今年初，低成本、高性的能DeepSeek掀起了大模型狂潮，其在预训练中采用FP8与FP32混合精度技术也成为一项重大技术创新，前者可以大幅减少算力消耗，提高计算速度；后者则针对数据精度关键环节保证了模型的准确性。两者相结合，在不影响模型性能的前提下，实现了算力资源的高效利用。

　　类似的思路也被用于智算中心建设，不再像去年行业卷“万卡集群”那样，智算中心从建到用更为注重性价比，低精度计算应势而起，正推动智算中心从“大力出奇迹”转向“四两拨千斤”的进化路径。

　　所谓低精度计算是指采用FP8（8位浮点数）、FP6（6位浮点数）甚至FP4（4位浮点数）等低比特数值格式进行运算的技术体系。相较于传统FP32（32位浮点数）计算，其数据存储空间更小、计算能耗更低，不仅能够破解大模型训练和推理的算力难题，也有助于化解智算中心的能效比困境。

　　就行业发展来看，智算需求爆发直接促使低精度计算的崛起。近年来，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数级增长。《2025年中国人工智能计算力发展评估报告》指出，未来两年，中国智能算力规模将保持高速增长。2023年至2028年期间，中国智能算力规模的五年年复合增长率预计达46.2%。然而，传统通用算力中心难以满足AI模型训练的高密度、低时延需求，智算中心作为专用基础设施的重要性得以凸显。

　　在低精度计算的作用下，智算中心架构层的芯片技术变革最为明显。在GTC2025年大会上，英伟达发布的BlackwellUltra/Rubin系列芯片展现了算力精度下移的趋势。例如BlackwellUltra在FP4精度下的算力达到15PetaFLOPS，在特定推理场景中效率提升高达40倍。作为同类竞品的AMDMI350X芯片则创新性引入动态精度切换技术。通过支持FP4和FP6，推理性能较前代提35倍，FP8算力突破4.6PetaFLOPS。不仅如此，当前Meta、微软、AWS等巨头早已将低精度GPU列为采购核心指标。

　　低精度计算应用于智算中心说到底还是为了突破算力瓶颈，解决算力应用难题，其虽然并非最优解，但已经成为一块“关键拼图”。面向未来智算中心的发展，业界当前探索出了两条关键路径。

　　一是异构计算架构，不同于传统方案强调双精度浮动运算性能的超级计算，异构智算更多使用半精度浮动运算、整数运算，甚至更低精度的浮点运算，动态适配不同精度需求。在传统算力的局限与旺盛的市场需求共同作用下，通用算力、智算算力、超算算力、边缘算力等不同类型算力中心的融合发展将成为大势所趋。

　　二是“超智融合”，作为异构智算的一种表现形式，“超智融合”即整合超算的高性能并行计算能力与智算的低功耗优化优势，通过软硬件协同提升算力效率。业内专家认为，随着AI应用场景越来越复杂，通过单一芯片平台提供全精度和混合精度计算，已成为“超智融合”发展背景下的算力基础设施发展趋势。

　　技术路径找准之余，要想让智算中心“轻装上阵”，生态建设又是另一核心命题。与低精度计算相适配，国内仍需构建自主可控的开源框架，解决编程接口不统一、算子库适配难等问题。因此，智算中心的未来不是一道高精度或低精度的选择题，而是一道如何“恰到好处”协调适配各个环节的思考题。

　　可以预见，智算中心走向应用的“下半场”，一定不再是单纯追求数值的堆砌，而是如何在有限资源里找到最优解。

　　面向未来，笔者认为智算中心有三大趋势值得关注。一是全精度覆盖，兼顾低精度推理与高精度训练，满足差异化需求；二是超智算一体化，通过全国一体化算力网实现跨区域资源共享；三是AI原生设计，将AI技术深度融入基础设施建设与管理，实现自动化运维与动态优化。

　　*本篇刊载于《通信世界》2025年4月10日*

　　第4期总965期