工业和信息化部信息通信管理局局长谢存在10月20日的国新办发布会上给出一个数字：截至2026年9月底，我国智能算力规模达2592EFLOPS，同比增长146%。

增速在退，增量在进

先做一次简单除法。2592EFLOPS对应的去年同期规模约为1054EFLOPS。也就是说，过去十二个月里，中国新增的智能算力约1538EFLOPS，超过了2025年9月之前历年累积的总量。增长的绝对体量第一次大于存量，这是规模的量变拐点。

截至今年6月底，智能算力规模为2185EFLOPS（FP16口径），同比增长177%；到9月底，同比增速降到146%，三个月回落31个百分点。增速回落的直接原因是基数抬升，更值得注意的是同一时间窗口里的绝对增量：第三季度单季新增407EFLOPS，相当于去年同期全年规模的38.6%。

增速下降与增量上行同时成立，指向同一个产业事实：这一轮扩张已经走过“抢卡、抢电、抢机房”的立项阶段，进入设备到货、上架、调优、并网的交付阶段。177%这样的增速只可能出现在低基数与集中采购叠加的窗口，它无法持续，也不该被当作常态指标来要求。146%更接近一个规模化产业在供应链约束下的真实爬坡速度。把146%读成“放缓”，是把工程节奏误读成了需求萎缩。

还需要校准统计口径。2592EFLOPS是FP16精度下的名义峰值算力，统计对象是AI加速卡的标称能力，不含通用CPU算力。这个口径决定了它衡量的是“装机规模”，不是“可售产出”。两者之间隔着互联带宽、存储吞吐、调度效率、模型适配和实际利用率，每一层都会打折。行业里已经有测算认为，若按有效供给折算，实际可用规模与名义规模之间存在明显差距。规模数字因此更适合作为基础设施投资的先行指标，而不是产业竞争力的最终结论。

短缺与闲置同时存在

拆开算力供给的内部结构，比例比总量更能说明问题。6月底数据显示，智能算力占全国实际算力供给的95.1%，通用算力折算为102.1EFLOPS，占比4.4%。智能与通用之比约为21比1。这个结构在全球主要经济体中并不常见，它说明中国的算力体系在过去三年里是按照AI负载重建的，而不是在原有通用数据中心上做增量叠加。

代价是结构性偏斜。交易型数据库、虚拟化、科学计算、工业仿真这类以CPU为主的负载，在供给盘子里的份额被压缩到个位数；而在智能算力内部，短缺又集中在高端训练集群。有机构测算2026年国内高端智能算力需求约2576.5EFLOPS，供需缺口约17%；另有行业口径认为需求约4423EFLOPS、国内可供给约1590EFLOPS。不同测算的绝对值差异很大，但方向一致：缺的不是所有算力，是可用于大规模训练的高端算力，以及东部地区可低时延接入的推理算力。

与短缺并置的另一个数字是上架率。6月底全国算力设施整体上架率71.4%，意味着约28.6%的机柜尚未承载实际业务。一个市场同时出现高端卡紧缺和近三成机柜空置，说明瓶颈不在总量，在匹配。部分智算中心建成于地方招商逻辑之下，机房规格、供电容量、网络出口与真实客户需求错位；部分项目拿到卡却缺少配套的存储与高速互联，跑不满额定算力；还有一部分是拿不到客户，因为模型厂商更愿意自建或长租头部云厂商的集群。

这解释了为什么主管部门近两年把工作重心从“建”转向“调”。全国一体化算力态势感知监测体系、“算力超市”，指向的都是把分散的、口径不一的、闲置的算力变成可检索、可计价、可调度的一体化供给。当规模达到两千五百EFLOPS量级，新增一个EFLOPS的边际价值，已经低于盘活一个空置机柜的边际价值。

供给端的另一层变化来自芯片。据IDC数据，2026年上半年中国数据中心AI加速器出货量200.8万颗，其中非GPU加速器同比增长近80%，华为、平头哥、昆仑芯、寒武纪四家合计占据非GPU加速器95%的份额。这条曲线与2592EFLOPS是同一件事的两面：规模扩张的连续性，正在从依赖单一外部供应，转向依赖国产加速器的量产交付与超节点方案的规模验证。能否把出货量稳定转化为可用算力，决定下一个统计周期的增速质量。

约束条件已经换了

如果把2592EFLOPS折算成电力负荷，会得到一个与芯片叙事完全不同的约束条件。国家能源局数据显示，2025年全国算力中心用电量1700亿千瓦时，占全社会用电量1.6%；预计“十五五”期间年均新增1000亿千瓦时以上，到2030年达8000亿千瓦时，占比约6%。八大枢纽节点近三年算力用电年均增速约39.5%，高于算力规模本身的增速。

这意味着单EFLOPS的能耗在上升，而非下降。训练集群的功率密度、液冷渗透率、PUE控制、绿电比例，正在从运营指标变成选址指标。算力项目的落地条件，已经从“有没有地、有没有网”，变成“有没有变电站、有没有绿电指标、有没有可调的负荷”。国家能源局已把算力设施纳入电力保供重点领域，并推动算电协同、源荷互动与绿电直连试点，这些动作说明电力系统正在为算力重新做规划，而不是相反。

约束条件的迁移会重新定义产业的竞争维度。当算力供给受制于电网接入和能耗指标，规模扩张的速度就不再由资本开支决定，而由配套基础设施的审批与建设周期决定；当利用率成为核心矛盾，厂商的胜负就不再取决于装机数量，而取决于单位token的成本、集群的稳定运行时长和调度效率。中信建投在2027年策略中的判断与此吻合：算力服务正从“卖机柜、卖GPU”转向“卖token”，token工厂持续压低单位成本。

回到2592EFLOPS这个数字。它足以证明中国已经建成全球范围内规模领先的AI算力基础设施，也足以证明这条供给曲线在三年内完成了从通用向智能的彻底切换。但它证明不了另外两件事：这些算力有多少在被有效使用，以及用这些算力生产一个token的成本能否继续下降。

前一个问题关乎调度与匹配，后一个问题关乎电力和软件栈。下一个统计周期的看点，大概率不在同比增速能否回到170%，而在上架率能否抬到80%以上、高端训练集群的缺口能否收窄、以及单位智能算力的产出效率能否出现实质性改善。规模是产出的上限，不是产出的现实。两千五百EFLOPS之后，中国算力产业要交的答卷，从“建了多少”换成了“用得多好”。