鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

国家队重注,押出普惠算力“中国答案”

编程导航
编程导航
2026-01-07 23:50
阅读 156
编程导航
2026-01-07 23:50
阅读 156

文 | 极点商业,作者 | 杨  铭,编辑 | 刘珊珊

算力即国力,不是一句口号。全球地缘和科技争夺加剧、人工智能快速迭代的当下,已经成为全球AI竞速赛的冰冷现实。

以美国为例,正通过芯片禁令、生态绑定与资本优势,构建“算力霸权”——川普就在签署的《赢得AI竞赛:美国AI行动计划》中,用30项举措和100余条具体政策行动,应对中国AI竞争,“实现并保持全球技术领域无可争议、无可挑战的主导地位。”

面对算力竞争的日益白热化,中国必须回答一个根本性问题:中国算力核心竞争力究竟来自哪里?是复制烧钱军备竞赛,还是开辟一条更高效、更普惠、更可持续的智算新路?

答案,正在浮出水面。

两大头部人工智能国家队——北京信息产业发展投资基金与北京市人工智能产业投资基金就罕见联手,近日联合领投人工智能基础设施与智算云提供商九章云极,成为近期资本市场最受关注的交易之一。

业界普遍认为,这笔2025年中国算力领域“收官之作”的投资,更是一场关乎算力主权、产业效率与创新公平的战略抉择:中国投资算力战略重心,正从追求规模,转向推动普惠,从“建多少算力”转向“用好每一度算力”。

它要回答的,是中国已建成全球第二大规模算力背景下,如何让算力像水电一样即取即用,和各行各业深度耦合,拥有不可替代的核心生产力和竞争力。

01 国资重注,信号明确

中国算力产业,正站在历史性拐点。硬件层面,国产GPU渗透率2025年已提升至59%以上,预计2026年将进一步突破;基建层面,“东数西算”带动社会投资超万亿元,30多个智算新城拔地而起,上万个智算中心投入运营,中国算力总规模与智能算力规模均稳居全球第二。

繁荣之下,大规模商业化仍被一道高墙拦住:算力,用不起。

人工智能是公认最烧钱的行业之一。智谱、Minimax等明星公司的招股书揭示了一个残酷现实——70%以上的研发投入流向了算力采购。这种压力正层层传导至产业链下游,一位北京AI初创企业负责人坦言,每月算力支出高达数万元,占经营成本七成以上。

这并非个别困境,而是行业共同痛点。吊诡的是,大量中小企业、科研团队真实需求被拒之门外时,大量智算中心点亮率仅为30%甚至不足20%,“算力过剩”说法甚嚣尘上。

算力真的过剩吗?恰恰相反,要知道中国拥有全球最完整的工业体系,超5200万家中小企业,L3自动驾驶、具身智能、AI制药等前沿场景蓬勃生长,对算力需求之丰沛全球无出其右。真正问题还是,算力用不起的结构性错配,将大多数需求挡在门外。

叠加全球算力竞争态势,以及高性能硬件仍需时间追赶,至上而下都已形成共识,破局关键在于“普惠”。

也就是最大化提升算力利用效率,降低算力成本,让更多中小企业、科研团队乃至个人等主流市场,“敢用算力、能用算力、用好算力”,为中国算力更具核心竞争力,争取宝贵时间窗口。倘若30%利用率能提升到70%,甚至80%,就相当于中国算力增长数倍,不仅关乎企业自身降本增效,也让整个产业“血液”更有活力,推动资源高效配置与技术创新。

最终,如同九章云极DataCanvas董事长方磊所说,让算力像水电、互联网——人类史中革新性基础设施演进规律一样,初期门槛高昂后,以普惠资源形态惠及全社会。

实际上,打通普惠算力“最后一公里”,已有明确时间表。

工业和信息化部就在近日城域“毫秒用算”专项行动明确提出,到2027年,产业各方、重点场所接入时延小于1毫秒。这或许是即将全面商业化的L3自动驾驶的支撑关键。

在此背景下,智算云逐渐从边缘走向中心。凭借灵活调度、异构兼容、按需计费能力,成为推动普惠算力,赋能AI+时代的“底座”。Forrester数据称,中国智算云产业进入价值爆发期,预计2028年攀升至4100亿元,年复合增长率高达24.6%。

正因如此,北京两大AI国资基金联合领投九章云极,绝非偶然,而是向外界清晰释放了中国算力战略转向的明确信号。

一方面,国资投资体现产业协同与战略使命。根据Forrester报告,“普惠AI”是九章云极的战略核心,并探索出了有效降低成本的普惠方案。国资和普惠智算云企业的牵手,也会影响市场资本选择,推动算力普惠,带来各种产业生态、应用繁荣。

另一方面,国资投资正更注重投资回报与长期战略价值的平衡。AI和算力是国资基金近几年来投资重点,相比智算中心重投入难以回本,GPU、光模块等还需沉淀,智算云市场爆发有着更多确定性——其中,九章云极在中国全量市场里是10%份额(Forrester)、在中小企业中已经有24%上了九章云,堪称最优质“标的”。

在美国,英伟达、微软通过投资CoreWeave赚得盆满钵满,中国市场也有望复刻这一成功路径,在普惠智算云黄金赛道,培育出兼具社会价值与商业回报的领跑者。

02 时代,为何需要九章云极

中国不缺算力,缺的是能被高效、公平使用的算力。

普惠算力落地并不容易。当前,算力需求高度分层:个人、高校、科研团队需要灵活租期与低门槛;垂直行业如自动驾驶、智能制造要求算力“零闲置”;大模型企业则亟需跨区域、高敏捷的调度能力。

为避免前期高昂资本支出,行业获得算力主要采用“裸金属租赁”模式——用户租用一台完整的物理服务器硬件,该服务器不与其他租户共享。

这种模式有系统性缺陷,租期动辄几月或几年,比如CoreWeave租用时间就是3-5年。也无法共享给其他企业,是目前整体算力利用率不足30%主要根源。

从企业角度看,推高的还有成本。以一台8卡A100服务器为例,月租约10万元,每月只有3万元用在实际生产,近7万元白白流失。不仅让大企业对AI项目望而却步,更将中小企业、高校、个人、科研团队挡在门外。

所以,普惠算力绝非单纯降价,而是需要商业模式、技术架构的双重革新。

九章云极的破局点,始于一个看似简单却颠覆性的定义:“1度算力”。

如同电力行业将1千瓦时定义为1度电,九章云极将312 TFLOPS(约等于一块A100算力)运行一小时定义为1度算力,让用户能够像使用水、电一样便捷获取,“按需购买、即买即用”。目前“任我选”套餐,每度为7元。

这意味着,算力消费从“包月包年批发”迈入“按度精细零售”时代。一位研究生为一次实验支付几元,一家工厂可临时调用百卡算力而无需提前数月规划——解决的不仅是价格问题,更是让算力资源真正像水电流动起来,实现更多用户算力平权。

支撑这一模式的技术核心,是九章云极构建的全栈AI原生云基础设施:

底层,软件定义AI 基础设施,统一调度异构算力(英伟达、昇腾、寒武纪等);

中层,智算原生操作系统Alaya NeW OS——不走重复堆砌硬件老路,以“打造AI时代的Windows”为思路,用AI原生云重构连接上下游供给逻辑。

上层,智算云Alaya NeW Cloud基于Serverless无服务器+强化学习RL技术架构打造,实现“算力即服务”的完整闭环。

这套“算力+算法”的全栈式组合拳,共同构建起了九章云极的技术护城河,直击传统裸金属模式痛点。

比如Serverless新型云架构,构建了统一高效的弹性底座,这是突破传统裸金属算力使用效率瓶颈的核心。带给用户无感异构,无需关心底层是英伟达、昇腾还是寒武纪芯片,系统自动调度最优资源。不仅降低使用复杂度,更为国产GPU提供“真实业务练兵场”。

更重要的是,九章云极将平台从“资源管道”升级为“创新基座”。从低代码模型开发、强化学习云平台AgentiCTRL,到ModelOps全生命周期运维,使用和技术门槛降低同时,还提供了端到端的闭环能力,提升用户生态黏性。

上述普惠探索,已得到广泛验证。在黄山,九章云极与当地共建“大位”智算中心,48天部署500PFLOPS,预计每年带动当地营利性服务业增收超2亿元。这为全国数以千计的中小城市,提供了可复制“经济算力”路径——无需盲目追求顶尖规模,只需紧扣普惠与产业耦合,即可激活地方新增长动能。

更广泛产业层面,价值也正被量化。某头部自动驾驶公司借助其弹性调度,研发人力节省30%;北京大学构建统一算力池后,科研训练效率提升300%,学生人均资源翻倍。

从这个角度看,伴随算力竞争进入深水区,国资重注的不仅是九章云极,更是一个能让国家算力战略与海量中小企业真实需求,深度耦合的智能调度中枢。

03 稀缺性,带来确定性高增长

九章云极DataCanvas,名称源于中国古代数学经典《九章算术》。创始人方磊毕业于清华大学,后赴美获得博士学位,曾就职于早期微软Azure和必应团队。2013年,方磊回国创立了九章云极。

截至目前,九章云极已完成多轮融资。从投资方构成来看,国资早已多次布局,包括中电智慧基金、中关村科学城公司等,都是具备产业资源的国资背景机构,显示出国资对其战略价值的长期认可。

此次两大北京AI国资联合领投,不仅推动九章云极估值攀升,更带来强大信用背书,有望加速其登陆资本市场进程。

资本市场对九章云极的青睐,背后有着更深层逻辑:九章云极是中国目前唯一专注于“普惠智算”的全栈平台提供商,有着不可复制的稀缺性。

当前,国内智算市场参与者众多,但发展重心各异:

传统云厂商(如阿里云、华为云)以通用IaaS服务为核心,智算仅为业务分支;

芯片或大模型公司聚焦于垂直技术环节,缺乏端到端的算力调度能力与平台生态;

通信运营商重资产投入智算中心等基础设施,但在软件平台、系统层能力及用户生态方面仍显薄弱。

从用户看,上述路径大多服务于大型企业、深耕特定B端场景,或仅作为上游算力提供方,未能实现用户全覆盖。

而九章云极自2017年推出AI全生命周期平台,到提出“一度算力”标准和一栈式解决方案,便深耕中小企业、高校、科研单位乃至个人开发者——这是其他路径,难以触达的“沉默大多数”。

放眼全球,美国Lambda虽也倡导“一人一GPU”,但依赖资本驱动扩张。九章云极则走出一条“技术驱动+场景适配”的中国路径,让算力转化为人人可及的生产力工具。

当算力成为水电一样的公共服务,商业价值才刚刚开始释放。

比如IDC预测,智能体到2030年市场规模将逼近300亿元,其开发主体,不仅包括企业,更有大量创业者、学生、研究机构——他们需要的正是低门槛、高弹性的算力支持。

L3级自动驾驶即将全面商用,其规模化落地依赖整车、零部件、软件与基础设施的协同升级,每一环节都对高质量、高利用率算力提出指数级增长需求。

AI制药进入临床验证,智慧城市与社会治理、制造业智能化提速……等等高潜力场景,同样依赖普惠算力支撑,也让九章云极,找到了“普惠吸引海量用户—用户提升算力利用率—规模效应摊薄成本—产业生态愈发创新”的飞轮增长路径。

建设数字中国,离不开坚实而普惠的算力基石。当每一家中小企业都能轻松调用算力,每一位学生都能训练自己的AI应用——或许我们才会真正理解,“一度算力”推动的普惠实践,承载的算力主权、产业生态、创新生态战略意义。

这,或许正是九章云极被国资、被时代选中的原因。

原文链接: 国家队重注,押出普惠算力“中国答案”
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230