的企业正在大力投资并制定了培训与获取生成式AI增强软件的支出计划，17%的企业已将技术引入生产阶段并应用于实际业务。未来18个月内，硬件升级以29%的占比成为企业生成式AI项目的首要支出方向，其次是数据采集与处理24%、外部咨询或服务19%、员工培训18%、软件采购10%。

这组分布值得细看。42%停留在PoC阶段，说明大量企业还在找场景、验证可行性；17%进入生产，说明真正跑通闭环的比例仍然不高。而硬件升级排在支出首位，反映出一个现实：很多企业的PoC卡在了基础设施能力上，不是模型不行，是跑不动、跑不快、跑不稳。报告在挑战排序里也印证了这一点——缺乏高质量可用数据66.0%排第一，投入成本过高52.0%第二，基础计算架构存在技术局限性无法大规模应用49.0%第三。

从行业角度看，这个分布对算力服务商是个信号：PoC到生产的转化环节是当前最薄弱的链条，谁能把“从测试到上线”的工程化路径做短，谁就能吃到这42%到17%之间的转化红利。报告提到生成式AI IaaS服务、算力租赁、算力共享、智算中心等供给模式，本质上都是在压缩这个转化周期。

3.3 行业渗透度排名变化：金融从第四到第二

报告给出的行业渗透度排名前五依次是互联网、金融、运营商、制造、政府。变化在于：金融从第四名攀升至第二名，制造从第五名提升至第四名。互联网继续领跑，在大模型研发、应用及推广中保持引领作用。

金融的跃升不是偶然。报告提到金融行业进一步加深人工智能与风控、投资决策和个性化财富管理等场景的融合。这几个场景的共同特征是对延迟敏感、对数据安全要求高、对结果可解释性有硬约束。这解释了为什么金融行业对算力的需求不是单纯堆规模，而是更看重推理侧的稳定性和合规性。制造业的提升则对应生产线、产品设计、运营和安监等场景的智能化转型，这类场景对边缘计算的需求更突出。

城市维度上，评估框架首次将大模型架构及生成式AI技术的投资、建设进度和规划布局纳入关键指标。北京凭借科研资源和人才优势继续领跑，杭州和上海分列第二、第三，上海因国际化优势和政策支持排名上升一位，广州、成都、天津、厦门等城市排名均有提升。这个框架变化本身就是一个信号：城市算力评估从“建了多少”转向“用得好不好、规划得对不对”。

4. 技术栈拆解：从芯片到边缘，哪些环节正在被重估

4.1 芯片与服务器：开放多元体系不是口号

报告在芯片和服务器章节的标题里用了“向高性能与高效能方向演进，重视开放多元体系建设”。这个表述背后是中国算力基础设施的“多元化”特征：GPU、CPU、DSA、ASIC等多种芯片被广泛应用在训练与推理中，不少场景实现了多类型芯片的混合使用，国内厂商开始提供大规模算力集群方案。

混合使用听起来灵活，工程代价却不低。不同芯片的编程模型、算子库、通信原语不一致，混合集群的调度和容错复杂度会显著上升。报告在数据中心层面提到，从千卡到万卡、十万卡集群，节点故障几率随规模增长而上升，需要高效的监控体系和故障恢复机制，包括智能显存分配、故障点恢复管理等技术。在多元芯片环境下，这套机制的实现难度会成倍增加。

从行业角度看，开放多元体系的真正考验不在硬件采购，而在软件栈的收敛能力。谁能用一套调度层把异构资源管起来，谁就能把“多元”从负担变成优势。报告提到RISC-V作为开放源码架构可为定制化AI硬件提供灵活性和成本效益，这类开放指令集的价值也取决于配套软件生态的成熟度。

4.2 存储与网络：全闪存和分布式存储的性能账

报告对存储和网络的判断是：分布式存储与全闪存提升性能，先进网络架构优化数据访问速度。这个方向与训练推理负载的变化直接相关。大模型训练需要高带宽读取海量样本，推理阶段需要低延迟访问缓存和参数，两种负载对存储的压力模式不同。

报告提到DeepSeek推理阶段缓存数据量降低50倍，这个优化对存储规划有参考价值——缓存效率提升会改变存储层的压力分布，但不会消除对高吞吐存储的需求，因为用户规模和场景数量在同步增长。全闪存的价值在于把随机读写的延迟压到稳定区间，分布式存储的价值在于横向扩展能力。两者结合的实际效果，取决于数据在训练和推理链路中的流转路径设计。

网络侧，报告提到高速互联网络（以太网和硅光子技术）和分布式计算框架支持千卡、万卡甚至十万卡集群建设。硅光子技术被点名，说明光互联在超大规模集群中的权重在上升。对规划者来说，网络预算的分配逻辑需要从“够用”转向“可扩展”，因为集群规模的增长速度往往超出初期预估。

4.3 边缘计算：大模型部署向边缘迁移的实际约束

报告指出大模型的部署向边缘迁移，智慧边缘加速模型推理。DeepSeek提供了轻量化模型版本，使智能手机、智能家居等设备能执行实时翻译、语音识别等复杂任务；在边缘计算领域，能在边缘设备上执行关键分析任务，实现低延迟响应和分布式智能处理。

边缘部署的约束不在模型本身，而在功耗、散热和运维。边缘设备的算力预算通常以瓦特计，而数据中心里的GPU功耗在250W到700W之间，这个差距决定了边缘侧必须走模型压缩、量化、剪枝的路线。报告在算法和模型章节提到模型剪枝、知识蒸馏、高效模型架构设计等方法，这些技术的主要落地场景之一就是边缘。

从行业角度看，边缘计算的商业逻辑与数据中心不同。数据中心卖的是算力规模和稳定性，边缘卖的是响应速度和数据本地化。报告提到边缘计算减轻中央服务器压力并提高系统可靠性和安全性，这个价值主张在制造、安防、零售等场景更容易被量化。但边缘节点的规模化运维是容易被低估的成本项，几百个边缘节点的固件升级、模型更新、故障排查，工作量远超同等算力的集中式部署。

5. 常见误读：这份报告里几个容易被带偏的判断

5.1 误判一：算法效率提升会降低算力总需求

为什么容易误判：DeepSeek训练算力只有Llama3的1/10、缓存降低50倍、API成本约3%，这些数字直观上指向“省算力”。很多人会顺势推论算力需求见顶。

怎么看：报告明确用杰文斯悖论反驳了这个推论——效率提升带来成本下降，进而推动需求激增。7天活跃用户破亿就是需求释放的直接证据。算力规划不能按“单位成本下降”做减法，而要按“用户和场景增长”做乘法。真正需要关注的是算力结构变化：训练侧的单位需求可能下降，但推理侧的总量在上升，边缘和端侧在从零起步。

5.2 误判二：智能算力增速上调意味着通用算力不重要

为什么容易误判：46.2%对18.8%的复合增速对比太醒目，容易让人把资源全部押注智能算力。

怎么看：报告在数据中心层面强调异构协同，CPU、GPU、ASIC各具优势，需要整合多种计算资源优化数据处理流程。通用算力承担的是数据预处理、任务调度、结果后处理等环节，这些环节的吞吐能力跟不上，智能算力的利用率会被拖累。增速差异反映的是增量方向，不是存量价值的否定。

5.3 误判三：液冷是数据中心层面的独立改造

为什么容易误判：液冷常被当作机房 cooling 的一个子项来讨论，似乎可以在现有架构上叠加。

怎么看：报告提的是全栈液冷方案，覆盖计算节点层面、机柜层面、数据中心层面。这意味着芯片侧的冷板设计、机柜侧的管路和分液器、机房侧的冷却液循环和热回收需要同步规划。任何一层脱节，整体PUE目标就落空。把液冷当独立改造项目来立项，大概率会在集成阶段翻车。

5.4 误判四：开源模型只是降本手段

为什么容易误判：报告提到开源模型大幅降低训练部署成本，55%的企业2025年将使用开源基础模型开发应用，很容易把开源等同于“便宜”。

怎么看：报告同时指出开源模型提供与闭源模型性能水平相当的能力，开源框架的生态系统日益丰富。开源的真实价值在于运营主权、透明度和创新速度，成本只是其中一个维度。企业选择开源时，需要评估的是自身对模型可控性的需求、对数据不出域的约束、对定制化微调的投入意愿，而不是单纯比价。

5.5 误判五：智算中心建起来就有算力可用

为什么容易误判：各地智算中心建设节奏很快，政府智算中心单期算力规划可达千P级及以上，运营商和互联网公司致力于万卡及以上部署，容易形成“算力供给充足”的印象。

怎么看：报告明确指出部分智算中心在实际运营中算力利用率未达预期，推理阶段算力需求波动性大、难以预测和管理，缺乏有效调度机制导致局部浪费和整体利用率低下。算力可用性不等于算力可获取性，中间的调度层、服务层、应用适配层才是决定利用率的关键。建之前先想清楚谁来用、怎么调度、按什么模式收费。

6. 趋势判断：2025年之后，算力竞争的胜负手在调度层

把这份报告的几个关键数字串起来看，一条主线逐渐清晰：算力供给的绝对规模仍在高速增长，但竞争重心正在从“建多少”转向“用多好”。中国智能算力五年复合增长率46.2%，智算服务市场2024年50亿美元、2025年79.5亿美元、五年复合增长率57.3%——服务市场的增速高于硬件市场，这个差值本身就是信号。

对从业者来说，有三个判断值得放进2025年的规划里。

第一，推理基础设施的设计权重会超过训练基础设施。规模法则向后训练和推理延伸，意味着算力投入的分布会更分散、更贴近业务。P-D解耦、缓存效率优化、推理专用芯片选型，这些议题在2025年的优先级会上升。训练集群仍然是门槛，但推理集群决定的是单位算力的商业回报。

第二，调度能力会成为算力服务商的核心竞争力。报告提到算力租赁、算力共享、智算中心等模式，本质都是在解决“算力在哪、给谁用、怎么计费”的问题。异构芯片混合使用、推理负载波动、多租户隔离，这些工程问题没有标准答案，谁积累的调度策略多、谁踩过的坑多，谁就能把利用率做上去。利用率每提升一个百分点，在千P级规模上都是可观的成本差。

第三，绿色化从合规成本变成设计约束。液冷服务器市场五年复合增长率48.3%，PUE目标从1.3压到1.15以下，这些数字会反向影响芯片选型、机房选址、供电方案。2025年启动的项目如果还把液冷当“后期可选”，土建阶段就会埋下返工隐患。

有一个细节我印象很深：报告在IDC建议章节把“扩容”与“提效”并列，而不是二选一。这个表述看起来平淡，实际是对过去两年行业争论的一个回应——堆算力和省算力不是对立路线，真正的竞争优势来自“增加效率而不仅仅是原始计算能力”。某开发者在交流时提过一句血泪经验：他们第一版推理集群按峰值需求配了资源，结果平时利用率不到三成，后来改成弹性调度加缓存分层，同样的业务量省下了近一半机器。这个案例不一定普适，但方向与报告判断一致。

从那以后我每次看算力规划方案，都会强制走一遍“峰值假设是否成立、调度层能不能兜住波动、液冷和供电有没有前置”这三问。这份45页的报告把这三问背后的数据支撑摆得比较完整，从全球服务器盘子到中国城市排名，从芯片架构到液冷市场，适合在立项评审前过一遍。希望帮到你。

本文还有配套的精品资源，点击获取