中经记者 石健 杭州报道
共绩科技联合创始人兼CSO黄力昂 受访者/图
国家数据局数据显示，截至2026年8月，全国已建成高质量数据集超过12.6万个，总体量超过1815PB。与此同时，AI基础设施建设仍在持续扩张，模型参数规模、推理请求量以及企业AI应用不断增长，对算力的需求也从单一的大规模训练，进一步延伸至持续、动态的推理和应用阶段。
在第五届全球数字贸易博览会数据要素治理与市场化交流活动之际，围绕数据要素与AI相结合后，如何实现算力支撑、异构算力调度以及“数算协同”等问题，北京共绩科技有限公司（以下简称“共绩科技”）联合创始人兼CSO（首席战略官）黄力昂接受了《中国经营报》记者采访。
黄力昂表示，我们提出“分布式算力网”，就是希望让分散在不同区域、不同主体的算力可以被发现、被连接、被调度，并最终进入真实业务场景。“未来支撑AI规模化应用的，不只是一个个更大的智算中心，也需要一张能够连接不同区域、不同主体和不同架构算力资源，并持续完成供需匹配的算力网络。”
何为分布式？
《中国经营报》：在AI基础设施规模持续扩大的背景下，共绩科技基于怎样的行业视角提出要建设“分布式算力网”？
黄力昂：AI产业发展的早期阶段，行业首先解决算力不够的问题。随着越来越多智算中心、GPU集群和AI基础设施建成。这些算力如何变成生产力，开始受到行业关注。
当前的算力已经呈现出明显的分布式特征：一部分集中在大型智算中心，一部分分布在地方数据中心、企业自建集群和不同云平台。与此同时，NVIDIA英伟达、昇腾以及其他国产芯片，共同构成多元的异构计算环境。因此，行业面临从单纯的建设算力走向组织算力的问题。
由于算力资源在区域、时间、芯片架构以及资源利用率等方面存在差异，单一算力中心很难同时满足所有任务对成本、性能、地域和时效的要求。如何在更大范围内进行资源发现、供需匹配和任务调度，正成为算力基础设施进一步发展的重要问题。
我们提出“分布式算力网”，就是希望解决这一问题，让分散在不同区域、不同主体的算力可以被发现、被连接、被调度，并最终进入真实业务场景。
《中国经营报》：目前，全国已经建成大量智算中心，但这些算力未必能直接调用，原因是什么？是否有解决方案？
黄力昂：事实上，将算力变成生产力还有一段距离。首先是资源异构的问题。不同数据中心的GPU型号、芯片架构、软件环境和资源规格并不一致。其次是平台异构的问题，不同资源主体拥有自身的资源管理、权限和计费体系。与此同时，还有计算任务与资源之间的匹配问题。训练、推理、科学计算等不同任务，对芯片类型、显存、网络、存储、时延和成本都有不同要求。同一个任务，也并不是在任何一块GPU上都能获得相同的效率。
因此，算力调度并不是简单地把任务从A地转移到B地，而是首先完成不同资源的统一接入和资源感知，再根据任务需求进行匹配、编排和调度。目前，共绩科技已经接入全国50余家智算中心，弹性可纳管算力规模达到20000P，并围绕跨区域、跨主体、跨架构、跨平台的算力资源建立统一调度能力。
让算力“靠近”数据
《中国经营报》：结合实践来看，行业如何让不同地方的算力真正“接得进、调得动、用得上”？
黄力昂：我认为这个问题可以从三个层面把握。
一是把算力“接入”进来。首先，不同智算中心、云平台和芯片资源需要进入统一的资源管理体系。平台要能够识别节点位置、芯片类型、算力规格、资源状态以及可用容量，把原本分散的算力转化为可感知、可管理的资源。
二是要把算力“调度”起来。资源接入之后，还需要根据任务需求进行匹配。比如任务需要什么类型的芯片、多少显存、多少张卡，对地域、网络、价格和时效有什么要求，调度系统需要综合这些条件，把适合的任务分配到适合的算力节点上。当算力来源从单一GPU走向NVIDIA（英伟达）与多元国产算力并存，异构调度的重要性也进一步提升。不同芯片拥有不同的软件生态和运行环境，只有把底层差异逐步封装起来，才能让不同类型的算力进入同一套业务流程。
三是“用”起来。用户最终不应该面对几十个数据中心，多种芯片和多套管理系统，而应该直接获得所需要的计算服务。裸金属、云主机、批处理任务以及大模型云服务，都是将底层复杂的算力资源转化为可以直接使用的服务形态。
所以，“分布式算力网”并不是简单地把资源“连起来”。连接是基础，调度是核心，最终让算力进入真实业务才是目的。
《中国经营报》：算力调度与数据要素之间存在怎样的关联？如何将两者有机结合起来？
黄力昂：数据真正成为生产要素以后，一定会进入计算。过去讨论数据要素，更多关注的是数据如何供得出、流得动、用得好。随着AI成为重要的数据开发和利用方式，还需要继续回答一个问题：支撑数据被计算、被训练、被推理的算力从哪里来？
并不是所有数据都适合大规模迁移。在医疗、工业、科研等场景中，一些数据受到安全、合规、网络时延或者传输成本限制，更适合留在本地。如果所有数据都向少数算力中心集中，不仅可能增加数据迁移成本，也未必符合实际业务需求。
这意味着未来可能同时存在两种路径，一是数据寻找合适的算力；二是通过算力调度，让合适的计算能力靠近数据和业务需求。这也是“数算协同”的一个重要价值。数据要素市场解决的是数据如何被组织和流通，算力网络解决的是计算资源如何被连接和调度。两者都服务同一件事情：让数据真正进入模型、进入应用、产生价值。
从更大的基础设施体系看，全国一体化算力网建设也在从侧重算力资源建设，逐步延伸至资源监测、统一调度和供需匹配。未来支撑AI规模化应用的，不只是一个个更大的智算中心，也需要一张能够连接不同区域、不同主体和不同架构算力资源，且持续完成供需匹配的算力网络。
（编辑：许璐 审核：何莎莎 校对：翟军）
