关于报告的所有内容，公众号『行业报告智库』阅读原文或点击菜单获取报告下载查看。
在数字化浪潮席卷全球的今天，人工智能已成为推动社会进步和经济高质量发展的核心力量。
人工智能计算中心作为数字经济的智能基座，正从独立的系统走向相互联接的算力网络。这一转变不仅是技术发展的必然趋势，更是应对人工智能“大模型 + 大数据 + 大算力”需求的创新之举。调研显示，以GPT-3为代表的超大规模预训练模型，参数量高达1750亿，训练一次需要EFLOPS级别的算力支持，且耗时数天。传统的单体计算中心已难以满足人工智能发展的新需求，算力网络的建设迫在眉睫。
我国在人工智能计算中心的建设上已取得显著成效。截至2025年，深圳、武汉、珠海、西安等城市已建成并运营人工智能计算中心，成都、南京、许昌等地也在紧锣密鼓地建设中。这些计算中心不仅为当地科研创新提供了强大支撑，还通过市场化运营机制，推动了人工智能与产业的深度融合。例如武汉人工智能计算中心仅用5个月建成并投入运营，上线即饱和，其算力赋能已开始显现，为当地产业集群转型升级提供了强大动力。
人工智能计算中心的网络化发展是应对新需求的重要途径。通过新型网络技术，各地分布的人工智能计算中心节点被联接起来，形成了一个能够感知、分配和调度算力的网络。这一网络不仅能汇聚和共享算力、数据、算法资源，还能更好地满足我国经济社会高质量发展的新形势和新需求。据预测，到2030年，人工智能计算（FP16）总量将达到105ZFLOPS，是2020年的500倍。这意味着，算力网络的建设不仅是技术层面的创新，更是推动人工智能产业发展的关键。
在国家“双碳”战略背景下，人工智能计算中心的能耗问题也备受关注。调研显示，尽管人工智能计算中心的能耗利用率（PUE）已显著降低，但随着计算中心规模总量和能耗总量的不断增长，仍需进一步提升能耗利用率。通过算力网络的协同调度，不同计算中心可以在业务波峰波谷时互相调配算力，实现削峰填谷，最大化利用能源，降低碳排放。
人工智能算力网络的建设不仅有助于优化资源配置，还能推动人工智能产业生态的形成。白皮书提出，通过算力网络，各地可以共享算力、数据和生态资源，形成跨区域的协同创新机制。跨区域合作模式，不仅加速了科研成果的转化，还为人工智能产业的规模化发展提供了可能。
高质量的大规模数据集是超大规模预训练模型研究的基础，但我国目前的数据集建设仍相对分散，缺乏统一标准和流动联通机制。通过算力网络，各地的数据集可以实现互联互通，形成更大规模、更高质量的数据资源池。这不仅有助于提升人工智能模型的性能，还能推动人工智能在更多领域的应用落地。
在人工智能算力网络的架构设计上，调研提出了“算网一体基础设施”“统一运营多维调度管理”和“大规模分布式多方协同计算”三个平面。这一架构通过智能感知和灵活调度机制，实现了算力、数据、模型和服务的高效流通与共享。例如通过联邦学习技术，多个计算中心可以在不迁移数据的情况下进行联合建模，大大提高了数据的安全性和利用效率。
