AI的竞争，已经从算法和模型，逐渐延伸到了全栈级的算力基础设施的底层。

文｜白   鸽

编｜王一粟

今年的WAIC结束了，展馆里的声浪似乎还在回响。

和往年一样，大模型和机器人依旧是最热闹的阵地，观众排队体验多模态对话、围观机器人递水跳舞，社交媒体上的打卡照片大多出自那里。

但如果拐进旁边的算力基础设施馆，却俨然有着不同的氛围。围观的人群并不少，但相比较各种花里胡哨的交互，这里的严肃感和技术密度反而更高。

百度、华为、摩尔线程等企业把数据中心的“微缩版”搬进了展馆：一排排黑色机柜、密密麻麻的线缆、嗡嗡作响的液冷系统、超节点架构的实物展示等等。

而这些沉默的“钢铁巨物”，或许才是今年WAIC真正值得盯住的暗流。

因为它们正指向一个被大多数人忽略却决定产业生死的问题：如果它们真的在产业里跑起来，需要多少电？怎么冷却？多少网络？多少储能？多少工程交付？

而这也正是7月17日下午，在WAIC人工智能与能源双向赋能论坛上，百度集团副总裁侯震宇和南方电网、中核、中石油、金风、华为、复旦等专家学者坐在一起聊的核心。

（百度集团副总裁侯震宇）

这场论坛像一道冷峻的转场，把WAIC表面的热闹和AI产业真正要打的硬仗，一下子连了起来。

侯震宇点出了本质：“算力的尽头是电力。”新时代的AIDC，不再是传统IDC的简单扩容，而是AI Infra与能源系统深度协同的新型基础设施。

显然，进入吉瓦（GW）时代后，有卡就行的逻辑失效，而算力竞争已从堆卡的军备竞赛，转向每度电产出多少智能的效率比拼，没有底层基建系统性优化，再先进的芯片也只是耗电的摆设。

而这套逻辑，百度在两个月前就已经明确表态。今年5月，百度执行副总裁，百度智能云总裁沈抖在2026百度Create大会上提出了AI Infra的建设目标：“在AI Infra上，百度将提供每瓦性能更强、性价比更高的AI算力，让每一次训练和推理，都转化成更好的智能体效果。”

可以看到，展厅里的那些机柜不会说话，但它们正在无声地诉说一个被大多数人忽略的真相：AI的竞争，已经从算法和模型，逐渐延伸到了全栈级的算力基础设施的底层。

吉瓦级AIDC 算电协同是根本

今年逛完WAIC后，其实可以很明显的感受到，AI算力赛道的风向变了。

过往大家会更看重单芯片能力，潜台词更多是AI的竞争=模型的竞争≈芯片的竞争，只要卡够多、模型够大，就能跑赢。

但今年，行业开始意识到一件事，即芯片或服务器只是AI基础设施的一部分。真正进入产业后，芯片和服务器要放进数据中心，和供电、制冷、网络、储能、调度、运维一起工作。

AI的算力基础设施竞争，不是把服务器摆出来，而是要满足AI的大规模训练推理需求、要稳定、要安全可控，而这需要的是一整套基建能力。

美国银行的一份下一代AI数据中心的成本分析说得很直白：AI数据中心的钱，不是只花在GPU上，而是分布在IT设备、供电设备、冷却设备和工程建设里。

这说明AIDC（AI Data Center，智能数据中心）从来不是单一硬件采购，而是一整套基础设施工程。而这套系统级算力基建，随着规模不断扩大，已经开始进入吉瓦级时代。

吉瓦（GW）是什么概念？简单的说，它就是一个功率的单位，衡量具体的用电量。1GW的用电规模，差不多是一座特大城市的居民用电总量。

业内都知道，训练一个大模型、运行一个推理集群，本质上是在驱动数以万计的GPU/AI芯片持续高负荷运转。而这些芯片功率密度极高，导致数据中心的耗电量惊人。

用个比喻来说，如果说算力（FLOPS）是“脑力”，那么电力（GW）就是“饭量”。

越聪明的脑子，吃得越多。当一群“超级大脑”聚在一起（万卡/百万卡集群），它们的“饭量”就会从兆瓦（MW）飙升到吉瓦（GW）级别。

这已经不是一个普通变电站能喂饱的，需要专门配套发电设施或接入主干电网。

但从中国电力国情来看，其实并不缺“电”这个原料，缺的更多的是如何把电高效转化为有效算力的系统工程能力。

而这背后所考验的，其实就是“算电协同”能力，就是需要算力和电力同步规划，一起建设、一起运营，不能各干各的。

这也就意味着，做算力基建的企业，不仅要懂芯片和算法，还得懂电网、储能、光伏、液冷，甚至地方能源政策。

今年3月的《政府工作报告》中，明确提出：“打造智能经济新形态，实施超大规模智算集群、算电协同等新基建工程，加强全国一体化算力监测调度，支持公共云发展。”

这是“算电协同”首次被写入政府工作报告，标志着其从地方试点、行业概念正式升格为国家级新基建战略。随后的5月，《关于促进人工智能与能源双向赋能的行动方案》的发布，则将算电协同从政策定调推进到落地实施阶段。

如果没有系统级规划算力基建的云厂商，在下半场的AI竞争中，会比较难受。

就像侯震宇提到的，算力的尽头是电力，双向赋能必须从底层基础设施的重构开始。而百度智能云也从两方面入手，打造系统级的AI算力基建能力。

简单来说，百度AIDC的核心打法就两条：

第一条，“让AI来管电”，把大模型塞进数据中心的能源管理系统里，相当于给数据中心配了个智能管家。这个管家能毫秒级地感知哪里热、哪里耗电，自动调节空调和供电，把电用到刀刃上。

第二条，“用全栈AI云省电”，靠自研的昆仑芯万卡集群和整套AI云平台，从根子上把算力的“饭量”降下来。同样干一个活，别人的机器吃十碗饭，百度可能只需要吃八碗。AI越往后发展，电费账单越吓人，这条路走通了，长期运营成本就能压下来一大截。

“这样不仅能解决我们数据中心的能源问题，还能够让我们的AI能力进一步深入到能源行业中去。从IT到电力双向运营，从底层基础设施上共同做出东西来。”侯震宇说道。这样，才能真正推动算电协同的实质性落地。

AIDC的新尺子 每瓦多少Token

一般来说，传统IDC建设的逻辑，是堆面积、堆机柜、堆服务器，算力自然就会增长。这套逻辑在CPU时代是成立的，因为负载稳定、功率密度低，且系统复杂度有限。

但AI时代，这一切都发生了变化。

AIDC如果按照此思路进行建设，堆GPU会导致耗电量暴增、散热崩溃，最终名义上算力是增高的，但实际Token产出却很低。

背后的核心矛盾就在于，AI负载与传统云计算存在根本区别：大模型训练、推理、智能体调用会带来更高的功率密度、更复杂的网络通信和更强的调度需求。

举例来说，一般AI负载的功率密度已达100kW以上每机柜，远超传统风冷极限的30到40kW。单纯放大不是建设数据中心，而是热力学灾难。

所以，AI时代，好的AIDC不是更大的“用电大户”，而是能把每一度电尽可能转化为有效AI产出的智能节点。

长期以来，PUE一直是衡量数据中心能效的核心指标之一。它是数据中心总能耗与IT设备能耗之比，数值越接近1，说明用于制冷、供配电等辅助设施的能源占比越低，更多电力真正进入了服务器。

进入AI时代，PUE的重要性并没有下降，反而变得更加突出。大模型训练、推理和智能体调用持续推高算力需求，而数据中心能够获得的总供电容量往往存在上限。此时，每减少一部分制冷和供配电损耗，就意味着可以为GPU释放出更多功率空间。

但PUE只能回答“有多少电进入了IT设备”，还不能回答这些电最终产出了多少有效智能。因此，百度提出，衡量它先进性的标尺，关键还要看每瓦能跑出多少Token。

那么，数据中心的能耗与Token效率之间怎么转化？

PUE与Token产出之间，存在一层直接的功率转换关系。在同等条件下，PUE降低10%，最终输出的Tokens能增加11.1%。

换句话说，在传统数据中心里，降低PUE主要是一笔节能账；AIDC里，它同时也是一笔产能账。

为了实现每度电更多Token产出，全球巨头们也在为了电力、冷却、选址去重构基础设施布局。

如微软签约三里岛核电站20年，是为了锁定基荷电源保障Token连续产出。xAI在孟菲斯建20万卡全液冷集群，说明散热决定能不能装、能不能跑满。Meta在北极圈建数据中心，因为自然冷却等于免费释放热边界。中国推东数西算，训练去西部、推理留东部，因为能源成本直接决定Token成本。

而一旦“每瓦Token”成为核心指标，所有技术动作都有了统一的标尺。也正是在这个标尺上，百度智能云围绕“每瓦Token产出”，形成了一套贯穿AIDC建设与运行的系统方案。

比如在供电层，百度自研瀚海800V直流电源，将端到端电力传输效率从传统的80%-85%提升至90%，在GW级体量下相当于节省一座中型电站。

储能的角色也在改变。传统数据中心的电池主要用于断电备份，是一种低频应急资产；但在吉瓦级AIDC中，GPU负载可能在毫秒级剧烈波动，需要储能高频参与功率调节。当前，行业正在探索“储备一体”，即在保障备电安全的同时承担一定的削峰填谷功能，百度智能云也在推进相关研究。

另外，制冷层则采用风液兼容架构，可满足未来单机柜600kW+超高功率密度制冷需求，同时兼容风冷与液冷服务器部署，灵活应对芯片供应链不确定性，实现数据中心向液冷架构的平滑演进。

网络层，则以“网络向心布局”替代传统供配电中心布局，最大限度缩短计算节点与网络节点的距离，提升集群算力利用率；交付层则通过工厂预制化与现场并行施工，实现3.2万卡集群4个月极速交付。

这套系统级的全栈能力，构成了百度在AI算力基础设施领域的核心竞争力，不仅有卡，更能将每一度电高效转化为有效算力。

AI云的全栈协同 最贵也最难

吉瓦级AIDC时代，对系统级能力的考验来到了一个新高度。 

想要做好算电协同，要跨部门、跨行业、跨市场的系统协同。它也不是一日之功，需要在真实项目里把电力、网络、散热、调度磨合出来，这对于任何一个云厂商来说，都是巨大的挑战。

这也是为什么，今天能拿出吉瓦级AIDC建设能力和三万卡国产集群交付记录的厂商，值得被认真对待：它证明的不是“我有资源”，而是“我把系统真的跑通了”。

百度智能云，就是目前国内云厂商中首个把这套系统跑通了的玩家。放眼整个行业，他们最先意识到这件事的重要性，并提出了系统性的解决方案，并率先在这个方向做出了突破。

就像前文所说，百度智能云从供电、制冷、储能、网络、交付等多个层面，已经完成了从传统IDC向新时代吉瓦级AIDC的变革。

在这个体系里，百度自研的昆仑芯P800完成规模化交付并直接用于训练文心5.1重要版本的训练，超节点产品天池256超节点相比上一代，吞吐性能提升了25%。

单点的算力再强，也需要整体的集群优化，同样的GPU功率，如果网络拓扑设计得好，数万乃至数十万张芯片间的通信延迟低，GPU就不会“空等”。

围绕这一瓶颈，百度智能云将集群网络由单口400G接入升级为双口400G冗余接入，并通过多平面架构增强故障容错能力；同时采用全二层组网方案，将端到端时延优化50%。升级后的高性能网络HPN 5.0架构，可以支撑从数十万卡向百万卡规模演进，让更多芯片能够在同一集群中高效协同，减少算力因通信等待而产生的损耗。

同时，如果模型并行策略优化得好，大规模集群的扩展效率就高；如果推理做了量化压缩、投机解码，单次请求的算力消耗就更少。

于是在数据中心之上，百度智能云全面升级了面向大规模智能体应用的新一代全栈AI云，AI Infra与Agent Infra两层同步提速。

未来AI产业的大部分算力消耗，将来自推理和智能体调用。在推理层面，百度百舸AI计算平台通过分层池化架构将KV Cache命中率提升至90%以上，搭配AFD分离、PD分离等深度优化，长链路Agent推理性能较主流开源引擎提升3倍。

可以看到，从底层的国产算力芯片昆仑芯，到吉瓦级AIDC建设的全自研、全优化，再到云平台的百度百舸、百度千帆，以及最终落到AI应用层的百度搭子等智能体产品，百度智能云已经实现了从芯片到云平台，再到AI应用端到端打通。

这几条线拼起来，对应的不是某一个产品，而是从芯、云、模、体的全栈AI云架构出发，打造AIDC的系统级全栈AI算力建设能力——它懂AI负载（自己跑大模型、跑搜索、跑智能体），也有云入口，还能把供电/制冷/网络/储能/调度这一整盘和AI负载一起设计。这种贯穿全栈的协同，也将直接影响AI长期运行的能源效率和成本。

显然，这是“拼装型”云厂商做不到的。

相关数据显示，在中国自研GPU云市场，百度智能云以40.4%的市场份额位居第一，在算力规模、产品能力和重点行业落地方面形成明显领先优势。财报数据更加清晰，今年第一季度，百度智能云AI云收入同比增长79%；其中GPU云收入同比增长184%，增速持续攀升。

而这，也是众多行业客户为百度智能云买单的关键原因之一。2026年上半年，百度智能云AI云中标金额14亿元、位居第一。在统计的五家主要厂商中占比超60%，断层领先。据IDC数据显示，百度智能云以29.55%的市场份额位居第一，持续领跑中国具身智能云市场。

百度智能云的客户覆盖中国联通、中国银联、中汽创智等头部机构，集中在金融、通信、大交通、具身智能等商业化门槛最高、对供应商要求最严苛的行业。

走出WAIC展馆，热闹终会散去。但AI产业真正要回答的问题，不会因为展会结束而消失。

当大模型参数从千亿走向万亿，当智能体从实验室走向千行百业，当AI应用从“能用”走向“好用”，支撑这一切的，不是某一块更强的芯片，而是能把电力、算力、网络、制冷、储能和调度协同起来的新型AIDC。

这个转变，正在重新定义AI基础设施的竞争格局。WAIC上，机器人跳舞很精彩，但别忘了，它们背后那座看不见的新时代的吉瓦级AIDC，才是决定AI能走多远的真正战场。