史凯｜AI时代新基建的价值再生与产业重构

智胜｜THE INTELLIGENCE

EDGE · STRATEGY · INSIGHTS · IMPACT

欢迎关注「凯哥讲 AI｜智胜系列」。

这篇文章要讨论的，不是一个普通的绿色数据中心话题，也不是一次简单的设备租赁模式升级，而是 AI 时代新型基础设施的一次底层重构。

今天，当我们谈“共享 AI+DaaS，共建绿色算力生态”，表面上看是在讨论算力设备、服务器、GPU、液冷、光互连、设备租赁、循环利用；但再往深处看，它讨论的其实是一个更大的问题：在 AI 进入千行百业之前，我们究竟需要怎样的新基建？

过去的新基建，重点解决“连接问题”：5G 连接人和设备，云计算连接系统和资源，数据中心连接存储和计算。今天的新基建，正在转向解决“智能问题”：如何让算力变成模型能力，如何让数据变成训练燃料，如何让模型变成行业知识，如何让智能体进入企业流程，如何让每一次设备投入、每一次能源消耗、每一次模型调用，都形成可度量的业务价值。

AI 时代真正的绿色算力，不只是更低 PUE 的数据中心，而是更高“有效智能产出率”的产业智能基础设施。

这也是本文的核心判断：绿色算力的竞争，正在从“能耗效率”升级为“智能效率”；DaaS 的价值，正在从“设备租赁”升级为“智能基础设施全生命周期运营”；深城交科技集团这样的城市科技企业，应该把自身定位从交通数字化服务商进一步升级为“城市级算力、模型、数据、智能体一体化能力运营商”。

要理解这个判断，必须先看到 AI 时代的六大趋势。

趋势一

B 端 AI 爆发尚未真正到来：每一家企业都将从“用电企业”变成“用算企业”

过去一年，很多人觉得 AI 已经足够热了。我们看到个人用户用大模型写文章、做图片、写代码、做 PPT；也看到企业开始接入智能客服、知识问答、营销文案、代码助手。但如果从 B 端产业视角看，真正的 AI 爆发其实还没有到来。

原因很简单：

今天大多数企业的 AI 应用，仍然停留在“工具层”和“试点层”。它改善的是局部效率，而不是重构核心流程；它替代的是部分人工操作，而不是接管跨部门业务链；它更多是“人在用 AI”，还没有变成“AI 在流程中自动协作”。麦肯锡 2025 年全球 AI 调研也提出，AI 使用面在扩大，智能体 AI 开始增多，但多数组织从试点走向规模化影响仍处在进行中，真正的价值释放依赖战略、人才、运营模式、技术、数据、采纳与规模化等能力协同。

这意味着什么？意味着企业 AI 的第一波热潮更多是“效率工具革命”，第二波才会是“流程智能革命”。当 AI 真正进入 B 端，典型变化不是“员工打开一个聊天窗口”，而是企业内部出现大量面向具体业务的智能体：财务智能体、采购智能体、客服智能体、运维智能体、投标智能体、数据治理智能体、项目管理智能体、合规审查智能体、运营分析智能体。

这些智能体不只是回答问题，而是要读文档、调接口、查数据库、生成任务、调用模型、写入系统、推送审批、跟踪结果。过去一个员工一天可能问大模型 20 次，未来一个企业流程一天可能触发模型调用 20 万次。过去 AI 是一个“外挂工具”，未来 AI 会变成企业的“流程引擎”。

举例：从“员工问 AI”到“AI 组织业务”

以一家中小制造企业为例，今天它使用 AI 可能是让销售人员写一份客户拜访纪要，或让技术人员生成一段代码。但未来的 B 端 AI 场景会完全不同：

这才是 B 端 AI 的真正爆发。

它不以“用户数量”为核心，而以“流程调用频率”为核心；不以“单次问答”为核心，而以“持续任务执行”为核心；不以“某个员工提效”为核心，而以“整个组织运转方式重构”为核心。

B 端 AI 真正爆发之后，每一家企业都会从“用电企业”变成“用算企业”。

这对绿色算力提出了新的要求。过去企业用电，是照明、空调、生产线、办公设备；未来企业用算，是模型推理、智能体协作、知识检索、流程自动化、仿真优化和多模态感知。算力会像电力一样，成为企业日常运营的基础资源。

因此，绿色算力新基建的第一层逻辑，不是“现在算力需求已经很大”，而是真正的大规模 B 端算力需求还在路上。现在建设绿色算力生态，不是追逐热点，而是提前为企业智能化的规模化爆发建设基础设施。

趋势二

AI 生产、AI 阅读、AI 再加工：Token 无限循环正在成为新的能源黑洞

AI 时代有一个非常重要但容易被忽视的变化：

过去内容主要是“人生产、人阅读”；现在正在变成“AI 生产、AI 阅读、AI 再加工”。

一个典型链条是这样的：AI 先生成一份报告，另一个 AI 读取报告并提取摘要，第三个 AI 根据摘要生成 PPT，第四个 AI 读取 PPT 并生成会议纪要，第五个 AI 根据会议纪要拆解任务，第六个 AI 再根据任务调用系统生成执行结果。

这个过程中，人类可能只看了最后一页结论，但模型之间已经进行了数十轮生成、读取、压缩、转译、判断、再生成。

这就是我说的“Token 无限循环”。它不是字面意义上的无限，而是指在缺乏治理的情况下，AI 与 AI 之间会形成大量自我放大的信息处理链条。过去企业的信息冗余主要来自人写太多材料；

未来企业的信息冗余可能来自 AI 生成太多内容、AI 再读太多内容、AI 再加工太多内容。

举例：一份项目材料可能触发多少无效 Token？

假设一个企业内部有一个项目审批流程。过去，项目经理写 20 页材料，领导看摘要，专家看关键章节。现在如果引入 AI，但没有做治理，可能出现以下情况：

第 1 步AI 生成 20 页立项报告

第 2 步AI 把报告总结成 5 页摘要

第 3 步AI 根据摘要生成 PPT

第 4 步AI 读取 PPT 生成会议纪要

第 5 步AI 根据纪要生成待办清单

第 6 步AI 再读待办生成周报

如果每一步都没有压缩策略、知识复用策略、缓存机制、权限边界和目标函数，这个流程看似智能，实际可能只是把传统组织中的“材料空转”升级成“Token 空转”。过去浪费的是人的时间，现在浪费的是算力、电力和企业注意力。

这也是绿色算力必须面对的新问题：AI 的能耗不只来自训练大模型，也来自日常推理中的海量无效调用。国际能源署 2025 年相关报告预计，全球数据中心用电到 2030 年将接近翻倍，数据中心用电增长速度明显高于其他行业平均用电增长。这类判断提醒我们，AI 基础设施已经不只是信息产业问题，而正在成为能源系统、城市系统和产业系统的共同命题。

AI 时代最大的浪费，可能不是服务器闲置，而是无效 Token 空转。

解决这个问题，不能只靠更先进的芯片和更低的 PUE，还要靠“智能计算治理”。例如：

• 任务分级：简单任务用小模型，复杂任务用大模型，实时任务用边缘模型，战略任务用高性能推理。
• 上下文治理：不是所有历史材料都塞进提示词，而是用知识索引、向量检索、摘要缓存和权限过滤降低 Token 消耗。
• 模型路由：根据任务类型、成本、时延、准确率要求，自动选择模型。
• 智能体治理：限制智能体之间无意义互相调用，建立任务终止条件、成本预算和审计日志。
• 结果复用：可复用结论进入知识库，可复用数据进入数据集，可复用流程进入智能体模板。

这就是绿色算力从“机房节能”走向“智能治理”的关键。未来企业真正需要的不是一个无限调用的大模型入口，而是一套可治理、可度量、可审计、可优化的智能计算体系。

趋势三

绿色算力竞争从 PUE 转向“有效智能产出率”：每一度电都要问是否创造了价值

过去评价绿色数据中心，核心指标是 PUE。PUE 当然重要，它反映了数据中心总能耗与 IT 设备能耗之间的关系。但在 AI 时代，只看 PUE 已经不够了。因为一个 PUE 很低的数据中心，如果大量算力用于无效训练、重复推理、低价值内容生成、无治理智能体空转，它依然不是高质量绿色算力。

绿色算力要进入第二阶段：从“能源效率”走向“智能产出效率”。我建议引入一个新的概念：

有效智能产出率。

有效智能产出率 = 有效业务价值 / 算力资源消耗

它关注的不只是每度电支撑了多少计算，而是每度电最终转化出了多少高质量数据、有效模型能力、可靠推理结果、可执行决策和真实业务收益。

这相当于把绿色算力的评价对象从“机房”扩展到“业务闭环”。未来一个城市级智算中心、一个企业级 AI 平台、一个行业智能基础设施，不能只报告 GPU 数量、机柜数量、PUE 指标，还要回答：

• 训练了多少真正可用的行业模型？
• 沉淀了多少可复用的高质量数据集？
• 支撑了多少真实业务场景？
• 减少了多少人工重复劳动？
• 提升了多少调度效率、运维效率、风控效率和服务效率？
• 多少计算是有效推理，多少计算是无效空转？

举例：同样 100 万次模型调用，价值完全不同

假设两个企业都进行了 100 万次模型调用。企业 A 用于批量生成营销软文、重复总结会议材料、无边界地让多个智能体互相改写；企业 B 用于设备故障预测、合同风险识别、库存补货优化、客户投诉自动分流、能源负荷预测。两者消耗的算力可能相近，但有效智能产出完全不同。

因此，绿色算力的价值不应只看“跑了多少任务”，而要看“解决了多少问题”。这与深城交科技集团在城市交通、数字孪生、交通能源融合和高质量数据集领域的能力高度契合。城市不是缺少数据，也不是缺少系统，而是缺少能够把数据、模型、算力和业务流程打通的智能闭环。

绿色算力的下一场竞争，不是 PUE 之争，而是有效智能产出率之争。

趋势四

DaaS 从设备租赁升级为智能基础设施全生命周期运营

DaaS，过去更多被理解为 Device as a Service，也就是设备即服务。它最早解决的是办公电脑、打印机、IT 终端等设备的一次性购买压力，通过租赁、运维、回收等方式帮助企业轻资产运营。

但 AI 时代，DaaS 的边界必须被重新定义。因为 AI 基础设施的设备形态已经远远超出传统办公 IT：GPU 服务器、AI 存储、光互连设备、液冷系统、边缘计算节点、传感器、智能终端、充电设施、储能设备、微电网控制设备，都正在成为“智能基础设施设备”。这些设备投入高、迭代快、能耗大、运维复杂、安全要求高、生命周期管理难度大。

如果继续采用传统“买设备、建机房、自己维护、闲置报废”的方式，中小企业很难承担 AI 转型成本。DaaS 的价值因此从“设备租赁”升级为“智能基础设施全生命周期运营”。

DaaS 的四次升级

01

轻资产化 企业不必一次性采购高成本服务器、GPU、存储和网络设备，而是按需使用算力与智能服务。

02

循环化 设备从采购、部署、运维、回收、再制造到梯次利用，全过程被运营和优化。

03

服务化 企业购买的不再是硬件，而是算力服务、模型服务、数据服务、智能体服务。

04

资产化 设备资产、算力资产、数据资产、模型资产、碳资产都可以被计量、审计、优化和交易。

05

安全化 设备回收和迁移必须包含数据安全销毁、权限隔离、日志审计和合规证明。

06

智能化 设备不只是被管理，而是通过 AI 预测故障、优化负载、调度能源、提升利用率。

例如，一个城市级绿色算力服务平台，可以把采购来的 GPU 服务器首先用于高价值模型训练；当新一代 GPU 上线后，旧设备可以转向推理服务、边缘计算、教育培训、低成本中小企业 AI 服务；再下一阶段，可以进入设备再制造、零部件复用、合规回收。这个过程如果叠加能耗监测、碳效评估和数据安全销毁，就形成了真正意义上的“新循环”。

DaaS 的终局不是“设备即服务”，而是“智能基础设施即服务”。

这也是本次论坛主题“新循环、新价值”的核心。新循环不只是设备循环，而是设备、算力、数据、模型、智能体和场景之间的价值循环。旧设备不是废品，而是新的算力层级；旧模型不是沉没成本，而是行业知识资产；旧数据不是库存，而是训练、评测和智能体演进的燃料。

趋势五

高质量数据集与行业模型，成为绿色算力价值放大的核心

很多地方建设智算中心，容易陷入一个误区：以为有了算力，就有了智能。实际上，算力只是动力系统，数据才是燃料，模型才是发动机，场景才是道路，智能体才是驾驶员。

没有高质量数据集，算力会空转；没有行业模型，数据会沉睡；没有智能体，模型无法进入业务流程。因此，绿色算力要真正产生价值，必须和高质量数据集、行业模型、业务场景深度绑定。

在这一点上，深城交科技集团具备独特的行业位置。城市交通、低空经济、交能融合、智慧停车、设施运维、数字孪生，本质上都是多模态、多源异构、高时空复杂度的典型 AI 场景。相关项目材料中提出，动静态交能数据高质量数据集面向低空经济、智能驾驶、智慧能源等 11 个创新领域，建设内容包括一个高质量数据集、两个平台和两个机制，预期多模态数据总量达到 665.04T，包含文本、图像、音频和视频等多类数据；项目也强调通过大模型、数据合成、超智融合算力等技术，形成“采—标—检—训”闭环开发体系。

这说明，深城交要讲绿色算力，不能只讲“算力供给”，而要讲“算力如何变成行业智能”。

高质量数据集为什么是绿色算力的放大器？

同样一台服务器、同样一块 GPU、同样一度电，如果用于低质量数据的重复训练，产出的是不稳定模型；如果用于高质量数据集的训练和评测，产出的可能是可复用的行业模型。数据质量决定算力转化效率。

以交通能源融合为例，高质量数据集可以包括：

• 交通运行数据：路网速度、拥堵指数、流量、事件、公交轨道运行、停车供需。
• 能源设备数据：充电桩状态、储能 SOC、光伏功率、站点负荷、故障日志。
• 空间时序数据：道路设施、站点位置、低空起降点、气象、人口活动和土地利用。
• 多模态感知数据：视频、图像、语音客服、巡检图片、设备病害图像。
• 业务流程数据：工单、审批、运维、投诉、调度、交易、应急预案。

这些数据经过清洗、标注、脱敏、治理、合规校验、质量评估和版本管理之后，不再只是“数据资源”，而是可以训练模型、评估模型、支撑智能体、沉淀知识资产的“新型生产资料”。

行业模型如何承接数据价值？

高质量数据集不是终点，行业模型才是能力封装。深城交可以围绕城市级智能基础设施构建四类行业模型：

没有数据的算力是空转；没有模型的数据是沉睡；没有场景的模型只是演示。

因此，深城交的核心表达应该从“我们有数据、我们有模型、我们有平台”升级为：我们能够把城市和交通能源场景中的复杂数据，炼化成高质量数据集；把高质量数据集训练成行业模型；把行业模型封装为智能体；把智能体嵌入城市治理和产业运营流程。

趋势六

智能体成为算力、模型、数据进入业务现场的最后一公里

大模型让机器具备了通用语言理解和推理能力，但真正让 AI 进入业务现场的，不是一个聊天框，而是智能体。

智能体与传统应用最大的区别在于：传统应用需要人一步步操作系统，智能体可以理解任务、拆解步骤、调用工具、连接系统、执行流程、反馈结果。它不是“应用插件”，而是新的生产力单元。

在绿色算力新基建中，智能体有一个特殊位置：它是算力、模型、数据和业务之间的转化器。没有智能体，算力和模型往往停留在后台；有了智能体，AI 才能进入项目管理、运行调度、设施巡检、客户服务、应急处置、政策研究、规划编制和企业运营。

以绿色算力为动力底座，以高质量数据集为资产底座，以行业模型为能力底座，以智能体为应用底座，构建城市级智能基础设施体系。

这套体系可以分为四层：

在商业闭环上，可以形成四类产品服务：

• 绿色算力服务：面向企业、科研机构和行业客户提供弹性算力、推理服务、边缘部署和模型运行环境。
• 高质量数据集服务：提供数据采集、清洗、标注、治理、合规、评测、合成和数据集运营。
• 行业模型与智能体服务：提供模型微调、知识库建设、智能体开发、流程自动化和行业应用运维。
• DaaS 全生命周期服务：围绕服务器、GPU、存储、网络、办公设备、边缘设备，提供租赁、运维、回收、再制造、安全销毁和碳效评估。

能够提出一套完整的城市级智能新基建方案：从算力供给到数据炼化，从模型训练到智能体应用，从设备循环到价值再生。

从“场景定模型，模型定数据，数据定平台”到“智能基础设施新循环”

过去我一直强调一个方法论：场景定模型，模型定数据，数据定平台。今天在绿色算力和 DaaS 语境下，这句话可以进一步升级。

场景定义价值，模型承载知识，数据沉淀资产，算力驱动智能，智能体重构流程，DaaS 实现循环运营。

它背后是一套完整逻辑：

这也是“新循环、新价值”的真正含义。新循环不是把旧设备回收再利用那么简单，而是把每一次设备投入、每一份数据沉淀、每一个模型训练、每一次智能体执行，都纳入一个持续进化的价值闭环。

结语：新循环不是设备循环，新价值是智能价值再生

AI 时代的绿色算力，不应只是一场硬件建设竞赛，也不应只是一场数据中心节能竞赛。它应该是一场关于“智能如何可持续产生价值”的系统工程。

未来，企业会越来越依赖算力，城市会越来越依赖模型，产业会越来越依赖数据，组织会越来越依赖智能体。算力会像电力一样成为基础资源，但比电力更复杂的是：算力必须通过数据、模型和场景才能转化为价值。

绿色算力的本质，不是少用电，而是少做无效计算；不是少建基础设施，而是让基础设施产生更高质量的智能价值。

对于新型企业而言，这正是一次重要的战略窗口，只要能够把“算力 + 模型 + 数据 + 智能体”组织成体系，把 DaaS 从设备服务升级为智能基础设施生命周期运营，就能在绿色算力生态中形成独特定位。

最后，用五句话总结：

第一，B 端 AI 的真正爆发还没有到来，现在建设绿色算力是为未来十年的企业智能化做准备。

第二，AI 生产、AI 阅读、AI 再加工正在制造新的 Token 循环，绿色算力必须治理无效计算。

第三，未来评价绿色算力不能只看 PUE，更要看有效智能产出率。

第四，DaaS 的终局不是设备租赁，而是智能基础设施全生命周期运营。

第五，高质量数据集、行业模型和智能体，是算力进入城市和产业现场的价值通道。

新循环，不只是设备循环；新价值，是算力、数据、模型、智能体和产业场景的价值再生。

参考资料：IEA《Energy and AI》及相关数据中心用电预测；McKinsey《The State of AI: Global Survey 2025》；Goldman Sachs Research 关于数据中心电力需求增长的公开研究；