一、供需结构性错配：通用算力过剩、智能算力短缺并存
市场存在“通用算力相对过剩，智能算力相对短缺”的显著矛盾。
传统行业通用算力需求增速仅15%至20%，部分区域通用算力利用率不足50%。
自动驾驶、生物制药、科学计算等领域对智能算力需求激增，但标准化通用算力服务难以满足定制化需求。
东部核心城市实时性算力本地供给不足，西部数据中心因网络带宽限制难以承载高时效业务，跨区调度未贯通。
二、软件生态断层：CUDA依赖导致国产芯片“可用但不好用”
国产硬件配套的算子库、编译器、运行时优化工具，相较英伟达CUDA生态成熟度差距明显。
即使代码移植到国产平台，因缺乏针对国产芯片指令集的深度优化，实际计算效率仅为国外同级别平台的1.5至3倍。
不同国产芯片厂商各有编程模型和工具链，适配了A厂商的代码在B厂商集群上可能无法运行，重复适配成本高昂。
DeepSeek创始人梁文锋指出，华为昇腾虽能完成主流模型推理，但训练侧产能不足，且单卡性能落后英伟达约两年、需要四张华为卡顶一张英伟达卡。
存量代码迁移成本极高，科研团队积累数十年的代码和商用仿真软件没有原生国产适配版本，手动迁移需数月甚至半年以上。
三、地方盲目建设与同质化竞争
多地积极投建智算中心，但存在分散建设、缺乏差异化定位的问题，同类中心功能高度重叠，导致同质化竞争。
部分地方政府以土地、电价优势吸引算力中心落地，但缺乏产业支撑，实际需求远低于规划算力。例如中部某省规划1200PFLOPS，但当地数字经济企业不足百家，实际需求不足200PFLOPS。
有项目等数年无人使用，建成时技术已落后，属于“建成即落后”。
四、建设逻辑偏差：重建设轻应用、重算力轻实效
许多智算中心仅提供了放置计算主机的物理场地和基础配套设施，未真正构建高效、智能化的算力服务体系。
算力中心并非一次性投入，上架后电费、运维费、折旧费持续消耗现金流，部分千卡规模中心年运营成本超3000万元，上架率却不足50%。
市场重心从模型训练转向推理，已建成智算中心在算力软硬件结构上难以适配新需求。
五、核心数据：闲置程度的具体表征
腾讯云解决方案总经理张晋指出，国内智算中心GPU平均利用率不足30%，部分企业级中心低于10%。
西部千卡规模智算中心上架率不足50%，已上架服务器实际利用率不足30%。
新建国产算力集群在三四线城市平均利用率仅10%至22%，省会城市中型公共集群利用率25%至40%。
中国信通院数据显示，2025年国内智算共算量约38亿卡时，同期用算量仅14亿卡时，用算占比36.8%。
六、破解方向：系统性升级与生态补齐
国内厂商已转向“超节点”集群方案，将数百上千张芯片整合为逻辑整体，提升算力利用率至80%以上。
异算方舟等全栈计算平台开始补齐软件底座，通过代码转换大模型和算法库降低迁移门槛，目标将集群利用率提升至50%以上。
产业链从“铺摊子”转向“上笼子”，国家枢纽节点外原则上不新建大型数据中心，避免区域盲目无序竞争。 (以上内容均由AI生成)
