发现报告

核心观点

• AI 影响学生学习和工作方式： 学生使用 AI 提升学习效率，但同时也出现过度依赖的迹象，如学习深度下降、独立思考能力减弱等。教师也担忧 AI 可能削弱学生技能发展。
• AI 整合程度不均衡： 尽管 AI 正进入课堂，但整合程度参差不齐。多数学生未体验 AI 整合，或仅限于部分课程。AI 整合带来的学习价值有限，多数学生认为其帮助有限或仅具 novelty。
• AI 素养水平有待提升： 学生和教师对 AI 的理解和应用能力仍处于初级阶段，尤其在批判性评估 AI 内容、伦理和负责任使用等方面存在不足。
• 对 AI 评估和课程设置的担忧： 学生质疑现有评估方式是否能反映 AI 时代所需的能力，多数学生认为评估方式与未来工作需求脱节。教师对课程设置的时效性也缺乏信心，但更乐观地认为课程内容能够保持相关。
• 地区差异显著： 亚太地区对 AI 普遍持乐观态度，而美国和加拿大则更为谨慎，担忧 AI 对智力发展和就业市场的负面影响。美国和加拿大学生更支持禁止 AI 使用。
• 机构支持不足： AI 素养培训尚未大规模覆盖学生，教师对自身 AI 素养发展缺乏信心。机构 AI 政策和指南尚不完善，且缺乏对师生的有效参与。
• 学生对 AI 职业重要性的认知存在分歧： 多数学生认为 AI 技能对未来职业发展至关重要，但不同学科和地区的学生对此看法存在差异。

关键数据

• 45,398 名学生和教师参与调查，覆盖 35 个国家。
• 88% 的学生使用 AI 进行学习，而教师的使用率仅为 77%。
• 15% 的学生表示 AI 已整合到许多课程中，43% 表示仅在部分课程中使用了 AI，而 43% 表示课程中未使用 AI。
• 61% 的学生认为 AI 可以让他们更专注于思考，31% 表示尝试更具挑战性的工作。
• 22% 的学生表示在没有 AI 的情况下工作更加困难，20% 依赖 AI 来完成更好的工作，19% 表示记忆力下降。
• 66% 的学生担心 AI 可能使学习过于肤浅，73% 的教师认为学生可能以牺牲自身技能发展为代价使用 AI。
• 41% 的学生担心 AI 将减少他们领域的就业机会。
• 37% 的学生表示他们对课程是否与 AI 和未来技能保持同步表示严重怀疑。
• 28% 的学生相信大多数或许多评估反映了他们在 AI 驱动的职场中需要的工作、技能和判断力。
• 63% 的教师认为 AI 减少了他们花在常规教学任务上的时间。
• 66% 的教师预计 AI 将给他们的角色带来重大或变革性的变化。
• 53% 的教师不认为 AI 是对其工作的威胁。
• 69% 的教师认为促进学生的批判性思维和学习是教育者最重要的技能。
• 59% 的教师认为在 AI 和技术的道德和负责任使用方面具有专业知识是教育者最重要的技能。

研究结论

• 高等教育机构需要采取更积极的措施来应对 AI 带来的挑战和机遇，包括加强 AI 素养培训、完善 AI 政策和指南、鼓励师生参与 AI 整合等。
• 机构需要关注 AI 对学生学习和职业发展的影响，并调整课程设置和评估方式，以适应 AI 驱动的未来劳动力市场。
• 教师需要提升自身 AI 素养，并积极探索 AI 在教学中的应用，以更好地指导学生使用 AI 并培养他们的 AI 素养。
• 学生需要了解 AI 的基本原理和应用，并培养批判性思维、伦理判断和负责任使用 AI 的能力。

核心观点

• AI教育新阶段： AI从辅助工具转向教育基础设施，重构教育系统底层逻辑，推动教育从经验驱动转向数据驱动，从周期性管理转向实时性管理。
• 教育大模型竞争： 通用大模型加速进入教育场景，垂类教育大模型快速发展，学校私有化模型部署与教育主权意识上升，教育数据成为核心战略资源。
• 三大危机： 技术中心主义危机（评价标准异化、数据迷恋、复杂系统简化）、主体性危机（学生认知外包、教师角色认同危机、权力结构失衡）、信任危机（学术诚信、算法与隐私信任、学历信号价值稀释）。
• 全球治理模式： 欧盟风险治理、美国原则导向与地方自治、英国风险规制、芬兰教育价值与伦理导向、新加坡国家统筹、日本审慎创新、韩国技术驱动与国家推进。
• 中国实践与治理： 政策驱动、教育场景规模优势、应用领域拓展、顶层设计持续完善、治理方式逐步走向分层分类、治理体系逐渐形成多元共治格局、治理能力仍需持续完善。
• 治理原则： 坚持教育价值引领、坚守人本内核、以教育公平为底线、打造适配技术迭代的监管体系、全面提升师生数智素养、推动多元共治。
• 对策建议： 强化顶层设计、抬高准入门槛、统筹数据治理、重塑教育评价体系、持续赋能教师队伍。

关键数据

• 60.7%的教师基于提升效率目的使用AI工具，56.7%因减轻负担目的使用AI工具。
• 全球AI+智慧教育市场规模预计2025年达850亿美元，2030年突破2400亿美元。
• 英国谢菲尔德大学AI相关学术不端案例一年内从6起飙升至92起。
• 72%的人接受使用AI，但54%认为AI带来网络安全、隐私泄露及错误信息等显著风险。
• 中国国家智慧教育平台用户已突破1.78亿，覆盖200多个国家和地区。

研究结论

• AI推动教育从工业化时代的标准化体系向智能化时代的大规模个性化与人机协同体系转型。
• 人工智能教育治理的根本命题是：在技术创新与风险防控、效率提升与公平保障、工具理性与价值引领之间建立动态平衡。
• 未来教育竞争不仅是技术能力竞争，更是治理能力竞争。
• 人工智能教育治理需要以教育价值为根本遵循、以人的主体性为核心、以教育公平为基本底线、以适应性监管为制度保障、以师生数智素养为能力基础、以多元主体协同为治理机制。

一、超节点行业概况

AI模型参数量和训练复杂度持续提升，对算力基础设施提出更高要求，传统服务器集群架构面临通信墙、功耗散热墙、复杂度墙三重瓶颈，超节点成为算力基础设施演进的核心方向。超节点通过Scale-up和Scale-out结合的组网方式，突破传统架构的通信瓶颈，将分离的算力芯片整合成逻辑上的“超级GPU/ASIC”。

超节点演进历经三个阶段：计算机视觉模型主导的单卡阶段，NLP模型主导的八卡模组阶段，当前大模型主导的超节点服务器集群阶段。超节点的核心增量在于Scale-up互联，通过NVLink、UAlink、UB等协议，搭配胖树、Mesh、Torus等拓扑，实现高带宽、低时延的内存语义通信。

超节点推动多环节升级：光通信向跨柜、集群化演进，NPO方案成为主流；铜连接向高速、高密度升级；交换环节从柜外下沉至柜内，国产替代空间大；液冷从选配变为标配，冷板式液冷优先放量；供电向高功率、模块化演进，推动架构升级。

二、市场规模

2026年起国内超节点投资进入规模交付阶段，预计2026、2027年国产超节点机柜市场规模约759亿元、2256亿元，对应等效64卡机柜出货量0.69万、2.38万柜。需求由国内头部CSP资本开支拉动，供给受国产AI加速卡限制。

三、技术演进

传统计算集群多采用横向扩展（Scale-Out）架构，但大模型分布式训练高频执行All-Reduce、All-to-All集合通信，跨服务器带宽与时延成为核心瓶颈。为突破瓶颈，头部厂商探索向内聚（Scale-Up）超节点方案，路线有所区别：

• 英伟达方案：NVLink垂直集成，机柜内构建逻辑巨型单机。通过NVLink等专有硬件打造，将整机柜的GPU打造成一台逻辑上的“巨型单机”。
• 华为方案：灵衢互联创新，跨机柜扩展超节点规模。通过昇腾NPU、鲲鹏CPU、自研HCCS/UB灵衢互联以及云侧调度软件，将更多强耦合通信尽量保留在高带宽域内。

四、未来趋势

超节点未来主要沿三个方向发展：

• 部署形态升级：由机柜级超节点向系统级AI Factory演进，优化目标从单柜峰值性能转向整个数据中心的有效算力产出。
• 互联域规模扩大：Scale-up架构推动GPU高速互联域逐步扩展至数十卡、数百卡乃至更大规模统一互联域。
• 互联介质升级：AI基础设施互连架构有望由“以铜互连为主”向“铜与光共存”方向演进。

五、利好方向

• Scale-up扩容提升单卡对应交换密度，带动互联新需求。柜内交换直接面向GPU/NPU，要求交换芯片在高并发流量下保持稳定的端到端时延，并支持可靠传输、集合通信和内存语义。Scale-up架构下，单张算力卡对应的交换芯片数量可达传统Scale-out网络的2-3倍。
• 超节点推动液冷需求全面扩张，打开液冷市场空间。超节点推动单机柜功率密度提升，散热系统从传统风冷转向液冷演进。冷板式液冷有望优先放量，浸没式液冷凭借其在超高功率场景中的优势渗透率或将逐步提高。
• 超节点架构催生高功率密度、高稳定性AI数据中心电源需求。超节点使单柜芯片数量和总功率显著提升，拉动高功率PSU、Power Shelf、PDU、DC-DC/VRM等供电环节需求。BBU、冗余电源、智能PDU和电源管理系统从配套环节升级为保障整柜稳定运行的关键部件。

六、代表公司

中科曙光、紫光股份、锐捷网络、中兴通讯、申菱环境、曙光数创、欧陆通、中恒电气、新易盛、盛科通信、浪潮信息等。

七、参考研报

财通证券、长江证券、中金公司、开源证券、西部证券、国海证券、申万宏源等。

执行摘要

人工智能软件市场正从按席位订阅模式转向基于消费的定价模式，包括积分、代币、使用层级和按成果收费。本研究探讨了这一转变如何被买方接受。Pricing I/O与Benchmarkit合作，于2026年2月至4月期间调查了296名软件买家，受访者来自不同规模和行业，90%拥有总监级或以上头衔。调查结果显示，买家的情绪与市场的发展方向并不一致。

评估

1. 评估难度：买家在签约前难以预测AI成本。按席位制是唯一在签约前能获得信心的模式（43%认为最容易评估，14%认为最难）。其他模式如按使用量、按成果和混合定价的评估难度均高于按席位制，其中按积分/代币最难评估（55%）。
2. 评估标准：可预测性（而非价格）是首要评估标准。68%将可预测的总成本列为前三优先项；最低入门价格排名垫底，仅为19%。
3. 评估因素：随着公司规模和资历提升，定价讨论的重点从性能转向可防御性。技术买家比非技术买家要求更多的保护措施。

AI支出体验

1. 预算超支：89%的买家超出初始人工智能预算，主要原因是AI的使用量超出预期，而非供应商更改条款。
2. 超支原因：显著超支的买家报告的根源原因是AI产品产生活动超出团队预期，而中度超支的买家则难以模拟其购买内容。
3. 风险承担：67%的买家认为IT部门是AI成本风险的主要责任人，且随着公司规模扩大，IT部门的责任占比进一步提升。
4. 使用控制：买家更倾向于设置防护栏（如软上限、预警通知、月度/季度支出限额）而非硬性截断或预购信用池。

人工智能定价情绪

1. 定价偏好：买家首选基于座位的定价模式，最排斥纯基于结果的模式。对于关键性AI产品，可预测性优于所有变量替代方案。
2. 改进需求：买家希望AI定价更清晰、更可预测、更易于管理，首要要求是减少模糊性，其次是更可预测的成本和透明的定价。
3. 价值机制：买家希望设置消费护栏并明确价值机制，优先考虑标准化、实时消费仪表盘配合自动化软性上限警报。

人工智能与传统软件即服务

1. 认知差异：三分之一的买家将人工智能定价视为一个完全不同的类别，而三分之二的买家对AI定价抱有与传统SaaS相似的期望。
2. 评估难度：超过半数买家认为，基于信用额度和使用量的定价模式在人工智能领域比软件即服务领域更难评估。
3. 行业差异：科技行业的买家尤其倾向于认为基于信用额度和使用量的定价模式难以评估。
4. 规模差异：收入超过10亿美元的买家中，选择可变定价作为最不偏好选项。