2026年7月的深圳，谈论算力时，“8000P”这个已经不再是那个让人心跳加速的数字。它是入场券，甚至是过期的船票。
就在一个月前，位于鹏城的“鹏城云脑Ⅲ”在刚刚落幕的全球IO500榜单中以十二连冠的成绩再次登顶，刷新了超级计算机存储性能的世界纪录。这是中国算力基础设施的一个高光时刻，也标志着我们拥有了世界顶级的单机柜算力密度。然而，当聚光灯移开，回到河套科学园和亦庄AGI园区的真实工作场景，一线算法工程师和初创团队的抱怨声同样震耳欲聋。万卡集群的算力利用率经常卡在60%以下，不是因为芯片不够快，而是因为卡与卡之间“说不上话”。
鹏城实验室主任高文院士曾提出“让算力像电力一样便捷”的愿景，并推动了中国首条算力网专线的建设。电力之所以便捷，是因为插座标准化了。但目前的国产算力，插座还没统一。8000P算力背后，是一个残酷的物理现实：这8000P可能来自三家甚至四家不同的厂商。
在深圳河套学院的最新实战中，团队用1000颗昇腾910C跑通了1.6万亿参数的DeepSeek-V4-Pro，故障率控制在0.3‰。这是一个漂亮的工业级数字。但那是“纯血”昇腾集群。一旦引入海光DCU或寒武纪MLU，混合部署的复杂度呈指数级上升。正如我们在《昇腾910C跑通万亿大模型后，国产智算集群怎么混部海光DCU》中深度剖析的，底层通信协议的差异——昇腾的HCCL、海光的DCU-NPU互联、还有那些为了凑数塞进来的老旧加速卡——它们之间缺乏统一的“普通话”。对于鹏城实验室这样的国家级算力枢纽，真正的瓶颈不是买不到卡，而是如何让不同架构的芯片在一个集群里高效协同。如果软件栈不能屏蔽硬件异构性，那么所谓的8000P，实际上可能只有4000P在干活，剩下的一半时间全浪费在数据搬运和错误重试上。
更深层的挑战在于，算力造得再宏大，如果中小企业用不起来，就是空中楼阁。
北京亦庄的8000P智算园区虽然挂牌，但《8000P智算园区落地：中小团队用国产算力还要跨几道坎》的实测数据显示，超过70%的初创团队在入驻第一周就放弃了。原因不是算力不足，而是环境配置太痛苦。CANN版本的迭代、PyTorch算子的重写、甚至是最基础的CUDA代码移植，都需要强大的驻场技术支持。这种“操作鸿沟”使得算力资源长期滞留在头部大厂和科研院所手中。
高文院士提到的“算力网专线”，试图解决的是空间上的异构问题——把分散在不同城市的算力连成一张网。央视的报道也证实了这一点：“六网织就新未来，分散的算力中心正在变成全国云端一盘棋”。但这只是第一步。更大的坑在于应用层的适配。
看看大模型训练的现状。即使是顶级高校的研究团队，在处理知识增强时也面临巨大的工程损耗，如清华的Hyper-RAG方案虽能将幻觉降低48%，但对底层算力的稳定性要求极高。当训练规模从百亿参数跃迁到万亿参数，对显存带宽和通信延迟的敏感度极高。鹏城的8000P算力，能否支撑起原生千亿参数模型的持续迭代？
更重要的是推理侧。《AWS生成式AI升级：从代理式系统到无服务器推理的算力账本》揭示了另一个真相：训练只是花钱的开始，推理才是成本的黑洞。国内的大模型厂商，如阿里通义、百度文心，都在转向端侧和云端的混合部署。如果鹏城实验室的算力网络不能做到毫秒级的低延迟响应，不能像《IBM谈通用人工智能》中所暗示的那样，让Agent自由穿梭于冷热数据之间，那么这8000P算力就只是一个昂贵的“离线训练场”。
此外，算力如果只能服务于互联网巨头，而无法下沉到制造业，其产业溢出效应将是有限的。2026年初，工信部等八部门印发了《“人工智能+制造”专项行动实施意见》，定下了2027年推广500个典型场景的目标。但在《工信部八部门发文后，制造业AI改造的三条硬骨头》中我们看到，制造业的痛点在于数据孤岛和老设备联网难。鹏城的算力如果无法与这些传统行业结合，无法像蚂蚁集团在《蚂蚁做AGI，风控比炫技更早上桌》中那样将算力转化为具体的风控能力，那它就只是一串漂亮的数字。
所以，鹏城实验室除了8000P算力，还要补什么？
第一，补“翻译官”。建立一个高度抽象的异构算力调度中间件，屏蔽昇腾、海光、寒武纪等底层差异，让开发者像调用AWS EC2一样调用国产算力，而不需要关心后端是哪张卡。这需要鹏城实验室从单纯的算力提供者转型为算力标准的制定者。
第二，补“连接器”。算力网专线只是物理连接，还需要在应用层打通。比如，让金融机构的模型能够无缝调用鹏城的算力进行实时推理，同时满足数据不出域的合规要求。这需要打破不同园区之间的技术壁垒，真正实现“全国云端一盘棋”。
第三，补“服务员”。从实验室走向产业化，鹏城需要一支懂业务、懂代码、懂硬件的复合型工程团队，去解决那70%放弃使用的中小团队的“最后一公里”问题。算力作为基础设施，其核心价值不在于峰值性能，而在于普惠性和可用性。8000P只是硬件堆叠的胜利。真正的胜利，是让每一P算力都能在不理解硬件细节的情况下，被转化为大模型的准确率、Agent的反应速度，或是制造业良品率的提升。这才是AGI时代，算力作为基础设施该有的样子。
