GCC成果｜《全球算力十大趋势（2027）》正式发布（附下载）
2026-11-02
以下文章来源于微信公众号——全球计算联盟GCC
GCC NEWS
当智能成为可连续供给的生产要素，算力竞争便不再止于芯片。人工智能从“回答问题”走向“执行任务”，模型调用延伸为规划、检索、工具调用与验证的长链条，计算也沿CPU、内存、网络、存储和电力系统重新组织。2026年10月21日，《全球算力十大趋势（2027）》在2026全球计算大会现场正式发布。报告预测：2027年算力将迎来的不是简单的规模扩张，而是产业、技术和评价体系的重新校准。
趋势一｜词元（Token）成为算力消耗的核心计量单位：算力变现从“卖能力”走向可计量的“卖产出”
算力度量正在从设备侧转向产出侧。FLOPS衡量芯片的计算能力，词元则把芯片、电力、模型与业务计费接入同一条价值链，推动“按卡、按时”转向“按产出、按效果”。智能体将问答扩展为规划、执行与验证的长任务链，强化推理在算力消耗中的主体地位。智算中心的经营指标也应从账面卡数转向有效词元吞吐、单位成本与履约质量。分词口径、缓存复用和无效输出扣除仍待统一；只有先界定何为“有效”，词元才能成为可信的资产定价依据。
趋势二｜计算架构从GPU独大到CPU-XPU协同：Agentic AI时代，CPU与XPU共同主导AI基础设施核心
智能体对计算架构的影响，首先体现为CPU价值的重估。GPU在训练中的地位依然稳固；进入任务执行阶段，规划分解、工具调用、状态管理与KV Cache调度显著增加，CPU由此成为组织计算与数据流动的枢纽。GPU、NPU、ASIC等XPU专注神经网络计算，CPU承担通用控制与执行，架构转向协同设计。报告预计，智能体场景的CPU与XPU配比将明显上升，部分系统趋向1∶1。配比应由负载决定，架构优劣则由端到端时延、系统吞吐和总成本检验。
趋势三｜算力增长驱动力转向“制程工艺+系统架构创新”：几何缩微和时间缩微协同并进，实现算力可持续演进
先进制程仍是算力演进的基石，却难以独自承担增长预期。物理极限临近、成本上升，使几何缩微的边际收益下降。报告以“时间缩微”概括系统架构创新：把有效计算拆解为供电、互连、访存和通信等时间开销，在器件、电路、芯片与系统层逐级压缩等待。背面供电、逻辑折叠、混合键合、HBM及内存语义互连，分别对应不同层级的时延来源。制程改善器件性能，架构减少能力兑现中的损耗。关键还在于把工艺、封装、互连与软件调度组织成低时延系统。
趋势四｜超节点成为AIDC基本单元：超节点正成为Agentic AI时代高质量词元的高效生产方式
超节点以高速互连、统一内存编址和内存语义访问，将多节点组织为逻辑上的“一台计算机”，降低跨节点交换代价。背后的驱动力是负载变化：MoE专家路由带来密集卡间通信，长上下文要求KV Cache持续驻留，智能体多轮调用则加剧状态管理与负载波动。传统松散集群难以兼顾吞吐、时延和利用率，整柜设计由此走向主流，采购评价也转向有效算力、词元成本与可用性。但效率并非自动兑现；软硬件协同、协议互操作、故障域控制以及供电液冷，决定架构红利能否兑现。
趋势五｜推理能力下沉边缘、终端：云边端全域协同智能，重构算力分布
推理能力向边缘和终端下沉，源于时延、隐私、带宽成本与数据本地化的共同约束，云端价值并未因此下降。模型压缩、稀疏激活和终端NPU成熟，使更多任务就地闭环；边缘承接区域协同与现场推理，云端负责训练、复杂推理和模型迭代。物理智能强化“云训练、边推理、端控制”的分工，持续回传、仿真和再训练也形成新需求。协同的关键在于任务能否按复杂度、时延、能耗和安全等级动态迁移。应避免“一云到底”与“一端到底”，让算力落在最能产生效益的位置。
趋势六｜HBM成为AI硬件供给的重要瓶颈：内存持续稀缺，内存—存储体系走向分层重构
内存正成为决定AI系统能力的前置条件。长上下文使KV Cache持续扩张，智能体多步执行又延长缓存生命周期，容量与带宽压力由峰值变为常态。HBM受堆叠良率、先进封装和产能分配制约，供给难以快速跟进。解决“内存墙”，不能只靠增加HBM，还要按数据热度分层：热数据留在HBM，较冷数据向DDR、CXL内存池以及HBF、NVMe SSD迁移，并通过统一调度减少搬运。先明确数据位置与流动路径，再配置算力，将成为集群规划的基本次序。
趋势七｜光互联挺进封装内部：NPO先行放量、CPO渐次渗透，光子与半导体深度融合
光互联向封装内部推进，旨在缓解高速电信号长距离传输的功耗与密度瓶颈。NPO将光引擎移至ASIC附近，缩短电路径并保留可维护性；CPO把光电转换纳入封装，在带宽密度与能效上更具潜力，也使复合良率、激光器寿命与现场维修问题更加突出。多条路线更可能分层共存：NPO先行放量，CPO随工艺、标准和运维体系成熟渐次渗透，可插拔方案与机柜内铜互连仍有适用空间。评估路线应同时核算单端口功耗、整网TCO和故障运维成本，不能以单项性能代替系统判断。
趋势八｜计算范式多点突破：近存计算、类脑计算、量子计算等新计算范式逐步走向产业化
非经典计算试图突破传统架构的能耗与数据搬运瓶颈，但各条路线成熟度不一。近存计算和存算一体已率先进入商业试点；类脑计算以事件驱动和存算融合探索边缘能效优势；量子计算仍需突破纠错、扩展和软件生态，近期更现实的路径是与经典计算协同；光计算和模拟计算则需跨越器件损耗、计算精度与系统规模等门槛。未来将形成按负载选择计算机制的多元格局。衡量产业化进程，应看可复现的系统收益、工具链与总成本，不能以实验纪录代替工程可行性。
趋势九｜算电网协同：电力决定算力，GW级AI工厂成为新算力基础设施
GW级AI工厂把能源问题推到系统设计的前端。项目落地首先取决于稳定供电、并网周期，以及储能与散热能否同步建设；运营中，电价、绿电出力与电网调节又直接影响词元成本。算电网协同需要把训练、推理、储能、冷却和网络纳入统一设计：训练利用时空弹性匹配电价与绿电出力，在线推理以时延和服务等级为边界，多园区协同分担单点能源压力。PUE无法独立说明经营效率；“每兆瓦词元产出”连接能源投入与智能产出，单位词元碳排放也将成为重要约束。
趋势十｜全球主权AI建设提速：国家级算力基建进入战略投资周期，AIDC智算中心成为国家战略资产
主权AI进入国家投资周期，AIDC的资产属性与评价方式随之改变。报告援引CNAS统计，美中之外已有67个国家布局184个政府支持项目，承诺投资约1380亿美元。关键时刻的自主选择权，取决于能源、算力、数据、模型与应用的协同，也取决于供应链可接管、系统可运维。评价重心因此转向运营质量：以上架率、有效词元产出和单位成本检验投资效率，以可接管性检验战略自主。兼顾二者，AIDC才能由战略资产转化为战略能力。
2027年的关键在于把有限资源持续转化为可用、可负担、可掌控的智能。芯片决定能力上限，内存与互联决定数据流动，电力决定持续供给，调度与运营决定智能产出；任何一环失效，账面算力都难以进入生产过程。下一阶段的领先，取决于技术、能源与需求的长期协同，而非单点技术的短期优势。对产业，这意味着从“采购设备”转向“经营产出”；对国家，是从“拥有资源”转向“保有可接管、可持续的能力”。
更多精彩内容，欢迎前往GCC官网下载成果原文⬇️
拓展阅读
