算力领跑时代——2022中国算力服务市场发展研究报告亿欧智库https://www.iyiou.com/researchCopyright reserved to EqualOceanIntelligence, 2022 Part1. 算力服务市场及行业发展现状Part2. 算力服务面临的挑战与痛点Part3. 算力服务综合价值力评价目录CONTENTSPart4.行业趋势与建议 Part1. 算力服务市场及行业发展现状 定义及分类：国内算力规模高速增长，以基础算力、智能算力、高端算力为三大代表类别4u算力指通过CPU、GPU、FPGA、ASIC等各类计算芯片设备处理数据，实现特定结果输出的计算能力，可以通过每秒可处理的信息数据量来衡量算力的强弱。现阶段，根据使用设备和提供算力强度的不同，算力可分为基础算力、智能算力与高端算力三大类，本报告中算力服务研究范围以智能算力、高端算力为主。u2020年我国算力总规模达到135EFlops，全球占比约为31%，保持55%的高速增长，高于全球增速约16个百分点，未来我国算力规模仍将持续扩大，三类算力服务的结构也将继续发展优化。亿欧智库：算力服务分类及介绍资料来源：中国信通院，IDC，华宝证券，公开资料整理基础算力智能算力高端算力•人工智能计算•内涵：主要基于GPU、FPGA、ASIC 等芯片的加速计算平台提供的人工智能训练和推理的计算能力•应用领域：人工智能训练、推理计算•科学工程计算•内涵：主要是基于大规模集群提供高密度计算•应用领域：气象、生物信息、石油物探、工业仿真等•基础通用计算•内涵：主要基于CPU芯片的服务器提供的计算能力•应用领域：电子邮箱、数据存储等57%41%2% 背景：数字经济持续增长、数据要素喷涌而出，对算力供给提出更高要求，算力服务作为供给形态之一应运而生5u中国数字经济规模持续增长：国务院在“十四五”数字经济发展规划中明确提出，“到2025年，数字经济核心产业增加值占GDP比重达10%”。同时据机构预测，2025年中国数字经济规模有望超过60万亿。u中国生产数据要素喷涌而出：据报告数据，2018年中国产生了约7.6个ZB的数据，2025年这一数字将增至48.6ZB，且数据生产量约占世界数据总量的28%，或将超越美国成为世界第一大数据生产国。由此可见，未来数据的收集、存储、管理、使用的难度及价值均会呈现质的飞跃。u数字经济的蓬勃增长与海量数据的管理使用，对算力供给提出更高要求。智能计算中心、一体化大数据中心等算力基础设施纷纷出现，而算力服务作为核心供给形态之一应运而生，成为数字时代的核心信息新底座。资料来源：国务院，中国信通院，东兴证券，公开资料整理亿欧智库：2018-2025E中国数字经济规模（万亿元）CAGR=12.72%我国算力规模平均增长1%带动数字经济增长0.4%带动GDP增长0.2%亿欧智库：算力与经济增长紧密相关算力每投入1元带动GDP增长3-4元6.40 7.10 7.30 8.30 9.30 10.32 11.45 12.83 24.90 28.80 31.70 37.20 43.52 48.31 53.63 59.52 0102030405060708020182019202020212022E2023E2024E2025E数字产业化产业数字化 现状：算力服务依托东数西算及一体化算力网络体系，旨在解决资源分配不均等问题，推动东西部数字经济协同高质量发展6u2022年开局定调，国家发改委、中央网信办、工业和信息化部、国家能源局联合印发通知，同意在京津冀、长三角、粤港澳大湾区、成渝、内蒙古、贵州、甘肃、宁夏等8地启动建设国家算力枢纽节点，并规划了10个国家数据中心集群，“东数西算”工程正式全面启动。u“东数西算”工程将通过有序引导东部算力需求到西部，促进资源有效配置，形成规模集聚优势，逐步搭建起新型一体化算力网络体系，推动东西部数字经济协同高质量发展。亿欧智库：东数西算工程布局图资料来源：国家发展改革委，华宝证券，公开资料整理我国算力资源存在东西供需结构性错配问题目前的数据中心分布东多西少，算力需求东强西弱，但是电力供应东紧西松、电力价格东贵西贱，自然资源分布优势使得数据中心的能耗效率东低西高，电力的供应量和价格成为影响算力资源呈现供需错位结构性矛盾的重要因素，当前我国的算力资源分配不均，呈现东部“供不应求”，西部“供过于求”的结构性矛盾。“东数西算”工程启动，优化计算力资源布局，助推算力服务发展通过构建数据中心、云计算、大数据一体化的新型算力网络体系，将东部算力需求有序引导到西部，优化数据中心建设布局，促进东西部协同联动推动各地区因地制宜、充分发挥区域优势，建设数字经济的重大部署。针对我国东西部算力资源分布总体呈现出“东部不足、西部过剩”的不平衡局面，引导中西部利用能源优势建设算力基础设施，服务东部沿海等算力紧缺区域，解决我国东西部算力资源供需不均衡的现状。中卫集群张家口集群芜湖集群长三角生态绿色一体化发展示范区集群韶关集群贵安集群天府集群重庆集群庆阳集群内蒙古枢纽和林格尔集群京津冀枢纽长三角枢纽粤港澳枢纽贵州枢纽成渝枢纽甘肃枢纽宁夏枢纽南海诸岛 现状：各领域的算力需求持续扩展，普惠、弹性、高效的算力服务需求迸发7u从底层算力融合释放，到软硬一体的全栈能力加持，以及性价比兼具，才能真正推动普惠算力。目前使用高端及智能算力用户可分为三大类：前沿算力用户，中小微用户及具有鲜明特色的部分用户。第一类用户工作可对接高端计算中心完成，后两者的需求受制于对接门槛与算力类型，难以与传统计算中心匹配；如自建机房与数据中心，效率及性价比相对低。因此，合适、优秀的算力服务平台，成为了提升效率的最优选。u此外，人工智能领域的大模型训练对算力依赖较强，开发者及企业对算力的多样性、易用、经济、效率有较高要求，同时建议配备专业的运维团队。因此，平台服务的形式相比自建要更适宜，可以让更多人以高效简洁的方式使用到匹配的算力。注：“大模型”指大规模预训练模型/超大规模智能模型01前沿算力用户，主要使用超大型应用通常工作多由国家级高端计算中心来完成0302海量中小微通用高端计算用户需求对接高端计算中心门槛较高，难以快速获得服务支持具有独有特色的高端计算用户需要多样化融合算力，与上述情况类似，需求很难与国家高端计算中心匹配亿欧智库：三大类高端算力用户群国家级高端计算中心自建计算中心（成本高、运营复杂、性价比极低）......购买平台服务，我们不需要自己去管理硬件、场地，去搭网络等，所有都自行搭建的话，整个成本也不低。用租用的方式来应对大规模的高密集型计算任务（特定任务、特定场景），其实在经济性上还是有一定的优势。如果是专业团队在做运营维护，还有服务的支持，客户也会省很多心。MIT：深度学习性能与算力相关性研究应用侧行业专家观点：研究表明：深度学习的进展依赖算力的增长，大模型的训练效率与算力成正比。 现状：脱胎于“云”的算力服务更为弹性灵活，随用随取，更匹配当下大量用户的任务型计算需求8u在实际研发生产中，用户对算力可扩展性与灵活性提出了更高要求。如企业算力用量并不平均，时高时低，存在突发高峰需求；科研院所受研发周期等限制，则会出现暂时不需要算力，只能闲置服务器的情况。u而脱胎于“云”的算力服务，可以通过弹性方式灵活调度算力资源。对用户而言，可以按需购买使用，同时能享受即时服务，提升开发者的使用体验，也是更省心省力的选择。通过算力集群的规模化，降低单位算力成本资源整合算力基础设施资源分配弹性调度算力资源的弹性调度与分配亿欧智库：云计算辅助下省时、省心、省钱的算力服务服务平台化输出专业运维支撑团队不仅科研平台，还有一些生产应用企业，对我们的算力要求会更高。无论是安全性，可靠性，还是稳定度，甚至很多。根据用户实际的应用，或者实际的需求出发，会出现大的一些突发性的情况。曾经有某个领域用户，因为其业务需要，一下给我们同时提交了几十万级别的作业......数据与调研显示：无论是用户端还是供给端，都表明实际生产中易产生突发性算力需求。因此算力供给方的弹性调度能力、即时服务能力对于用户而言十分重要。-某大型算力供应商亿欧智库：某半导体设计企业月度算力实际用量曲线（18个月）0123456789101112131415161718 现状：算力服务集资源、应用、服务、运维为一体，为用户专注自身研究，提供无后顾之忧的平台支撑9u做好算力基建，发展算力技术，从而把算力转化为生产力才是最重要的目的。u亿欧智库基于专家访谈与调研，认为算力服务应有能力聚合跨区域计算中心的软硬件资源，并通过建设高端计算资源共享与支撑平台，向不同领域用户提供匹配需求的算力服务，同时兼顾经济性和长期运维迭代能力，为用户提供全生命周期服务。我们去应对客户所提出来的大型复杂装备场景下的这种应用的时候，就需要一个良好的算力服务平台，去给我们去做一个支撑。从而能够方便我们更好地去为这些高端装备制造的客户去提供服务。算力服务还是要具有普惠性，且具备一定的生态支撑能力。例如对于企业用户的支撑接口，让开发者工作更顺利；还有专业的团队维持算力平台的底层东西（运维、服务等），需要与时俱进，及时做到迭代，现在人工智能发展太快了，算力服务支持要并行发展，给予支持。亿欧智库：智算、高端计算相关领域专家访谈与调研高频词汇集亿欧智库：智算、高端计算应用侧相关领域专家访谈示例（部分） Part2.算力服务面临的挑战与痛点 挑战痛点一：算力资源分布不均、数据传输难度大、各地计算中心间缺乏任务协同与资源流通11u从资源调度视角来看，呈现出明显的算力资源分配不均与供需不平。首先区域间算力资源供需还未平衡，尽管地方积极布局算力基础设施，但目前供需矛盾还较为突出。其次海量数据传输困难，算力的即时调度难度大，各算力中心间也缺少任务协同和资源流通共享,导致跨广域数据交互效率低。资料来源：国务院发展研究中心国际技术经济研究所，CSDN，人社部、工信部，公开资料整理基础资源分布不均，跨区域传输难度大，加剧算力融合服务化难度大型算力数据传输依靠传统运输方式，算力即时调度与应用难度大：面临数据时延不敏感、单通道传输带宽有限、通道宽带数量有限等问题，导致算力传输延迟，传输费用高昂等问题。例如石油勘探行业，具有数据量大、并行任务较多、网络体系复杂等特点，对于勘探数据的精确度和丰富度需求相当之高，同时要求高精度承载力的网络和设备，对于不少计算中心而言都难以独立供给。区域资源分布不均，加大基础资源调度难度：东部地区大规模数据中心大，但能耗指标紧张、电成本高；西部地区可再生能源丰富，但网络宽带小、跨省数据传输费用高，无法有效承接东部需求，在资源分布侧加大了算力调度难度。大多数中小型企业缺乏专有算力平台：平台用户间算力资源衔接较难，缺少标准化、体系化。为了保证科研机构、国家项目等的执行优先级，算力中心对市场用户关注度不足。 12挑战痛点二：缺乏统一的跨网技术标准与服务标准，算力资源度量衡的标准化滞后，导致多样算力与多元场景匹配充满挑战u从顶层设计视角来看，目前算力领域标准化的进程相对较慢。u技术侧，尚未对算力度量、算力感知、算力路由、算力编排、算力分发、作业需求等形成统一共识，导致精确判断、匹配需求难度大，易造成资源的错配或浪费。服务运营侧，亦需在用户管理、策略管理、定价策略等层面搭建标准化运营运维团队，方能实现算力服务的标准化发展。缺乏统一的技术标准与服务标准，导致算力调度与按需分配难度较大无法准确、量化描述算力供需体量计算资源呈多样化。例如CPU、GPU各类专用芯片产生的诸多类型算力，同时在精度、形态等方面也有诸多差异，尚未形成标准度量衡用于标准化交易算力分配错位，加重资源分布不均缺乏标准度量衡，将影响算力供给侧精准衡量、判断需求，从而导致供需错位（出现资源浪费与资源短缺较难缓解），长期将会加重资源分布不均制约行业高速发展趋势对于众多人工智能训练、工业生产企业而言，巨大的算力支撑是其生产发展的基础，供需错位一定程度上，给其进一步发展带来周期拖延与应用落地拖延x 13挑战痛点三