2022中國算力服務市場發展研究報告目錄CONTENTSPart1.算力服務市場及行業發展現狀Part2.算力服務面臨的挑戰與痛點Part3.算力服務綜合價值力評價Part4.行業趨勢與建議Part1.算力服務市場及行業發展現狀定義及分類：國內算力規模高速增長，以基礎算力、智能算力、高端算力為三大代表類別算力指通過CPU、GPU、FPGA、ASIC等各類計算芯片設備處理數據，實現特定結果輸出的計算能力，可以通過每秒可處理的信息數據量來衡量算力的強弱。現階段，根據使用設備和提供算力強度的不同，算力可分為基礎算力、智能算力與高端算力三大類，圍以智能算力、高端算力為主。2020年我國算力總規模達到135EFlops，全球占比約為31%，保持55%的高速增長，高于全球增速約16個百分點，未來我國算力規模仍將持續擴大，三類算力服務的結構也將繼續發展優化。

基礎算力

億歐智庫：算力服務分類及介紹智能算力高端內涵：主要基于CPU提供的計算能力應用領域

人工智能計算內涵：主要基于GPU、FPGA、等芯片的加速計算平臺提供的人工智能訓練和推理的計算能力應用領域：人工智能訓練、推理計算

科學工程計算內涵度計算應用領域工業仿真等57% 41% 2%資料來源：中國信通院，IDC，華寶證券，公開資料整理 45資料來源：國務院，中國信通院，東興證券，公開資料整理5資料來源：國務院，中國信通院，東興證券，公開資料整理背景：數字經濟持續增長、數據要素噴涌而出，對算力供給提出更高要求，算力服務作為供給形態之一應運而生中國數字經濟規模持續增長：國務院在“十四五”數字經濟發展規劃中明確提出，“到2025年，數字經濟核心產業增加值占GDP比重達10%”。同時據機構預測，2025年中國數字經濟規模有望超過60萬億。中國生產數據要素噴涌而出：據報告數據，2018年中國產生了約7.6個ZB的數據，2025年這一數字將增至48.6ZB，且數據生產量約占世界數據總量的28%，或將超越美國成為世界第一大數據生產國。由此可見，未來數據的收集、存儲、管理、使用的難度及價值均會呈現質的飛躍。億歐智庫：2018-2025E中國數字經濟規模（萬億元）8059.527053.6360億歐智庫：2018-2025E中國數字經濟規模（萬億元）8059.527053.636048.3143.525037.204031.7028.8024.9030200數字產業化 產業數字化億歐智庫：算力與經濟增長緊密相關帶動數字經濟增長我國算力規模平均增長0.4%1%帶動GDP增長0.2%算力每投入帶動GDP增長1元3-4元6.407.107.308.309.3010.3211.4512.8320182019202020212022E2023E2024E2025E6資料來源：國家發展改革委，華寶證券，公開資料整理6資料來源：國家發展改革委，華寶證券，公開資料整理“東數西算”工程啟動，優化計算力資源布局，助推算力服務發展通過構建數據中心、云計算、大數據一體化的新型算力網絡體系“東數西算”工程啟動，優化計算力資源布局，助推算力服務發展通過構建數據中心、云計算、大數據一體化的新型算力網絡體系沿海等算力緊缺區域，解決我國東西部算力資源供需不均衡的現狀。2022蒙古、貴州、甘肅、寧夏等8地啟動建設國家算力樞紐節點，并規劃了個國家數據中心集群，“東數西算”工程正式全面啟動。東西部數字經濟協同高質量發展。我國算力資源存在東西供需結構性錯配問題目前的數據中心分布東多西少，算力需求東強西弱，但是電力供應我國算力資源存在東西供需結構性錯配問題目前的數據中心分布東多西少，算力需求東強西弱，但是電力供應西松、電力價格東貴西賤東低西高矛盾的重要因素，當前我國的算力資源分配不均，呈現東部“供不應求”，西部“供過于求”的結構性矛盾。和林格爾集群內蒙古樞紐京津冀樞紐張家口集群寧夏樞紐慶陽集群甘肅樞紐中衛集群長三角樞紐成渝樞紐蕪湖集群長三角生態綠色一體化發展示范區集群天府集群重慶集群貴州樞紐粵港澳樞紐韶關集群貴安集群現狀：各領域的算力需求持續擴展，普惠、彈性、高效的算力服務需求迸發從底層融合釋放，到軟硬一體的全棧能力加持，以及性價比兼具，才能真正推動普惠。目前使用高端及智能算力用戶可分為三大類：前沿算力用戶，中小微用戶及具有鮮明特色的部分用戶。第一類用戶工作可對接高端計算中心完成，后兩者的需求受制于對接門檻與算力類型，難以與傳統計算中心匹配；如自建機房與數據中心，效率及性價比相對低。因此，合適、優秀的算力服務平臺，成為了提升效率的最優選。團隊。因此，平臺服務的形式相比自建要更適宜，可以讓更多人以高效簡潔的方式使用到匹配的算力。億歐智庫：三大類高端算力用戶群 MIT：深度學習性能與算力相關性研究 應用側行業專家觀點：01前沿算力用戶，主要使用超大型應用01通常工作多由國家級高端計算中心來完成

具有獨有特色的高端計算用戶需要多樣化融合算力，與上述情況類似，需求很難與國家高端計算中心匹配03具有獨有特色的高端計算用戶需要多樣化融合算力，與上述情況類似，需求很難與國家高端計算中心匹配03海量中小微通用高端計算用戶需求對接高端計算中心門檻較高，難以快速獲得服務支持02……自建計算中心（成本高、運營復雜、性價比極低）

研究表明：深度學習的進展依賴算力的增長，大模型的訓練效率與算力成正比。

購買平臺服務，我們不需要自己去管理硬件、場地，去搭網絡等，所有都自行搭建的話，整個成本也不低。用租用的方式來應對大規模的高密集型計算任務（特定任務、特定場景），其實在經濟性上還是有一定的優勢。如果是專業團隊在做運營維護，還有服務的支持，客戶也會省很多心。注：“大模型”指大規模預訓練模型/超大規模智能模型 7PAGEPAGE8現狀：脫胎于“云”的算力服務更為彈性靈活，隨用隨取，更匹配當下大量用戶的任務型計算需求在實際研發生產中，用戶對算力可擴展性與靈活性提出了更高要求。如企業算力用量并不平均，時高時低，存在突發高峰需求；發周期等限制，則會出現暫時不需要算力，只能閑置服務器的情況。用體驗，也是更省心省力的選擇。億歐智庫：某半導體設計企業月度算力實際用量曲線（18個月） 億歐智庫：云計算輔助下省時、省心、省錢的算力服務0 1 2 3 4 5 6 7 8

11

13 14 15

17 18

資源整合基礎設施性

通過算力集群的規模化，降低單位算力成本算力資源的彈性調度與分配數據與調研顯示：無論是用戶端還是供給端，都表明實際生產中易產生突發性算力需求。因此算力供給方的彈性調度能力、即時服務能力對于用戶而言十分重要。不僅科研平臺，還有一些生產應用企業，對我們的算力要求會更高。無論是安全性，可靠性，還是穩定度，甚至很多。根據用戶實際的應用，或者實際的需求出發，會出現大的一些突發性的情況。曾經有某個領域用戶，因為其業務需要，一下給我們同時提交了幾十萬級別的作業……-某大型算力供應商數據與調研顯示：無論是用戶端還是供給端，都表明實際生產中易產生突發性算力需求。因此算力供給方的彈性調度能力、即時服務能力對于用戶而言十分重要。不僅科研平臺，還有一些生產應用企業，對我們的算力要求會更高。無論是安全性，可靠性，還是穩定度，甚至很多。根據用戶實際的應用，或者實際的需求出發，會出現大的一些突發性的情況。曾經有某個領域用戶，因為其業務需要，一下給我們同時提交了幾十萬級別的作業……-某大型算力供應商

服務平臺化輸出PAGEPAGE9現狀：算力服務集資源、應用、服務、運維為一體，為用戶專注自身研究，提供無后顧之憂的平臺支撐做好算力基建，發展算力技術，從而把轉化為生產力才是最重要的目的。億歐智庫基于專家訪談與調研，認為算力服務應有能力聚合跨區域計算中心的軟硬件資源，并通過建設高端計算資源共享與支撐平臺，向不同領域用戶提供匹配需求的算力服務，同時兼顧經濟性和長期運維迭代能力，為用戶提供全生命周期服務。億歐智庫：智算、高端計算相關領域專家訪談與調研高頻詞匯集 億歐智庫：智算、高端計算應用側相關領域專家訪談示例（部分） 我們去應對客戶所提出來的大型復雜裝備場景下的這種應用的時候，就需要一個良好的算力服務平臺，去給我們去做一個支撐。從而能夠方便我們更好地去為這些高端裝備制造的客戶去提供服務。

算力服務還是要具有普惠性，且具備一定的生態支撐能力。例如對于企業用戶的支撐接口，讓開發者工作更順利；還有專業的團隊維持算力平臺的底層東西（運維、服務等），需要與時俱進，及時做到迭代，現在人工智能發展太快了，算力服務支持要并行發展，給予支持。Part2.算力服務面臨的挑戰與痛點挑戰痛點一：算力資源分布不均、數據傳輸難度大、各地計算中心間缺乏任務協同與資源流通從資源調度視角來看，呈現出明顯的算力資源分配不均與供需不平。首先區域間資源供需還未平衡，盡管地方積極布局算力基礎設施，但目前供需矛盾還較為突出。其次海量數據傳輸困難，算力的即時調度難度大，各算力中心間也缺少任務協同和資源流通共享,導致跨廣域數據交互效率低。基礎資源分布不均，跨區域傳輸難度大，加劇算力融合服務化難度區域資源分布不均，加大基礎資源調度難度：東部地區大規模數據中心大，但能耗指標緊張、電成本高；西部地區可再生能源豐富，但網絡寬帶小、跨省數據傳輸費用高，無法有效承接東部需求，在資源分布側加大了算力調度難度。大型算力數據傳輸依靠傳統運輸方式，算力即時調度與應用難度大：面臨數據時延不敏感、單通道傳輸帶寬有限、通道寬帶數量有限等問題，導致傳輸延遲，傳輸費用高昂等問題。例如石油勘探行業，具有數據量大、并行任務較多、網絡體系復雜等特點，對于勘探數據的精確度和豐富度需求相當之高，同時要求高精度承載力的網絡和設備，對于不少計算中心而言都難以獨立供給。大多數中小型企業缺乏專有算力平臺：平臺用戶間算力資源銜接較難，缺少標準化、體系化。為了保證科研機構、國家項目等的執行優先級，算力中心對市場用戶關注度不足。資料來源：國務院發展研究中心國際技術經濟研究所，CSDN，人社部、工信部，公開資料整理11PAGEPAGE12挑戰痛點二：缺乏統一的跨網技術標準與服務標準，算力資源度量衡的標準化滯后，導致多樣算力與多元場景匹配充滿挑戰從頂層設計視角來看，目前領域標準化的進程相對較慢。 缺乏統一的技術標準與服務標準，導致算力調度與按需分配難度較大 無法準確、量化描述算力供需體量計算資源呈多樣化。例如CPU、GPU各類專用芯片產生的諸多類型算力，同時在精度、形態等方面也有諸多差異，尚未形成標準度量衡用于標準化交易算力分配錯位，加重資源分布不均無法準確、量化描述算力供需體量計算資源呈多樣化。例如CPU、GPU各類專用芯片產生的諸多類型算力，同時在精度、形態等方面也有諸多差異，尚未形成標準度量衡用于標準化交易算力分配錯位，加重資源分布不均缺乏標準度量衡，將影響算力供給供需錯位（缺較難緩解），分布不均x制約行業高速發展趨勢對于眾多人工智能訓練、工業生產與應用落地拖延PAGEPAGE13全生命周期的管理困難不同開發框架，體系結構復雜導致編程困難……NPUFPGA不同指令集全生命周期的管理困難不同開發框架，體系結構復雜導致編程困難……NPUFPGA不同指令集從技術架構視角來看，隨著需求不斷攀升，單一計算類型與架構處理器無法應對多類型、多樣性數據處理任務，異構計算應運而生，在提升計算性能同時降低功耗成本。間的有機融合至關重要。 異構計算的復雜性，給融合管理帶來難度；面對不同架構、指令集也給開發者編程帶來諸多難題 異構芯片適配標準還未統一，異構計算芯片產品除了要在芯片設計層實現突破，還面臨芯片制造和封裝過程中不同結構的適配與升級問題面對不同的系統架構、指令集和編程模型，也給開發者帶來了更多難度，同時多核環境下應用的可移植性及性能也成為目前亟待解決的問題GPU不同制程架構統一的異構算力管理也并不容易，流程優化GPU不同制程架構CPUCPU面臨TPU不同功能計算單元TPU不同功能計算單元開發者在復雜環境中的高學習成本PAGEPAGE14挑戰痛點四：基于軟硬件融合的異構計算產業面臨生態合力、生態兼容挑戰，商業化之路道阻且長從生態開放視角來看性不言而喻。異構計算生態建設與商業化進程推進阻力較大，創新不易，亟需生態鏈的建設與完善對于上下游廠商：異構系統所涉環節多而復雜，每一步創新都需要上下游廠商共同發力。實現商業化，還需多個領域專家相互配合，除了通用的算法、硬件和軟件專家，還要有應用領域專家參與。廠家自身的創新、上下游的配合，標準的建立都是目前面臨的難題。同步更新框架，都影響著開發者的開發效率。軟件生態技術應用相對薄弱，芯片百花齊放，軟件 做好系統之間的兼容實屬不易領域

目前異構生態圈小，硬件行業偏碎片化發展，亟需生態鏈的建設與完善各家芯片百花齊放，協同生態支撐弱，

軟硬件接口硬件架構融合架構融合領域

硬件架構的不斷細分，在考慮兼容性等性能的條件下廠商做出設計上的改變不易應用層面、管理層面和軟硬件開發者未能實現造成許多產業割裂、創新無法融合問題

應攜手業界積極推動開源的異構編程 差異標準，廠商之間的互聯標準， 架構助推匹配軟件生態的建設，避免異構開發套件 互標過度碎片化……PAGEPAGE15挑戰痛點五：算力復合型人才稀缺，人才培養體系不完善，在需求高速增長下，給算力服務向精細縱深發展帶來壓力從人才視角來看，陣設計需要大量的專業人才進行支持管理；算力發展的技術難題攻克也需要軟硬件、新技術、新架構相關人才的加入。當前中國的高端算力供給存在顯著缺口，專業人才的培養體系也尚不完善，對比日益倍增的算力需求，壓力顯而易見。復合型專業人才培養體系不完善，需要更多相關新技術、新架構的專業人才參與2020102.322.7缺口超90萬12029.52021億歐智庫：中國IT相關行業人才供需缺口情況2020102.322.7缺口超90萬12029.52021億歐智庫：中國IT相關行業人才供需缺口情況2019 37 96.7520193796.752018 27 92.720182792.72017 32 87.920173287.9人才體系培養不完善問題：校企雙方暫未形成成熟的計算人才培養體系，缺少對人才軟、硬技能雙管齊下培養：高校端，僅有少數高校開設算力相關專業課程，整體教育資源分布不均。企業端，缺少內部人才培訓機制，在職人員難利用業余時間學習前沿技術，不易取得進一步復合型發展。28人才體系培養不完善問題：校企雙方暫未形成成熟的計算人才培養體系，缺少對人才軟、硬技能雙管齊下培養：高校端，僅有少數高校開設算力相關專業課程，整體教育資源分布不均。企業端，缺少內部人才培訓機制，在職人員難利用業余時間學習前沿技術，不易取得進一步復合型發展。28201586.1122016需 ： 供1億歐智庫：2021中國AI（人工智能）技術人員供需比例差距顯著120100806040需 ： 供1億歐智庫：2021中國AI（人工智能）技術人員供需比例差距顯著12010080604020081.9實際增長人數（萬人） 新增人才需求（萬人）實際增長人數（萬人） 新增人才需求（萬人）202225萬人2023年將擴大至30萬人Part3.算力服務綜合價值力評估基于需求與痛點，行業參與者逐步發展算力服務整體解決方案，一站式算力服務平臺應勢而起站在用戶視角，業務的運行不僅需要標準化的平臺，還需要定制的存儲網絡，同時專業深度的服務團隊也尤為重要。基于需求與痛點，行業玩家正在逐步發展推動算力服務整體解決方案，一站式算力服務平臺應勢而起。從業務模式角度來看，從業務模式角度來看，算力服務平臺聚焦客戶需求，根據服務形式變化，結合最終的輸出服務進行定價，避免了客戶在不使用時進行額外付費，節省不必要成本。04從場景應用角度來看，不同業務場景對算法、、存儲需求不同，一站式算力平臺針對場景進行業務建模，“因地制宜”將性能和任務適配，為企業客戶提供個性化定制方案。03從產業轉型角度來看，中小企業、創新性企業、傳統企業皆面臨數字化轉型需求。一站式算力服務平臺通過整合相關技術、產品和服務，為企業轉型提供集約化、規模化、標準化的一站式技術支持及服務。02從整體資源分配角度來看，一站式算力服務平臺可以將多方、異構資源整合，實現資源的有效調度、管控，解決由于算力區域間不平衡而導致的供需矛盾問題，一站式完成算力生產、聚合、算力調度、釋放。01聚合聚合算力生產算力調度釋放17行業參與者：四類廠商特點各異，優劣勢并存，ICT廠商占據優勢地位算力服務尚處于發展初期，行業競爭格局暫未完全定型。目前來看，算力服務市場主要包含四類參與者：云廠商、ICT高端計算中心。基于企業基因與行業沉淀不同，四類參與者各存在長處及短板。目前看以ICT廠商所孵化出的，曙光智算、華為云占據優勢地位。云廠商特點：借助云計算優勢能力，進擊智能計算、高端計算云市場云廠商特點：借助云計算優勢能力，進擊智能計算、高端計算云市場優勢：云上部署，自由靈活；積極建設一站式平臺服務；生態豐富度高劣勢：虛擬機帶來性能損失；價格偏高；網絡性能瓶頸；欠缺針對高端計算場景做存儲優化；存儲系統性能一般、配套服務一般特點：傳統老牌ICT廠商，基于原有計算沉淀擴展業務邊界優勢：技術突出，性能強、穩配套服務能力強；生態較為豐富，并積極建設一站式平臺服務劣勢：靈活度一般，彈性調度、擴容縮容一般；國際形勢限制

算力代理商國家高端計算中心特點：“科班出身”，行業積累深厚優勢：國家高端計算中心特點：“科班出身”，行業積累深厚優勢：行業知名度、認可度高；原有基礎設施資源積累多；政府關系深厚；行業人才吸引強，經驗多劣勢：商業化能力弱；資源陳舊、提供的產品與服務較為固定化，絕大多數中心之間互不相通代表廠商：優勢：業務發展速度快；配套服務豐富劣勢：主要作為代理商業務入局，穩定性較差；存儲資源自建能力低，無法較好地管控和優化；自身資源能力弱，自主運維權限小代表廠商：

代表廠商： 代表廠商：

無錫超算、濟南超算、天津超算等資料來源：公司官網，公開資料整理 綜合價值力分析模型——POSE算力服務市場目前處于高度景氣狀態，對于生物醫藥、工業仿真、氣候模擬、人工智能等重點戰略領域意義重大，市場格局雛形初現。但從用戶視角而言，目前業內尚未出現以綜合服務價值視角，對參與廠商進行全面評價。11個一級指標，19個二級指標構成，系統性分析國內算力服務廠商綜合價值表現，旨在賦能算力市場更自主化，成熟化發展。廠商類型產品力ProductCapability基礎設施支撐經濟性技術與性能運營力Operating廠商類型產品力ProductCapability基礎設施支撐經濟性技術與性能運營力Operatingability服務能力行業口碑商業化能力調度力SchedulingCapability算網協同建設底層資源調度能力生態力Ecologicalcapability生態開放度適配能力全產業鏈資源聚合能力代表企業云廠商 廠商 ICT廠商代理商備注：顏色越深能力越強 19PAGEPAGE21綜合價值力評估總覽：曙光智算綜合能力較為凸顯綜合價值力模型由“產品力、運營力、調度力、生態力”四大維度，11個一級指標，19個二級指標構成，滿分為100分，一級指標，六項二級指標；運營力下設三項一級指標五項二級指標；調度力下設兩項一級指標，三項二級指標；生態力下設三項一級指標，五項二級指標（指標詳情請見附錄）。曙光智算在產品力與生態力中表現突出，最終以90分位列綜合價值力第一，高于其他三家企業。阿里云在運營力中拔得頭籌，華為云在各項維度中表現均衡。在產品、運營、生態戰略側，四大企業基于目前主流用戶群作業需求，存在一些在技術架構和產品方案上的差異表現。在產品、運營、生態戰略側，四大企業基于目前主流用戶群作業需求，存在一些在技術架構和產品方案上的差異表現。相較之下，曙光智算、華為云更面向計算密集型需求，與科學研究、工業仿真等客戶更契合。阿里云更多關注數據密集型任務，覆蓋主流客戶目前更需求基礎算力，與互聯網客戶習慣更契合。但目前各家都逐步推進多元業務布局與融合調整，云廠商正在服務計算密集型任務，而ICT廠商則進行更多的云化建設能力提升。9082908287701718232420222121182221221520222390807060503020阿里云并行科技華為云曙光智算0阿里云并行科技華為云曙光智算 產品力 運營力 調度力 Th態力 曙光智算整體綜合能力略勝于其他三家廠商，在強計算資源與強計算需求側生態鏈相關性更強，更有效支撐大模型開發的研究與優化 PAGEPAGE21產品力解析：曙光智算資源底座與產品性價比問鼎榜首曙光智算在基礎設施建設支撐與技術性能方面略盛一籌：阿里云的算力種類相較而言更豐富，但在自主可控能力弱于曙光智算與華為云。在算力服務經濟性方面，曙光智算使用門檻最低，并行科技與華為云緊隨其后。整體來看，曙光智算的產品力綜合實力較為突出。產品力滿分為25分，其中技術與性能總分為分，經濟性總分為7分，基礎設施支撐總分為8分。998998887666654產品力主要指算力服務的技術能力、基礎設施建設、服務價格等產品層面的能力。億歐智庫基于公開資料、專家訪談與調研，選取了技術與性能（異構計算相關管理平臺建設情況，算力類型、精度與覆蓋場景豐富度）、經濟性（各企業核時的公開價格）、算力基礎設施支撐（各企業數據中心的建設情況），進行評比。98765產品力得分詳情：阿里云：18產品力得分詳情：阿里云：18華為云：233210阿里云 曙光智算 華為云 并行科技技術與性能 經濟性 基礎設施支撐PAGEPAGE22運營力解析:阿里云拔得頭籌，華為云與曙光智算并列第二服務能力：曙光智算與并行科技對于客戶服務的深度強于阿里云與華為云。對于點對點的問題，具有即時、專業的服務能力，對于每一個客戶都可提供專業的團隊支持與應用的遷移適配服務。行業口碑與商業化能力：阿里云與華為云作為云服務先行者，積累大量案例。曙光智算入局較晚，口碑與商業化方面略遜色于阿里云與華為云。運營力滿分為25分，其中服務能力總分為分，行業口碑總分為7分，商業化能力總分為8分。億歐智庫：綜合價值力-運營力分析86686677766778運營側主要選取了服務能力（專業、即時運維能力，團隊數量，本地化服務能力以及運維建設能力）、行業口碑（企業與相關熱度值以及專家評價）、商業化能力（落地的實際公開案例數量），進行評比。華為云運營力得分詳情：阿里云：22運營力得分詳情：阿里云：22華為云：21曙光智算阿里云0 1 2 3 4 5 6 7 8 9服務能力 行業口碑 商業化能力PAGEPAGE23調度力解析:阿里云與曙光智算并列第一資源調度：曙光公司20余年異構計算經驗沉淀及計算生態培育，加碼算力網絡及資源調度能力。算網協同建設：阿里云優勢顯性，網絡建設布局時間早，云服務的基礎也較為深厚。調度力滿分為25分，資源調度總分為分，算網協同總分為15分。億歐智庫：綜合價值力-調度力分析898898714131311資源調度包含供應鏈的豐富情況，自身資源的儲備、供應能力等、算網協同包含算網協同解決方案/集群解決方案上線情況等。資源調度側來看，曙光智算與華為在計算中心基建資源、數量優于其他兩家企業；同時在供應鏈資源優勢也不相上下，曙光智算、華為都進行了“芯-端-云”的自主全產業鏈布局,但曙光智算依托曙光集團的沉淀，先天觸達優勢稍勝一籌，但兩家企業對于整體供應鏈的抗風險能力與資源調度能力較強。華為云曙光智算阿里云0 5

調度力得分詳情：阿里云：22調度力得分詳情：阿里云：22華為云：21資源調度 算網協同PAGEPAGE24生態力解析:多家發力生態建設，曙光智算稍高于華為云從生態力看，華為云、阿里云、曙光智算背靠集團生態建設，目前都較為成熟。在全產業鏈資源聚合能力層，曙光智算及華為云發展較為完善成熟，亦有較多用戶表示曙光集團本身業務屬性與自身業態（如科研及工業）更為契合。此外，在生態開放度層面，曙光智算基于API接口，面向ISV層面，阿里云合作多元芯片廠商，適配范圍更廣，表現更為優秀。生態力滿分為25分，全產業鏈聚合能力總分為8分，適配能力總分為分，生態開放度總分為7分。生態力主要選取了全產業鏈資源聚合能力（產業鏈布局量、產業鏈上下游協調情況）、適配能力（生態伙伴數量、適配軟件的數量、適配廠商數量等）、自身生態開放度（API接口、平臺層、應用層等開放程度），進行評比。從生態開發度的戰略規劃來看，華為的整體戰略布局也較為突出：正積極從內部外部整體賦能，不僅從硬件開放、軟件開源賦能伙伴，還踐行布局人才培養，為整體算力體系使能開發者和生態伙伴賦能，未來發展優勢值得觀望。生態力主要選取了全產業鏈資源聚合能力（產業鏈布局量、產業鏈上下游協調情況）、適配能力（生態伙伴數量、適配軟件的數量、適配廠商數量等）、自身生態開放度（API接口、平臺層、應用層等開放程度），進行評比。從生態開發度的戰略規劃來看，華為的整體戰略布局也較為突出：正積極從內部外部整體賦能，不僅從硬件開放、軟件開源賦能伙伴，還踐行布局人才培養，為整體算力體系使能開發者和生態伙伴賦能，未來發展優勢值得觀望。968968888576744華為云生態力得分詳情：阿里云：20生態力得分詳情：阿里云：20華為云：22阿里云0 5 20 25全產業鏈資源聚合能力 適配能力 Th態開放度Part4.趨勢與建議PAGEPAGE28趨勢：算力經濟時代到來，未來將類似電力網絡發展軌跡，逐步走向資源易用性道路算力服務市場面臨爆發階段，商業模式逐步形成，算力產業上下游的各個供給側將會得到大力發展。濟時代待解決的問題。政策端

政策、學術、市場多方推動算力管理理論與工具發展，有效分配需求，致力于資源利用最大化，降低成本

下游產業端算力經濟戰略布局規劃將會在未來幾年進一步推動，向深度廣度進行規劃建設，逐步形成完善的數據計算、數據存儲、算網一體的建設指南與文件體系，指導相應數據中心的建設，監管算力服務市場的安全化、規范化。

學術端已經意識到算力衡量、算力服務標準的重要性與痛點，算力衡量工具的研發將會得到進一步推進，異構性數據服務將致力于從人工匹配走到自動匹配，但道阻且艱。上游供給端硬件之外，還有一系列軟件的生態體系將走向更豐富的構建，隨著算力服務、算力網絡發展將對國產軟件體系的發展大力推動。

應用終端企業建私有云、混合云，企業業務多元化，以算力資源為基礎的工業生產智能化發展趨勢看漲，同時，用戶對于算力服務的體驗需求將會進一步提升，算力服務需時刻跟進業務發展需求。PAGEPAGE27建議：算力服務商需在持續攻堅技術同時，從用戶視角出發，深耕細分場景，不斷優化迭代產品算力網絡的實現比交通和能源網絡復雜得多、也困難得多。構建算力網的技術還不成熟，還需要做很多算力網絡的實現比交通和能源網