文 | 盘古智库 文 | 盘古智库 算力被广泛认🙄为是支撑国家数字经济发展的关键基础设施，同时也是推动新质生产🌟力发展的核心动力。然而，中国目前算力规模与能耗总量是多少，不🌟同研究机构和媒体的统计差异较大。 报告旨在建立多层次的🥳统计框架，明确算力的定义、分类和统计范围，确定算力统计标准和🚀范围，通过统一的统计标准和严谨的测算逻辑，厘清现实状况，为人🤯工智能产业发展提供科学依据。盘古智库公益课题组围绕中国算力规🤩模与能耗现状进行系统研究，并对2030年的发展趋势作出预测。🎉 二、报告研究方法和内容 报告对算力类型和数据中🤗心的类型进行的分类，重点关注智能算力的统计与计算。为保证数据🔥可比性，统一采用 FP16 精度进行测算，同时兼顾 FP8 👏的倍数关系。采用科学的统计方法包括：1.芯片出货量推算。结合🤩 GPU、AI 芯片数量及单卡性能。2.服务器与机柜折算。依💯据机架数、服务器配置推算算力总量。3.功率反推。通过设备功耗😀与能效参数估算算力规模等多维度的方法交叉验证提高了测算的科学😴性和准确性。并且在相关统计方法上进行了一定的优化。 三🙌、报告结论与说明 报告通过交叉验证和多维度比对发现，若🎉按国家公布的830万个标准机柜测算，其理论全年总耗电量约为2😴726亿度电。与实际年耗电量约为1166亿度电有一定的差距。😀该结果与部分业内文章所强调的“算力中心能耗过高、亟需警惕”的😆观点并不一致。报告认为造成上述差异的原因主要有以下两点： 😉 第一，由于数据中心理论值的能耗偏高，而引发的“数字担忧”🙌。按照理论计算，数据中心能耗约占全社会用电量的3%。在缺乏深😂入研究的情况下，部分观察者仅凭这一比例便担心未来随着智能算力😊的增长会造成电力短缺，从而形成对能耗问题的过度担忧。 😀第二，电力成本是算力中心运营压力的重要来源，导致出现“成本焦😂虑”。在算力中心的运营成本结构中，电费占据极高比重，并且作为😘唯一显著的可变成本，成为业界关注的焦点。基于成本压力而产生的⭐“算力中心耗能过大”的判断，本质上是一种成本焦虑。 四😢、报告关于“十五五”的预测 随着大模型与生成式AI的驱😡动、行业应用的深入拓展与政策支持，“十五五”将是中国人工智能🤩产业高质量发展的阶段，算力规模会进一步扩大，同时将带动整个产🙌业链产值的不断扩大，成为经济增长的一极。 （一）算力规🌟模增长预测 报告预计在“十五五”期间，中国算力年均增长🤯速度将保持在35%以上，到2030年中国算力总规模将突破25😅00EFLOPS（FP16）。随着低精度算力的普及，会有更多🤩的大模型和人工智能应用场景支持FP8计算。若以FP8为统一口😊径测算，到2030年中国算力总规模有望突破5000EFLOP😜S。 （二）算力能源消耗预测 展开全文 依🤗据报告的能耗统计框架，结合算力中心建设的规模与市场需求，“十😢五五”期间，算力中心能耗仍会保持一种较高的增长速度，预计到2😡030年算力中心全年电力消耗的理论值预计将达到6000亿度电😅，约占全社会用电总量的5%-6%。 （三）产业规模增长🎉预测 算力不仅仅是技术指标，它更是产业链发展的核心引擎😍。算力产业链涵盖芯片研发与制造、服务器与整机设备、数据中心建😡设与运营、冷却与能源配套、软件与调度系统等多个环节。到203👍0年，与人工智能算力相关直接产业规模约2万亿元，这部分产业规😴模构成了算力发展的“硬支撑”，同时也会催生更广泛的应用市场。🤯算力基础设施的完善直接推动人工智能在金融、医疗、制造、交通、🌟教育、文娱等领域广泛应用大模型和智能服务。到2030，AI应🤩用产业规模约5万亿元，带动上下游产业规模可超过15-20万亿🙌元。 五、报告对统计标准的建议 本研究在明确智能🎉算力、通用算力与存储算力等分类口径的基础上，进一步提出对未来💯政策层面建立统一统计标准的具体建议。 首先，应在国家层🤗面制定统一的算力分类与统计框架。将算力分为智能算力、通用算力🙌和存储算力。通过在政策文件中正式确立分类标准，可确保各地在统🙌计与申报时口径一致，避免出现部分地区将传统存储或IDC容量混🤗入智能算力总量的现象。并且排除企业内部私域部署与大量边缘轻量🙌节点的噪音性影响 其次，应建立统一的统计指标体系。未来🙄政策应明确要求各类算力中心在数据上报时，至少同时提供按FP1😡6或者FP8的算力规模和实际能耗指标，以实现不同地区、不同类😉型算力的可比性。对于存储算力，则应以机柜数量和年耗电量为主，🚀不应与智能算力混算。 第三，应在地方政府层面建立统一的❤️统计流程。为避免地区间因统计方式不同而造成数据偏差，国家应出😉台统一的申报表格、统计方法和核验流程，并建立中央与地方的数据🤗对接机制。通过电力消耗、芯片出货量和机柜数量的交叉验证，确保😀地方统计结果的真实性与一致性。 最后，应研究建立国家级😂算力与能耗数据平台，定期发布统一的权威数据。该平台不仅能够汇🌟总各地报送数据，还能结合行业运行情况，提供全国范围的算力规模🤗与能耗对比，成为政策制定和产业调控的重要参考。 （本文😊为盘古智库在24日发布的《中国算力与能耗研究报告》摘要，课题😉组成员有盘古智库理事长易鹏、秘书长周济、研究员牛站奎。）返回😡搜狐，查看更多

北京市:市辖区:(东城区、西城区、朝阳区、丰台区、石景山区、海淀区、门头沟区、房山区、通州区、顺义区、昌平区、大兴区、怀柔区、平谷区、密云区、延庆区)

天津市:市辖区:(和平区、河东区、河西区、南开区、河北区、红桥区、东丽区、西青区、津南区、北辰区、武清区、宝坻区、滨海新区、宁河区、静海区、蓟州区)

河北省:石家庄市:(长安区、桥西区、新华区、井陉矿区、裕华区、藁城区、鹿泉区、栾城区、井陉县、正定县、行唐县、灵寿县、高邑县、深泽县、赞皇县、无极县、平山县、元氏县、赵县、石家庄高新技术产业开发区、石家庄循环化工园区、辛集市、晋州市、新乐市)

唐山市:(路南区、路北区、古冶区、开平区、丰南区、丰润区、曹妃甸区、滦南县、乐亭县、迁西县、玉田县、河北唐山芦台经济开发区、唐山市汉沽管理区、唐山高新技术产业开发区、河北唐山海港经济开发区、遵化市、迁安市、滦州市)

秦皇岛市:(海港区、山海关区、北戴河区、抚宁区、青龙满族自治县、昌黎县、卢龙县、秦皇岛市经济技术开发区、北戴河新区)

邯郸市:(邯山区、丛台区、复兴区、峰峰矿区、肥乡区、永年区、临漳县、成安县、大名县、涉县、磁县、邱县、鸡泽县、广平县、馆陶县、魏县、曲周县、邯郸经济技术开发区、邯郸冀南新区、武安市)

邢台市:(襄都区、信都区、任泽区、南和区、临城县、内丘县、柏乡县、隆尧县、宁晋县、巨鹿县、新河县、广宗县、平乡县、威县、清河县、临西县、河北邢台经济开发区、南宫市、沙河市)

保定市:(竞秀区、莲池区、满城区、清苑区、徐水区、涞水县、阜平县、定兴县、唐县、高阳县、容城县、涞源县、望都县、安新县、易县、曲阳县、蠡县、顺平县、博野县、雄县、保定高新技术产业开发区、保定白沟新城、涿州市、定州市、安国市、高碑店市)

张家口市:(桥东区、桥西区、宣化区、下花园区、万全区、崇礼区、张北县、康保县、沽源县、尚义县、蔚县、阳原县、怀安县、怀来县、涿鹿县、赤城县、张家口经济开发区、张家口市察北管理区、张家口市塞北管理区)

承德市:(双桥区、双滦区、鹰手营子矿区、承德县、兴隆县、滦平县、隆化县、丰宁满族自治县、宽城满族自治县、围场满族蒙古族自治县、承德高新技术产业开发区、平泉市)

沧州市:(新华区、运河区、沧县、青县、东光县、海兴县、盐山县、肃宁县、南皮县、吴桥县、献县、孟村回族自治县、河北沧州经济开发区、沧州高新技术产业开发区、沧州渤海新区、泊头市、任丘市、黄骅市、河间市)

中国大模型，首登Nature封面。 9月17日，在最新😍一期的国际权威期刊Nature（自然）中，DeepSeek-😊R1推理模型研究论文登上了封面。该论文由DeepSeek团队😅共同完成，梁文锋担任通讯作者，首次公开了仅靠强化学习就能激发👏大模型推理能力的重要研究成果。这是中国大模型研究首次登上Na💯ture封面，也是全球首个经过完整同行评审并发表于权威期刊的🙄主流大语言模型研究，标志着中国AI技术在国际科学界获得最高认🎉可。 Nature在其社论中评价道：“几乎所有主流的大🤔模型都还没有经过独立同行评审，这一空白终于被DeepSeek😆打破。” 中国AI大模型的“Nature时刻” 😆自大模型浪潮席卷全球以来，技术发布、性能榜单层出不穷，但始终😘缺乏一个权威的“科学认证”机制。OpenAI、谷歌等巨头虽屡😅有突破，但其核心技术多以技术报告形式发布，未经独立同行评审。🚀 DeepSeek以其公开性和透明性打破了这一局面。D🥳eepSeek-R1模型的研究论文最早于今年年初发布在预印本⭐平台arXiv上。自今年2月14日向Nature投递论文至今😀，历经半年，8位外部专家参与了同行评审，DeepSeek-R🙄1推理模型研究论文终获发表，完成了从预印本到Nature封面🙄的“学术跃迁”。审稿人不仅关注模型性能，更对数据来源、训练方❤️法、安全性等提出严格质询，这一过程是AI模型迈向更高的透明度😀和可重复性的可喜一步。 因此，Nature也对Deep⭐Seek的开放模式给予高度评价，在其社论中评价道：“几乎所有😀主流的大模型都还没有经过独立同行评审，这一空白终于被Deep⭐Seek打破。”全球知名开源社区Hugging Face机器😡学习工程师Lewis Tunstall也是DeepSeek论😊文的审稿人之一，他强调：“这是一个备受欢迎的先例。如果缺乏这🤔种公开分享大部分研发过程的行业规范，我们将很难评估这些系统的🤗潜在风险。” 据了解，DeepSeek本次在Natur🤯e上发表的论文较今年年初的初版论文有较大的改动，全文64页，🙌不仅首次披露了R1的训练成本，而且透露了更多模型训练的技术细🎉节，包括对发布初期外界有关“蒸馏”方法的质疑作出了正面回应，😂提供了训练过程中减轻数据污染的详细流程，并对R1的安全性进行🤩了全面评估。 其中，在训练成本方面，R1-Zero和R🥳1都使用了512张H800GPU，分别训练了198个小时和8💯0个小时，以H800每GPU小时2美元的租赁价格换算，R1的😂总训练成本为29.4万美元（约合人民币209万元）。不到30👏万美元的训练成本，与其他推理模型动辄上千万美元的花费相比，可💯谓实现了极大的降本。 关于R1发布最初时所受到的“蒸馏💯”质疑，DeepSeek介绍，其使用的数据全部来自互联网，虽😂然可能包含GPT-4生成的结果，但并非有意而为之，更没有专门😅的蒸馏环节。所谓“蒸馏”，简单理解就是用预先训练好的复杂模型🎉输出的结果，作为监督信号再去训练另外一个模型。R1发布时，O💯penAI称它发现DeepSeek使用了OpenAI专有模型😂来训练自己的开源模型的证据，但拒绝进一步透露其证据的细节。 🤩 R2何时问世引发关注 自今年年初发布R1以来，D😆eepSeek在全球树立了开源模型的典范，但过去数月，外界对⭐于R2何时发布始终保持高度关注，相关传言一直不断。不过，R2🙄的发布时间一再推迟，外界分析R2研发进程缓慢可能与算力受限有😆关。 展开全文 值得注意的是，今年8月21日，D🙌eepSeek正式发布DeepSeek-V3.1，称其为“迈🎉向Agent（智能体）时代的第一步”。据DeepSeek介绍🤩，V3.1主要包含三大变化：一是采用混合推理架构，一个模型同😆时支持思考模式与非思考模式；二是具有更高的思考效率，能在更短🤩时间内给出答案；三是具有更强的智能体能力，通过后训练优化，新🤯模型在工具使用与智能体任务中的表现有较大提升。 由于R😢1的基座模型为V3，V3.1的升级也引发了外界对于R2“在路😘上”的猜测。V3.1的升级更深刻的意义在于，DeepSeek🙌强调DeepSeek-V3.1使用了UE8M0 FP8 Sc😊ale的参数精度，而UE8M0 FP8是针对即将发布的下一代💯国产芯片设计。这也表明未来基于DeepSeek模型的训练与推😅理有望更多应用国产AI芯片，助力国产算力生态加速建设。这一表🙌态一度带动国产芯片算力股股价飙升。 中国银河证券研报指💯出，DeepSeek从V3版本就开始采用FP8参数精度验证了🤯其训练的有效性，通过降低算力精度，使国产ASIC芯片能在成熟💯制程（12-28nm）上接近先进制程英伟达GPU的算力精度，🥳DeepSeek-V3.1使用UE8M0 FP8 Scale❤️参数精度，让软件去主动拥抱硬件更喜欢的数据格式，“软硬协同”😜的生态技术壁垒逐渐成为AI浪潮下新范式，未来国产大模型将更多😊拥抱FP8算力精度并有望成为一种新技术趋势，通过软硬件的协同😎换取数量级性能的提升，国产算力芯片将迎来变革。 责编：😉万健祎 校对：王朝全 版权声明 " Typ😁e="normal"@@--> 证券时报各平台所有原创😡内容，未经书面授权，任何单位及个人不得转载。我社保留追究相关😀行为主体法律责任的权利。 转载与合作可联系证券时报小助😉理，微信ID：SecuritiesTimes " Ty🤔pe="normal"@@-->返回搜狐，查看更多