让AIGC“用得起、算得省” 九章云极缪旭谈普惠算力的工程解法

让AIGC“用得起、算得省”

  在2026年中国国际服务贸易交易会中国AIGC创新应用交流会上，九章云极DataCanvas AI首席科学家缪旭发表主题演讲，提出一个贯穿全场的判断：AIGC已经从“能做出来”进入“要用得起”的阶段，算力的价值不再是“建了多少”，而是“用得好不好”。

  过去两年，中国算力规模一路狂奔：智能算力规模已达2185 EFLOPS、同比增长177%；日均Token调用量突破500万亿、两年增长超千倍。但当AIGC真正走进千行百业，一个更真实的矛盾随之浮现——算力规模在扩张，效能却没有同步跟上：行业GPU平均利用率不足30%，智算中心整体上架率不足40%，通用算力中心的平均利用率甚至只有10%至15%。“不是没有算力，而是算力用不好。”在缪旭看来，这正是AIGC从技术热潮走向产业落地必须跨过的一道坎。

算力用不好，难在哪里？

  缪旭把症结归纳为“四道坎”：

• 获取门槛高，高端智算芯片价格高昂、产能受限；
• 使用复杂度高，从集群搭建到全流程运维都需要专业工程能力；
• 成本压力大，传统租赁多为整卡、整机、长约计费，用不满也要买单；
• 效能转化难，缺乏配套工具与场景支撑。

  对大量做AIGC应用的中小团队而言，这四道坎叠加，往往意味着“想用但不敢用、用了也用不起”。

普惠算力的工程解法

  破解的钥匙，是算力的服务化转型。缪旭提出，普惠算力不是靠降价实现的，而是让算力从“资源”变成“服务”——以标准化、可计量的方式提供高效、易用、可负担的算力供给。

  九章云极的答案，落在“AI工厂”与“一度算力”上：训练工厂把通用大模型炼成行业专业模型，Token工厂再把模型能力转化为可计量、可结算的智能产出；“一度算力”把不同芯片、不同架构的算力折算到同一把尺子上，用户按用量付费，计价规则公开透明，不同规模用户在同一计量标准下结算。正如缪旭的比喻：算力是AI时代的流量，可以被计量、被调度，随取随用。

构建贯穿算力、数据与部署的工程底座

  要让AIGC真正“跑得起来、算得过来”，仅有一把计量尺还不够，更需要一套贯穿算力、数据与部署的工程底座。

• 算力侧：九章智算云以VKS弹性容器集群将GPU纳入统一资源池，训练与生成任务按负载申请、结束即释放，实现秒级弹性扩缩，让AIGC的潮汐特征以“按需”替代“按峰值持有”；配合Serverless架构与强化学习（RL）调度，资源跟随动态负载实时调整，并以"一度算力"计费，让成本与实际用量一一对应。
• 数据与缓存侧：以DingoFS分布式文件系统承载多模态数据存取、以高性能KV Cache复用已计算的上下文，并通过零拷贝链路与RDMA高速网络减少节点间的数据搬运。
• 部署侧：构建“云训练—边推理—端行动—数据回流”的闭环，让生成能力从云端走向终端。

已在多个AIGC头部场景中得到验证

  这套底座，已在多个AIGC头部场景中得到验证。

• 在视频生成领域，某国产视频生成大模型依托九章云极大规模异构算力池实现毫秒级弹性扩缩，支撑万卡并行训练；通过RLAF训练加速与MoE推理引擎优化，推理效率显著提升、长视频画质保持稳定。
• 在智能助手与多模态领域，某模型厂商以全栈Serverless异构算力池深度优化MoE训练推理，并以强化学习治理流量波动，缓解高峰限流与低谷闲置的两极分化。
• 在AIGC视频与直播场景，某头部短视频科技企业以Serverless异构算力池实现在离线任务混部，配合RL调度平抑潮汐、按有效算力计费压降整体TCO。
• 在端侧与轻量化方向，某端侧大模型企业借助“秒级生成百万Token”的能力加速模型开发与测试，综合使用较此前方案成本降低30%以上。

从“租卡”走向“用智能”

  缪旭表示，AIGC落地的关键，正从“能不能生成”转向“单位成本能不能降下来”。交付逻辑随之改变——从“租卡”走向“用智能”，定价逻辑从“Token单价最低”转向“任务综合成本最低”，企业只为真实产出买单。

  面向未来，九章云极以训练工厂与Token工厂双线推进，以工程效率换取千倍级综合降本空间。他强调，千倍降本是一场工程效率之战，而不是低价内卷的价格战；目标不是最便宜的Token，而是更低的综合落地成本。当算力像AI时代的流量一样被计量、被调度、被结算，AIGC才真正具备走向千行百业的能力。