乳清粉是什么东西

短短两三年时间，AI已脱离实验室概念，实实在在地渗透进了各行各业中。从金融风控到智能制造，从医疗诊断到自动驾驶，AI大模型正以前所未有的速度被训练、部署、迭代。与之相应的，是AI对智能算力前所未有的庞大需求——据华为预测，（相比2023年）到2030年，通用计算能力将增长10倍，AI计算能力将增长500倍。

这也意味着，对于算力基础设施需求也在同步提升，而传统的数据中心架构已经难以支撑如此庞大的计算任务。因此，庞大而复杂的算力基础设施体系正迎来一场深刻的变革——传统数据中心正从“通算”向“智算”演进，网络、存储、供电、冷却等基础设施也必须随之升级。

从“通算”到“智算”

智算中心毫无疑问是当前最热门的投资领域之一。根据中国IDC圈不完全统计，仅2025年一季度，立项或建设、投产的智算中心就多达165个，其中不乏投资过百亿，算力规模超万P的项目（相关详情：2025年165个新项目动态隐现3个关键信号）。

但在这股建设热潮之下，哪怕是算力产业的从业者之间，一个疑问一直挥之不去：数据中心与智算中心，AIDC与DC到底有何区别？

按照工信部印发的《算力基础设施高质量发展行动计划》定义，算力中心包括是以风火水电等基础设施和IT软硬件设备为主要构成，具备计算力、运载力和存储力的设施，包括通用数据中心、智能计算中心、超算中心等。

其中，智能计算中心（智算中心）指通过使用大规模异构算力资源，包括通用算力（CPU）和智能算力（GPU、FPGA、ASIC等），主要为人工智能应用（如人工智能深度学习模型开发、模型训练和模型推理等场景）提供所需算力、数据和算法的设施。智能计算中心涵盖设施、硬件、软件，并可提供从底层算力到顶层应用使能的全栈能力。

而对于传统数据中心来说，其设计逻辑主要服务于通用计算场景，核心在于提供稳定的、可扩展的通用计算及存储环境。但在AI时代，数据密集型、并行计算的任务特征使得数据中心必须重新思考如何提升效率、降低延迟、增强弹性。尤其是在大规模AI集群部署中，通信瓶颈、资源利用率低、运维复杂等问题日益突出，成为制约AI应用落地的关键障碍。

特别是大规模的智算集群实际运行远比想象中复杂。通信瓶颈、资源利用率低、故障响应慢等问题频繁出现，导致“纸面算力”和“有效算力”之间存在巨大落差。有业内人士透露，一些千卡级别的集群，在训练效率上甚至不如优化良好的几百卡系统。更不要提所谓“万卡集群”，投产即停运的传闻也经常在业内流传。

这不仅是一个技术问题，更是一个系统工程问题。

算网融合：突破算力瓶颈的新路径

AI大模型训练是当前智算中心最重要的应用场景。根据AI大模训练的规模化法则（Scaling Law），模型性能与其规模、数据集大小以及算力之间存在的幂率关系，即随着三者的增长，模型性能也会随之增长。但反过来，一旦其中一个环节遇到瓶颈，那么模型性能的增长也会受限。

对于算力来说，虽然理论上可以通过不断拓展芯片数量来达到更高的算力规模。但在实际的AI训练过程中，节点之间的数据交换频率极高。一旦各个节点——芯片、服务器、机柜之间的通信成为瓶颈，整个训练过程就会大幅拖慢，甚至中断。

因此，“算网融合”成为了行业追求的目标。所谓算网融合，就是把网络作为核心环节纳入AI系统的整体设计中。通过构建高速、低延迟、无丢包的通信环境，让算力真正“流动起来”，而不是被困在节点之间。

为了解决这个问题，算力产业巨头纷纷各出奇招。比如行业内某企业推出了自有的平台体系，通过专有网络，以成熟的铜缆网络大大提升了其图形处理芯片之间的通信效率，并且一度带动了铜价大涨。

而在芯片、通信领域均掌握有核心技术的华为也独辟蹊径，推出“星河AI网络”，提供了一个典型的实践样本。其采用业界公用的ROCE无损网络技术，结合自研的NSLB算法，以创新的光通信网络实现了接近98%的通信吞吐率，大幅提升了训练效率。同时，通过光模块亚健康检测、丢包可视化等智能运维手段，也让网络的稳定性得到了保障。

星河AI网络支持200G/400G高速互联，具备大规模组网能力。在万卡级别集群中，依然能保持稳定的通信带宽与低延迟表现，满足千亿参数模型的训练需求。其业界领先的双层收敛网络架构，可以大幅降低调优难度，提升集群整体的可用性。

对于大规模智算集群的算力能力衡量，星河AI网络给出了明确的算力公式：集群总算力=单芯片算力x集群规模x有效算力效率x可用率。其中，有效算力效率指网络吞吐、性能加速能力；算力可用率则指算力稳定性，以月为单位计算。

结合强大的网络通信能力，昇腾智能芯片通过华为集群通信库和作业调度平台，整合HCCS、 PCIe 和 RoCE 三种高速接口，实现集群级互联，充分释放出强大性能，帮助客户实现更快的进行图像、语音、自然语言等 AI 模型训练或推理应用。

基于昇腾智能芯片的CloudMatrix 384（CM384）采用全连接拓扑结构连接384颗昇腾芯片，可提供约300 PetaFLOPS的BF16精度总计算能力。通过采用400G CPO（计算处理器接口），CM384可以大幅增强网络性能，优于传统服务器设计中的PCIe解决方案，行业认为其非常适合快速扩大我国计算能力供应以满足当前AI算力的需求。

目前，星河AI网络与昇腾处理器已在多个大型智算中心落地实践，包括互联网头部企业、运营商、金融及能源行业的客户。在某万卡集群项目中，华为成功部署了超过9000张NPU卡、数百台交换机和数十PB存储设备，构建起全球领先的AI训练平台。

极致密码：能效、运营、生态协同

对于一个正在上升期的产业来说，性能是核心问题，但并不是全部。摆在当前算力产业者面前的，还有绿色发展、高效运营、产业合作等众多难题需要突破。

AI芯片的功耗持续攀升，单台服务器的功率已超过10kW，整机柜甚至达到几十、上百千瓦。传统的风冷方案越来越吃力，供电系统也面临极限挑战。与此同时，国家“双碳”目标对数据中心的PUE提出了更高要求。

国家发改委发布的《数据中心绿色低碳发展专项行动计划》明确要求，到 2025 年底，全国数据中心布局更加合理，整体上架率不低于 60%，平均电能利用效率降至 1.5 以下，可再生能源利用率年均增长 10%，平均单位算力能效和碳效显著提高。

在这种压力下，液冷、风液混合制冷、动态能效调节等技术开始走向主流。华为提出的目标是PUE≤1.15，追求“极致能效”。通过精准控制冷却系统，结合负载感知机制，实现从芯片到机房的全链路节能。

而当集群规模达到万卡级别，任何一次人为干预都可能带来巨大的时间成本。传统依赖经验判断和人工排查的方式，已经无法适应AI数据中心的高可用性需求，智算中心必须有符合其“智能”定位的智能运营模式。

就此，华为引入了AI Agent智能运维模式，实现了端到端的自动故障处置。通过CCAE一体化运维工具，配合图形化流量分析、丢包监控等功能，华为智能运维平台可将平均修复时间（MTTR）从30分钟压缩到5分钟以内。

然而，数据中心内部的技术再先进，产业却时刻需要面对一个更深层次的问题：供需错配。一边是大量昂贵的算力建设完成，另一边却是应用场景不足、资源利用率低下。尤其是在中小企业和垂直行业中，AI落地仍面临门槛高、适配难、维护难等问题。

这反映出当前AI产业链的一个结构性问题：上下游尚未形成合力。芯片厂商、软件平台、云服务商、终端设备商各自为战，缺乏统一标准和协作机制。

面对这一局面，华为采取开放心态，从软硬件到商业合作，促进生态上下游厂商共同合作，推动AI向更多场景渗透。技术只是基础，只有形成闭环、构建生态，才能真正释放AI的价值。

回望来路，AI的发展不仅改变了我们对智能的理解，也在重塑整个数字基础设施的面貌。数据中心不再只是“幕后英雄”，而是承载着创新、决策和产业升级的重要平台。在这场基础设施的重构中，包括华为在内的产业参与者都在做着自己的探索，他们的每一步都在指向一个更成熟、更可持续的AI基础设施体系，为了AI真正走向产业、走进生活贡献自己的力量。

为了更好的联合产业上下游，打造完善的智算生态，推动算网融合技术发展，由华为技术有限公司与中国IDC圈联合主办的“2025智算行业峰会——算网融合与数据中心创新论坛”将于2025-08-04在北京举办，诚邀产业各界从业者共同参与，携手推动我国智算产业发展。

了解会议详情&报名参会请参考下图

生成海报

免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。