智能经济背景下新型算力网产业链协同的结构、机制与路径

陈晓红 ,  张乘 ,  徐选华 ,  曹文治

中国工程科学 ›› : 1 -16.

PDF (6309KB)
中国工程科学 ›› : 1 -16. DOI: 10.15302/J-SSCAE-2026.07.034

智能经济背景下新型算力网产业链协同的结构、机制与路径

作者信息 +

Industrial Chain Collaboration of New Computing Power Network in the Context of Intelligent Economy: Structure, Mechanism, and Pathway

Author information +
文章历史 +
PDF (6459K)

摘要

智能经济推动算力需求由单点化、静态化、通用化向场景化、实时化、异构化、低碳化转变，因而新型算力网建设逐步由资源扩张阶段转入产业链协同运营阶段。本文从产业链协同视角出发分析了智能经济背景下新型算力网的结构、机制与路径，以回应算力资源统一纳管不足、算网协同不深、“算电碳”联动不畅、区域供需错配、上下游适配不足、生态治理规则不完善等问题。研究认为，新型算力网产业链由上游基础供给层、中游平台运营调度层、下游应用牵引层以及网络、能源、安全、标准政策四类横向支撑体系构成，相应的协同运行表现为要素、空间、主体三维耦合过程，核心任务包括异构算力融合、算网融合、“算电碳”协同、区域算力协同、供需适配与上下游培育协同、生态治理协同；算力运营智能体可在既定规则和授权边界内承担资源感知、任务调度、履约监测、风险预警、决策辅助等技术运营功能，是提升跨层级、跨区域、跨主体协同效率的重要支撑。近期可优先推进资源协同、算网协同，中期可深化供需协同、“算电碳”协同、区域协同，远期可完善标准接口、交易规则、安全责任、信誉评价、国际合作机制，由此形成新型算力网产业链协同发展的系统化推进路径。

Abstract

The intelligent economy is shifting demand for computing power from point-based, static, and general-purpose forms to scenario-oriented, real-time, heterogeneous, and low-carbon forms. As a result, the construction of new computing power networks is gradually transitioning from resource expansion to collaborative operation across the industrial chain. From the perspective of industrial chain collaboration, this study analyzes the structure, mechanisms, and pathways of new computing power networks in the context of the intelligent economy. It addresses problems including inadequate unified management and control of computing power resources; inadequate coordination of networking and computing; inefficient integration of computing power, electricity, and carbon; regional mismatches in supply and demand; insufficient compatibility between upstream and downstream sectors; and imperfect rules for ecosystem governance. The study argues that the industrial chain of new computing power networks comprises an upstream basic supply layer, a midstream platform operation and scheduling layer, a downstream application layer, and four horizontal support systems related to network, energy, security, as well as standards and policies. Its collaborative operation takes the form of a three-dimensional coupling process among factors, space, and actors. Core tasks include the integration of heterogeneous computing power, coordination of networking and computing, computing‒electricity‒carbon synergy, regional computing power collaboration, matching supply and demand while cultivating upstream and downstream linkages, and ecosystem governance collaboration. Computing power operation agents can perform technical operation functions such as resource sensing, task scheduling, contract performance monitoring, risk early warning, and decision support within established rules and authorized boundaries, and they constitute important support for enhancing collaboration efficiency across levels, regions, and actors. In the near term, priority can be given to resource collaboration as well as coordination of networking and computing. In the medium term, efforts can be intensified to deepen supply‒demand, computing‒electricity‒carbon, and regional collaboration. In the long term, it is advisable to improve standard interfaces, transaction rules, security responsibilities, reputation evaluation, and international cooperation mechanisms, thereby forming a systematic pathway for the industrial chain collaboration of new computing power networks.

Graphical abstract

关键词

新型算力网 / 产业链协同 / 智能经济 / 算力运营智能体 / “算电碳”协同

Key words

new computing power network / industrial chain collaboration / intelligent economy / computing power operation agent / computing‒electricity‒carbon synergy

引用本文

引用格式 ▾
陈晓红,张乘,徐选华,曹文治. 智能经济背景下新型算力网产业链协同的结构、机制与路径[J]. 中国工程科学, , (): 1-16 DOI:10.15302/J-SSCAE-2026.07.034

登录浏览全文

4963

注册一个新账户 忘记密码

一、 前言

新一代人工智能（AI）技术推动算力需求呈指数级增长，经济运行加速从数字化、网络化迈向智能化[1-2]。与传统的数字经济相比，智能经济对算力基础设施提出了更加复杂的需求，如大模型训练、实时推理、具身智能、工业仿真等场景使算力需求呈现高并发、高弹性、多类型并存、低碳约束并行的特征[3]。算力服务不再是单一数据中心内部的资源供给问题，而是逐渐演变为跨区域、跨主体、跨网络、跨能源系统的协同运营问题。相应地，新型算力网正在从分散建设的数据中心资源体系转向以网络连接、统一调度、生态协同为基本特征的现代化基础设施体系[4-5]。

然而，算力基础设施的规模快速扩张并未带来产业链协同效能的同步提升，新型算力网建设面临着多重结构性矛盾：异构算力资源在芯片架构、软件生态、接口标准方面差异明显，统一描述与纳管能力不足[6-7]；算力资源与网络资源分离管理，跨节点、跨区域任务调度效率不高[8-10]；算力扩张与电力供应、绿电消纳、碳排放约束之间的矛盾更加突出[11-13]；东部地区需求集中、西部地区资源富集之间仍存在空间错配[14-16]；产业链上游硬件供给、中游平台运营、下游场景需求之间缺乏持续反馈[3,17-18]；算力产业生态治理机制仍不完善，接口标准不统一、交易规则不健全、安全责任边界模糊、信誉评价体系缺失[15,19-21]。既有问题表明，新型算力网的发展瓶颈不仅体现在单点设施建设不足，而且涉及产业链多环节、多主体、多要素之间的协同不足。

围绕算力基础设施和新型算力网发展形成了相互关联的四个主要研究方向。① 算力网络技术体系，聚焦算力度量、算力感知、算力路由、算网协同调度、“云边端”协同等议题，着力解释算力资源的识别、连接、编排、调度[4-6,9-10,22]。② 算力基础设施空间布局，从区域经济、网络基础设施、能源约束等视角出发，探讨国家算力枢纽、数据中心集群、跨区域调度、东西部协同布局等议题[14-16,23]。③ 算电协同与绿色数据中心，重点关注数据中心能效优化、液冷与余热利用、可再生能源接入、绿电交易、负载迁移、碳排放核算等问题[11-13,24-27]。④ 数字基础设施治理与产业生态，不完全以新型算力网为直接对象，而是围绕数字基础设施治理、平台生态、数据要素流通、标准规则、安全责任、多主体协同等议题展开研究，为理解新型算力网产业链协同提供了治理视角和分析借鉴[15,18,20-21,28]。然而，既有研究仍有可深化和拓展之处：算力网络研究集中在技术架构、资源调度、网络连接层面，未充分关注产业链系统的纵向分工与横向支撑关系；区域布局和绿色数据中心研究多关注空间选址、能耗约束、单点效率提升，而对算力、网络、能源、市场、治理之间的系统耦合解释不足；数字基础设施治理和平台生态研究尚未结合新型算力网的跨架构、跨区域、跨主体、跨能源系统运行等的特殊场景。因此，有必要从产业链协同视角出发，系统审视新型算力网的结构关系、关键任务、技术运营机制、推进路径。

本文以智能经济为背景、新型算力网产业链协同为主线，按照需求牵引、结构识别、问题探析、机制支撑、路径落地的逻辑递进展开。着重探讨和回答相关议题：智能经济背景下新型算力网产业链的关键环节和支撑体系，区别于传统数据中心产业链的结构特征；新型算力网产业链协同失灵的主要表现和形成机理；面向跨层级、跨区域、跨主体的复杂协同需求，有效发挥技术运营支撑作用；推动新型算力网产业链实现全链贯通、系统高效、绿色低碳、安全可信的具体路径。相关内容将促进智能经济涉及的关键技术发展，支持清洁能源规模化消纳与计算产业绿色低碳转型，为“数字中国”建设、“双碳”目标推进提供基础支撑。

二、 智能经济和新型算力网产业链

（一） 智能经济对算力需求的重塑作用

智能经济以新一代AI技术为核心驱动力，人机协同、跨界融合、共创分享为主要特征[29-30]，是在数字经济基础上深化演进的新兴经济形态，相比数字经济更强调算法模型对生产、服务、科研、治理过程的深度嵌入。智能经济对算力基础设施的重塑作用体现在六个方面。① 需求场景化，不再集中于通用互联网业务，而是深入至制造、交通、医疗、金融、科研、政务、空天信息等具体场景，相关行业对算力类型、时延、安全、成本的要求差异明显。② 响应实时化，自动驾驶、工业控制、城市治理、实时推理等场景要求算力服务在短时间内完成任务响应，推动算力资源从集中供给转向“云边端”协同。③ 资源异构化，大模型训练、推理部署、科学计算、边缘智能对图形处理器（GPU）、神经网络处理器（NPU）、中央处理器（CPU）、现场可编程门阵列、超算节点、边缘节点提出不同需求，传统的统一算力供给模式难以适应。④ 运行低碳化，智能经济带来持续增长的算力负载，使数据中心能耗、绿电使用占比、碳排放约束成为产业链协同中的关键变量。⑤ 组织平台化，更加依赖云平台、调度平台、交易平台、行业解决方案平台提供算力服务，产业链协同由企业之间的线性交易转向平台化连接和多主体协作。⑥ 治理可信化，智能应用涉及大量的数据、模型、算法服务，需要算力网在安全、合规、责任、可信交易方面形成稳定规则。

（二） 新型算力网的概念界定与演进特征

结合智能经济对算力基础设施的新要求，本研究将新型算力网界定为：以通用算力、智能算力、超级算力、边缘算力等类型的资源为基础，高速网络为连接纽带，统一调度和运营平台为核心，能源、安全、标准、政策体系为支撑，实现算力资源的跨区域、跨架构、跨主体协同供给和按需服务的新型基础设施[5,23]。与传统数据中心相比，新型算力网更强调网络连接、统一调度、服务供给、生态运营。与单一云计算平台相比，新型算力网更强调多主体资源整合、异构算力协同、算网融合、“算电碳”协同。

新型算力网在传统算力基础设施的基础上呈现五个方面的演进特征。① 从单点算力向网络化算力演进。传统数据中心以单点资源池化为主，各个中心相对独立，资源利用效率受限于本地负载波动。新型算力网通过高速骨干网、数据中心互联网络、算力路由等将分布式算力节点连接成有机整体，具有算力资源在网络范围内的协同调度和一体化服务能力，支持提升资源利用率[5,8,10]。② 从资源供给向能力服务演进。传统模式以租售机柜、带宽等硬件资源为主，需用户自行搭建计算环境而致使用门槛较高。新型算力网通过平台化服务方式向用户提供从基础算力到模型能力、场景能力的多层次服务，形成包括基础设施即服务、平台即服务、模型即服务、智能体即服务在内的分层供给体系[1,21]。③ 从静态部署向动态调度演进。传统数据中心的资源分配较为固定且扩／缩容周期长，难以适应负载的动态变化。新型算力网通过智能化调度平台实施算力资源随任务负载、能源价格、碳排约束等因素的动态调整，支持任务在不同节点、不同区域之间灵活迁移，提升资源利用效率与响应能力[31-33]。④ 从算力中心化向“云边端”超智协同演进。面对不同场景对时延、算力密度、数据本地化的差异性需求，新型算力网将云计算、边缘计算、端侧计算、超级计算、智能计算有机结合[34-40]：云端承载大规模训练与集中式推理，边缘承载低时延实时推理，端侧承载轻量化本地计算，超算节点承载高精度科学计算，智算节点承载大模型训练与生成式服务[41]。受量子计算、神经形态计算、星载智能计算、在轨遥感处理服务等前沿计算形态的驱动，新型算力网的资源边界得到进一步拓展[37,42-43]，将形成天地一体、星地协同的新型算力供给格局。⑤ 从单一计算资源向算力网络数据能源安全运营一体化演进。新型算力网不仅是计算资源的集合，而且是涵盖算力供给、网络连接、数据要素、能源保障、安全可信、智能运营的综合基础设施体系，各类要素的耦合关系趋于紧密，一体化程度明显提升。

（三） 新型算力网产业链的结构组成

将新型算力网产业链的分析边界限定为：直接参与算力产品、算力服务、算力应用价值形成的主体，对协同运行具有直接约束作用的横向支撑体系。新型算力网产业链具体包括：位于上游的芯片、服务器、网络设备、基础软件等基础能力供给主体，位于中游的数据中心、云平台、算力调度平台、网络运营商、能源服务主体，位于下游的大模型、工业互联网、自动驾驶、具身智能、智慧城市、科研计算等应用主体，作为支撑体系的网络、能源、安全、标准政策（见图1）。

位于上游的基础供给层是新型算力网产业链的物质基础，细分为五类要素[7,43]。计算芯片，包括CPU、GPU、NPU、数据处理器、专用集成电路等架构，是决定算力性能的核心器件。服务器与整机设备，包括通用服务器、AI服务器、超算节点、边缘计算设备等，构成算力资源的物理载体。存储设备，包括高性能固态存储、分布式存储、大容量存储阵列等，为海量数据处理提供存储支撑。网络设备，包括高速交换机、光模块、智能网卡等，构成算力互联的物理基础。配套基础设施，包括电源系统、制冷系统（含液冷设备）、数据中心土建与机电工程等，为算力运行提供环境保障。

位于中游的运营服务层是新型算力网产业链的核心枢纽，细分为七类主体。云服务商，提供基础设施、平台、软件等多层次云服务。智算中心运营商，从事智能算力集群的建设与运营，服务大模型训练与推理需求。超算中心，面向科学计算和工程仿真提供高性能计算服务。边缘节点运营商，提供靠近用户和数据源的低时延算力服务。算力调度平台，开展跨主体、跨区域算力资源的统一调度和优化配置。算力交易平台，支撑算力资源的市场化流通和价值发现。模型服务平台，提供大模型训练、微调、推理、评测等能力服务。

位于下游的应用牵引层是新型算力网产业链的价值出口，包括大模型训练与推理服务、工业互联网与智能制造、具身智能与机器人、金融科技与智能风控、文化娱乐与内容生成、科研计算与仿真、智慧城市与数字政务、智慧医疗与生物医药研发等[15,37]。下游应用是算力需求的产生者、算力价值实现的承载者、产业链创新的重要牵引力量。

支撑体系贯穿三层主体结构，构成新型算力网产业链协同运行的基础条件。网络支撑包括骨干网、城域网、算力路由、确定性网络等，是算力互联和协同调度的基础[8,35]。能源支撑包括电力供应、可再生能源接入、能耗管理、绿电交易等，是算力持续运行的保障[25]。安全支撑包括基础设施安全、数据安全、算法安全、供应链安全等，是算力可信运行的前提。标准政策支撑包括技术标准、行业规范、监管政策、市场规则、法律法规等，是产业链协同运行的制度基础[15]。

值得指出的是，新型算力网产业链协同并非单一环节效率的简单提升，而是上游供给能力、中游运营能力、下游场景需求之间持续反馈、动态适配、共同演进的过程。上游基础供给决定算力资源类型、芯片架构、设备性能、基础软件生态，中游平台运营调度决定算力资源的统一纳管、跨域调度、按需交付，下游应用牵引决定算力需求的场景类型、服务质量要求、价值实现方式，网络、能源、安全、标准政策四类支撑体系分别影响算力资源连接、低碳运行、可信使用。

三、 新型算力网产业链协同发展的逻辑框架与关键问题

（一） 新型算力网产业链协同发展的逻辑框架

在智能经济背景下，新型算力网产业链协同是资源、网络、能源、市场、治理等要素相互耦合的过程[15,18]，需要在统一的分析框架下进行审视（见图2）。

要素协同维度关注不同生产要素之间的耦合关系。算力、算据、算法、算网、资源、模型等要素在物理形态、运行规律、演进节奏上存在显著差异，要素之间的协同水平决定新型算力网的运行效率。要素协同的核心任务是异构算力融合协同、“算电碳”协同：前者关注多类型算力资源在架构、软件栈、编程接口层面的统一纳管，后者关注算力任务、电力供应、碳排放约束之间的联动优化。

空间协同维度关注不同地理区域之间的资源配置关系。受能源禀赋、气候条件、经济基础、产业结构等因素的影响，算力资源、算力需求在空间分布上通常呈现显著的不均衡特征。空间协同的核心任务是区域算力协同，即通过跨区域算力调度与利益共享机制，实施大范围内算力资源的优化配置与协调发展。

主体协同维度关注不同参与主体之间的关系协调。新型算力网涉及芯片企业、设备厂商、网络运营商、云服务商、数据中心运营商、能源企业、软件平台企业、行业用户、监管部门等多元主体，相关主体之间的能力互补、利益协调是产业链高效运行的前提。主体协同的核心任务是上下游培育协同、生态治理协同：前者关注产业链关键环节的能力提升与相互适配，后者关注多元主体之间的规则协同与治理协作。

新型算力网产业链协同的总体目标是全链贯通、系统高效、绿色低碳、安全可信。全链贯通强调上中下游及横向支撑体系之间的顺畅衔接，系统高效强调资源配置与运行效率的整体优化，绿色低碳强调能源消耗与碳排放的持续降低，安全可信强调技术、数据、供应链、运行维护等层面的安全保障。

（二） 新型算力网产业链协同发展的关键问题

1 异构算力融合受制于资源统一纳管能力不足

异构算力融合协同是要素协同的首要任务。新型算力网涉及包括CPU、GPU、NPU在内的多元架构，异构性成为有别于传统数据中心的突出特征。异构算力融合协同存在三方面突出问题。一是生态适配不足。不同厂商的智能计算芯片在指令集、算子库、编程模型、驱动接口上存在显著差异，主流的深度学习框架对国产芯片的适配度不一，模型在不同芯片之间迁移通常面临较高的开发与优化成本。二是互联标准分散。异构算力集群内部与集群之间的高速互联协议、集合通信库、任务调度接口尚未形成统一标准，跨厂商组网与联合训练面临技术障碍。三是资源描述不统一。不同类型算力在性能度量、能力表达、任务描述方面缺乏统一规范，算力计量、比较、交易缺乏可比基准，不利于统一纳管和市场化流通。

从形成机理看，异构算力融合协同的难点主要源于三方面因素[6-7]。一是技术架构差异，不同类型算力面向不同的应用场景设计，各自架构在短期内难以高度统一。二是系统封闭倾向，优势厂商倾向于构建封闭的软硬件系统以强化竞争壁垒，客观上加剧系统割裂。三是标准体系滞后，异构算力涉及的芯片、系统、平台、应用等多层次标准协同推进难度较大，标准制定速度难以跟上技术演进节奏。因此，异构算力融合协同的关键在于解决不同架构算力在资源描述、接口标准、软件系统、调度平台之间的适配问题。

2 算网融合协同受制于算力资源与网络资源分离管理

算网融合协同是新型算力网有别于传统数据中心集群的重要特征[8,44]。新型算力网强调在广域网络条件下开展算力资源的发现、连接、调度、服务交付，算力任务对网络带宽、时延、抖动、可靠性、安全性的要求随着应用场景的不断拓展而显著提升。若算力资源充足但网络连接能力不足，或者网络状态无法进入算力调度决策过程，就会出现算力资源闲置、难以协同调度的问题。算网融合协同主要面临三方面约束。一是算力资源状态、网络资源状态缺乏统一视图，算力调度难以及时掌握跨节点网络带宽、时延、拥塞情况。二是算力任务调度、网络路径选择相互割裂，任务分发通常以算力余量为依据，而对传输成本、路径质量、带宽保障考虑不足。三是确定性网络、算力路由、跨域服务质量保障能力不够完善，难以支撑高优先级、高实时性、强可靠性的智能经济应用。

算网融合协同不足源于计算系统、网络系统的长期分离建设和分域管理。算力资源通常由云平台、数据中心、算力调度平台进行管理，网络资源多由通信运营商、网络管理系统实施控制，两方面在资源抽象、接口协议、调度目标、运营主体上存在差异，缺乏统一优化目标和联动决策机制。因此，算网融合协同的关键在于将网络状态纳入算力任务调度过程，在统一框架下进行算力资源、网络路径、服务质量、安全约束的综合决策。

3 “算电碳”协同面临算力扩张与能源供给的矛盾

作为要素协同的另一项关键任务，“算电碳”协同指在算力任务调度、网络传输、电力供应、碳排放约束之间建立联动优化机制，通过算力负载迁移、绿电消纳、能耗预测、碳足迹核算来实现算力供给效率、能源利用效率、低碳发展目标的协同统一[11,31]。“算电碳”协同主要面临四方面突出矛盾。一是算力建设与电力规划脱节。在一些地区，算力园区选址与电网规划、可再生能源基地布局衔接不畅，出现建成即缺电、有电送不出的情况。二是绿电消纳机制不完善。数据中心跨省跨区绿电采购、绿证交易、绿电直供等机制不够健全，一些地区的绿电供给能力与数据中心消纳需求存在错配。三是碳排放核算标准不统一。数据中心碳排放核算的边界、口径、方法尚未形成统一规范，制约碳足迹管理与碳市场对接。四是算力调度与电力调度未形成闭环。算力任务调度多以性能和成本为目标，电力调度多以电网安全和经济性为目标，两方面的信息流通与协同优化机制仍在探索。

“算电碳”协同困难的深层成因源于三方面。一是行业分割，算力行业、电力行业分属不同的产业体系与监管框架，专业语言、组织流程、市场机制差异较大，跨行业协同门槛较高。二是耦合技术复杂，算力任务的负载特征、时空迁移能力、可中断性与电力系统的调度约束、可再生能源的波动性之间存在较高复杂度的技术耦合。三是市场信号不足，算力价格、电力价格、绿电价格、碳价格之间的传导机制不够畅通，市场化激励难以精准引导算力任务的时空迁移。因此，“算电碳”协同超越数据中心节能层次，属于算力负载、电力供应、绿电消纳、碳排约束之间的系统匹配问题；随着智能经济场景下算力需求的持续增长，数据中心运行成本、能源供给稳定性、低碳发展约束将共同影响新型算力网的运行效率。

4 区域协同因供需空间错配与跨域调度乏力而受阻

区域算力协同是空间协同维度的核心任务。在算力资源、算力需求具有空间错配特征的背景下，区域协同水平直接决定全国一体化算力网的整体效能[14,16]。区域算力协同存在四方面突出问题。一是供需空间错配显著。东部地区AI应用集中，训练与推理需求旺盛，因土地、电力、水资源约束而致本地算力扩张空间有限。西部地区能源丰富、气候条件适宜数据中心运行，但本地的下游需求相对不足，也受制于跨区域调度机制、网络传输成本、行业应用适配等因素而致算力资源与东部地区实际需求之间的匹配效率不高。二是跨区域传输的成本、时延、安全合规约束影响算力流动。大规模训练任务对网络带宽、稳定性有着严苛要求，跨省跨区网络传输在带宽成本、传输时延、数据安全合规等方面仍构成明显制约。三是区域之间的利益分享机制不足。算力任务“东数西算”带来的产值贡献、税收归属、就业带动等在东西部地区之间的分配机制尚未明确，影响西部地区承接算力任务的积极性。四是部分地区存在重建设、轻运营，重招商、轻消纳的发展倾向。推进算力园区建设时偏重机柜数量、投资规模等指标，而对上架率、算力利用率、绿电消纳率、任务承载质量等运营指标关注不足。

区域算力协同困难的深层成因源于三方面。一是区域利益博弈，各地均将算力产业作为战略性新兴产业并纳入重点培育方向，导致跨区域协同面临地方利益协调难题。二是交易成本较高，跨区域算力调度涉及多主体和多环节的合约签订、结算清分、责任界定，交易与协调成本较高。三是规则体系不完善，跨区域数据流动、模型部署、任务迁移等方面的法规规章仍处于形成阶段，合规不确定性影响主体参与积极性。因此，区域算力协同的关键在于解决算力资源、应用需求、能源条件、网络连接之间的空间错配。

5 供需适配与上下游培育协同面临关键环节短板、场景反馈不足的约束

供需适配与上下游培育协同是主体协同维度的关键任务，产业链的整体竞争力取决于关键环节的能力水平与各环节之间的协同程度。供需适配与上下游培育协同存在四方面突出问题。一是关键环节短板依然明显。高端AI芯片、先进封装、高速互联、高性能存储、高端光模块等上游关键环节面临技术积累不足、工艺依赖较强、供应链风险较高的情况，制约产业链的自主可控水平。二是国产算力生态适配成本较高。国产芯片、国产框架、国产工具链的成熟度相较主流生态需求仍存在差距，模型迁移、性能调优、算子适配等工作需要投入较大的工程资源。三是中游平台能力有待提升。算力调度平台、算力交易平台、模型服务平台的功能完备性、性能稳定性仍需提升，跨主体、跨异构的统一运营能力不够成熟。四是下游行业需求存在碎片化倾向。各行业的算力需求在算力类型、数据规范、模型能力、安全要求等方面差异较大，需求侧的标准化程度不足制约产业链上下游的对接效率。

上下游培育协同的困难源于三方面因素。一是长周期高投入特征，芯片、系统、平台等关键环节的技术攻关与生态构建风险较高，由市场化力量单独承担难度较大。二是生态适配复杂，从芯片到框架、模型、应用的适配链条较长，任一环节的短板均会影响整体成熟度。三是产业政策的精准度有待提高，需合理加强对中游平台、生态适配等环节的支持力度。因此，供需适配与上下游培育协同的关键在于建立场景牵引、平台适配、补链强链、反馈迭代之间的稳定连接。

6 生态治理受限于标准、交易、安全、责任机制滞后

生态治理协同是主体协同维度的另一项关键任务。新型算力网的市场规则、治理框架、责任机制处于形成期，生态治理水平不高，直接影响产业链协同的深度与广度。生态治理协同存在四方面突出问题。一是接口标准不统一。算力资源描述、任务提交、状态查询、结果返回等接口尚未形成统一规范，制约跨平台、跨厂商的算力协作。二是算力计量、质量评价、服务等级协议规则不完善。算力服务的性能度量、质量评价、可靠性保障、故障响应等规则不够健全，用户选择和评估算力服务时缺乏权威依据。三是算力交易机制不成熟。算力交易的定价机制、结算机制、履约机制、争议解决机制仍在探索，跨主体、跨异构、跨区域的算力交易规范化和规模化面临诸多挑战，导致市场化交易规模极为有限。四是数据跨域流动、安全责任、算法风险责任难以清晰界定。算力服务涉及数据传输、模型部署、任务执行等环节，各环节主体的安全责任、合规责任、赔偿责任的界定规则尚不明确。

生态治理协同困难的深层成因源于三方面。一是规则处于形成期，新型算力网的市场规则、治理框架、监管机制均处在与产业实践同步演进的过程中。二是主体利益分散，多元主体的利益诉求、能力基础、发展阶段存在差异。三是技术迭代快，迅速演进的AI、算力网络、区块链、密码学等对相应治理机制提出直接挑战。因此，生态治理协同的关键在于为多主体参与的新型算力网运行提供稳定、可信、可追溯的协作环境。

四、 新型算力网产业链协同的技术运营支撑

智能经济背景下新型算力网产业链涉及复杂的六类协同任务，而传统的单体系统难以支撑跨层级、跨区域、跨主体的协同运行，亟需贯通感知、认知、决策、执行、进化等环节的智能化运营中枢作为衔接协同任务与运营实施的关键技术支撑。算力运营智能体是面向新型算力网运行管理场景，集成资源感知、状态认知、策略生成、任务调度、风险预警、自动执行、持续优化能力的智能化运营系统；在现有云管平台、网络控制器、能源管理系统的基础上形成跨资源、跨网络、跨能源、跨区域、跨主体的协同决策能力，为产业链协同提供技术运营支撑[14,45]。

（一） 算力运营智能体的功能边界与授权机制

算力运营智能体对新型算力网产业链协同的赋能作用体现在三方面。一是改变信息处理方式。算力运营智能体通过接口接入、数据清洗、状态建模、实时更新等方式，将分散信息转化为可计算的状态变量，使调度决策从经验判断转向多目标约束下的方案优选。二是改变技术执行方式。算力运营智能体在授权范围内联动作业调度、云管平台、容器编排、网络控制、能源管理等系统，将方案生成与执行指令进行连接以缩短调度响应时间。三是改变反馈学习方式。算力运营智能体将履约过程和运行结果转化为反馈数据，用于更新资源画像、优化调度策略、识别供需错配，使产业链协同从一次性协调转向持续迭代。

算力运营智能体以建立或获得的技术标准、市场规则、服务合约、监管要求、主体授权为运行前提，可以在既定规则内执行资源感知、任务调度、状态监测、异常预警、履约记录等工作，为标准修订、利益分配、责任认定、争议处理提供数据证据与决策信息，但不能自行制定标准、改变利益分配规则、作出最终责任裁定。从职能边界看，算力运营智能体的作用可分为三类：可直接执行的技术运营事项，包括节点状态采集、资源画像生成、任务队列管理、资源编排、故障预警、能耗预测、服务质量监测等；可提供辅助决策的治理相关事项，包括跨区域调度方案比较、算力交易履约记录、主体信誉评价数据生成、绿色算力评价数据支撑等；不能由智能体直接决定的制度性事项，包括标准制定、价格规则调整、跨区域利益分配、重大安全事件责任认定、监管政策变更等。

从授权机制看，节点级、集群级算力运营智能体通常由数据中心运营商、云服务商、算力平台企业在自有资源范围内建立并授权，负责资源调度、故障处理、能耗优化；区域级算力运营智能体涉及多个数据中心、运营商、地方主体，需要通过平台接入协议、数据共享协议、服务等级协议、安全合规审查明确数据访问范围、任务调度权限、人工确认边界；产业链级算力运营智能体涉及跨企业、跨区域、跨平台协同，适宜由国家级或行业级算力调度平台、可信第三方平台、多方联合治理机构承载，限定应用在供需匹配、履约监测、统计分析、风险预警、政策评估辅助等方面。与此同时，为了防止算力运营智能体职能泛化，应设置明确的人类规则红线。对于算力运营智能体在授权范围内执行既定规则造成的普通运行偏差，应由平台运营方根据服务合约承担相应责任。对于模型设计缺陷、系统配置错误等导致的损害，应由算力运营智能体系统开发方、部署方、运营方按照责任链条分担责任。对于涉及跨主体交易争议、重大安全事件、公共利益的事项，算力运营智能体记录可作为证据来源，但不能替代监管部门、司法机关、仲裁机构、合同约定主体作出最终判断。

（二） 算力运营智能体的分层架构与状态变量

新型算力网产业链协同涉及设备节点、数据中心集群、区域枢纽、产业链平台等层级，不同层级算力运营智能体的观测对象、优化目标、约束条件各有特点。将算力运营智能体划分为节点级、集群级、区域级、产业链级四类，各层之间通过标准化接口互联互通，形成分层治理、协同决策的整体架构（见图3）。① 节点级算力运营智能体主要部署在服务器、机柜、数据中心局部资源池，用于观测CPU、GPU、NPU、内存、存储等对象以及温度、功耗、故障状态、安全日志等变量。以提升单节点资源利用率、能效水平、运行稳定性为优化目标，面临的约束有设备安全阈值、任务隔离要求、数据安全要求、运维策略，输出节点调优、故障预警、能耗控制等。② 集群级算力运营智能体主要面向数据中心、云资源池运行，用于观测任务队列、资源占用率、显存碎片率、网络拥塞、任务优先级、服务等级协议、故障告警等变量。以缩短任务等待时间、提高集群吞吐量、降低资源碎片、保障服务质量为优化目标，面临的约束有服务等级协议、租户隔离规则、数据合规要求、成本预算、平台调度策略，输出任务编排、资源扩缩容、负载均衡等。③ 区域级算力运营智能体主要面向多个数据中心、算力枢纽之间的协同运行，用于观测区域算力余量、跨域网络时延、带宽可用性、电价、绿电比例、碳强度、任务时延容忍度、地方合规要求等变量。以平衡成本、时延、能耗、碳排、可靠性为优化目标，面临的约束有跨域数据流动规则、网络质量保障、能源供应条件、地方政策要求、人工确认边界，输出跨域调度方案、算电协同策略等。④ 产业链级算力运营智能体主要服务跨企业、跨区域、跨平台的协同运营，用于观测供需发布信息、交易履约状态、服务质量评价、安全事件记录、政策规则、标准执行情况等变量。以提高供需匹配效率、交易透明度、履约可追溯性、风险预警能力为优化目标，面临的约束有市场交易规则、商业秘密保护、数据授权范围、监管要求、责任边界，输出履约风险预警、信用评价数据等。

算力运营智能体依托闭环机制（涉及感知、认知、决策、执行、进化等环节）运行，而不同层级的智能体之间可能出现目标冲突。例如，节点级智能体倾向于降低功耗、保护设备，集群级智能体可能要求提高任务吞吐量，区域级智能体可能基于绿电消纳要求而建议负载迁移，集群级智能体可能依据本地服务等级协议而要求保留任务。为此，需要建立相应的冲突处理机制，基本原则有：安全合规规则优先于效率目标，涉及数据安全、关键任务保障、重大故障风险的事项不得由低层级智能体自行突破；上级智能体只能在授权范围内协调下级资源，不能绕过资源所有者、平台运营方的授权边界；当成本、时延、碳排放、安全目标之间无法自动协调时，应触发人工确认或多主体协商流程；所有的跨层级决策均应保留日志和版本记录，支持事后审计和责任追溯。

（三） 算力运营智能体对协同任务的技术运营支撑

针对新型算力网产业链的六类关键协同任务，算力运营智能体可提供技术运营支撑，通过资源状态感知、任务建模、调度优化、履约监测、风险预警、反馈学习来提高协同运行的效率与可靠性；并非替代行政监管、市场协商、企业治理的独立制度主体，而是在既定标准、规则、合约、授权边界内运行。

在异构算力融合协同方面，节点级、集群级算力运营智能体通过统一资源抽象与标准化接口实施统一纳管，区域级算力运营智能体基于统一算力度量与任务描述开展跨架构、跨厂商的联合调度，产业链级算力运营智能体推动异构算力标准的持续演进与生态适配。通过算力运营智能体的分层协同，将异构算力资源的统一纳管从技术难题转化为可运营的工程能力。

在算网融合协同方面，节点级、集群级算力运营智能体通过实时感知算力资源状态、网络链路质量、带宽占用、时延抖动、任务队列变化的方式实施算力资源与网络资源的联合建模，区域级算力运营智能体基于计算感知路由、路径优化、服务质量保障机制推动任务在不同算力节点之间的动态分发与高效传输，产业链级算力运营智能体通过统一算网资源视图、跨主体协同接口来驱动算力调度平台、网络运营系统、行业应用平台之间的联动[8-10]。

在“算电碳”协同方面，集群级、区域级算力运营智能体依托能耗预测、绿电匹配、负载迁移等能力实现算力任务与电力供应的时空协同；纳入碳足迹核算、碳排放约束，实施单位任务的能耗与碳排优化，支持能算协同决策[27,31-32]。以西部地区的枢纽节点为例，通过算力运营智能体开展本地风电、光伏出力的实时预测以及算力任务的柔性调度联动，在可再生能源出力充足时段承接更多的训练任务、在出力不足时段释放非关键负载，提高算力与绿电的时空匹配水平。

在区域算力协同方面，区域级、产业链级算力运营智能体通过跨区域供需撮合、任务迁移、结算清分等机制，开展全国范围内的算力资源动态优化配置；结合运用区域功能定位、利益共享机制，促进区域协调发展。产业链级算力运营智能体作为跨区域协同的核心枢纽，可根据东部地区的实时需求、西部地区的可用资源，自动开展任务分发、路径优化、质量保障、结算清分。

在供需适配与上下游培育协同方面，各级算力运营智能体以针对不同厂商芯片、系统、平台的性能评测和能力开放等方式，为上游硬件的生态适配、中游平台的能力提升提供数据支撑，也以下游应用需求的结构化表达来推动产业链上下游的高效对接。算力运营智能体收集的运行数据可反向回馈芯片设计、系统研发、平台优化等环节，加快需求驱动的产业链迭代。

在生态治理协同方面，产业链级算力运营智能体连接多元主体，开展资源认证、需求撮合、履约监测、质量评价、结算审计、责任追溯，全面提升新型算力网产业链生态运行的透明度与可信度。应用智能合约技术，支持算力交易的自动化履约；立足统一的评价与信誉体系，构建覆盖新型算力网产业链各类主体的可信合作机制[19]。

（四） 算力运营智能体的典型应用场景

对于西部地区新能源富集区域的数据中心集群算电协同调度工况，算力运营智能体适用于可延迟、可拆分、计算量大的训练任务和批处理任务。区域级算力运营智能体在日前或日内调度周期内获取新能源出力预测、电力价格、绿电比例、机房负载、冷却系统状态、任务队列、碳强度等信息，同时合理区分任务的时延敏感程度。对于实时推理、工业控制、金融风控等低时延任务，优先保障本地或近端部署；对于大模型训练、科学计算、离线渲染等可延迟任务，根据绿电出力高峰、电价低谷、网络可用性安排执行窗口。在执行层面，区域级算力运营智智能体形成负载迁移或任务排程建议，集群级算力运营智智能体通过云管平台、容器编排系统、作业调度系统来调整任务队列，能源管理系统再根据负载变化来优化供配电与冷却策略。若调度方案仅涉及同一运营主体的内部资源且符合预设能耗和服务质量规则，可由算力运营智能体自动执行；若调度方案涉及跨企业算力交易、绿电结算、用户服务等级变更，需经过平台运营方和交易参与方确认。在调度完成后，将任务完成时间、绿电使用比例、单位任务能耗、碳排放估算、用户服务质量、电力成本等数据反馈至区域级算力运营智能体，用于修正能耗预测模型和负载迁移策略。通过上述过程，算力任务的时间弹性、空间迁移能力被转化为绿电消纳能力、绿色算力服务能力（绿电认证、碳核算规则、收益分配机制仍需由能源企业、交易机构、行业组织、监管部门共同确定）。

五、 新型算力网产业链协同发展的路径设计

应用算力运营智能体重在提升资源可见性、调度实时性、运行可控性、履约可追溯性。然而，新型算力网产业链协同不仅涉及技术调度，而且关联标准制定、利益分配、市场交易、安全责任、跨区域治理等制度性安排。为此，算力运营智能体宜定位为协同治理体系中的技术运营底座，而非替代制度治理的工具。在明确产业链结构、协同问题、技术运营支撑机制的基础上，进一步围绕六类关键协同任务提出协同推进框架；将新型算力网产业链协同发展路径划分为三个阶段，即近期以资源协同、算网协同补基础，中期以供需协同、“算电碳”协同、区域协同建机制，远期以生态协同强规则。在实际运行中，六条路径应通过算力运营智能体形成数据层面的耦合，即资源状态、网络质量、任务需求、能源价格、绿电比例、区域负载、履约记录、安全事件等数据进入统一的运行视图，为调度优化、风险预警、政策评估提供依据。

（一） 推动异构算力融合并实现统一纳管的资源协同路径

资源协同是近期待突破的基础环节，以异构算力融合协同任务为核心指向，解决多类型算力资源的统一纳管与高效利用问题。需要从标准体系、互联规范、纳管平台、关键技术四个层面协同推进，形成相互支撑的整体格局。

构建统一算力资源标准体系是资源协同的逻辑起点。建立涵盖通用算力、智能算力、超级算力、边缘算力的统一资源描述规范，明确算力度量、能力表达、任务接口、性能评价的基础标准，为跨架构、跨厂商的资源纳管提供基础条件[4-5]。此外，资源抽象体系兼顾技术差异的客观性与描述框架的一致性，避免过度统一造成的能力损失。

推动异构算力互联标准建设。围绕高速互联协议、集合通信库、任务调度接口、状态查询接口等形成统一的技术规范，支持芯片厂商、系统厂商、平台厂商参与标准制定，提高深度学习框架和工具链对多元算力的适配性。例如，国内企业面向异构算力场景推出傲飞算力平台，通过统一的算力抽象层与调度框架，支持多厂商GPU、NPU、CPU的统一纳管。

加快建设异构算力统一纳管平台。以集群级、区域级算力运营智能体为技术依托，构建对多类型、多厂商、多代际算力进行统一纳管的平台能力，实施算力资源的全景视图、动态感知、统一调度。该平台具有开放接口，支持各类主体的算力资源接入。

以关键技术的持续突破保障标准、规范、平台能力的落地。资源协同依赖异构算力统一纳管所需的底层适配能力，包括跨架构资源抽象、统一调度接口、异构资源池化、软硬件兼容性测试等，涉及高端芯片、基础软件、行业工具链、场景化解决方案，可结合下游应用需求开展技术攻关。

（二） 构建高效稳定算力互联网络的算网协同路径

算网协同也是近期待突破的任务，主要解决算力稳定交付问题。在跨区域训练、“云边”协同推理、工业互联网控制、科研计算等场景中，决定任务成效的不仅有算力资源余量，而且涉及网络时延、带宽、抖动、丢包率、传输可靠性。

算网协同按照场景差异确定网络能力。对于大模型训练、科学计算、离线渲染等吞吐量敏感但时延容忍度较高的任务，着力点是大带宽、稳定链路、跨域传输成本控制。对于自动驾驶、工业控制、金融风控、城市治理等时延敏感任务，着力点是近端部署、确定性网络、故障快速切换。对于多地协同训练、联邦学习任务，着力点是大带宽、数据安全、跨域合规要求。

面向国家算力枢纽、重点数据中心集群、主要应用城市群，提升骨干网、数据中心互联网络、边缘节点的接入能力，为跨区域任务传输提供坚实的基础条件[23,30]，同时在算力调度平台上接入网络时延、带宽占用、链路拥塞、可用路径、服务质量等状态信息。建立算力平台、网络控制系统、作业调度系统之间的联动接口，支持任务调度、路径选择、带宽预留、服务质量监测的协同执行。

安全保障也是算网协同持续运行的必要条件。面向算力网络承载的高价值数据与关键任务，构建覆盖网络传输、节点接入、任务运行、数据交互等环节的安全防护体系，加强分布式拒绝服务攻击、数据窃取、恶意任务注入等安全威胁的防护能力，为跨主体、跨区域的算力协同提供可信的网络环境。

（三） 打通需求牵引与场景反馈双向传导的供需协同路径

供需协同属于中期深化任务，强调产业链上下游之间的需求转译和能力培育。在智能经济场景下，算力需求嵌入具体行业任务，并不是统一规格的资源购买行为。

在需求侧，面向重点行业提出算力需求画像，描述任务类型、精度要求、时延要求、数据位置、安全等级、预算约束、绿色偏好、可迁移程度，将下游行业用户的模糊需求转化为中游平台可处理的技术参数。

在平台侧，提升技术转译能力，支持将行业语言转化为算力任务，将任务需求转化为资源组合、网络路径、部署方式、成本方案。面向中小企业，中游平台提供模型部署、任务迁移、成本估算、合规检查等工具，有效降低高质量算力资源的使用门槛。

在供给侧，面向真实场景开展产业链补强工作。围绕现实场景需求，攻关高端AI芯片、基础软件、跨架构编译器、集合通信库、推理优化工具、行业适配平台等短板环节。对于具身智能、工业仿真、空天信息、大模型训练等任务，采用行业用户、平台企业、芯片厂商、服务器厂商、科研机构联合测试的方式，建立面向真实负载的优化机制。

依托反馈闭环持续改进供需协同。平台运行的训练效率、推理时延、资源占用、能耗水平、故障率、用户评价、成本数据，反馈给上游研发和中游调度系统。推动下游场景持续产生可用反馈，确保产业链协同从一次性项目对接转向长期能力迭代。

（四） 促进算力与能源低碳融合的“算电碳”协同路径

“算电碳”协同属于中期深化任务，依赖数据中心节能技术以及电力市场、绿电交易、碳核算、算力调度之间的联动[11,26,46]。

推动算力园区、新能源基地协同布局是“算电碳”协同的空间基础。加强算力园区选址与电网规划、可再生能源基地布局、外送通道建设的统筹衔接，引导集中式新能源基地就近承接算力负载，进而形成“源网荷储”一体化格局。在内蒙古、宁夏、甘肃等省份，发挥风光资源优势并通过绿电专线连接“源网荷储”一体化项目，为大型智算中心提供高比例可再生能源供电，提高算力与新能源协同布局的应用成效。

在空间协同的基础上完善绿电消纳与绿证互认机制。健全跨省跨区绿电交易、绿证认证、绿电直供等制度安排，推动数据中心通过多元化路径提升可再生能源使用比例。探索应用绿电指标在东西部地区之间的互认互通机制，为跨区域算力任务的绿色属性传递提供制度基础。打通电力市场与算力市场，使绿电价值通过算力服务传递至最终用户。同时，建立数据中心碳足迹核算与认证体系，为绿色算力提供可量化的评价工具，推动碳足迹认证与算力服务采购、算力交易、绿色评价挂钩。综合评价数据中心全生命周期碳排放，形成完整的碳足迹核算框架。

以制度完善为基础，积极试点算电联合调度。选择重点枢纽节点开展算力调度与电力调度信息互通、联合优化的试点，逐步形成可复制、可推广的算电联合调度模式。在具备条件的区域，探索应用算力任务响应可再生能源出力波动的柔性调度机制。将算力任务的时空迁移能力与电力系统的调度约束进行联合优化，通过算力任务响应新能源出力波动来提升算力供给的绿色属性、电力系统的消纳能力。

（五） 统筹推进跨区域协调发展的区域协同路径

区域协同属于中期深化任务。跨区域算力调度在技术能力之外，涉及地方管理部门、平台企业、数据中心运营商、用户之间的结算清分、服务质量责任、利益共享。东部地区拥有应用场景、行业客户、数字产业基础，西部地区拥有能源资源、土地空间、大型数据中心承载能力，根据任务属性形成差异化的区域协同布局，如训练类、批处理类、离线渲染类、科学计算类任务更多向能源条件较好的区域转移，推理类、控制类、交互类、高安全等级任务依托东部地区的城市群、区域中心、边缘节点来就近部署。

区域协同的制度重点是建立跨区域调度和利益共享机制。明确服务质量标准、网络保障责任、故障处置规则、结算清分方式，更好推动跨区域任务分发。对于由西部地区承接的东部地区任务，探索产值统计、税收分成、绿色积分互认、碳减排收益分配等利益共享机制。

区域协同需从枢纽建设转向枢纽带动。重点枢纽在拥有数据中心集群的基础上，应带动算力运维、模型服务、数据标注、行业解决方案、绿色能源服务、算力交易等关联产业的发展。在西部地区算力节点能够承接更多本地产业应用和服务能力后，区域协同才不会退化为单向资源转移。不盲目追求跨区域调度的规模扩大，而是在服务质量可保障、绿色价值可核算、地方收益可分享的前提下实施全国算力资源的空间优化配置。

（六） 完善标准、交易、安全治理体系的生态协同路径

生态协同属于远期完善任务，重在形成稳定、可信、可追溯的规则环境，使多主体在明确责任和可预期收益条件下参与新型算力网建设与运营，可从标准接口、交易规则、安全责任、信誉体系、国际合作等维度展开。

建设标准接口体系是生态协同的制度基础。面向算力资源描述、任务提交、状态查询、结果返回、计量结算、安全审计等环节，形成覆盖新型算力网全链条的标准接口体系，推动国家标准、行业标准、团体标准、企业标准协同发展。在行业管理层面加强统筹协调，避免标准分散、标准冲突、标准滞后等问题，形成层次清晰、覆盖完整、演进有序的标准体系。

完善算力交易市场规则，构建覆盖定价机制、结算机制、履约机制、争议解决机制的算力交易规则体系。发展算力现货交易、算力期货交易、算力券等多元交易模式，探索算力交易与绿电交易、碳市场交易的联动机制，优化算力产品定义、算力质量评价、算力履约保障等算力交易规范化流程。

健全安全与责任治理框架，与市场规则相配套。建立涵盖基础设施安全、数据安全、算法安全、供应链安全的多层次安全治理框架，明确算力服务涉及的数据责任、算法责任、服务责任、安全责任的界定规则与追溯机制，为多主体协作提供清晰的责任边界。在保障安全底线的前提下，避免过度监管抑制创新活力，形成安全与发展相协调的治理格局。

建立涵盖算力服务提供方、算力使用方、算力交易中介方的产业链主体信誉评价体系。通过履约记录、服务质量、安全表现、绿色贡献等维度信息，形成完整的信誉画像，为产业链主体的协作与治理提供可信基础。综合运用区块链、可信计算、隐私计算等技术手段，确保信誉记录的真实性、完整性、不可篡改性。

六、 结语

智能经济对新型算力网的影响不只是扩大算力需求规模，而且是改变算力需求的结构与组织方式。场景化、实时化、异构化、低碳化、平台化、可信化的需求特征，推动新型算力网服务从传统数据中心资源建设问题转化为产业链协同运营问题。本文围绕智能经济背景下新型算力网产业链协同的结构、机制与路径开展了系统研究，相应的边际贡献主要体现在三个方面。一是从产业链协同视角出发，刻画了新型算力网的三层主体结构、四类支撑体系，揭示了智能经济对算力需求形态、组织方式、协同逻辑的重塑作用。二是将新型算力网产业链协同划分为异构算力融合、算网融合、“算电碳”协同、区域算力协同、供需适配与上下游培育协同、生态治理协同六类关键任务，明确了不同任务与要素、空间、主体三维协同之间的对应关系。三是在区分技术运营、制度治理边界的基础上，论述了算力运营智能体的分层架构、闭环运行机理、技术支撑作用，提出了分阶段、分主体推进的协同发展路径。

面向未来，相关研究可在方法、技术、比较、行业四个维度进行拓展和深化。在方法层面，构建产业链协同水平的评价指标体系与测度方法，开展跨区域、跨行业、跨主体的实证比较，以揭示协同任务之间的耦合机理与传导效应。在技术层面，推进算力运营智能体工程应用研究，探索大模型驱动的多目标决策优化、跨主体可信协同机制、人机协同的责任边界等关键问题，以促进算力运营智能体由规则执行向自主进化演进。在比较层面，拓宽主要经济体的算力战略与治理框架研究范围，研判全球算力竞争下产业链重构态势，为我国参与国际算力治理提供理论支撑。在行业层面，聚焦大模型训练、工业互联网、具身智能等典型场景，开展算力需求特征、供需匹配机制、协同路径的差异化研究，以推动产业链协同理论的场景化、分层化发展。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

陈晓红，许冠英，徐雪松， 我国算力服务体系构建及路径研究［J］. 中国工程科学，2023，25（6）：49-60.
[2]

Chen X H，Xu G Y，Xu X S，et al. Computing power service system of China and its development path［J］. Strategic Study of CAE，2023，25（6）：49-60.
[3]

李三希，陈布衣，武玙璠. 智能经济新形态的理论内涵、现实挑战与发展路径［J］. 经济评论，2026（3）：15-29.
[4]

Li S X，Chen B Y，Wu Y F. The new form of smart economy：Theoretical connotations，practical challenges，and development paths［J］. Economic Review，2026（3）：15-29.
[5]

陈梦根，段重霄，崔文杰. 中国算力市场发展：“十四五”回顾与“十五五”展望［J］. 改革，2026（5）：24-39.
[6]

Chen M G，Duan C X，Cui W J. China’s computing power market development：A review of the 14th Five-Year Plan and prospects for the 15th Five-Year Plan［J］. Reform，2026（5）：24-39.
[7]

高文，钱德沛，朱美芳， 智能算网的基础理论与核心技术［J］. 中国科学基金，2025，39（2）：194-207.
[8]

Gao W，Qian D P，Zhu M F，et al. The fundamental theory and core technologies of intelligent computing power networks［J］. Bulletin of National Natural Science Foundation of China，2025，39（2）：194-207.
[9]

Sun Y K，Lei B，Liu J L，et al. Computing power network：A survey［J］. China Communications，2024，21（9）：109-145.
[10]

李克秋，赵来平，李卓钊， 智能算力网络研究中的重大挑战与核心技术［J］. 中国科学基金，2025，39（2）：208-217.
[11]

Li K Q，Zhao L P，Li Z Z，et al. Challenges and technologies in intelligent computing power network［J］. Bulletin of National Natural Science Foundation of China，2025，39（2）：208-217.
[12]

陈晓红，龚思远，袁依格， 面向虚实融合的算力架构发展与应用探讨［J］. 中国工程科学，2026，28（2）：55-71.
[13]

Chen X H，Gong S Y，Yuan Y G，et al. Development and application of computing architecture for virtual‒reality integration［J］. Strategic Study of CAE，2026，28（2）：55-71.
[14]

Liu X K，Xu F M，Sun G W，et al. A novel multi-path routing optimization scheme for deterministic computing power network in industrial Internet of things［J］. Computer Networks，2026，274：111861.
[15]

Feng L，Xie R C，Tang Q Q，et al. CaRCS：Joint optimization of computing-aware routing and collaborative scheduling in computing power networks［J］. IEEE Network，2025，39（6）：270-278.
[16]

Xie R C，Feng L，Tang Q Q，et al. Priority-aware task scheduling in computing power network-enabled edge computing systems［J］. IEEE Transactions on Network Science and Engineering，2025，12（4）：3191-3205.
[17]

仝杰，丁浩，陈洪银， 电力 ‒ 算力协同：内涵、架构、技术与实践［J］. 中国电机工程学报，2026，46（14）：5687-5707.
[18]

Tong J，Ding H，Chen H Y，et al. Electricity‒computing power synergy：Connotation，architecture，technologies，and practice［J］. Proceedings of the CSEE，2026，46（14）：5687-5707.
[19]

陈晓红，曹廖滢，陈姣龙， 我国算力发展的需求、电力能耗及绿色低碳转型对策［J］. 中国科学院院刊，2024，39（3）：528-539.
[20]

Chen X H，Cao L Y，Chen J L，et al. Development demand，power energy consumption and green and low-carbon transition for computing power in China［J］. Bulletin of Chinese Academy of Sciences，2024，39（3）：528-539.
[21]

谢人超，胡珉昊，唐琴琴， 面向绿色计算的算网能一体化：架构、关键问题与挑战［J］. 通信学报，2025，46（8）：205-224.
[22]

Xie R C，Hu M H，Tang Q Q，et al. Integration of computing network energy for green computing：Architecture，key issues and challenges［J］. Journal on Communications，2025，46（8）：205-224.
[23]

张万才，夏绪卫，张楠， 基于多智能体的“东数西算”算电协同调度机制研究［J/OL］. 计算机工程与应用，2026-08-15. https：//link.cnki.net/urlid/11.2127.TP.20260605.1620.019.
[24]

Zhang W C，Xia X W，Zhang N，et al. Research on the collaborative scheduling mechanism of “east data and west computing” based on multi-agent systems［J/OL］. Computer Engineering and Applications，2026-08-15. https：//link.cnki.net/urlid/11.2127.TP.20260605.1620.019.
[25]

洪涛，程乐. 全国算力体系一体化建设的五大问题及治理对策［J］. 中国科学院院刊，2024，39（12）：2086-2095.
[26]

Hong T，Cheng L. Five key issues and governance strategies in integration of China’s national computing power［J］. Bulletin of Chinese Academy of Sciences，2024，39（12）：2086-2095.
[27]

刘诚. 算力布局推动区域产业链跃迁［J］. 区域经济评论，2025（4）：42-49.
[28]

Liu C. Computing power layout promotes the transition of regional industrial chain［J］. Regional Economic Review，2025（4）：42-49.
[29]

王励晴，谢滨泽，吴有红. 智能经济时代算力基础设施投资的结构性问题与优化路径［J］. 宏观经济研究，2026（6）：21-30，59.
[30]

Wang L Q，Xie B Z，Wu Y H. Structural issues and optimization pathways for computing power infrastructure investment in the era of the intelligent economy［J］. Macroeconomics，2026（6）：21-30，59.
[31]

金光敏，梁琳. 算力产业高质量发展的价值维度、现实困境与推进策略［J］. 经济纵横，2023（10）：122-128.
[32]

Jin G M，Liang L. Value dimension，realistic dilemma，and promoting strategy of high-quality development of the computing power industry［J］. Economic Review Journal，2023（10）：122-128.
[33]

Yang X Z，Zeng Z W，Liu A F，et al. A decentralized trust inference approach with intelligence to improve data collection quality for mobile crowd sensing［J］. Information Sciences，2023，644：119286.
[34]

穆琙博，柴瑶琳，韩淑君， 算网安全研究及应用实践［J］. 科技导报，2025，43（9）：48-53.
[35]

Mu Y B，Chai Y L，Han S J，et al. Research and practical applications in security of networking and computing［J］. Science & Technology Review，2025，43（9）：48-53.
[36]

赵鹏，李金翼，王琛， 人工智能能力与算力网络智慧运营研究与应用［J］. 计算机应用，2025，45（S1）：295-301.
[37]

Zhao P，Li J Y，Wang C，et al. Research and application on intelligent operation of artificial intelligence capability and computing power network［J］. Journal of Computer Applications，2025，45（S1）：295-301.
[38]

Guo Y Z，Xu X L，Xiao F. MADRLOM：A computation offloading mechanism for software-defined cloud-edge computing power network［J］. Computer Networks，2024，245：110352.
[39]

李群. 全国一体化算力网：智能经济的基础支撑与战略选择［J］. 中国科技论坛，2026（5）：1.
[40]

Li Q. National integrated computing power network：Basic support and strategic choice for the intelligent economy［J］. Forum on Science and Technology in China，2026（5）：1.
[41]

陈晓红，郑博文，袁依格， 人工智能驱动的算力基础设施能效优化技术现状及展望［J/OL］. 中国工程科学，2026-08-15. https：//link.cnki.net/urlid/11.4421.G3.20260227.1208.002.
[42]

Chen X H，Zheng B W，Yuan Y G，et al. Current status and prospects of artificial intelligence-driven energy efficiency optimization technologies for computing power infrastructure［J/OL］. Strategic Study of CAE，2026-08-15. https：//link.cnki.net/urlid/11.4421.G3.20260227.1208.002.
[43]

Liu X O. Research on collaborative scheduling of Internet data center and regional integrated energy system based on electricity-heat-water coupling［J］. Energy，2024，292：130462.
[44]

杨苹，于施洋，任峰. 算力电力协同创新框架［J］. 控制理论与应用，2024，41（7）：1181-1186.
[45]

Yang P，Yu S Y，Ren F. Collaborative innovation framework for computing power and electricity［J］. Control Theory & Applications，2024，41（7）：1181-1186.
[46]

张硕，魏铭，李英姿， 算力电力耦合下考虑绿电友好消纳的数据中心调度优化模型［J/OL］. 系统工程理论与实践，2026-08-15. https：//link.cnki.net/urlid/11.2267.n.20251216.1647.002.
[47]

Zhang S，Wei M，Li Y Z，et al. A data center scheduling optimization model considering green electricity-friendly consumption under computing power-electric power coupling［J/OL］. Systems Engineering—Theory & Practice，2026-08-15. https：//link.cnki.net/urlid/11.2267.n.20251216.1647.002.
[48]

孙磊华，梁正，何海燕， 产业链协同突破关键核心技术：“主体 ‒ 动力 ‒ 要素”维度的分析框架［J］. 中国科技论坛，2026（1）：52-60.
[49]

Sun L H，Liang Z，He H Y，et al. The collaboration in industrial chain for breakthroughs in core technologies in key fields：An analysis framework of subject，power and element dimensions［J］. Forum on Science and Technology in China，2026（1）：52-60.
[50]

程梦瑶，夏晓华，杨鸿. 智能经济的研究进展与未来展望［J］. 技术经济，2026，45（8）：91-100.
[51]

Cheng M Y，Xia X H，Yang H. Research progress and future prospects of the smart economy［J］. Journal of Technology Economics，2026，45（8）：91-100.
[52]

周文，何雨晴. 论智能经济：技术突破与经济形态重塑［J］. 改革，2026（3）：1-14.
[53]

Zhou W，He Y Q. On the intelligent economy：Technological breakthroughs and the reshaping of economic forms［J］. Reform，2026（3）：1-14.
[54]

Fan W，Fan Y，Liu P J，et al. Distributionally robust optimization scheduling model for electric power and computing power coordination considering spatiotemporal response［J］. Applied Energy，2025，402：126895.
[55]

马丁，叶宇剑，吴奕之， 多源不确定性风险约束下算力网 ‒ 电力网协同运行优化方法［J/OL］. 电力系统自动化，2026-08-15. https：//link.cnki.net/urlid/32.1180.TP.20260710.1513.004.
[56]

Ma D，Ye Y J，Wu Y Z，et al. Optimization method for coordinated operation of computing power networks and power grids under multi-source uncertainty risk constraints［J/OL］. Automation of Electric Power Systems，2026-08-15. https：//link.cnki.net/urlid/32.1180.TP.20260710.1513.004.
[57]

Zhang Y H，Jiang Z Y，Guo X P，et al. Resource scheduling model in computing power network：An efficient and low-carbon approach using game theory［J］. Internet Technology Letters，2025，8（6）：e70111.
[58]

Wang H J，Cui F，Ni M，et al. Key technologies of end-side computing power network based on multi-granularity and multi-level end-side computing power scheduling［J］. Journal of Computational Methods in Sciences and Engineering，2024，24（2）：1157-1171.
[59]

Qi K W，Wu Q，Fan P Y，et al. Reconfigurable intelligent surface aided vehicular edge computing：Joint phase-shift optimization and multi-user power allocation［J］. IEEE Internet of Things Journal，2025，12（1）：764-777.
[60]

Li H，Xiong K，Lu Y，et al. Distributed design of wireless powered fog computing networks with binary computation offloading［C］//IEEE Transactions on Mobile Computing，2023：2084-2099.
[61]

Herman D，Googin C，Liu X Y，et al. Quantum computing for finance［J］. Nature Reviews Physics，2023，5（8）：450-465.
[62]

Zhang L，Song D A，Zhang H L，et al. Edge-driven industrial computing power networks：Digital twin-empowered service provisioning by hybrid soft actor-critic［J］. IEEE Transactions on Vehicular Technology，2025，74（5）：8095-8109.
[63]

Lai X B，Guo Y，He M，et al. A UAV-enabled mobile edge computing paradigm for dependent tasks based on a computing power pool［J］. Frontiers of Information Technology & Electronic Engineering，2025，26（4）：623-638.
[64]

Wang C，Han Y，Zhang L，et al. Computing power in the sky：Digital twin-assisted collaborative computing with multi-UAV networks［J］. IEEE Transactions on Vehicular Technology，2025，74（9）：14466-14482.
[65]

Cui C F，Qi L Q. A power method for computing the dominant eigenvalue of a dual quaternion Hermitian matrix［J］. Journal of Scientific Computing，2024，100（1）：21.
[66]

Main D，Drmota P，Nadlinger D P，et al. Distributed quantum computing across an optical network link［J］. Nature，2025，638（8050）：383-388.
[67]

Zhong Y N，Tang J S，Li X Y，et al. A memristor-based analogue reservoir computing system for real-time and power-efficient signal processing［J］. Nature Electronics，2022，5（10）：672-681.
[68]

Fang H L，Yu P，Liu X X，et al. Graph-aware diffusion policy for fault-tolerant agentic AI service migration in edge computing power networks［J］. IEEE Transactions on Network Science and Engineering，2026，13：5992-6009.
[69]

Shan Q H，Qu Q，Song J，et al. Multi-agent system-based polymorphic distributed energy management for ships entering and leaving ports considering computing power resources［J］. Complex & Intelligent Systems，2024，10（1）：1247-1264.
[70]

Mahmood M，Chowdhury P，Yeassin R，et al. Impacts of digitalization on smart grids，renewable energy，and demand response：An updated review of current applications［J］. Energy Conversion and Management：X，2024，24：100790.

基金资助

国家自然科学基金卓越研究群体项目(72688201)

中国工程院咨询项目“促进新质生产力发展的未来重点产业战略布局及实施路径研究”(2025-XBZD-14)

湘江实验室项目(23XJ01002)

Funding project: The Foundation for Outstanding Research Groups of the National Natural Science Foundation of China(72688201)

Chinese Academy of Engineering project "Research on Strategic Layout and Implementation Pathways of Future Key Industries for Promoting New Quality Productive Forces"(2025-XBZD-14)

Xiangjiang Laboratory Project(23XJ01002)

AI Summary AI Mindmap
PDF (6309KB)

0

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉