问题：应用从“会说”走向“会做”，算力瓶颈由训练转向推理 本届大会释放的核心信号之一，是面向任务执行的“智能体”应用正加速走向规模化；与传统生成式应用侧重文本生成不同，智能体往往需要多轮推理、调用工具、检索外部数据并进行流程编排，单次任务链路更长、并发更高、对响应时延更敏感。由此带来的直接挑战是：推理算力成为新的“紧约束”——算力系统不仅要“跑得动”——更要“算得经济、用得高效”，能够支撑持续增长的调用量与更复杂的任务结构。 原因：需求结构变化叠加商业化要求，推动推理效率竞争 大会期间对应的观点认为，近年人工智能计算需求出现跃升，推理消耗在整体算力开销中的占比持续提高。一上，大模型参数规模与上下文长度扩展，使单次推理计算量抬升；另一方面，智能体应用带来更高频、更长链的交互式推理，放大了时延与成本敏感度。更重要的是，应用进入商业化深水区后，成本核算成为企业大规模部署的前提：不仅关注峰值性能，还要关注单位任务成本、能耗与资源利用率，倒逼算力基础设施从“堆规模”转向“追效率”。 影响：硬件平台、数据中心形态与产业分工出现新变化 围绕推理场景优化，业界加快推出面向推理的计算平台与系统方案。大会信息显示，新一代平台强调推理吞吐、能效与延迟上进行系统级优化，通过CPU与GPU协同、集群互连与软件栈调度提升综合利用率。此外，推理负载对数据流动与内存带宽的要求上升，促使高速互连成为集群扩展的关键环节。光互连等新技术被更频繁地纳入架构路线讨论，意在降低大规模集群的数据传输瓶颈，为更大规模模型与更高并发的智能体调用提供底座。 算力密度提升也带来能源与散热的新压力。随着芯片功耗与机柜功率上升，液冷从“可选项”向“高密部署的基础配置”演进，相关系统从单设备散热向机架级整体方案升级，数据中心在供电、制冷、运维各上的投入结构随之调整。对产业链而言，这意味着算力竞争已从单一芯片指标扩展到“芯片—互连—散热—软件”的全栈协同。 对策：以“可部署、可运维、可结算”为导向完善全栈能力 面对推理主导的趋势，产业的应对路径正在清晰：其一，在芯片与系统层面强化面向推理的优化，包括更高效的算子支持、更低延迟的执行路径与更合理的存储层级设计；其二，在集群层面提升资源编排能力，通过操作系统与平台化工具提高GPU等资源利用率，降低闲置与调度损耗；其三，在基础设施层面推进高密度机房的液冷与能效管理，配套完善监控、运维与可靠性体系，降低规模化部署的综合成本；其四，在应用侧推动标准化接口与工具链建设，让智能体能够更稳定地调用模型、数据与外部工具，减少重复开发成本，形成可复制的行业解决方案。 前景：推理算力或成新增长极，产业竞争从“卖算力”走向“交付能力” 从大会释放的产业信号看，推理正在成为算力市场的重要增量来源，尤其在自动驾驶、机器人、金融服务、医疗健康、工业制造等场景，智能体与具身智能对实时性、可靠性与成本的要求更高，推动算力供给向“工程化交付”靠拢。未来一段时期，产业竞争或将围绕三条主线展开：一是推理成本持续下降与单位性能提升的速度；二是数据中心从建设到运营的能效与可靠性能力；三是软硬件协同形成的生态粘性。可以预期，围绕推理的芯片、互连、液冷及软件平台将同步迭代，算力基础设施的标准与形态也将随之更新。
GTC2026所传递的核心信号，不仅是一家科技企业的产品发布，更折射出全球人工智能产业正在经历的深层变革。从"感知"到"执行"，从"训练"到"推理"，这若干转变背后，是技术成熟度与商业化需求共同驱动的必然结果。算力基础设施的升级，本质上是为智能化社会的到来铺设底层轨道。如何在这场变革中把握节奏、布局前沿，将是各国科技产业政策制定者与企业决策者共同面对的时代课题。