香港新聞網11月9日電　全球計算聯盟（GCC）在2026全球計算大會（CGC 2026）現場正式發布年度成果《全球算力十大趨勢（2027）》。報告研判十大趨勢，並作出預測：2027年算力將迎來的不是簡單的規模擴張，而是產業、技術和評價體系的重新校準。

趨勢一｜詞元（Token）成為算力消耗的核心計量單位：算力變現從“賣能力”走向可計量的“賣產出”

算力度量正在從設備側轉向產出側。FLOPS衡量晶片的計算能力，詞元則把晶片、電力、模型與業務計費接入同一條價值鏈，推動“按卡、按時”轉向“按產出、按效果”。智能體將問答擴展為規劃、執行與驗證的長任務鏈，強化推理在算力消耗中的主體地位。智算中心的經營指標也應從帳面卡數轉向有效詞元吞吐、單位成本與履約品質。分詞口徑、緩存複用和無效輸出扣除仍待統一；只有先界定何為“有效”，詞元才能成為可信的資產定價依據。

趨勢二｜計算架構從GPU獨大到CPU-XPU協同：Agentic AI時代，CPU與XPU共同主導AI基礎設施核心

智能體對計算架構的影響，首先體現為CPU價值的重估。GPU在訓練中的地位依然穩固；進入任務執行階段，規劃分解、工具調用、狀態管理與KV Cache調度顯著增加，CPU由此成為組織計算與數據流動的樞紐。GPU、NPU、ASIC等XPU專注神經網路計算，CPU承擔通用控制與執行，架構轉向協同設計。報告預計，智能體場景的CPU與XPU配比將明顯上升，部分系統趨向1∶1。配比應由負載決定，架構優劣則由端到端時延、系統吞吐和總成本檢驗。

趨勢三｜算力增長驅動力轉向“制程工藝+系統架構創新”：幾何縮微和時間縮微協同並進，實現算力可持續演進

先進制程仍是算力演進的基石，卻難以獨自承擔增長預期。物理極限臨近、成本上升，使幾何縮微的邊際收益下降。報告以“時間縮微”概括系統架構創新：把有效計算拆解為供電、互連、訪存和通信等時間開銷，在器件、電路、晶片與系統層逐級壓縮等待。背面供電、邏輯折疊、混合鍵合、HBM及記憶體語義互連，分別對應不同層級的時延來源。制程改善器件性能，架構減少能力兌現中的損耗。關鍵還在於把工藝、封裝、互連與軟體調度組織成低時延系統。

趨勢四｜超節點成為AIDC基本單元：超節點正成為Agentic AI時代高質量詞元的高效生產方式

超節點以高速互連、統一記憶體編址和記憶體語義訪問，將多節點組織為邏輯上的“一臺電腦”，降低跨節點交換代價。背後的驅動力是負載變化：MoE專家路由帶來密集卡間通信，長上下文要求KV Cache持續駐留，智能體多輪調用則加劇狀態管理與負載波動。傳統鬆散集群難以兼顧吞吐、時延和利用率，整櫃設計由此走向主流，採購評價也轉向有效算力、詞元成本與可用性。但效率並非自動兌現；軟硬體協同、協議互操作、故障域控制以及供電液冷，決定架構紅利能否兌現。

趨勢五｜推理能力下沉邊緣、終端：雲邊端全域協同智能，重構算力分佈

推理能力向邊緣和終端下沉，源於時延、隱私、帶寬成本與數據本地化的共同約束，雲端價值並未因此下降。模型壓縮、稀疏啟動和終端NPU成熟，使更多任務就地閉環；邊緣承接區域協同與現場推理，雲端負責訓練、複雜推理和模型迭代。物理智能強化“雲訓練、邊推理、端控制”的分工，持續回傳、仿真和再訓練也形成新需求。協同的關鍵在於任務能否按複雜度、時延、能耗和安全等級動態遷移。應避免“一雲到底”與“一端到底”，讓算力落在最能產生效益的位置。

趨勢六｜HBM成為AI硬體供給的重要瓶頸：記憶體持續稀缺，記憶體—存儲體系走向分層重構

記憶體正成為決定AI系統能力的前置條件。長上下文使KV Cache持續擴張，智能體多步執行又延長緩存生命周期，容量與帶寬壓力由峰值變為常態。HBM受堆疊良率、先進封裝和產能分配制約，供給難以快速跟進。解決“記憶體牆”，不能只靠增加HBM，還要按數據熱度分層：熱數據留在HBM，較冷數據向DDR、CXL記憶體池以及HBF、NVMe SSD遷移，並通過統一調度減少搬運。先明確數據位置與流動路徑，再配置算力，將成為集群規劃的基本次序。

趨勢七｜光互聯挺進封裝內部：NPO先行放量、CPO漸次滲透，光子與半導體深度融合

光互聯向封裝內部推進，旨在緩解高速電信號長距離傳輸的功耗與密度瓶頸。NPO將光引擎移至ASIC附近，縮短電路徑並保留可維護性；CPO把光電轉換納入封裝，在帶寬密度與能效上更具潛力，也使複合良率、雷射器壽命與現場維修問題更加突出。多條路線更可能分層共存：NPO先行放量，CPO隨工藝、標準和運維體系成熟漸次滲透，可插拔方案與機櫃內銅互連仍有適用空間。評估路線應同時核算單端口功耗、整網TCO和故障運維成本，不能以單項性能代替系統判斷。

趨勢八｜計算範式多點突破：近存計算、類腦計算、量子計算等新計算範式逐步走向產業化

非經典計算試圖突破傳統架構的能耗與數據搬運瓶頸，但各條路線成熟度不一。近存計算和存算一體已率先進入商業試點；類腦計算以事件驅動和存算融合探索邊緣能效優勢；量子計算仍需突破糾錯、擴展和軟體生態，近期更現實的路徑是與經典計算協同；光計算和模擬計算則需跨越器件損耗、計算精度與系統規模等門檻。未來將形成按負載選擇電腦制的多元格局。衡量產業化進程，應看可複現的系統收益、工具鏈與總成本，不能以實驗紀錄代替工程可行性。

趨勢九｜算電網協同：電力決定算力，GW級AI工廠成為新算力基礎設施

GW級AI工廠把能源問題推到系統設計的前端。專案落地首先取決於穩定供電、並網周期，以及儲能與散熱能否同步建設；運營中，電價、綠電出力與電網調節又直接影響詞元成本。算電網協同需要把訓練、推理、儲能、冷卻和網路納入統一設計：訓練利用時空彈性匹配電價與綠電出力，線上推理以時延和服務等級為邊界，多園區協同分擔單點能源壓力。PUE無法獨立說明經營效率；“每兆瓦詞元產出”連接能源投入與智能產出，單位詞元碳排放也將成為重要約束。

趨勢十｜全球主權AI建設提速：國家級算力基建進入戰略投資周期，AIDC智算中心成為國家戰略資產

主權AI進入國家投資周期，AIDC的資產屬性與評價方式隨之改變。報告援引CNAS統計，美中之外已有67個國家佈局184個政府支持專案，承諾投資約1380億美元。關鍵時刻的自主選擇權，取決於能源、算力、數據、模型與應用的協同，也取決於供應鏈可接管、系統可運維。評價重心因此轉向運營品質：以上架率、有效詞元產出和單位成本檢驗投資效率，以可接管性檢驗戰略自主。兼顧二者，AIDC才能由戰略資產轉化為戰略能力。

2027年的關鍵在於把有限資源持續轉化為可用、可負擔、可掌控的智能。晶片決定能力上限，記憶體與互聯決定數據流動，電力決定持續供給，調度與運營決定智能產出；任何一環失效，帳面算力都難以進入生產過程。下一階段的領先，取決於技術、能源與需求的長期協同，而非單點技術的短期優勢。對產業，這意味著從“採購設備”轉向“經營產出”；對國家，是從“擁有資源”轉向“保有可接管、可持續的能力”。（完）