文章核心观点 - 中国智算产业的发展重心正从单点技术突破转向以系统运营、模式创新与价值闭环为核心的全栈竞争，未来主导权将属于能够构建智算标准、模式与底座的主体[2][3] - 智算的未来不仅由技术定义，更由能够高效整合资源、产出普惠服务并在各行各业形成价值闭环的商业模式与产业生态决定[30][33] 清华大学王智：工业大模型的训推协同与系统优化 - 工业大模型面临三大挑战：难以刻画工业场景和流程、难以在算力受限环境训练部署、难以满足工业规范和动态任务[6] - 提出“虚实融合”的智能数据制备路径，IGen框架仅凭单张照片即可在仿真中生成上千条机器人操作演示数据，将无人工示教的模型成功率从0%提升至75%[7] - 提出成本感知的大模型任务规划框架与机理感知的调度框架，让大模型在调用工具链时能权衡性能与成本，并通过大小模型协同实现高效决策[7] - 针对工业边缘环境，提出可理论分析梯度压缩影响的虚拟队列框架及面向非独立同分布数据的高效稀疏压缩器，以在弱算力弱网络下保证训练收敛[8] - 提出多维度联合轻量化方法对模型结构与输入信息进行动态协同优化，并对视觉-语言-动作模型进行“时空联合压缩”，以提升推理速度[8] 美的刘向阳：企业数字化底座决定AI能力 - 企业未能从AI中获得业务价值的根本原因在于数字化基本功不扎实，数字化底座是决定企业AI能力高度的“地基”[11] - 企业自建数据中心常面临技术老旧、产品杂乱、稳定性和安全性难保障的问题，且架构问题易引发系统性风险[11][12] - 大型企业使用多云（如美的使用超过8朵云）易导致云孤岛和数据孤岛，跨云迁移耗时长达半年以上[13] - 美的选择“自建云能力”路径，构建了一套从IaaS到PaaS、从AI算力平台到安全体系的云计算能力，可部署于自有数据中心或公有云，且应用迁移无需业务改造[13] - 该数字化底座将GPU利用率从可能只有10%提升至少4到5倍，并通过统一AI网关实现多模型接入、权限控制与计费，使AI能力嵌入业务系统[13] 并行科技赵鸿冰：以用户视角构建算力服务 - 公司研发“ParaSelect”性能预测与智能选型系统，可根据应用特征为用户推荐最佳算力平台[16] - 通过深度优化，将某客户1300亿参数大模型训练的GPU利用率从75%提升至95%，整体效率提升40%[16] - 在昇腾910平台上通过适配优化，使Llama2-7B训练性能达到A800的92.8%，性价比达1.23倍[16] - 算力服务运营需满足“可用、好用、降本”三个关键维度[17] - 构建“厂网结合”运营模式，管理自建集群及全国47个智算中心与15个超算中心，总计管理超200万CPU核心与5万GPU卡[17] - 引用数据称算力中每投入1元可带动3-4元的经济产出，并强调AI是未来十年核心驱动力，算力是基石[17] 清程极智师天麾：聚焦软件层与MaaS模式 - 算力价值释放的关键在于芯片与应用之间的软件层，特别是推理引擎，它决定了模型能否跑得稳、跑得值[20] - 指出2024年MaaS迎来明显爆发，其核心优势在于门槛低、成本低、迭代快，一次大模型调用可能只需几分钱甚至不到一分钱[20] - 当前MaaS市场存在供需信息差，不同云厂商在模型相同、价格相近的情况下，吞吐与延迟差异可能达到五倍之多[21] - 公司推出“AI Ping一站式大模型服务评测与API调用平台”，通过标准化测评帮助用户理解不同MaaS服务的真实能力[21] 鼎犀智创吕海峰：AI for Science驱动新材料研发 - 材料科学已进入“AI for Science”的第五研发范式，传统试错模式周期长、成本高，无法满足战略产业需求[25] - 提出“模型+实验”的干湿结合闭环研发路径：用AI大模型进行分子设计，通过模拟仿真进行虚拟筛选，最终驱动全自动化实验平台进行合成与表征[25] - 该闭环不仅能产生高质量真实实验数据，还能实现实时反馈与迭代优化，形成自我强化的智能循环[25] - 公司以纳米碳材料为切入点，已成功发现多种新型催化剂并提升制备效率，在与头部企业合作中将客户真实实验效率提升数倍，显著缩短研发周期[26] 圆桌对话：算力产业阶段与价值闭环路径 - 当前算力产业核心痛点包括：不少智算中心算力平均利用率不足40%，大模型训练退潮后需求转向分散的推理侧导致算力消纳困难[28] - 算力建设已从“先建后用”的粗放模式转向“性价比优先、场景倒推建设”的新阶段，需根据用户与场景决定硬件选型与软件设计[28] - 2024年上半年国产大模型依靠中文数据优势与高质量数据集追平国际水平，下半年垂类模型与Agent应用爆发，例如某医院AI分身使医生日接诊量从10人提升至30人[28] - 算力价值闭环的核心标志，一种观点是算力需达到“方便、易用、便宜”，MaaS模式通过技术优化实现硬件透明化与低成本调用，形成正向循环[29] - 另一种观点认为价值闭环的终极标准是“让客户用AI赚到钱”，需解决痛点并创造收益才能让客户持续付费，而非单纯售卖硬件[29] - 行业价值转化瓶颈包括：基座模型能力需提升并向小模型迁移、算力架构需升级（如超节点高速互联）、高质量数据与行业专家资源稀缺[29] - 展望未来，2025年将是中国AI从训练向推理转型的关键年，MaaS市场持续壮大；2026年推理市场与国产化进程将加速，国产芯片与液冷技术的适配将成为关键[30]