7月18日，WAIC 2026“未来计算·未来算力”专题论坛在上海世博中心举行。在第一幕“此刻我们身在何处”的巅峰对话中，香港科技大学首席副校长郭毅可院士与鹏城实验室主任高文院士围绕中国算力网的技术路径与现实挑战展开深度讨论。
算力网不是通信网：“小众科研”到“大众刚需”的范式转移
郭毅可指出，算力的需求结构正在发生一场本质性变化。传统超算联网共享模式因受众局限于大科学领域而未能真正走通，但当前智能算力联网必将成功——这背后是算力需求从“小众科研”向“大众刚需”的范式转移。随着AI训练、推理及Token经济的兴起，算力已不再是少数科研机构的专属品。当算力使用足够便捷，普及就是必然结果。AI应用的大众化，才是驱动算力网络落地的核心引擎。
（香港科技大学首席副校长 中国工程院外籍院士 郭毅可）
但算力网的建设，远比想象中复杂。对话中，算力网面临的技术挑战被逐一拆解。
首要难题是算力供给。 未来必须构建以智算为主、超算与通用算力为辅的融合体系，单一算力已无法满足复杂需求。而供给的核心卡点，直指底层芯片的制造与生产保障。硬件产能与爆发式需求之间存在巨大缺口，算力供给目前仍无法满足市场需求。
算力调度的复杂性同样被反复提及。算力资源涉及调度与成本折算，付费机制远比传统电厂复杂。算力经济模型至少涵盖三大成本要素——存储、通信费用及电力电费。
一个值得注意的观察是：算力资源会向电费洼地流动，算力布局本质上是成本博弈，电价成为决定算力流向的关键风向标。但调度不能只看电费，还需综合考量通信成本，算力调度正从单一维度走向多维度的综合统筹。
对话中也特别点出了Token经济的算力低效问题。Token作为计算量度量，经模型流水线多次转换后实际算力消耗巨大，当前大模型底层计算存在严重的算力损耗。
高文院士在对话中披露了中国算力网的最新进展：第一阶段“汇聚”已完成70% ，国家数据局已能实时监控全国算力中心的运行与负载情况。后续路线图同样清晰——第二阶段面向特定用户协同，预计耗时5年；第三阶段向社会全面开放，则需十几年甚至20年。算力网建设是一场持久战。
（鹏城实验室主任 中国工程院院士 高文）
至于“AI下半场”的说法，则被明确驳斥。对话中指出，行业正处于爬坡期，重心已从单纯的大模型训练转向训练与推理并重——竞争焦点从“拼参数”转向“拼落地”。大模型数量将收敛至5个以内，事务处理与AI智能体将是未来最成功的应用领域。通用大模型格局已定，未来的胜负手在于谁能率先跑通高频办公场景。
算力狂飙时代，需要五个“冷静追问”
如果说高文与郭毅可的对话回答的是“算力网怎么建”，那么硅谷传奇投资人、Startup World Cup布道者Bill Reichert的演讲，则在追问一个更底层的问题——算力狂飙的方向，对吗？
Reichert以一场自嘲开场：“我既不够聪明去精准预测未来，也不至于愚蠢到去假装预测。”这番表态，巧妙化解了预测未来的宏大压力，也将话题引向了更具探讨性的方向。他抛出关于AI与社会的五大核心议题，引导听众跳出技术狂热冷静思考。
（硅谷传奇投资人Startup World Cup布道者 BillReichert ）
第一，AI将如何重塑就业？ Reichert指出，AI引发的社会冲击首当其冲是西方世界的“职业颠覆恐慌”。与以往自动化技术主要冲击蓝领不同，此次技术变革将重创法律、金融等脑力劳动者——AI的威胁已不再局限于蓝领，而是直接动摇了白领阶层的职业安全感。
全球将有数亿全职岗位面临被取代的风险。但他同时以纺织业为例指出，技术最终会创造大量就业。AI在物理机器人领域的应用能有效填补因老龄化等因素导致的劳动力空缺——AI正从单纯的“岗位替代者”向“劳动力补充者”转变。问题的关键在于：AI能否实现净就业创造？
第二，AI发展是否太快了？ Reichert抛出AI是否需要设置“护栏”或“踩刹车”的争议性问题。他警示当前AI基建投资过热，并以互联网泡沫时期光纤投资过剩导致大量资源闲置为例进行类比。同时，他强调AI发展需惠及全人类而非少数富豪，直指技术红利分配不均的潜在风险。
第三，当前的技术路径正确吗？ Reichert肯定了Transformer与LLM近年来的发展成果，但直言当前靠堆砌算力的AI发展路径无法解决问题。他分享了与儿子在波士顿遭黄蜂袭击的经历，以此抛出“黄蜂悖论”——黄蜂大脑极小却能瞬间闪避并精准定位食物，用极小的生物脑容量对比庞大的算力消耗，直指当前AI效率的低下。
他提醒，当前AI模型仅是过渡，新架构出现后，现有巨额基础设施投资可能沦为“互联网泡沫”遗留资产，警惕技术范式更迭带来的资产搁浅危机。
第四，AI能否拯救人类？ Reichert指出AI能高效整合海量医疗数据以提升诊断精度，且无需依赖大规模算力。“小语言模型”及边缘计算趋势正使AI可通过手机等设备普及，算力下沉已成定局，大模型基建的垄断优势正被逐步瓦解。在教育领域，AI不仅能充当辅导工具，还能助力终身学习，缓解教师对作弊的焦虑。在可持续发展中，AI能优化资源利用并开发新材料，向解决全球生存危机延伸。
第五，AGI是正确目标吗？ Reichert指出，AGI已成为全球AI研究者的终极目标。但他认为，将AGI比作“登月”虽能激励技术发展，但并非当前的正确目标。
他强调当前无需强求AGI，机器智能在数据处理、推理及创意输出上的现有能力已足够改善世界——“与其死磕虚无缥缈的终极目标，不如先把手头的活干好。”
从算力汇聚到算力调度，从芯片产能到Token损耗，这场对话勾勒出中国算力网从蓝图走向现实的完整图景。从就业冲击到效率瓶颈，从基建泡沫到AGI迷思，Reichert的五个追问将AI发展的核心矛盾摆上台面。
无论身处硅谷还是国家实验室，一个共识已清晰浮现：算力狂飙的代价正从技术层面蔓延至物理资源，能源危机已成核心掣肘。算力的尽头不是更多算力，而是更聪明的调度、更系统的架构和更可持续的能源。而算力网，就是那条让算力真正“流”进每个人生活的管道。