2026-10-17 17:02:20
近日，由IDC和浪潮信息联合发布的《2026年中国人工智能计算力发展评估报告》（以下简称“报告”）预测，2026年中国智能算力规模将达到2576.5 EFLOPS，同比增长87.9%；2025—2030 年复合增长率达50.3%。报告在披露算力需求快速增长的同时，也剖析了算力存在短缺和闲置两个看似矛盾的问题。
Agent（智能体）时代，企业对算力的需求变了，不仅需要更多的算力资源，还对算力对业务需求的匹配提出更高要求。这意味着，Agent时代，算力的经济账需要重新算了——从建设算力，到完成任务，再到获得收益，每个环节都需要算清楚。
需求高增长，为何不等于投资高回报？
Agent带来的算力需求，不能只看用户或智能体数量，更要看它们承担多少任务，以及每项任务需要多少计算。报告从任务规模、推理深度和协同复杂度三个方面解释这一变化：AI进入更多业务环节，任务执行次数随之增加；任务从简单生成走向多轮推理，需要处理更多上下文、完成更多推理步骤；多Agent协作中的任务拆解、信息传递和结果汇总，又进一步增加计算开销。
企业的投入意愿也反映了这一趋势。报告调研显示，97.3%的受访企业预计将持续扩大人工智能算力投入，其中37.7%的企业需要明显增加推理算力，29.3%的企业需要持续的大规模资源支撑业务运行。
这意味着，算力需求正从阶段性的开发、训练和验证，延伸为支撑业务持续运行的生产型负载，对稳定性、实时响应和高并发承载提出更高要求。
然而，资金能够推动建设，却无法立即转化为可用算力，投入和产出之间有“时差”。报告预计，全球人工智能算力需求满足率将在2027年降至71%，到2030年回升至77%，供需缺口仍将长期存在。
算力供给结构同样影响资源使用。IDC中国区副总裁周震刚解读说，快速增长的推理需求，与此前部分面向训练建设的基础设施存在不匹配。关键不在于训练集群能否用于推理，而在于面对具体模型和业务负载，能否以合理成本满足并发、时延和持续运行要求。
算力短缺与局部资源闲置并存，要求智算项目建设者和运营方算清一笔账：不仅要判断市场还缺多少算力，更要明确服务哪些客户、承载哪些任务，以及客户愿意支付多少费用。
从单点性能到系统效率，算力如何形成有效产出？
Agent进入业务流程后，智算系统需要同时回答两个问题，复杂任务能不能完成？大量任务能不能以可承受的成本持续完成？这正是报告分析的：AI计算竞争正从芯片峰值算力转向系统有效算力，基础设施的优化目标也从单点性能提升，转向完整任务的执行效率。
为此，需要贯通计算、存储、网络、数据中心、终端以及模型、调度和Token（词元）运营等环节进行系统优化，并推动应用、算法、系统与芯片协同设计，使资源配置与实际负载相匹配，减少整条任务链的损耗，让更多资源真正用于完成任务。
围绕不同的任务需求，报告提出“能力型智算”与“容量型智算”双线并进的计算发展方向。能力型智算通过超节点、高速互连和软硬件协同，提升复杂模型承载与高难度任务处理能力；容量型智算通过多元算力协同、推理优化和全链条效率提升，提高Token吞吐，降低单位成本。
两者分别回应“智能能达到多高”与“智能能服务多大规模”，也可能出现在同一条任务链中：复杂判断需要更强的模型与系统支撑，大量常规调用则需要更经济的处理方式。资源如何配置，应由任务要求决定。
从Token成本到任务收益，算清算力投入产出账
Token连接算力投入与智能产出，Agent则承载业务价值的实现。周震刚解释说，Token数量并不等于业务价值：消耗增加，可能来自业务扩大，也可能来自重复推理、失败重试和无效协同；GPU利用率较高，也不能直接证明任务结果有效。
为此，报告认为，评价需要贯通三个层次：资源效率看GPU利用率、MFU（模型浮点算力利用率）和能耗；Token效率看吞吐量和响应速度；任务效率看完成时间、成功率以及人工接管情况。只有把这些指标联系起来，才能判断资源消耗是否转化为有效产出。
对应用企业而言，应将Token支出纳入生产成本管理，可建设企业级Token管理平台，统一模型入口、调用配额、模型路由、成本归集、预算管理和安全审计，厘清算力消耗及其业务产出，为成本核算、模型选择和预算调整提供依据。
对智算运营方来说，则需综合核算设备折旧、电力、运维和资源闲置等成本，并结合服务价格与实际需求判断回报。容量规划与扩容节奏需要紧贴实际业务，既满足客户增长，也避免资源长期闲置。
综合来看，Agent时代，算力的经济账单最终至少要列出这三项：投入的资源，能否持续转化为客户愿意付费的服务，以及覆盖成本的经营收益。