本文以东南大学实践为例，指出算力正从科研专用资源转变为学校公共基础设施，建设重心应由模型训练转向推理应用，由分散采购转向校级统筹，由单一自建转向多渠道供给。未来算力竞争力的核心，不在于机房中有多少服务器，而在于能否将资源、模型、数据和应用有效组织起来，转化为师生每日可用的服务能力。

 

　　人工智能热潮下，算力成为高校新一轮基础设施建设的热点。前一阶段，不少高校主要关注“部署了多少卡、形成多少PFLOPS算力、在全国高校中处于什么位置”，建设逻辑在一定程度上表现为规模竞争。

 

　　而随着大模型技术路线、软硬件生态和算力市场环境持续变化，高校算力建设正在进入一个新的阶段：评价算力基础设施的核心标准，不再只是设备规模，而是能否持续、稳定、低成本地支撑人才培养、科学研究、学校治理和学科应用。

 

　　这一变化意味着，高校需要重新回答三个问题：哪些算力必须由学校自己建设，哪些需求可以通过社会化方式解决；学校究竟应该把有限算力投入模型训练，还是更多投入模型推理和应用服务；面对校内各学院、实验室和课题组分散建设的设备，如何形成校级统筹、校内协同和校外共享的算力供给体系。

 

　　东南大学近年来围绕云、超算和智算融合开展了一系列探索。实践表明，高校算力建设已不能沿用传统科研仪器购置的思路，而应当将其纳入学校数字基础设施总体规划，从单纯建设计算设备，转向建设覆盖资源、平台、模型、数据、工具、安全和应用的完整服务体系。

 

　　算力正由科研专用资源转变为学校公共基础设施

 

　　过去谈到高校算力，人们首先想到的通常是高性能计算和科研计算。算力平台的主要服务对象是少数理工科科研团队，典型任务包括数值模拟、工程仿真、深度学习训练和大规模数据分析。因此，许多学校长期将算力称为“科研算力”，其建设、使用和经费管理也主要按照大型科研仪器或科研公共平台的模式组织。

 

　　大模型的出现改变了这一格局。当今高校的算力需求已不再局限于科研训练任务。面向学生的智能问答、课程助手和虚拟实验，面向教师的文献检索、科研助手和教学资源生成，以及面向管理部门的规章制度问答、数据分析、业务审核和辅助决策，均需要持续调用大模型。此类需求单次计算量可能远低于大模型训练，但用户数量多、访问时间长、并发波动明显，对服务连续性、响应速度和数据安全提出了更高要求。

 

　　从东南大学对未来的需求测算看，学校公共服务算力已经覆盖人才培养、科学研究、精准管理和科学决策四类场景，包括课程教材、智慧教室、科研学术助手、成果孵化、学生和教师画像、财务稽核、智慧后勤、学科分析及学院投入产出分析等。

 

　　按照不同规模模型承担不同复杂程度任务进行测算，相关场景涉及约1.3万个并发任务，规划推理算力需求约80PFLOPS。这说明，算力已不只是服务科研项目的专业资源，而正成为与校园网络、数据中心、统一身份认证和信息系统平台类似的新型数字基础设施。

 

　　国际人工智能应用的发展也呈现相同趋势。斯坦福大学以人为本人工智能研究所（StanfordHAI）发布的《2025年人工智能指数报告》显示，在达到相近能力水平的情况下，模型推理价格在较短时间内大幅下降，先进人工智能能力正变得更加普及。但单位推理成本下降并未导致算力需求下降，反而推动人工智能进入更多业务流程。

 

　　OpenAI发布的2025年企业应用数据表明，企业平均推理词元（Token）消耗量在一年内大幅增长，人工智能使用正从零散问答转向可重复、可集成的工作流。这一现象在高校同步出现：模型越便宜、使用越方便，师生使用频率越高，最终形成的推理总需求反而越大。

 

　　因此，高校算力建设需从“科研算力”转向“校级算力基础设施”。信息化部门不能只负责机房、电力、网络和服务器运维，还应承担统一服务入口、模型接口、资源调度、应用审计、身份权限、成本计量和安全治理等工作。

 

　　东南大学在实践中形成的一个基本判断是：人工智能基座应当由学校信息化部门统筹建设，推理算力应成为建设重点，本地算力与云侧算力则需要形成互补。

 

 

　　大模型兴起初期，许多高校将主要精力放在模型预训练、垂直微调和参数规模比较上。一些团队认为，只有自己训练或微调一个模型，才能体现人工智能研发能力。但随着基础模型能力快速提升，这一路线需要重新审视。

 

　　《2026年人工智能指数报告》显示，2025年全球超过90%的重要前沿模型由产业界推出，前沿模型训练日益集中于少数拥有大规模数据、资本、工程团队和计算集群的机构。

 

　　对绝大多数高校和科研团队而言，重复开展通用模型预训练，不仅需要投入大量算力，还需要解决数据清洗、分布式训练、模型评测、安全对齐和持续迭代等复杂问题。即使完成训练，也很难在模型能力、生态兼容性和更新速度上长期与头部基础模型竞争。

 

　　这并不意味着高校不再开展模型训练、微调和后训练研究。对于研究基础模型理论、训练算法、体系结构、领域对齐和模型安全的优势团队，这些工作仍然具有重要科研价值；具有独特高质量数据和明确领域问题的团队，也可能需要开展针对性的后训练或轻量适配。但对于更多以学科应用为目标的团队，主要工作不应是重复制造一个模型，而应是研究如何让成熟模型更可靠地进入本学科。

 

　　高校真正具有优势的资源不是通用语料和万卡集群，而是学科知识、专家经验、长期积累的数据和真实应用场景。随着模型上下文协议、智能体编排和多智能体协作技术的发展，模型可以更加规范地调用数据库、知识库、业务系统和专业工具。MCP的核心作用正是为模型连接外部数据和工具提供标准化机制；OpenClaw等新型代理框架也体现了模型由“回答问题”向“调用工具、执行任务和协同工作”发展的趋势。

 

　　因此，高校人工智能建设的重心应逐步由“改变模型参数”转向“组织模型能力”。科研团队更需要回答的是：学科数据如何治理，专业知识如何表达，模型如何调用现有科研软件，复杂任务如何拆分给多个智能体，结果如何验证，错误如何被发现，高风险操作如何进行人工复核。相较于简单微调模型，这些工作更接近学科问题本身，也更容易形成可持续的科研成果和应用价值。

 

　　从算力结构上看，这意味着多数高校未来增长最快的将不是集中式训练算力，而是面向API、知识库、智能体和业务系统的推理算力。训练任务通常规模大、持续时间有限、需求波动明显；推理任务单次规模相对较小，却需要全年持续运行。两类需求不能按照同一种方式建设和管理。

 

 

　　东南大学已推进通用计算、超级计算和人工智能计算的融合建设，逐步形成了云智算一体化平台。平台并非简单地将不同设备放置在同一机房，而是通过统一云架构、资源调度、存储和高速网络，将通用计算资源池、超算资源和GPU、NPU智能加速资源纳入“一朵云”管理，分别支撑教学管理、校园事务、科学计算和大模型开发应用。

 

　　目前，学校已形成总规模203PFLOPS的人工智能算力资源，其中包括112PFLOPS英伟达算力和91PFLOPS国产算力。英伟达资源主要支撑科研探索和较高性能要求的模型任务，国产算力主要支撑校内大模型服务、国产化人才培养和生态推广。学校同时依托鲲鹏昇腾科教创新孵化中心，为国产模型迁移、工具链适配和性能优化提供技术支撑，形成异构算力相互补充的格局。

 

　　比算力规模更重要的是平台实际形成的服务能力。东南大学面向全校提供大模型API、模型应用安全审计、智能体开发平台和重点应用研发支撑，平台目前已服务3200余名用户、730余个课题组和31个院系及职能部门。学校大模型API平台则累计调用次数已突破2700万次，Token调用总量超过500亿。

 

　　这些数据表明，学校算力平台的使用形态正在发生明显变化：过去主要是一个课题组提交一个持续数天或数周的训练任务，现在则越来越多地表现为由大量用户、应用系统和智能体持续发起推理请求。

 

　　在应用层面，东南大学已经将大模型能力逐步接入科研和管理流程。例如，科研成果认证系统通过成果自动识别、快速匹配和智能推荐，将数据更新周期由一个月缩短至三天，成果覆盖率由70%提升至98%；科研知识图谱利用大模型、向量检索、MCP服务和智能体编排，支持科研人员方向发现和科研协同。面向校园规章制度建设的“善问”大模型，则通过检索增强、重排序和无依据拒答等机制，为师生提供可追溯的制度问答服务。

 

　　这些应用的核心价值在于：它们并非依赖学校自行训练一个通用基础大模型，而是基于现有基础模型能力，通过知识库治理、业务接口对接、检索增强生成和智能体编排等技术手段，在具体场景中实现可靠落地。这种路径既降低了模型应用的技术门槛，也有效控制了算力成本，验证了“以推理支撑应用”这一建设思路的可行性。

 

 

　　在硬件价格波动、技术迭代加速和需求快速变化的背景下，高校已经很难依靠一次性自建解决全部算力问题。东南大学在扩容论证中也提出分期实施，根据应用“上线—接入—推广—形成习惯”的过程逐步扩展资源，避免在价格高位和需求尚未充分释放时一次性采购过多设备。

 

　　未来高校算力供给应当形成“本地基础资源池+国家算力枢纽+商业云算力+校际及社会协同资源”的多渠道体系。

 

　　本地资源池主要承担稳定、持续和安全要求较高的任务，包括学校统一大模型接口、教学服务、管理应用、敏感数据处理和常态化科研推理。本地推理资源能够保证访问时延、数据边界和服务连续性，是学校人工智能基础设施的必要组成部分。但本地资源不应无限扩张，尤其不宜按照少数偶发训练任务的峰值需求进行建设。

 

　　规模大、持续时间短的训练和科研任务，可以接入国家算力枢纽或区域算力平台。国家发展改革委等部门《关于深入实施“东数西算”工程加快构建全国一体化算力网的实施意见》明确提出，引导算力向国家枢纽节点集聚，推动通用算力、智能算力和超级算力协同布局，避免各地区盲目建设大型数据中心。

 

　　2025年发布的《算力互联互通行动计划》进一步提出建设国家、区域和行业算力互联互通平台，实现跨主体、跨架构和跨地域的算力供需调度；2026年，国家又启动算力互联互通节点建设工作。这意味着高校未来接入国家算力体系的技术条件、资源标识、计量和交易机制将逐步成熟。

 

　　商业云算力则适合需求出现突然增长、任务周期较短、需要快速获得特定型号设备的场景。其优势是弹性强、开通快、设备选择丰富，局限在于长期使用成本、数据传输、平台锁定和预算管理。因此，云算力更适合作为本地资源和国家枢纽资源的灵活补充，而不宜成为所有常态化业务的唯一底座。

 

　　校际共享具有合作价值，但从大范围、长期和标准化供给的角度看，现阶段仍面临身份认证、财务结算、资源计量、安全责任、网络质量和服务保障等问题。与国家枢纽和成熟云服务相比，高校之间单点互借设备往往依赖具体项目和人员关系，难以形成稳定的服务等级。

 

　　因此，对于多数高校而言，外部算力渠道的可持续优先顺序可以概括为：优先接入国家和区域算力枢纽，其次按需租用商业云算力，再以校际共享作为项目合作和资源互补手段。这不是绝对排序，但反映了不同模式在规模化、标准化和长期运维方面的差异。

 

　　东南大学在潜在需求分析中也发现，部分科研需求总量大但并不持续，因而提出通过引入外部算力、校企共同建设和统一管理的方式解决，而不是全部转化为学校自建设备。

 

 

　　对于部分高校，特别是校级统筹能力相对薄弱的学校，算力设备往往分散在学院、实验室和课题组。学院有经费、团队有项目时就购买服务器，但设备投入运行后，可能缺少专业运维、统一调度、模型部署和应用开发能力。最终出现一种矛盾局面：一些团队苦等算力，另一些设备却闲置；一边是学校筹划建设统一平台，另一边是学院仍在各自为政地重复采购。

 

　　要解决这一问题，不能简单地将学院设备全部收归学校，而应建立“资产归属相对清晰、资源能力统一纳管、使用权限分级保障”的机制。学院和课题组出资建设的资源，可以保留一定比例的优先使用权；空闲时段则进入校级资源池，由统一平台调度。

 

　　学校负责机房、网络、存储、模型服务、账号权限、安全审计和基础运维，学院专注于学科数据、科研算法和场景应用。通过这种方式，可兼顾设备所有权、建设积极性和全校资源利用效率。

 

　　学校还应建立统一的算力服务目录和计量体系。不同任务不应简单按照“申请多少张卡”进行管理，而应区分训练、微调、推理、数据处理和智能体调用，记录卡时、Token、存储、网络和能耗等指标。

 

　　对于常态化公共服务，应按并发量、响应时间和服务等级进行规划；对于科研训练任务，则可通过排队调度、错峰运行和外部算力分流降低峰值压力。

 

　　更重要的是，算力建设必须由应用牵引。每一轮扩容都应回答将支撑哪些课程、科研工具和管理流程，预计有多少用户和调用量，现有资源为何不能满足，以及新增资源能形成什么服务能力。

 

　　东南大学正在推进校内外算力统一管理，将算力建设与模型平台、数据体系、应用建设和技术团队同步规划。这一思路的核心，是将算力从设备采购项目转变为持续运营的公共服务。

 

 

　　高校算力发展正在经历一次重要转向：从关注拥有多少设备，转向关注能够提供多少稳定服务；从以模型训练为中心，转向训练与推理分类建设、以推理支撑应用；从各学院分散采购，转向校级统筹和异构资源协同；从主要依靠自建，转向本地资源、国家枢纽、商业云和校际资源多渠道供给。

 

　　这一转向并不意味着高校不再建设算力，而是要求建设得更加理性。学校需要保有能够支撑核心业务、敏感数据和持续推理的基础资源，但不必为所有偶发高峰无限扩张；应当支持少数优势团队开展真正具有原创价值的模型训练研究，但不应让每个学科应用都从重复微调开始；应当重视国产算力建设，但更需要解决工具链、模型适配和使用门槛问题。

 

　　未来，高校算力基础设施的竞争力，不会简单体现为机房中有多少服务器，而将体现为能否把分散资源组织起来，把不同来源的算力调度起来，把基础模型、学科知识和学校业务连接起来，并最终转化为师生每天都能使用的教学、科研和管理能力。从“拼规模”走向“强协同”，可能正是高校算力建设真正走向成熟的标志。