文/黄海峰的通信生活热丰网
独立AI超算与传统业务系统割裂，CPU、GPU、TPU等多芯多生态共存，传统IT基础设施利用率降低……当AI大模型竞赛步入深水区，产业界却陷入“算力喊得响，落地走得难”的困局。这些基础设施领域的“硬骨头”，正成为AI技术渗透千行百业的最大梗阻。
在2025中国算力大会“算力注智，激发产业新动能主论坛”上，浪潮数据董事长张东直指应对AI时代挑战核心：可演进AI基础设施是破局AI产业发展困局的关键。
在IT基础设施市场，浪潮数据取得出色成绩，比如其超融合产品InCloud Rail，出货量稳居中国市场前二，成为许多企业构建IT基础设施的最佳选择。
为何众多企业会选择浪潮数据？我想答案是行业洞察力以及与时俱进的创新。在2025中国算力大会期间，张东在与《海峰看科技》深度交流时表示，企业需要的不是颠覆式重构，而是可演进能力。云数智融合不是一蹴而就的工程，而是长期迭代的过程。
同时，“可演进架构”通过模块化设计、开放标准和全栈协同，最终实现“应用智慧化、系统弹性化、效能最优化”的目标。
AI落地困局：三大矛盾直指基础设施“顽疾”
在AI技术浪潮中，AI基础设施发展趋势清晰。其一，大模型部署私有化，模型本地化部署成本持续降低，企业因数据安全、服务可控、灵活适配等需求转向私有化基础设施，金融、医疗等行业以“数据不出厂”规避合规风险，部分企业用混合云平衡实时性与安全性。
其二，算力架构呈多芯多模协同，“一云多芯”成常态，CPU、GPU/TPU、FPGA/ASIC各司其职，“智能体”动态调度算力，私有云平台提升异构资源管理能力。
其三，私有云AI能力持续演进，企业复用现有私有云资产，叠加AI芯片与框架实现升级，达成“一份硬件承载双业务”。
其四，“平滑演进”成目标，从资源扩展、模型优化到运维兼容，均追求低成本高效升级。
新趋势给AI基础设施带来三重挑战。首先，在成本上，算力架构、私有化等趋势，需要企业重新构建AI设施。这无疑增加了企业基础设施投入资金热丰网，增加了企业运营成本。
其次，可靠性上，新建AI基础设施与原有设施无法完美融合，使得AI在应用场景中无法保障生产环节可靠性需求。
最后，智能体发展加剧适配难度。CPU、GPU等多样的算力基础设施，让智能体在算力调度时需突破“硬件差异壁垒”与“任务适配精度”双重挑战。
对此，张东直言，AI产业融合受阻根源并非技术，而是基础设施“不兼容、高成本、不可靠”，且三者均源于AI架构与传统IT体系的长期割裂。
笔者注意到，早期AI架构带有明显“超算基因”，超算系统未云化且长期独立于传统IT架构，AI训练需求爆发时，行业直接沿用这一体系，导致大量算力游离云外。
张东详细解释，十几年前云计算、大数据与应用构成的IT架构已趋稳定，但AI技术快速发展后，训练端算力消耗远超应用端，传统AI架构开始变革；而超算本就独立，AI训练又需GPU、IP网等超算组件，使得很多算力长期游离云外，与“IT 资源云化”初衷相悖。
在笔者看来，这种算力“体外循环”，本质是技术迭代速度与基础设施适配节奏脱节。传统IT体系云化成果未完全消化，AI算力需求又爆发式打破平衡，最终让资源整合陷入两难。
这种割裂在企业落地中尤为直观。正如张东坦言，企业上AI常先单独采购AI服务器，使其与传统IT系统分离；72卡液冷机柜对承重、供电、散热的要求，与传统机房条件格格不入，许多企业不得不频繁切换设备。“这是现阶段算力特点导致的过渡状态，绝非未来方向。”张东略带担忧地表示。
破局关键：可演进AI基础设施，让存量资产“长AI能力”
企业在构建AI能力时，有些企业选择“另起炉灶”，新建独立架构。这需配套独立硬件与云管理软件，不仅浪费十几年IT云化存量资产，还会增加操作复杂度。
有些企业选择维持传统IT体系，却难以满足AI对算力、散热的特殊要求，甚至被迫频繁切换设备。
针对以上两条发展路径，张东提出“可演进AI基础设施”理念，其核心逻辑直指AI与传统IT体系的割裂问题，避免形成“新的资源孤岛”，让企业依托现有IT资产逐步拓展AI能力，而非重建独立架构。
谈及行业趋势，张东认为，当前“AI厂商垂直一体化”与“云平台拓展AI能力”两条路径终将融合。“没有企业愿意维护两套独立系统，未来必形成兼顾‘算力效率+存量兼容’的统一架构。”
他进一步解释，过去十几年各行业已完成IT基础设施云化，好不容易消除了物理资源、数据与应用的管理孤岛，若因AI再建独立架构热丰网，既是资源浪费，还会让IT管理重回“多头并行”的复杂状态。
在笔者看来，这一理念的核心价值，在于跳出“非拆即建”的传统思维。它不否定过去IT云化成果，并实现从传统IT到云再到AI的渐进迭代，形成整体智能IT基础设施。
张东更是风趣地补充，可演进AI基础设施的关键是让存量IT资产“长出AI能力”。传统服务器无需替换，叠加智算芯片即可实现“一台设备同时运行传统业务与AI任务”。
既然“可演进AI基础设施”是破局企业AI建设的利器，那么如何助力企业构建“可演进AI基础设施”？
在与张东的交谈中，笔者发现，浪潮数据以应用为导向，以系统为核心，坚持开放标准、分层解耦，坚持软件定义、软硬协同，让技术架构具备足够的弹性。具体来说有四大举措。
举措一：构建可演进技术架构。浪潮云海通过模块化、积木式扩展迭代AI能力，支持应用从“基础云服务”向“智慧化服务”逐步升级，降低转型门槛，最终实现从传统IT到云再到AI的渐进迭代，形成整体智能IT基础设施。
举措二：积极适配多元算力与场景。浪潮云海通过可演进架构，适配多元算力与场景，面向“一云多芯”系统设计、支持高性能高可靠的分布式推理。这为“一台设备承载多元任务”提供了技术支撑。
举措三：高性能高可靠融合存储管理，通过优化存储资源配置，提升资源利用率，加快AI训练速度，满足大规模AI场景对存储的严苛需求。
举措四：提升全栈一体化运维管理能力。浪潮云海从硬件到软件、从资源到模型、从应用到智能体，全链路运维确保架构迭代中“可管、可控、可优化”。
对于未来趋势，张东预言：“未来所有服务器都会搭载AI卡，不再有‘人工智能服务器’与‘普通服务器’的区别，通用计算与AI计算能力会实现均衡，现阶段只是转型过渡。”
简言之，这一理念通过统一算法库与框架，让不同AI算力在同一平台融合，使基础设施能随算力类型、应用需求动态调整，避免因硬件迭代导致整体架构淘汰。而要实现“可演进”，需依托现有IT架构的资源池化基础推进。
一方面，延续云计算“云管资源”路径，将AI算力纳入统一管理，让CPU、GPU等多元算力像传统IT资源一样高效调度，解决算力游离云外的问题。
另一方面，通过数据技术整合内外部数据、规则库与知识库，结合AI算法框架形成智能体并与业务系统联动，构建“云管资源，数据管资产，AI连业务”的贯通体系。
笔者发现，这套“云-数-智”贯通体系，恰好破解了AI落地的核心痛点：既实现算力统一调度，又打通“数据－算法－业务”链路，让AI从孤立“算力工具”转变为融入业务的“智能组件”。
实践验证：可演进AI基础设施已展露实力
当我们清楚了挑战，也明白可演进AI基础设施是破局关键时，大家或许好奇，浪潮数据的可演进AI基础设施能力能否发挥价值？
从实际应用看，目前，浪潮云海InCloud OS云操作系统以“可继承、可演进”为核心实现“一云多芯”“智算融合”；浪潮云海超融合一体机则凭全栈RDMA技术助力企业搭建可演进架构。
这些实践已在浪潮数据内部与行业案例中验证。浪潮数据内部AI转型采取“小步快跑”模式。两年前，张东要求研发团队全面应用AI工具，强调“不上AI就会落后”。
如今，研发团队每月用AI生成数万行代码，效率大幅提升且保留人工验证；测试环节引入AI做白盒测试，解决了过去的复杂难题。更关键的是，转型未颠覆原有体系——如客服AI推荐模块先内部试用，由客服修正反馈，既保稳定又优化数据。
目前，浪潮数据已实现GPU与CPU管理平台融合，用户可通过统一入口调度多元算力，验证了统一架构的可行性。
此外，不少企业基于浪潮数据可演进AI基础设施加速转型。比如，中国铁塔在浪潮云底座部署AI模块，无需切换设备即可智能调度基站资源，降低运营成本且缩短项目周期。
又比如，山东某政府部门，在传统安防系统叠加AI模块，实时处理多路视频数据，数秒内联动警务系统，出警速度大幅提升；上海某实验室基于EB级存储平台+GPU设备管理平台，支撑科研创新；某智能中心建设中，采用基础设施扩展，而非重建方式。
未来展望：可演进AI基础设施成“关键先生”
面向未来，浪潮数据如何加速可演进AI基础设施发展？张东介绍道，浪潮数据将从“软、硬、生态”三方面推进可演进AI基础设施落地。第一，在软件层面，优化算力管理平台，增强GPU等算力调度能力，实现AI与传统云资源统一纳管，打破算力与业务壁垒。
第二，在硬件层面，研发模块化设备，兼容不同架构，国内外厂商的处理器和AI卡，支持算力灵活扩展。
第三，在生态层面，加强与AI算法、传统IT服务商合作，推动AI基础设施与应用结合，助力AI融入传统业务。
笔者认为，浪潮数据“软－硬－生态”三位一体规划，抓住了可演进AI基础设施落地的核心——软件是“调度中枢”，硬件是“承载底座”，生态是“协同网络”，三者结合让“可演进”从理念落地。
不难发现，浪潮数据通过可演进AI基础设施，帮助中小企业新增AI节点、运行AI任务，消除了“想上AI却不敢上、上不起”的顾虑。
独行快热丰网，众行远。正如张东在主论坛演讲中所讲，希望上下游联合建立自主技术体系，形成中国自主的可演进技术路线，推动算力、算网综合提升，支撑AI+应用落地。
选倍网提示：文章来自网络，不代表本站观点。
沪深京指数
热点资讯
