AI终端创新背后的算力战场：云边端协同、超节点与AIDC基础设施支撑体系解析

一年一度的消费电子创新大会（CEIC）如期在深圳举行。今年，具身智能机器人成为了展会的新变量。 

相比此前，这些机器人在指令理解、环境感知和动作执行之间的衔接更加紧密，能力从完成一个动作，逐步延伸到处理一项需要多个步骤、随时可能发生变化的任务。

这些能力的背后，是贯穿任务全过程的计算支持。机器人收到指令后，机载软件可以按既定分工，把指令和现场信息交给边缘或云端服务器规划；云端接受到请求时，超节点中的多颗计算芯片开始协同运行规划模型，生成操作方案；机器人再根据返回来的操作规划执行动作。

从终端上的任务处理，到服务器的模型计算，再到机房里的供电与散热，各个环节就这样协同运转，共同支撑着CEIC上五花八门的AI终端新能力。

算力无疑已经成为AI产业的核心议题。而通过拆解终端能力背后的算力部署和计算过程会发现，以往孤立的性能指标到终端给用户带来的实际体验，还涉及体系化的系统设计和部署选择，终端与后台如何分工，计算资源怎样组织，不同环节如何配合，都影响着一项AI功能最终能够做到什么、以怎样的成本持续提供。

围绕计算能力如何转化为产品能力，AI终端创新背后的另一场竞争正在展开。

计算调度率先响应 云边端协同重回焦点

AI终端收到一项任务后，最先启动的是任务解析与计算调度。系统会先结合用户指令和现场感知信息拆解任务，再按照响应速度、计算量和网络条件，将不同环节分配给终端本地、边缘设备或云端服务器。

以桌面收拾这个任务指令为例，具身智能机器人的摄像头和传感器会持续获取桌面上的信息，系统再理解任务的具体含义，判断不同的物品的放置位置，同时安排抓取和异动的顺序。

这些计算对响应速度和资源的要求各不相同。识别用户意图、规划一连串操作步骤，可能需要运行规模较大的模型，计算量相对更高；机械臂伸出之后，对位置、力度和碰撞风险的调整，则需要根据最新感知信息及时完成，难以承受较长的网络等待。

因此，具身智能机器人更常见的计算分工方式是，动作控制、安全避障等对响应要求较高的计算会留在机器人本地；需要较强模型能力的任务理解和复杂规划，则可以交给边缘设备或云端服务器。计算结果返回后，再由机器人本地的控制系统转化为关节和机械臂的具体动作。

这些计算分工通常在产品设计和模型部署阶段就已经确定，进入到机器人实际运行过程中，调度程序会再根据既定规则、网络状态和任务要求，将相应请求发送到不同位置。

全球计算联盟（GCC）秘书处CTO苗福友告诉36氪，这套云边端的智能协同分工，早在云计算发展初期就已受到讨论，当时主要希望通过缩短通信距离改善响应。如今，AI终端需要处理的任务更加复杂，资源利用率、能耗和成本，也成为企业重新安排计算分工的重要原因。

在此背景下，GCC在CEIC大会期间发布的《全球算力十大趋势2027》，也把“云边端全域协同智能”列为了十大趋势之一。

苗福友以家庭机器人为例，进一步解释云边端协同对算力配置方式的改变。

他表示，机器人规划复杂任务时可能短暂需要较高的计算能力，但进入重复性操作后，计算需求又会下降；没有任务时，高性能芯片甚至可能长期闲置。如果每台机器人都按峰值需求配置本地硬件，企业和消费者就要为使用频率并不高的资源承担成本。将部分复杂计算放到云端，由多台设备共享计算资源，可以降低单台终端的硬件负担。

而到了工厂场景，计算则可能被部署在离机器人更近的位置。多台设备集中作业时，车间附近的边缘服务器既可以供多台机器人共享，又能减少请求传到远端数据中心所需的时间，更适合承接部分对响应速度有要求、但本地设备难以独立完成的任务。

由此可以看到，云边端之间的计算调度，是AI终端将模型能力转化为产品体验的关键一环。任务在哪里完成、由哪些资源承接，直接影响终端的响应速度、续航表现和服务成本。

但苗福友也坦言，这样的部署对终端企业的模型设计和工程开发提出了更高要求。目前，GCC具身智能产业发展委员会就在研究云边端协同架构，探索模型推理任务如何在本地、边缘和云端之间分配，以给企业选择适合自身产品的计算方案提供参考。

超节点加速后台响应

计算任务被分配到边缘或云端，解决了第一步“在哪里计算”的问题。对于终端而言，指令和现场信息被发送出去后，还要等待服务器运行模型、生成操作方案，并将结果传回终端。这个从接收请求到返回结果的过程，就是后台响应。

随着AI终端承担的任务变得更加复杂，后台需要处理的不仅是一次简单运算，模型规模、上下文长度和同时发起的请求数量都在增加，如何在有限时间内承接大量推理需求，成为后台计算系统面临的问题。

DeepSeek最近公开的V4.1 Flash推理系统提供了一个参照。其单个生产集群目前每天服务约155万亿个Token；在系统内部，处理输入的预填充阶段采用普通8卡服务器，逐步生成输出的解码阶段则采用64至128卡超节点。DeepSeek方面解释，大规模专家并行可以降低解码过程中每一步的内存访问压力，提高系统处理Token的效率。

可以看到，超节点是目前更有效的组织多颗计算芯片共同运行模型的架构。苗福友告诉36氪，当前及未来的算力消耗中，很大一部分、甚至最大的一部分可能来自大模型推理。与可以拆成多个独立任务、分别完成后再汇总结果的传统计算不同，大模型推理过程中，不同计算节点需要不断读取数据、交换中间结果，并共同推进同一项任务。

因此，超节点的作用并不是让单颗芯片本身算得更快，而是通过更高带宽、较低时延的互联，以及更高效的内存访问方式，减少多颗芯片之间传输和等待数据的时间。

GCC与鹏城实验室联合此前发布的《超节点定义与实践白皮书》解释，这种架构可以缩短数据移动路径，降低大规模并行计算中的通信与同步开销。再具体到收拾桌面这一任务，超节点会在从请求进入模型到操作方案生成的过程中发挥作用：让运行模型的多颗芯片更高效地协作，帮助后台更快完成推理，或者在相同时间内承接更多机器人的请求。

这也意味着，AI终端所展示的能力不只取决于设备上的芯片和模型，也取决于后台能否高效完成计算。

打通虚拟运算的真实载体

需要看到的是，超节点、服务器和网络设备都不是悬浮在“云”中的抽象资源，它们最终都要安装在真实的机柜和机房里，持续获得电力，并将运行产生的热量排出。因此计算系统的下一层，是机房如何承载并保障这些设备运行。

苗福友在采访中告诉36kr，机房的生命周期可能长达二三十年，GPU却几乎每年都有新版本，一两年就可能经历较大的代际变化。因此，建设方需要考虑，当下重资产投入的机房，数年以后是否仍然适应新的计算设备。

芯片可以快速迭代，但冷却液的流速、温差等都受到现实条件限制，输电线等管道与配套设施也都需要预留空间。面向兆瓦级算力系统、吉瓦级数据中心的规划，供电、冷却与建筑条件需要更早纳入系统设计。

与此同时，多家供应商的设备如何适配，也影响交付效率。苗福友表示，云厂商往往采购不同供应商的芯片，如果每种芯片都要单独设计板卡、节点和机柜，管理方式也各不相同，就会增加部署和运维的复杂性。

也是因为这样，围绕机房设计与管理要求形成共识的重要性进一步凸显。苗福友告诉36kr，GCC目前正在为这种产业协调合作提供一套适用标准。据其介绍，GCC旗下Open AI Infra社区设置了机房基础设施、整机柜和板卡等项目群，推动使用方、建设方、芯片与整机供应商共同讨论这些问题。

其中，AIDC基础设施规范及配套认证，将机房需要具备的条件转化为可以对照、核验的要求，范围覆盖建筑架构、机房环境、供配电、风冷与液冷、交付和运维等。对于寻找机房的云厂商来说，这可以帮助它们判断设施是否满足设备部署要求；对于建设方，则提供了规划与交付的参照，推动基础设施尽快投入使用。

在与CEIC同期举行的2026全球计算大会（CGC）现场，GCC集中推出10项产业共识成果、9项团体标准及技术规范，并启动两项重点项目。大会还举行了首批GCC-OAII AIDC认证证书颁发仪式，涉及7家单位旗下14个智算数据中心，累计认证项目的IT功率规模约1.45GW。

拆解完一项AI终端任务背后的算力链条后可以看到，用户感知到的每一次顺畅响应，背后都涉及一整个计算长链条：任务先经过云边端之间的任务调度，再进入后台模型的并行计算，这个过程还依赖机房持续提供供电、散热和部署条件。任何一个环节的效率不足，都可能在终端侧表现为更长的等待、更大的能耗压力或更高的服务成本。

CEIC呈现了AI终端形态的快速扩张，而在这些终端背后，计算资源的调度、组织和承载方式也在同步重构。AI终端创新的竞争，不只是设备和模型之间的竞争，也关乎如何以更快的响应、更稳定的运行和更可控的成本，把计算能力真正转化为产品体验。