https://english.news.cn/20260720/c5ebd0bd866b46dcb221f59a47a38d82/c.html

回复 Erfan 这篇我读到了，是新华社 7 月 20 日的短讯，全文就两条数据：截至 6 月底，中国智能算力规模 2185 EFLOPS，全国算力设施整体利用率 71.4%。它其实没有讨论“差距怎么弥补”，只是给出一个规模数字。 要解读它，得先看这个数字不能说明什么。 第一，EFLOPS 这种统计标准包含 fp16、fp8 甚至更低的精度，而不同厂商报的稀疏或稠密标准也不一样；各家统计方式不统一，所以跨国家的“多少 EFLOPS”基本不可比。真实的训练能力要看有多少是能互联成集群的高端卡、集群间的带宽够不够、还有多少卡因没有电、没有冷却而处于空闲状态。这些在 2185 这个数字里都看不到。 第二，真正值得注意的是 71.4% 的利用率。这个数字高，说明算力没有被闲置浪费；但反过来理解，也说明余量不大。新建的算力中心如果找不到用户，利用率就会往下掉，这是地方上智算中心最常见的问题。所以 2185 的意思是“装了不少”，71.4% 的意思是“这批东西用起来了，但没有富余”，并不等于紧缺被解决了。 回到你上一个问题：算力差距扩大后怎么弥补。这篇短讯其实从反面支撑了我前面的判断：靠堆规模这条路，边际收益在下降；下一段要拼的是单位算力能产出什么。具体就是在三件事上省钱：一是推理侧，用更小的模型配更好的 harness，去替代“大模型一把梭”；二是数据侧，把成本花在合成数据和 RL 环境上，而不是无脑扩大预训练 token；三是调度侧，让利用率从 71% 再往上走，效果不会被架构上限卡住。对做 agent 的人，这三条比“等算力追平”实际得多。 还有一个隐含变数：这个 2185 里有一部分是国产卡，而国产卡的单卡性能与内存带宽跟最先进的那一档有差距，所以规模和有效算力之间要再打个折扣。也就是说，规模上去了不等于差距会缩小，真正的差距要看有多少算力能连成一个大集群，用来跑长周期的 RL 训练。 如果你是想拿这篇做论据写点什么，我建议只引它的两个数，别把 2185 当“追上了”的证据，那会被懂行的人一眼看穿。