CIC灼识咨询 中国算力中心 行业白皮书 © 2025 China Insights Consultancy. All rights reserved. This document contains highly confidential information and is solely for the use of our client. No part of it may be circulated Consultancy. 目录 3 I. 引言及算力中心发展概况 II. 算力中心需求分析 III. 算力中心供给分析 IV. 算力中心供需研判及未来展望 V. 附录 报告研究背景与主要研究结论 4 报告研究背景 • 纵观算力中心发展历程，移动互联网时代与云计算时代的技术革命催生了集约化、超大规模化的数据中心需求，由此孕育出了算力中心定制批发的业 务模式，并且该业务模式在201 有的技术革新浪潮，重 塑着各行各业的发展蓝图。在此背景下，算力资源已成为支撑AI技术持续进步不可或缺的基石，而算力中心，作为算力资源的核心承载平台，正迎来 崭新的发展机遇。其中，定制批发业务凭借其高效整合算力资源的能力，为大模型训练提供了稳定、可靠的算力支持，成为推动AI技术革新与应用拓 展的关键力量。 • 鉴于此，本报告将聚焦于算力中心行业定制批发业务的研究，特别是在中国不同地域市场供需关系

1 算力基础设施高质量发展行动计划 算力是集信息计算力、网络运载力、数据存储力于一体的 新型生产力，主要通过算力基础设施向社会提供服务。算力基 础设施是新型信息基础设施的重要组成部分，呈现多元泛在、 智能敏捷、安全可靠、绿色低碳等特征，对于助推产业转型升 级、赋能科技创新进步、满足人民美好生活需要和实现社会高 效能治理具有重要意义。为加强计算、网络、存储和应用协同 创新，推进算力基础设施高质量发展，充分发挥算力对数字经 创新，推进算力基础设施高质量发展，充分发挥算力对数字经 济的驱动作用，制定本行动计划。 一、总体要求 （一）指导思想 以习近平新时代中国特色社会主义思想为指导，全面贯彻 党的二十大精神，立足新发展阶段，完整、准确、全面贯彻新 发展理念，加快构建新发展格局，着力推动高质量发展。以构 建现代化基础设施体系为目标，面向经济社会发展和国家重大 战略需求，稳步提升算力综合供给能力，着力强化运力高效承 载，不 载，不断完善存力灵活保障，持续增强算力赋能成效，全面推 动算力绿色安全发展，为数字经济高质量发展注入新动能。 （二）基本原则 多元供给，优化布局。坚持多元发展路线，调动各类市场 2 主体积极性，构建通用、智能和超级算力协同发展的供给体系， 持续优化算力资源地域布局，加强集约化建设，强化算网存用 协调发展，推动新一代信息技术与算力设施融合应用，引导算 力运营智能化升级。 需求牵引，强化赋能。坚持市场需求导向，发挥区域比较

张慧娟 2024中国智算产业全景调研： 技术重构与演进 SupplyFrame Media + E-Commerce 2 Supplyframe, Inc. Confidential & Proprietary. Do not reproduce or distribute. 智算产业现状总览 , 智算产业运行状况 , 智算中心核心驱动力 , 智算产业关键技术 , 智算产业竞争格局 生成式AI驱动的变革 生成式AI对智算产业的影响 , 生成式AI发展挑战 , 大模型对智算产业的作用 , 智算产业是否过度依赖大模型 算力基础设施架构和国产化情况 , 智算中心如何影响我国算力分配 , 算力卡供应情况 , 国产算力卡替代情况 , 智算中心AI芯片主要方向 , 智算中心利好AI芯片类型 未来挑战与趋势 , 如何提高智算中心运行效率 , 智算产业要解决的关键问题 , 智算产业发展挑战 智算产业发展挑战 , 智算产业应用领域 , 智算产业投资趋势 Agenda 3 Supplyframe, Inc. Confidential & Proprietary. Do not reproduce or distribute. 1. 智算产业现状总览 核心点： 驱动力 ｜ AI训练与推理需求激增，驱动算力基础设施快速迭代 技术体系全景 ｜ 覆盖芯片器件层（CPU/GPU/TPU）、硬件设施层（AI服务器/液冷）、平台调度

免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 1 证券研究报告 工业/能源 DeepSeek 冲击下，AI 产业对国内电 力行业的变与不变 华泰研究 工业 增持 (首评) 能源 增持 (维持) 研究员 刘俊 SAC No. S0570523110003 SFC No 行业三个变化：成本变革，训练成本和 Token 调用价格不到海外模型的 30%； 技术变革，突破 CUDA 依赖，支持多样化 GPU；生态变革，开源模型，打 开多元化应用时代。我们也维持三个前期观点不变：算力需求增长不变；能 效追求不变；绿色发展不变。 AI 应用加速，进入全民 AI 时代，有望构成国内电力需求新增长极 相比美国，中国虽然互联网大厂在过去 2 年资本开支有 12%的复合增长，但 年国内人工智能服务器工作负载中超过 70%将用于推理，仅不到 30%为训练，因此即使 DeepSeek 大幅下降训练算力，对国内冲击相对较小。 根据信通院，截止 2022 年末中国算力规模 302EFlops，结合主要云厂资本开 支和芯片出货预测，我们预计 2024-26 年我国算力规模年复合增速有望达到 44%，带动 2025/2026 年新建数据中心 8.0/9.1GW，对应 530/633 亿度增量

高阶智驾需要激光雷达提供安全冗余 3.2.4 前视摄像头市场分散 3.2.5 从全量感知到按需感知的算法演进 3.3 决策层 3.3.1 域控制器构成 3.3.2 智驾域控市场逐渐走向合作定制化 3.3.3 德赛西威：高算力智驾域控行业的领军企业 3.3.4 Momenta：提供基于端到端技术架构的自动驾驶解决方案 3.3.5 智驾域控芯片市场的竞争格局呈现多极化，SoC高性能更 适应未来趋势 3.3.6 地平线：软硬结合是必由之路 请务必阅读正文之后的免责条款部分 10 端到端的挑战：数据 由于端到端算法基于数据驱动，大模型依赖大量的高质量数据进行训练。以训练数据为核心，重点关注数据量、数 据标注、数据质量、数据分布、云端存储与超算中心等因素。2023年，特斯拉在端到端神经网络开发初期，就向系统 输入了1000万个经过筛选的人类驾驶视频片段，按每段15秒估算，高清视频的总计时长超过4万小时。根据特斯拉的 测算，单个端到端模型至少 道路交通的复杂程度与训练数据的体量使端到端的落地对于算力有极高的要求。道路交通环境的复杂性并不能完 全用交通规则来覆盖。例如，机动车道上闯入的行人、自行车、两轮电动车等非规则的情况千差万别，难以用理 论模型来归纳概括，只能尽可能扩大数据库来“教”自动驾驶系统，这无形中就会提升算力需求。从特斯拉的 FSD自动驾驶系统看，端到端所需算力成倍增加：FSD V12全面采用端到端，用3000行代码替代了原来的30多万行 代码，但算力要求提升了1

别 Chatgpt, C 端破 圈 1950s 2024 2022 2012 2017 4 • 1987-2020 年之前的主导是“⼤数据、⼩算⼒、专⽤决策范式”。 • 2020 年后， GPT-3 代表技术路线“⼤数据、⼤算⼒、通⽤范式”，验证⼤语⾔模型的可⾏性。 • GPT3/4 在深度推理和问题解决⽅⾯有所⽋缺， OpenAI-o1 通过思维链（ Chain of Thought DeepSeek R1 在展现卓越推理能⼒同时， 训练和推理成本极低 GPT 为内容创造和自动推理开辟可能性 “大数据、大算力、通用模式” BERT BERT 在文本分类、命名实体识别等 语言理解任务表现出色。也是医疗 AI 小模型年代主要技术路线 “ 大数据、小算力、专用决策” DeepSeek-R1 基于 DS-v3 构建推理模 型，通过强化学习提升推 理能力，且训练成本极低 效果体验惊艳，成本极致压缩 8 成本优势 技术震撼 开源引爆 垂直适配 • 550 万美元预训练成 本达到 GPT-4 级别性 能， 打破“算⼒军备 竞赛”魔咒 • 算法、 训练范式、推理、 算⼒利⽤全⽅⾯创新 • DeepSeek V3 通过快速 迭代新技术， ⼤幅降低 • 开源的论⽂和库， 以及提供

DS,$“Aha”时刻 2024 数据来源：1.(甲⼦光年智库梳理，2023年； DeepSeek-R1 • 1987-2020年之前的主导是“⼤数据、⼩算⼒、专⽤决策范式”。 • 2020年后，GPT-3代表技术路线“⼤数据、⼤算⼒、通⽤范式”，验证⼤语⾔模型的可⾏性。 • GPT3/4在深度推理和问题解决⽅⾯有所⽋缺，OpenAI-o1通过思维链（ChainvofvThought）增强推理能⼒，将复杂问题分 R1在展现卓越推理能⼒同时，训练和推理成本极低 BERT BERT在文本分类、命名实体识别等 语言理解任务表现出色。也是医疗AI 小模型年代主要技术路线 “大数据、小算力、专用决策” GPT 为内容创造和自动推理开辟可能性 “大数据、大算力、通用模式” 基于DS-v3构建推理模 型，通过强化学习提升推 理能力，且训练成本极低 AI技术演变路线 5 理解Chatgpt,J⼀个AI领域的“⼯程奇迹” 效果体验惊艳，成本极致压缩 8 为什么⼈⼈都爱DeepSeek? 成本优势 • 550万美元预训练成 本达到GPT-4级别性 能，打破“算⼒军备 竞赛”魔咒 • 技术成本的下降，为 ⾏业上下游带来更多 创新的可能 技术震撼 • 算法、训练范式、推理、 算⼒利⽤全⽅⾯创新 • DeepSeek&V3&通过快速 迭代新技术，⼤幅降低 了训练和推理的成本。 ⽽且它是个拥有推理能 ⼒的模型，全球可⽤

H1 与升级版 G1、小米 CyberOne、浙江人形 NAVIAI 等为代 表的人形机器人，能识别语义和情绪，具备平稳行走和复杂动作能力， 助推我国人形机器人产业步入了智能化发展阶段。同一时期，介电弹 性体、超螺旋聚合物、气动仿生肌肉等柔性材料的快速发展也带来了 人形机器人的驱动器的革新，以北工大研发的气动人工肌肉驱动器、 中国计量大学设计的一种拮抗气动肌肉驱动的人形机器人为例，实现 了 1.2.3 总结与趋势分析 14 随着国家、地区相关政策出台，全球资本大量涌入，龙头企业及 科研院校研发投入等掀起的人形机器人热潮，人形机器人正朝着更高 性能、更强适应性的方向爆发式发展。电驱动、液压驱动以及人工肌 肉和气动技术在人形机器人上的应用将会保持较长时间探索，融合眼 －手－足，结合智能芯片、智能算法，构建形成类人“超级大脑”， 形成机器人元宇宙，未来人形机器人将广泛应用于工业生产、社会服 有较高的国产化率，性能和性价比具备一定竞争力。然而，空心杯电 机、高算力芯片、RV 减速器等高端核心部件仍高度依赖进口，这些领 域存在明显的技术差距，国产化空间巨大。随着国内产业的快速发展， 供应链体系正在逐步完善。一批优质供应商，如绿的谐波、步科股份、 22 禾川科技、华为海思等，正在加速攻关关键技术，集中突破高精度减 速器、高性能电机、高算力芯片等“卡脖子”领域，努力打破国外技 术垄断，

硬件和软件的深度协同推动了算力效能的提升，为机器人的大规 模应用提供了算力支持。2024 年，全球 AI 大模型的参数量和数据量 持续增长，特别是像 Sora、GPT-4o、Gemini 等多模态大模型的出现， 进一步推动了算力需求的激增。当前，软硬件协同的方法正在不断提 升大规模智算训练效率。在硬件方面，高性能 GPU、专用 AI 芯片、 高速互联网络、大容量高速存储等技术，实现了大规模的算力供给， 为处理复杂、不规则的计算任务（如自然语言处理的长序列数据、计 算机视觉的多尺度图像特征）创造了条件；在软件方面，分布式训练 框架、预训练大模型、多模态数据处理等技术也通过精细化算力管理 提升了大模型的训练和推理速度，为机器人的大规模应用提供了基础 支撑。 2 （二）“机器人+人工智能”是新一轮大国竞争的关键 全球各国纷纷出台相关政策，抢滩布局“机器人+人工智能”产 业。美国、欧盟 学习模型正在转化为多层级、大参数量的深度学习、强化学习模型， 学习方法也从手动数据标记转变为自动的数据特征提取。从支撑要素 来看，机器学习对于数据和算力的需求较小，训练时间也相对较短， 而深度学习、强化学习则需要高性能的 GPU、TPU 等算力支撑，数据 需求也增长至百万量级。从应用场景来看，机器学习能够广泛用于各 类分类、回归、聚类、关联规则任务，帮助机器人实现物品分类、平 面移动和

2024年，国家高度重视人工智能发展，将其纳入国家战略，各地政府积极推进科研创新与算力 基础设施建设，并因地制宜出台特色政策。尽管GDP增速放缓，AI技术作为新质生产力，凭借 其在提升效率和推动产业升级方面的优势，展现出广阔发展前景，政府支持也为其提供了强劲 动能。资本市场持续关注AI，投资重点聚焦于语言与多模态模型应用、芯片、算力服务等领域， 基础层与应用层协同发展，不断完善产业生态。社会层面，生成式AI的普及加速了市场教育， 2%，略低于预期。 主要原因为大模型在实际业务场景的表现未完全满足客户需求，且建设成本较高，较多项目仍 处于探索阶段。 2）算力需求结构性转变：2024年部分地区智算中心出现闲置，但这主要是供需错配导致。随 着DeepSeek等开源模型推动推理应用爆发，推理侧算力需求大幅上涨，智算中心利用率有望 逐步提高。 3) 工具生态日益完善：分布式AI框架、LLMOps平台和一体机产品等不断发展，深度融合软硬 以北京、上海为代表，成都、重庆、安徽、山东、深圳、湖南等地方积极响应。 地方 北京 上海 ◆ 北京市政府着重加大对科研机构和高校的资金投入，鼓励开 展人工智能基础理论研究，推动关键技术突破；计划建设强 大的算力基础设施，以支持AI模型的研发和应用；积极打造 人工智能产业创新高地，吸引顶尖人工智能企业和人才汇聚。 ◆ 上海市政府着力于AI大模型的产业集聚和生态建设，通过 实施大模型创新扶持计划和示范应用推进计划，推动AI技