通信世界網消息（CWW）今年初，低成本、高性能的DeepSeek掀起了大模型狂潮，其在預訓練中采用FP8（8位浮點數）與FP32（32位浮點數）混合精度技術也成為一項重大技術創新，前者可以大幅減少算力消耗，提高計算速度；后者則針對數據精度關鍵環節保證了模型的準確性。兩者相結合，在不影響模型性能的前提下，實現了算力資源的高效利用。

類似的思路也被用于智算中心建設，不再像去年卷“萬卡集群”那樣，智算中心從建到用更為注重性價比，低精度計算應勢而起，正推動智算中心從“大力出奇跡”轉向“四兩撥千斤”的進化路徑。

所謂低精度計算是指采用FP8、FP6（6位浮點數）甚至FP4（4位浮點數）等低比特數值格式進行運算的技術體系。相較于傳統FP32計算，其數據存儲空間更小、計算能耗更低，不僅能夠破解大模型訓練和推理的算力難題，也有助于化解智算中心的能效比困境。

就行業發展來看，智算需求的爆發直接促使低精度計算的崛起。近年來，大模型和生成式人工智能推高算力需求，全球智能算力需求呈指數級增長?！?025年中國人工智能計算力發展評估報告》指出，未來兩年，中國智能算力規模將保持高速增長。2023年至2028年期間，中國智能算力規模的五年年復合增長率預計達46.2%。然而，傳統通用算力中心難以滿足AI模型訓練的高密度、低時延需求，智算中心作為專用基礎設施的重要性得以凸顯。

在低精度計算的作用下，智算中心架構層的芯片技術變革最為明顯。在GTC 2025年大會上，英偉達發布的Blackwell Ultra/Rubin系列芯片展現了算力精度下移的趨勢。例如Blackwell Ultra在FP4精度下的算力達到15PetaFlops，在特定推理場景中效率提升40倍。作為同類競品的AMD MI350X芯片則創新性引入動態精度切換技術。通過支持FP4和FP6，推理性能較前代提升35倍，FP8算力突破4.6 PetaFlops。不僅如此，當前Meta、微軟、AWS等巨頭早已將低精度GPU列為采購核心指標。

低精度計算應用于智算中心說到底還是為了突破算力瓶頸，解決算力應用難題，其雖然并非最優解，但已經成為一塊“關鍵拼圖”。面向智算中心的未來發展，業界探索出了兩條關鍵路徑。

一是異構計算架構，不同于傳統方案強調雙精度浮動運算性能的超級計算，異構智算更多使用半精度浮動運算、整數運算，甚至更低精度的浮點運算，動態適配不同精度需求。在傳統算力的局限與旺盛的市場需求共同作用下，通用算力、智算算力、超算算力、邊緣算力等不同類型算力中心的融合發展將成為大勢所趨。

二是“超智融合”，作為異構智算的一種表現形式，“超智融合”即整合超算的高性能并行計算能力與智算的低功耗優化優勢，通過軟硬件協同提升算力效率。業內專家認為，隨著AI應用場景越來越復雜，通過單一芯片平臺提供全精度和混合精度計算，已成為“超智融合”背景下的算力基礎設施發展趨勢。

技術路徑找準之余，要想讓智算中心“輕裝上陣”，生態建設又是另一核心命題。與低精度計算相適配，國內仍需構建自主可控的開源框架，解決編程接口不統一、算子庫適配難等問題。因此，智算中心的未來不是一道高精度或低精度的選擇題，而是一道如何“恰到好處”協調適配各個環節的思考題。

可以預見，智算中心走向應用的“下半場”，一定不再是 單純追求數值的堆砌，而是如何在有限資源里找到最優解。 面向未來，筆者認為智算中心有三大趨勢值得關注。一是全精度覆蓋，兼顧低精度推理與高精度訓練，滿足差異化需求；二是超智算一體化，通過全國一體化算力網實現跨區域資源共享；三是AI原生設計，將AI技術深度融入基礎設施建設與管理，實現自動化運維與動態優化。