01 智算中心行业现状
1.1 推理成本决定大模型最终的胜利
AI大模型训练相对较少，仅有屈指可数的几个大厂可以做（训练）自己的模型。而更多的公司则主要是基于开源大模型来完成自有AI推理和应用。 大模型应用，没有技术门槛。目前，大模型应用还没有规模化落地的案例，但可以确定的是，一旦有爆款的应用落地，必将有无数个类似的应用迅速出现。应用创新不是决定大模型成功的核心因素。 大模型时代，跟之前的移动互联网时代最大的不同在于：
移动互联网时代，谁获得用户和流量，谁就能获得成功。底层逻辑是移动互联网的系统边际成本很低。因此，“通过免费吸引客户，然后再获取收益”，成为了最典型的商业模式。 而大模型时代，底层逻辑发生了很大的变化。大模型时代，系统的成本几乎和客户使用量成线性关系，也即是每次服务都有不菲的成本，边际成本依然很高。这里的成本绝大部分来源是推理的算力消耗。在大模型时代，谁能把推理成本降到极致，谁就能获得最终的胜利。
1.2 国产算力产业链耦合性高，落地难
1.3 投入大，利润低，风险高
1.4 大客户压价严重，小客户不确定性高
需要实现算力服务化，既能服务大客户，也能服务长尾小客户。 提供更多的能帮助业务落地的服务和解决方案。 算力需要接入更多的算力（运营）网络，拓展更多的市场渠道。 等等。
1.5 算力租赁模式，不是长久之计
02 充分优化算力的成本
方式一，是通过虚拟化容器等机制，实现算力资源的充分共享，从而达到分摊成本的目的。 方式二，把计算任务，从CPU、GPU进一步卸载到更高效单位算力成本更低的专用加速单元完成。 方式三，更大规模的资源池。通过算力调度，实现更高效的资源共享。
2.1 虚拟化实现算力资源共享
第一种，传统算力租赁方式。完全物理的服务器，可售卖的仅为一个资源量为12的计算实例。最极端的情况，客户仅需要1个资源的情况下，另外11个资源都是浪费。 第二种，基本虚拟化。可以实现算力切分，这样，我们可以把一台物理的机器切分成四台虚拟的机器，可售卖4台计算实例，资源量分别为4-4-2-2。 第三种，精细虚拟化。不同的计算对各类资源的需求并不是完全对等的，可以针对需求分配多一些的某种资源，其他需求少的资源可以少分配一些。这样，我们可以把一台物理的机器切分成6台虚拟的机器，可售卖的机器实例变成6个，其资源量分别为4-4-3-3-2-2。 第四种，软硬件协同优化。通过硬件级的性能隔离、更高效的迁移调度，能够实现用户业务无感情况下的超卖，这样可售卖的机器数量会继续增加。
2.2 硬件加速降低单位算力成本
2.3 算力网络和云边端融合，实现更大规模资源池化
03 行业深耕，从算力租赁到算力服务
IDC所属的机房或机架租赁； 智算中心所属的服务器裸机租赁； 传统公有云所属的IaaS级的计算、网络、存储等基础云服务； 传统公有云所属的PaaS级的服务，典型的如AI训练、推理服务，以及AI算法服务等； 传统公有云所属的行业和场景解决方案，针对大中型客户的复杂计算场景，提供的一整套云解决方案。
04 给业务客户更多的价值
4.1 极低的算力成本
智算产业，最核心的参数是算力，也即微观的性能。通过多异构/异构融合计算，实现计算架构的极致优化。在通过融合计算（异构融合 x 软硬件融合 x 云边端融合），实现超大规模的高效协同计算，从而实现更高的算力，更强的智能。 算力和成本是反比的关系，同等成本下更高的算力，反过来说，就是单位算力更低的成本。通过融合计算的综合优化，算力高效利用，算力价值充分挖掘。与此同时，通过开放架构和生态体系的方式，实现客户无平台和生态依赖，客户仅需要为价值付费。 还有一个关键的因素，就是智算中心的能耗。绿色智算中心大家最关注的是PUE，PUE优化0.01都非常困难。而实际上，能耗大头其实是在IT设备自身，也就是PUE数值中小数点前的那个“1”。通过融合计算的计算调度优化，优选最低能耗的计算平台（DSA>GPU>CPU），从而实现同等算力情况下更低的计算能耗。与此同时，通过异构的协同和融合，实现更高效的加速计算，进一步实现极低的综合算力的平均能耗。
4.2综合完善的算力服务
4.3 加速客户业务落地
算力供应方（卖家），聚焦算力建设，核心竞争力在于给用户提供更低成本的算力。
算力运营方（平台），轻型云计算公司，自身没有算力，但可以从全国甚至全球获取海量低成本算力接入。价值点在于帮助算力客户复杂计算场景的业务落地。
算力需求方（买家），一方面需要海量、优质、多样、低成本的算力。另一方面，随着AI大模型以及多样性云边端算力的发展，业务复杂度进一步，需要算力的提供方（供应方或运营方）提供更多的业务落地解决方案。
（传统的）技术解决方案。如海量计算、安全、高可用、大数据、云备份、物联网、视频云、混合云、智能化运维节约等解决方案。 （传统的）行业解决方案。如面向零售、政府、出海、金融、教育、工业、汽车、园区和物业、云游戏、云桌面、农业、能源、医疗等行业的相关解决方案。 （创新的）AI大模型解决方案。如基于万卡GPU集群的大模型训练平台、基于多样性算力的异构云边端协同推理平台，以及更上层的面向短视频、AI-Agent等方向的AI平台服务等。 （创新的）软硬件结合类解决方案。如高阶智驾、人形机器人、工业自动化、MEC接入等跟终端硬件深度整合的各类解决方案。
4.4 持续优化的产品和服务
云-云连接：这和目前公有云跨区域（Region）和可用区（Zone）的网络连接方案一致。同一区域下所有可用区为全相联（所有数据中心均和其他数据中心有直接连接），然后所有的区域为全相联。 云-边连接：就近接入物理距离最短的云数据中心，跟其他云数据中心或边缘数据中心的链接，通过接入的云数据中心中转。 云-端连接：端侧和云端的链接，均提供就近的接入点，快速接入算力供应商的全球高速数据网络。 边-端连接：边缘作为端侧的高速网络接入点，既接入边缘算力服务，又接入算力提供商的全球高速数据网络。
点击下方名片
即刻关注我们
