算力革命与云厂商三重进化：Agent云架构升级与度量衡革命 | AI资讯

type

status

date

slug

summary

从按需计算到模型训练：云的前两次进化

回顾云计算的发展史，第一阶段是互联网云。在这个时期，云解决的核心问题是让软件能够更低成本、更高效率地开发和部署。算力以CPU为主，服务对象是传统的Web应用和企业软件。

第二阶段则是随着大模型和LLM的爆发而到来的GPU云。在这个阶段，openai的chatGPT等现象级产品彻底改变了市场对算力的需求，云服务的核心转向了AI模型的训练。为了满足庞大的并行计算需求，GPU从数据中心的“辅助角色”一跃成为最核心的生产资料。这一转变不仅推高了基础设施的建设成本，也催生了许多AI变现的新模式。各大云厂商纷纷推出AI平台，尝试将模型训练和推理封装成服务。

Agent云崛起：从“回答问题”到“执行任务”

当大模型的智商基本达标后，单纯的对话框已经无法满足企业的真实需求。企业需要的是能真正干活的员工，这就标志着Agent（智能体）时代的到来。

在Agent云阶段，云不再仅仅是卖算力或卖模型调用（如claude或chatGPT的API接口），而是要提供包括推理、存储、工具调用、长期记忆、安全沙箱在内的完整运行环境。这就需要一套全新的“操作系统”——Agent Harness。它位于模型之上、应用之下，负责把模型真正组织起来，确保成千上万个Agent在企业系统中稳定协同工作。这也是目前迈向AGI道路上的关键基础设施。

底层算力的重构：多元协同的新体系

Agent的大规模落地对底层硬件提出了全新的工程要求。在这一阶段，不再是单一的GPU打天下，而是需要构建“GPU+CPU+HBM+光互联”的协同运转新体系。

GPU与CPU的分工：GPU继续负责高强度的模型推理，而任务调度、跨系统协作、工具调用以及复杂的Prompt（提示词）处理等逻辑执行工作，则重新交回给了CPU。

存储与网络的升级：Agent的高频交互和长期记忆需要超高带宽存储（HBM），而推理过程则极度依赖超低延迟网络。

这种底层逻辑的变化，直接推高了相关基础设施板块的价值，也为AI产业链带来了新的硬件稀缺品和投资机遇。

云厂商的“度量衡革命”：从消耗到产出

过去，云厂商在大模型阶段追求的是Token的生成效率，大家比拼的指标是Token/$、Token/Watt等。这些指标本质上衡量的是性能和成本。

但在Agent时代，客户真正关心的是AI交付的实际业务价值。因此，行业内出现了新的“度量衡”，比如百度提出的DAA（Daily Active Agents，日活智能体数）。这一指标将优化的目标从单纯的“提升算力效率”转向了“提升智能成果”。

这意味着，在相同的资源消耗下，每一个Token需要承载更高的智能，完成更复杂的任务。相比于“生成更多Token”，现在行业更看重的是“单位Token的智能水平”。这才是真正的人工智能落地价值所在。

总结与展望

从GPU云向Agent云的跨越，不仅是技术架构的全面重构，更是整个行业价值衡量方式的根本转变——从看资源投入，转向看业务产出。未来的云厂商必须具备“全栈AI云”的能力，通过“芯、云、模、体”的协同，打通从底层算力到企业真实业务场景的全链路。只有在最复杂的场景中跑稳跑通，AI才能真正赋能千行百业。

获取更多关于AI、大模型及AGI的深度解读，请持续关注我们的AI门户，掌握第一手AI资讯。