全球AI工廠4萬億激戰！這家國產廠商領先一個身位了

智東西 作者 | 李水青 編輯 | 漠影 一場圍繞Agent的全球基建競賽，已跨越不可逆的臨界點。 全球權威研究機構Omdia最新報告預測，2026年，全球科技巨頭在AI基礎設施上的資本支出將超過6000億美元（約合4.07萬億元人民幣），規模堪比一個世紀前的工業電氣化革命。 國際AI巨頭紛紛斥重資打造AI工廠。OpenAI剛剛披露，其2026年全年算力預算500億美元，並牽頭千億級 “星際之門” 超級算力工廠；Anthropic先後與谷歌、亞馬遜達成數百億美元算力及投資合作，租賃SpaceX大型超算作為推理算力工廠，同時投入500億美元自建數據中心集群…… 當英偉達CEO黃仁勳斷言“AI不是軟件，而是工廠”，微軟CEO納德拉將Azure重構成“全球最大的AI工廠網絡”，產業競爭的焦點已不是模型，而是能否穩定、低成本、規模化地“生產智能”。 Omdia這份名為《2026全球AI工廠市場格局》的報告，點明瞭新時代的核心邏輯——決定勝負的，不再是誰擁有更多GPU，而是誰能夠更高效地把“電力+算力+數據”轉化為真正有價值的Token。 更值得關注的是，這份報告首次系統性梳理了全球AI工廠玩家的不同路徑。其中，一個來自中國的樣本，被Omdia單獨定義為“智能精煉（Intelligence Refiner）”範式的代表——商湯大裝置。 ▲Omdia報告截圖 與此同時，IDC最新中國企業級MaaS市場報告顯示，商湯大裝置“萬象”大模型平臺憑藉11.3%的市場份額，位居中國大模型平臺私有化市場第二，躋身行業第一梯隊。 當下正值OpenAI、Anthropic等全球AI巨頭紛紛殺入企業級服務市場，競賽的號角吹響，國產廠商如何守住陣地並向外圍突破？商湯大裝置憑什麼被國際權威機構蓋章認證為“開創者”？ 智東西結合Omdia報告，並獨家對話商湯大裝置解決方案總經理代繼，試圖從產業最前線拆解：AI工廠為什麼突然爆火，以及一家中國企業如何提前卡位這場新基礎設施競賽。 一、AI工廠爆火：從訓練模型到生產智能，“精煉師”登場 AI工廠為什麼會在今年突然爆火？ 代繼給出的答案很直接：因為Agent真正逼近了產業爆發臨界點，AI產業的水位變了。 過去兩年，行業更關注模型訓練，重點始終是“大模型能力夠不夠強”，刷榜快不快；如今隨著Agent加速落地，越來越多企業開始發現，真正消耗海量資源的其實是推理階段。訓練可能只發生一次，但推理會長期持續發生。未來80%以上的算力消耗，都可能來自推理與Agent運行。 這意味著，AI產業開始從一次性研發邏輯，轉向持續性的工業化運營邏輯。企業開始關心新的問題：模型已經足夠聰明，如何把它變成穩定、可控、可規模化的AI生產系統？ 這也正是AI工廠概念迅速升溫的核心原因。 根據Omdia報告的定義，傳統數據中心，本質上是在提供服務器、存儲與網絡資源；AIDC（智算中心）則主要提供GPU算力；而AI工廠輸出的，已經不再只是“計算資源”，而是企業級AI能力、智能體與Token生產能力。 而一旦進入AI工業化運營邏輯，企業開始關心的不再只是模型性能參數，而是：單位Token成本到底是多少？GPU利用率能不能持續提升？多種國產芯片能否混合運行？推理與訓練能否動態調度？電力成本是否還能壓縮？Agent失控時如何保障業務安全？等等。 這些問題，本質上都是基礎設施問題。 Omdia在報告中明確指出，AI工廠已經不是傳統數據中心的升級版，而是一種“以生產智能為目標的新型工業基礎設施”。 全球科技產業的重心，也開始集體向這裡遷移。 一邊是海外巨頭全面加碼。英偉達、微軟、亞馬遜、谷歌持續擴張AI基礎設施；另一邊，中國市場也正在進入AI工廠建設高峰期。特別是在金融、政務、能源、製造等行業，越來越多企業開始推進私有化AI工廠建設。 全球AI工廠市場隨之演變出了不同類型的核心參與者：有賣“盒子”的一站式私有AI底座商，有賣端到端服務的全棧公有云巨頭，有賣極致性能的算力原生AI雲，也有賣本地化服務的區域運營商。競爭的焦點在於，誰能把Token的價值密度做得更高，誰就有望佔據優勢生態位。 ▲全球AI工廠市場演變出了四類核心玩家群體 在激烈的角逐中，Omdia之所以將商湯大裝置推舉為“智能精煉範式”的開創者，核心在於其率先完成了從“算力生產能源公司”向“企業級智能製造工廠”的進化 。 所謂“智能精煉”，本質上是通過一套圍繞模型生產和智能輸出構建的完整系統工程，形成“智能生產線” 的運行模式，把原始算力、推理服務、數據處理、模型測評、算力調度等融合，最終實現更高效的Token生產。代繼告訴智東西，商湯大裝置是在這一領域最早佈局的代表玩家之一。 ▲商湯臨港智算中心 二、為什麼是商湯大裝置？五層架構，把算力數據煉成生產力 事實上，商湯佈局AI工廠，並不是今年才開始。 早在2022年，行業還在討論“大模型到底有沒有商業價值”時，商湯內部就已經提出“AI數字工廠”構想。 過去幾年，商湯大裝置逐漸形成了一套完整的“五層架構”。而這套架構，本質上也是圍繞AI工廠落地過程中最棘手的問題逐層展開。 ▲商湯大裝置AI工廠架構 1、能源與物理層：聯手“寧王”，先解決“電老虎”痛點 AI工廠首先面對的，是能源問題。 AI時代的數據中心，耗電量遠超傳統IDC。尤其在推理規模持續爆發之後，電力已經開始成為AI工廠最核心的運營成本之一。因此，AI工廠的競爭，首先是能源的競爭。 為此，商湯大裝置與寧德時代合作，在臨港AIDC落地算電協同平臺：其核心目標是通過電力預測、儲能調度與負載優化，讓整個AI工廠運行效率最大化。 Omdia數據顯示，該系統能源預測準確率達到88%，決策準確率達到93%，PUE降至1.265，年節約電費約7%，碳減排每萬P 4000噸。 在AI進入高耗能時代後，“電”已經不再是輔助資源，而是AI工廠核心生產資料的一部分。 2、異構算力層：真正難啃的，是國產芯片碎片化 如果說能源是AI工廠的血液，那麼異構芯片協同，就是最難打通的神經系統。 代繼向智東西坦言，五層架構裡最難的一層，就是異構算力層。原因很簡單：國產芯片生態高度碎片化。每一家國產AI芯片或GPU廠商，幾乎都是一個“黑盒”。不同芯片擁有不同通信協議、不同調度方式、不同硬件架構，很難通過統一方法實現協同。 而現實情況是，很多大型企業內部，本身就已經採購了多個品牌AI芯片。“每個客戶基本都會有一點。”代繼說，“你必須幫他把這些東西真正協同起來。” 據瞭解，商湯大裝置率先實現了萬卡級國產GPU集群異構混訓。Omdia數據顯示，其異構訓練效率已達到同構訓練95%的水平。這意味著，客戶無需再過多關注不同芯片之間的適配與調度問題，商湯在底層就把這些碎片化問題解決了。 而這背後，是長期底層優化積累。代繼透露，很多國產AI芯片優化，往往需要針對具體超級節點、交換機結構、通信協議逐層寫代碼調優。不是把任務拉起來跑就行，而是你得知道每一層瓶頸在哪裡，不斷調到最優值。 這種能力，很難通過短期堆資源獲得。 3、調度平臺層：AI工廠最大的浪費，是GPU閒著 AI工廠需要同時服務訓練和推理兩種截然不同的工作負載，需要“訓推共池”。 過去很多訓練集群，一旦訓練結束，大量GPU會出現空轉；推理系統則可能在高峰期爆滿、低谷期閒置。如何在同一資源池中實現兩者的高效共存，避免資源浪費同時保障SLA，是全行業的共同難題。 為此，商湯大裝置通過自研訓練框架，開發並優化多種並行策略，提升訓練性能和顯存管理，另外，支持開源vLLM及自研LightLLM雙推理引擎，極大提升推理效率並壓低推理成本。 本質上，AI工廠已經越來越像現代工業流水線。對於金融、政務等對穩定性要求極高的客戶而言，這一層直接決定了AI能力能否進入核心生產環節。 4、MaaS層：模型正在變成開放部署的“工業零部件” 在模型層，行業也發生了明顯變化。 過去，大模型公司普遍希望通過閉源模型建立壁壘；但隨著開源模型快速成熟，行業開始意識到模型本身，正在逐漸變成標準化能力。 商湯大裝置的MaaS層，不是單純提供自研模型，而是整合“日日新”與大量第三方開源模型，形成統一調用平臺，提供模型部署、模型推理、Agent開發能力等。 企業面對琳琅滿目的開源模型和商業模型，往往不知道如何選擇、如何調優、如何部署模型，商湯的MaaS層整合了“日日新”大模型及第三方開源模型，提供一站式模型服務，讓企業可以從海量選項中抽身，聚焦於自身業務邏輯。 模型，正在從“明星產品”變成開放選項的“工業零部件”。 5、產業應用層：真正有價值的，是場景化Token 而五層架構裡，最接近業務價值的一層是應用層，也是客戶獲得感最強的層面。 代繼認為，企業真正需要的不是“通用Token”，而是“場景化Token”。也就是說，這個Token必須具備行業理解能力，結合了結合AIGC、具身智能、AI4S等場景的高濃度產業知識，從而成為真正理解業務流程、專業知識與安全邊界的智能系統。 商湯過去十幾年積累的大量產業經驗，也開始在這一層形成複利。 例如，其與鐵一院打造鐵路設計首個多模態大模型，貫通28個專業知識，測試準確率超90%；與上海市規劃資源局共建6000億參數的“雲宇星空”大模型，構建“1+6”模型體系，精準支撐複雜的城市空間治理。 ▲“雲宇星空”大模型應用界面 代繼告訴智東西，相比純SaaS層的後來者，商湯大裝置擁有更深的物理層控制力，它是智能的“原始生產商”，交付成本更低、穩定性更強。而相比傳統雲廠商，商湯大裝置又是AI原生的，沒有歷史包袱。 三、OpenAI、Anthropic剛下場，中國廠商已提前卡位“場景化Token” 近期，Anthropic與黑石成立AI原生企業服務公司，OpenAI也設立新公司殺入企業級部署。當模型巨頭們紛紛從線上走向線下，商湯大裝置的護城河在哪裡？ 代繼告訴智東西，核心還在於“場景化Token”。 他談道，企業級AI與消費級AI有較大區別。製造、能源、交通、城市治理等傳統行業客戶往往缺少AI技術團隊，或技術人才儲備不足，難以直接把GPU和模型轉化為生產力。從基礎設施到業務價值之間，存在一條極長的落地鴻溝。而真正決定企業AI成敗的，往往是行業Know-How、部署能力與場景理解。 這也是為什麼，OpenAI和Anthropic開始大量招聘行業專家，並向FDE（前沿部署工程師）模式靠攏。但當這些巨頭剛剛開始敲門，商湯大裝置早已提前在門內佈局。 過去十幾年，商湯在智慧城市、醫療、交通、具身智能、AIGC等領域積累的大量行業知識，被重新萃取、嵌入模型與服務體系之中。最終，客戶調用的已經不是一個“裸模型”，而是一套具備場景理解能力的智能能力。 這也正切中當前企業市場最核心的變化。國內各行業客戶的核心訴求尤為鮮明：強調全掌控、私有化、可控、安全、深度參與。 代繼透露，目前國內增長最快的，仍然是私有化AI工廠。因為企業並不希望AI成為一個無法掌控的黑盒。“如果你用這套系統驅動核心業務，一旦失控，整個產線都可能掛掉。”他說。 因此，未來企業AI大概率不會是完全自主Agent，而會是“Agent + Workflow”的混合架構。 在企業服務商業模式的探索上，美國數據巨頭Palantir依靠FDE（前沿部署工程師）模式斬獲的高速增長震動了業界。代繼坦言，商湯大裝置目前的進化邏輯與Palantir不謀而合，正重點推動FDE深度賦能模式，集中重兵突破頭部的Key Account（大客戶）。 這也從行業角度，解釋了為什麼AI工廠最終會越來越像工業系統，而非互聯網產品。 從金融行業的碎片化算力整合，到與上海市規劃資源局共建的6000億參數的政務大模型，再到企業核心業務中的可控Agent體系，商湯大裝置正在通過一次次高複雜度項目，把自己的“原生AI雲 + 深刻場景理解”融入AI工廠，修築起一道難以逾越的護城河。 結語：2030年的AI贏家，屬於今天的“智能精煉師” Omdia預測，到2030年，全球數據中心市場累計投資將接近1.6萬億美元。資本正從“買算力”轉向“建工廠”，這場競賽的終局，將是能源、算力、算法、場景與服務的系統性角力。 OpenAI與Anthropic的入場，印證了企業級AI市場的巨大引力。而商湯大裝置憑藉其前瞻佈局的“AI數字工廠”五層架構，包括硬核的算電協同與異構混訓能力，以及深入產業肌理的“智能精煉”範式，已在這場全球性的基礎設施重構中，率先卡住了生態位。 正如黃仁勳所言，AI模型可以複製，但AI工廠不能。那些率先成為“智能精煉師”的先行者，有望定義下一個時代的產業格局。