当一个个大模型如雨后春笋般涌现时，作为大模型重要底层支撑的“算力”也自然成为业界关注的焦点。越来越多的智算中心投产，也预示着数据中心将从以CPU为主的时代，转变为以GPU为主的智能算力时代。
对此，青云科技CEO林源表示，随着一大批以AIGC为代表的AI应用的涌现，用户对智能算力的需求越来越大，“用户对算力的需求将是以前的10倍、100倍，甚至更多。”林源强调。
无疑，生成式AI和大模型的爆发，对于整个数字产业，以及企业数字化来说是颠覆性的。林源认为，在数字化时代的背景下，生成式AI和大模型的出现，为人类提供了一个可以提升效能的生产工具，并且伴随着这些技术的发展，让人工智能更贴近了用户侧，让人们使用人工智能的门槛越来越低。
目前我国算力产业仍处于快速发展的初期阶段，上述提到的四个算力产业发展的问题，主要可以细分为四大痛点，分别是：
1、算力资源分配不均/供需失衡
我国AI算力资源的分配存在着严重的不均衡现象。据统计，目前我国AI算力主要集中在一线城市和部分经济发达地区，而中西部地区的AI算力资源相对匮乏。这种现象导致了资源的浪费和效率的降低。
对于算力需求旺盛的东部地区，算力供不应求，而对于西部地区，算力资源充沛，却“无人问津”。这是目前制约我国算力产业整体高质量发展的关键问题之一。
而算力供需失衡不仅是我国亟待解决的痛点。国际数据公司（IDC）发布的报告显示，全球数据量每年增长约60%，但算力每年的增速仅为10%，这表明算力的供给与需求之间存在巨大差距。
放眼全球，当前，全球范围内的算力需求持续增长，但算力供给却相对滞后。这种供需失衡现象在很大程度上限制了数据处理和人工智能等领域的发展。
2、核心技术瓶颈
尽管我国在AI领域取得了显著的成果，但在算力调度技术方面仍存在一定的瓶颈。例如，我国在GPU计算、云计算等方面的技术积累相对较少，这使得我国在AI算力调度方面的能力相对较弱。
在算力调度中，效率是一个关键问题。然而，当前许多算力调度系统在处理大规模数据时，效率低下的问题普遍存在。这主要是由于系统架构、算法优化等方面的限制所导致的。
3、算力使用成本高昂
算力使用成本高昂主要可以从两个方面来看，一方面，正如前文所述，东西部算力供需失衡，导致了东部地区算力成本高；
另一方面，AI算力调度涉及到大量的硬件设备、软件平台和人力资源，因此成本较高。这使得一些中小企业在面临AI算力调度时，很难承受高昂的成本压力。
4、数据安全隐患
随着AI算力调度的普及，安全问题也日益凸显。在数据驱动的时代，数据是企业的核心资产。然而，在算力调度过程中，数据的安全与隐私保护存在一定程度的不足。例如，数据泄露、黑客攻击等现象时有发生，给我国的AI算力调度带来了很大的安全隐患。
据IBM Security 发布的《2023年数据泄露成本报告》中显示，2023年全球数据泄露的平均成本达到 445 万美元，创该报告有史以来以来最高记录，较过去 3 年均值增长了 15%。
数据安全问题是一个“老生常谈”的问题，确保数据安全也是每个企业数字化转型过程中的“必修课”。
为了满足未来用户对于智能算力的需求，青云推出了AI智算平台，林源表示，AI智算平台将成为智算中心运营者的关键工具，帮助智算中心构建从建设到运营的全生命周期闭环。
值得注意的是，青云AI智算平台已经与济南超算中心联手，为政企用户提供算力服务多年，“目前在HPC领域和AI智算领域越来越面向终端用户，有越来越多的科研工作者、学生使用青云的平台。”产品经理苗慧表示。
经过近两年的运营，不断的优化，本次推陈出新的青云AI智算平台进行了全新的产品升级，“我们这次推出的主要产品和主要迭代，像AI算力平台、推理平台、镜像仓库，全都是面向AIGC或整个AI领域上，专门推出业务化的产品。”
不仅于此，针对时下企业最关注的数据安全的话题，青云采用零信任机制，并将用户间的数据存储与计算 “完全隔离”。
