算力缺的不是“卡”，而是Token丨ToB产业观察

一个中小企业的技术负责人最近遇到了一个头疼的问题。他们采购了一批国产GPU卡，打算在自有环境里部署一个开源大模型，用于内部知识库问答。硬件到货之后，团队花了整整两周时间，模型还是跑不起来。问题不在于卡本身——单看标称算力，这批国产卡能达到国际主流产品的七八成，但模型在上面运行的输出速度，只有理论值的一成左右。

这个场景正在无数中国企业中重复上演。而它所暴露的问题，恰恰指向了当下AI产业最核心的一个转变。

Token成本是AI产业新的“游戏规则”

国家数据局公布中国日均AI词元（Token）调用量从2024年初的约1000亿飙升到2026年3月的超过140万亿，而另一面，中国信通院等机构的调研显示，国内智算中心GPU平均利用率不足30%。一边是Token需求呈指数级暴涨，一边是昂贵的加速卡在机房里“空转”。

Token正在成为 AI 世界的“硬通货”。然而硬币的另一面是：越来越多企业发现，让这套系统真正跑起来，远没有买卡时想象得那么轻松。现实给所有应用算力的企业，以及算力服务商提出了一个难题：算力买回来了，为什么用不起来？这道题的答案，正在塑造中国AI基础设施的下一个五年。

故事要从两年前说起。彼时国内AI行业弥漫着一种朴素的信仰：手里有卡，心里不慌。地方政府大力建设数据中心，企业纷纷采购显卡，大家相信握住算力就握住了未来。GPUStack CEO秦小康在与我们的交流中回忆，那个阶段GPU卡资源极度紧缺，“拿到卡才有想象空间”是普遍心态。

但真正把系统搭起来之后，很多人才发现自己买回来的只是一堆昂贵的“铁”。模型部署的复杂度，远超想象。具体到场景中，最典型的故障有两类，这两类几乎覆盖了企业踩坑的大半。其一，模型根本跑不起来。很多大模型并不是在这款国产显卡上训练的，强行迁移过来，第一步就报错；其二，模型跑通了，性能却惨不忍睹。秦小康给出一个惊人的对比：国产GPU芯片标称性能可以达到英伟达的70%~80%，但实际跑模型时，Token输出能力可能只有理论值的10%。问题不在芯片本身，而在上下层软件没有匹配好，需要大量调优。这两类问题，按他自己的话说，覆盖了八成以上的故障场景。

一个常被忽略的细节是：模型本质上是一堆参数文件，它本身是无状态的，不能像程序一样拿到就运行。想让模型工作，必须配套运行环境，推理后端就是环境中最核心的组件，且不止一种，英伟达有自研的，华为昇腾有自研的，开源社区还有vLLM、SGLang这样的通用方案。模型、后端、硬件三者组合，才是企业真正面对的“黑盒”。

秦小康给出了一个直观的对比：市面上主流显卡型号有几十种，Hugging Face上的公开模型超过3600个，中间还要对接十几种推理后端，每种后端又各有十余种优化方案。几十种硬件对上数千个模型，再乘以多套软件栈，“这是一个多维度组合匹配的问题，复杂度近乎呈阶乘级膨胀。”秦小康如是说。换句话说，买卡是一道加法题，把卡用好却是一道乘法题。

这样的行业现状也体现在了行业调研数据上。IDC的调研显示，近半数企业的智算资源利用率处于51%~70%区间，还有6.7%的企业仅为31%~50%；不少自建智算项目存在“重硬轻软”的问题，服务器和GPU上架了，却缺乏统一算力调度平台、资源池化管理和动态分配机制。

与此同时，中科曙光高速网络互联产品部总工程师万伟也给出了一个判断：决定Token生成效率的，不只是加速卡的算力，更是算力、网络和存储三者之间的数据流转效率。他用一个简单的逻辑来解释：模型规模越来越大，单块GPU已经装不下完整模型，必须通过分布式架构把模型拆到多个节点上。一旦数据要在节点之间来回跑，通信就变成了“并行计算逻辑的一部分”，任何一处时延增加，整个集群的效率都会被拖下水。

而随着推理需求爆发，这个缺口还在放大：IDC预测，到2027年中国智能算力规模中推理占比将提高到72.6%；TrendForce的数据同样显示，北美五大云服务商2026年的推理算力增速（预计122%）将超过训练算力增速（56%）的两倍以上。训练是阶段性的、可以提前排期的，推理却是全天候、贴着用户跑的——这意味着未来绝大多数GPU资源都要用来干“推理”这件精细活，而恰恰是这件精细活，最考验软件功夫。

Token工厂是算力的“自来水系统”

痛点的背后，藏着一次定位的转变。秦小康表示，GPUStack过去强调的是GPU管理，如今把“Token工厂”作为核心概念，“过去大家追求的是获取硬件资源，现在用户需要的是把资源之上的模型真正跑好。”秦小康指出。如今，用户与服务商之间不再只是“你需要卡，我就给你卡”的粗放调度，而是要提供从硬件管理到模型一键部署的一体化方案，最终对外稳定输出Token。

行业内常说算力要像水电一样随取随用，如果顺着这个比喻往下延伸：有人修建水塔、铺设水管，对应底层的GPU硬件和驱动基础设施；而在秦小康看来，Token工厂的角色更像是自来水公司，负责完成Token的生产与供给，屏蔽底层资源的所有波动，让终端用户拧开“水龙头”就能用。至于Token之上跑的智能体、对话应用、代码助手，那是Token的消费者，属于另一层生态的生意。秦小康对于Token工厂的边界划分得相当清晰——生产Token，不碰消费Token。

顺着一条Token的生产流程看，它要经过训练、推理、存储三个环节，每一环都有暗礁。

首当其冲的就是模型与硬件之间的“驱动”鸿沟。GPUStack联合创始人、CTO梁胜梁胜比喻道：GPU相当于显卡，模型相当于游戏，推理后端就是显卡驱动，而管理这一切的平台，相当于操作系统。梁胜表示，现在整个行业还处于上世纪90年代Windows的状态——驱动要不停调试、优化，各种不兼容层出不穷。一个新模型发布，想跑在华为昇腾卡上，推理后端必须同时适配上层模型和下层硬件；如果推理后端不做适配，模型和硬件就无法协同工作。这也解释了为什么英伟达的TensorRT-LLM、华为的MindIE等厂商自研工具，如今都把重心转向vLLM、SGLang等开源生态，因为单靠一家厂商，已经很难覆盖层出不穷的模型组合。

其次是算力之间的通信。训练阶段GPU集群要通过All-Reduce、All-to-All等集合通信方式同步梯度，异常时延会直接拉低模型计算利用率；推理阶段，流行的PD分离架构要把KV Cache从Prefill节点搬运到Decode节点，上下文越长，KV Cache 体积越大，行业数据显示，长上下文场景下 KV Cache 可达几十GB。这些数据要在GPU、网络和远端存储之间反复流转，据其测算，万卡级分布式训练中，网络通信耗时已占整体任务时间的30%到50%。万伟的判断是：模型越来越大，单卡甚至八卡都装不下完整模型，分布式是唯一出路，而分布式的代价，就是数据必须在节点之间高频流动。

通信优化的难点还在于频繁地传输小数据。当前主流大模型普遍采用MoE架构，专家之间要频繁传递大量并发的小数据包，这类通信恰恰是CPU最不擅长的：处理小包指令的时间，往往远超数据传输本身。针对此，中科曙光前不久发布了IBGDA技术，通过该技术能让GPU内核直接驱动网卡发起通信，把“发号施令”的权力从CPU移交到GPU，相当于在高速公路入口取消了一个堵点。

第三个“卡”点就是当前行业热议的存储。目前行业比较可行的“以存代算”方式，通过将生成号的KV Cache保存下来供后续复用，用存储换算力。但传统路径下，GPU访问远端存储，数据要先从显存搬到CPU内存，再经网络送到存储，多一次拷贝就多一层延迟。训练数据的加载、Checkpoint的写入、KV Cache的卸载，每一笔都是存储访问，而分布式存储集群本身就是网络流量的制造者。曙光把存储通道拆成了三件事：NFS over RDMA处理训练数据和Checkpoint 这类文件访问，NVMe over RDMA处理KV Cache这类块数据缓存，XDS则让加速卡绕过CPU直接访问远端存储。据万伟介绍，存储访问延迟可因此降低80%以上。

三个“卡”点结合在一起，Token工厂要做算力的“自来水系统”的难点就跃然纸上——Token工厂难建，难的不是某一个单点，而是算力、网络、存储三者之间的数据流转效率。秦小康将这套逻辑概括为“硬件之上还有一套软件栈”，曙光则表示，数据流转效率是影响Token生成效率的关键因素。

多路径尝试解决Token效率难题

面对同一道难题，GPUStack与中科曙光在产业中定位、解题思路不同，但最终的目的殊途同归。

GPUStack的选择是要做Token的操作系统。秦小康介绍，GPUStack把推理后端做成可插拔的插件，类似早年PC的即插即用。新模型带着特殊推理后端，可以直接导入平台运行，上层业务代码几乎无需改动。在GPUStack的体系里，底层是管理GPU硬件、负责多租户与计费的“操作系统”，之上才是面向用户的Token工厂，以及对外提供Token服务的应用。

这种“开箱即用”的能力背后，是GPUStack多年来坚持开源策略的底气，据秦小康介绍，目前GPUStack已有11万部署实例，用户从8万增长到11万只靠社区传播，年底目标15万；国内一家头部芯片企业甚至把小规模集群业务全部迁移上来，90%的业务跑在这个开源平台上。如果说Linux 是开源操作系统的事实标准，梁胜则希望GPUStack成为算力中心的“操作系统”。

中科曙光的思路则是把“路”修好。scaleFabric网络从设计之初就是为了面向AI集群，这次与万伟的沟通，他重点介绍了两件事。一是通信加速。在GPUDirect RDMA基础上，规模化落地IBGDA技术，让GPU内核直接驱动网卡，把通信任务的下发也交给GPU。二是存储加速。通过NFS over RDMA、NVMe over RDMA、XDS 三项技术组合，把“以存代算”的短板补上。

GPUStack解决的是“软件栈”的标准化问题，曙光解决的是“数据通道”的物理问题，而它们的共同指向，是中国算力产业的一个现实困境：国产加速卡与国外顶级产品在制程和封装上仍有差距，单卡性能存在客观差异，出路只能靠系统级创新，比如用集群规模和多卡通信效率，去弥补单卡的不足。

而这个判断也被产业验证：DeepSeek曾公开说明，其模型训练同时跑在英伟达和华为硬件上，这是顶级模型首次公开的跨硬件训练；上千卡规模的国产GPU集群已落地，万卡集群开始建设。硬件供给充足之后，配套的软件与管理体系将成为决定算力“好不好用”的关键。

（文｜Leo张ToB杂谈，作者｜张申宇，编辑丨杨林）