工信部规划2030年智能算力达9800 EFL：基础设施扩张将带来哪些新问题

工信部近日印发《信息通信行业发展“十五五”规划》，提出到2030年全国智能算力规模达到9800 EFLOPS，并要求有序部署万卡、十万卡及以上智算集群，面向不同场景建设推理算力，同时加大国产算力芯片适配力度。这一目标将智能算力从企业竞争中的技术资源，进一步提升为信息通信基础设施建设的重要指标。

从公开资料看，规划提出的9800 EFLOPS是面向2030年的目标，并不意味着这一规模已经实现。国家数据局在8月底公布的数据显示，截至7月底全国智能算力规模约为2450 EFLOPS；工信部此前披露的数据显示，截至6月底智能算力规模为2185 EFLOPS。不同数字对应的统计时间和口径并不完全相同，不能简单视为相互矛盾，但可以确认的是，距离2030年目标仍存在较大扩张空间。

一份资料还提到，规划表以2025年1590 EFLOPS作为基准，到2030年将增加8210 EFLOPS，约扩大至6.2倍；如果按照截至7月底2450 EFLOPS的口径计算，未来四年多仍需扩大约4倍。无论采用哪一种基准，9800 EFLOPS都更适合被理解为未来基础设施和产业能力建设的方向性目标，而不是对当前实际供给能力的描述。

智能算力扩张首先改变数据中心建设逻辑

过去一段时间，数据中心建设更多围绕机房规模、服务器部署和网络连接展开。随着大模型训练、推理服务以及AI智能体应用持续发展，算力基础设施的评价方式正在发生变化。单纯增加服务器数量，并不等于能够稳定支撑模型服务，数据中心还需要在网络、存储、供电、散热、调度和运维等方面形成协同能力。

规划提出有序部署万卡、十万卡及以上智算集群，意味着未来算力基础设施可能进一步向大型化、集群化方向发展。大型集群有助于集中资源支持规模较大的模型训练和复杂推理任务，也便于统一调度和运维。但集群规模越大，对数据中心的电力保障、网络互联、散热能力和故障处理能力要求越高。任何一个环节存在短板，都可能影响整体可用性。

这也意味着，地方在规划智算中心时，不能只关注“建成多少卡”或“形成多大规模”，还要关注这些资源能否被持续使用。算力设备完成部署后，如果缺乏稳定的模型训练任务、推理服务需求和产业应用承接，设备利用率可能不足，基础设施投资也难以充分转化为产业价值。

规划披露的信息显示，目前全国已经建成52个万卡以上智算设施，八大国家算力枢纽和三个算电协同发展区的智能算力规模占全国比重超过85%。这些信息说明，国家级算力布局已经具备较强的集中度。接下来，算力扩张除了继续增加总量，也可能更加重视区域之间的分工、算力调度和资源协同。

模型服务将从“有没有算力”转向“算力是否匹配”

对AI企业而言，智能算力规模扩大，最直接的影响是模型训练和推理服务的资源选择空间可能增加。训练阶段需要大规模、高并发的计算资源，推理阶段则更加关注响应速度、成本、稳定性和部署位置。两者对算力的要求并不完全相同，因此，面向不同场景建设推理算力，具有现实意义。

大模型企业在研发阶段通常需要集中算力完成模型训练、微调和评测；进入商业化阶段后，用户请求会转化为持续的推理任务。企业客户、政务平台、制造现场和个人应用对响应时延、数据安全、服务连续性有不同要求。如果所有任务都依赖少数大型集群，可能造成调度压力，也可能增加数据传输和服务响应成本。

因此，未来算力供给的竞争，不只是总量竞争，还包括算力类型和服务能力的竞争。训练算力、通用推理算力、边缘推理算力以及面向特定行业的专用资源，可能形成不同的供给层次。AI企业需要根据模型参数规模、调用频率、数据敏感程度和业务响应要求选择资源，而不是简单追求更大的集群。

对于模型服务商来说，国产算力芯片适配也将成为重要工作。规划明确提出加大国产算力芯片适配力度，这意味着模型框架、编译环境、算子支持、工具链和运维系统都需要进一步完善。芯片本身能够提供计算能力，并不代表模型可以直接平稳迁移。真正影响企业使用体验的，还包括软件生态是否成熟、迁移成本是否可控，以及不同硬件之间能否保持稳定的服务效果。

应用落地不会随着算力增加自动发生

算力是AI应用落地的重要基础，但它不是应用价值的充分条件。一个地方拥有较大规模的智能算力，并不意味着当地一定能够形成大模型产业集群，也不意味着传统企业会自然完成智能化升级。

AI应用能否落地，通常还取决于数据质量、业务流程、人才储备、组织协同和投入回报。制造企业引入AI编程、质量检测或设备预测维护，需要把模型能力嵌入生产流程；政务场景使用智能体，需要处理权限管理、数据安全和责任边界；企业部署模型服务，则要考虑业务系统改造、员工使用习惯以及持续运营成本。算力只有与这些条件结合，才能转化为可衡量的生产效率或服务能力。

从产业规划角度看，算力建设应当与应用场景同步设计。地方如果先建设大量基础设施，再寻找应用项目，可能出现资源闲置和重复招商。相反，如果能够先梳理本地制造、能源、交通、政务和科研等领域的真实需求，再根据模型训练和推理任务配置资源，算力建设更容易形成稳定的使用场景。

这并不意味着每个地区都要建设超大规模智算集群。不同地区的产业结构、能源条件、网络基础和数据资源存在差异，有的地区适合承载大型训练任务，有的地区更适合发展行业推理服务、数据加工或应用部署。未来区域算力建设需要避免“规模越大越先进”的单一判断，转向资源禀赋与产业需求之间的匹配。

资源配置和重复建设风险需要提前防范

智能算力目标持续提升，可能带动数据中心、服务器、网络设备、软件平台和相关服务投资增长。资料显示，《规划》提出到2030年信息通信行业收入达到4.1万亿元，信息基础设施五年累计投资达到3.8万亿元。对产业链企业来说，这将释放基础设施升级和算力服务扩容的市场预期。

但投资增长也带来资源配置问题。多个地区如果按照相似的产业模板建设智算中心，可能在设备采购、平台能力和招商对象上形成同质化竞争。项目建成后，如果本地缺少足够的模型企业和行业用户，就可能出现算力利用率不足、服务价格承压和设备更新压力增加等问题。

重复建设还可能体现在算力平台之间缺乏互联互通。不同平台采用不同的资源管理方式、服务接口和计费标准，会增加企业跨区域使用算力的复杂度。即使全国算力总量不断增加，如果资源不能被高效发现、调度和使用，实际可获得的有效算力仍可能低于名义规模。

解决这些问题，首先需要建立更清晰的建设边界。重大智算集群应当与国家算力枢纽、能源保障、网络条件和产业任务相协调，地方项目则应说明服务对象、应用来源和运营机制。其次，应当对算力使用效果进行持续评估，不能只以机房面积、设备数量或投资金额作为主要考核指标。项目是否形成稳定业务、是否提高资源利用率、是否降低企业使用门槛，都应成为重要观察指标。

此外，算力供给还需要重视弹性调度。不同时间段、不同区域和不同业务类型的算力需求并不相同。通过统一调度和服务化供给，可以减少部分资源闲置，提高存量设施的使用效率。对于中小企业而言，能够以较低门槛获得适配的推理服务，可能比直接购买或建设大规模设备更具现实意义。

AI企业和算力用户应重新评估采购策略

对于AI企业，未来的算力决策不能只看峰值性能。企业需要同时评估模型训练、推理部署、数据传输、软件适配、运维支持和成本控制。尤其是处于商业化早期的企业，业务需求可能快速变化，过早锁定大规模、长期固定的算力资源，可能造成资金压力；资源准备不足，又可能影响产品迭代和客户服务。

较为稳妥的做法，是把算力需求拆分为训练、开发测试和线上推理等不同部分，分别评估资源弹性和服务要求。训练任务可以关注集群规模与任务完成效率，线上服务则需要关注稳定性、响应速度和扩容能力。对于涉及敏感数据的行业，还需要在部署位置、访问权限和数据流转方面作出更严格安排。

对于地方产业规划者，重点则应从“建设多少算力”转向“算力服务谁”。如果当地希望发展AI产业，需要同步考虑模型企业引进、行业数据治理、人才培养、应用试点和公共服务平台建设。算力中心只是基础设施的一部分，只有与产业链和应用链形成联系，才可能产生长期需求。

对于普通算力用户和中小企业，算力扩张可能带来更多服务选择，但也不必因此盲目升级。企业应先确认自身业务是否真正需要大模型训练或高强度推理，再比较服务的稳定性、数据安全、模型适配能力和长期成本。算力规模扩大之后，选择空间增加并不等于决策变得简单，反而更需要明确业务目标。

【软盟观察】

2030年智能算力达到9800 EFLOPS，是一个具有基础设施牵引作用的规划目标，但它不应被简单理解为算力规模竞赛的终点。当前公开资料中的统计数字存在时间和口径差异，未来更需要关注规模增长之外的有效供给、实际利用率和应用产出。对地方而言，重复建设的风险并不只在于投资浪费，也可能造成能源、设备和人才资源错配。对AI企业而言，算力扩张带来的真正机会，是获得更灵活、更匹配业务需求的计算服务，而不是被迫承担更大的固定投入。接下来，行业评价体系如果能够从“建了多少”转向“用了多少、解决了什么问题、形成了什么价值”，智能算力基础设施才更有可能成为模型服务和产业应用的支撑，而不是停留在规模数字上。