计算力发展评估城市排名中，广州与北京、杭州、深圳、上海共同位列全国前五，成都、南京、武汉、济南、苏州必威betway进入全国前十。

　　《报告》显示，2025年广东（不含深圳）硬件投入约21.49亿美元，其中，广州占比最高。广州市智算运行服务平台已整合全市21家智算中心资源，94款大模型通过备案，数量居全国第三，聚集人工智能相关企业超2200户，覆盖“基础层—技术层—应用层”全链条。

　　2026年出台的《广州市人工智能产业2026年工作要点》，以市场为主导开展“算力规模跃升”行动，聚焦人工智能、智能网联新能源汽车、金融、虚拟现实等业务场景，布局城市智算中心和分布式边缘计算中心。人才方面，海珠区已集聚近10万名人工智能与数字经济人才，推动上下游产业链集聚产业人才超30万人。

　　今年《报告》首次将智能体应用落地、具身智能产业布局、大模型开发以及推理算力基础设施等纳入城市人工智能算力发展水平的关键评价指标。城市AI算力格局的变化，也是智能体时代AI产业变革的一个缩影。

　　《报告》指出，智能体（Agent）正在重塑算力基础设施，以乘数效应推动Token（词元）消耗激增，带动中国智能算力规模斜率大幅上调，算力跃升为与水利、电网、铁路等同等级的国家战略基础设施。

　　IDC预测，全球活跃智能体数量将从2026年的7940万个增长至2030年的22.16亿个，复合增长率达到129.8%。随着智能体任务从简单的信息检索、内容生成，向需要多轮推理、工具调用和跨系统协作的复杂任务演进，Token消耗被指数级放大。

　　同期全球Token消耗量复合增长率达4822.6%，约为活跃智能体数量增速的37倍。中国增长同样显著，2026~2030年中国活跃智能体数量复合增长率达151.2%，同期中国Token消耗量的复合增长率高达3499.3%。

　　智能体数量与Token消耗的快速增长，正带动算力需求持续攀升。2026年中国智能算力规模预计达到2576.5 EFLOPS，同比增长87.9%，到2030年将进一步达到10524.3 EFLOPS；2025~2030年智能算力规模复合增长率由上一版本预测的46.2%提升至50.3%。同时，中国人工智能算力市场规模将在2026年达到515亿美元，同比增长37%，并在2030年达到1501亿美元，2025~2030年复合增长率达31.8%。

　　《报告》首次从智能体当前应用成熟度和长期生产力影响两个维度评估行业智能体发展。

　　当前应用成熟度主要反映行业数字化基础、业务流程标准化程度和结果可验证性；长期生产力影响则关注专业知识密度、可被AI重构的工作环节等。评估显示，行业当前成熟度与长期生产力价值并不完全同步。

　　这种分化已经体现在实际落地阶段上。代码开发（Coding）和办公任务（Work）凭借更高的数字化程度、更清晰的任务边界和更强的结果可验证性，已率先进入规模化应用阶段。传统行业受业务复杂度与安全约束影响，多数仍处于探索试点阶段。制造、医疗健康、能源/电力等行业真正进入核心业务并形成“执行—反馈—优化”闭环的比例仍为0%；运营商虽然已有70.0%接入部分业务流程，但进入核心业务闭环的比例仍只有3.3%。

　　同时，当前成熟度并不等于长期价值。教育、科研与研发、医疗健康等知识密集型领域虽然当前应用成熟度相对有限，但其专业知识密度高、专业判断占比大，可被AI重构的工作环节也更多，因此长期生产力影响更为突出；能源、交通等领域则受到物理系统、实时性和安全责任边界约束，整体推进相对更慢。

　　智能体规模化运行持续推高AI算力需求，但芯片、存储、服务器等关键基础设施扩张周期难以同步，加之能源供给约束，全球算力供需缺口进一步扩大。

　　《报告》预计，全球AI算力需求满足率将由2024年的79%下降至2027年的71%，2030年仅回升至77%，即23%的需求得不到供应，供需矛盾将长期存在。

　　单纯扩大算力规模已难以应对持续增长的智能需求。《报告》指出，智能体时代，AI基础设施正从规模扩张转向系统效率竞争。通过计算、存储、网络、数据中心、终端以及模型、调度和Token运营的全系统协同，竞争核心从“拥有多少算力”进一步转向“能够多高效地持续产出智能”。

　　计算沿能力上限与容量普惠双线演进：智能体任务涉及推理、规划、工具调用和数据处理等多类负载，单一处理器峰值性能已难以全面衡量系统效率。

　　《报告》指出，计算产业正在沿能力型智算（Capability）与容量型智算（Capacity）两大发展维度演进：一方面，以超节点为代表的Scale—up架构通过扩大高速互联域和统一内存寻址，支撑突破智能上限；另一方面，通过多元算力协同、推理解耦以及缓存和调度优化等系统创新，提高Token产出效率，实现智能充分供给。由此，计算竞争正从单芯片峰值性能转向系统能力竞争。

　　Token运营从单项性能优化走向交互性与吞吐量平衡：随着AI基础设施从资源供给转向智能生产，Token正在成为连接算力投入与智能产出的重要运营尺度。

　　因此，Token运营并非追求单一指标最优，而是在业务场景和服务等级约束下，通过模型、算力和调度动态配置，找到交互性与吞吐量的最优平衡，兼顾并发服务能力与单用户响应时延，实现资源利用效率与用户体验的综合优化。

• 上一篇：人工智能体侵害人格权风险及其应对
• 下一篇：情感计算类公司推荐：从“感知”到“理解”的选型逻辑