0
过去几年，AI 几乎成了云计算行业的统一叙事。
无论是阿里提出的全面 AI 化，火山云强调的 Token性价比，还是百度持续加码的大模型战略，厂商们都在努力用 AI 定义未来的云。但当这些口号越来越密集时，也变得越来越相似。
算力提升、模型迭代、Agent 探索，几乎成了每一家厂商的必备动作，差异化正在快速消解。宣传中，各种“全球领先”“业内首创”的表述层出不穷，但落到用户体验与产业落地，差别并不显著。对大多数企业来说，除了价格、服务条款和生态黏性，真正能感知到的差异其实并不多。
另一方面，AI 本身也正从“炫技”走向“应用”。2023年 到 2024 年间，行业一度沉浸在大模型突破带来的震撼中，但进入 2025年，客户的关注点已不再是模型参数的数量或推理速度的极限，而是如何把 AI 嵌入产业流程，真正带来效率和价值。换句话说，现在的问题已经不在于 AI 能否更强，而在于它能否更有用。
在这样的背景下，华为云在华为全联接大会 2025 上提出了一套新的组合：超节点 Token 服务、液冷、企业级 Agent，并将具身智能、盘古大模型纳入其中，颇有一种想要突破行业现状的感觉。表面上是新技术的推出，实质上是对行业现实的回应——当成本、基建和应用都成为瓶颈时，差异化的叙事已成为厂商的必答题。
AI 云的困境
今天的 AI 云，几乎都在讲同样的故事：大算力、大模型、大生态。
算力规模、训练速度、推理延迟被摆在最显眼的位置，厂商之间不断刷新极限，以此证明自己的领先地位。大家的焦点都落在技术性能的极限上，却鲜少能回答一个更现实的问题：这些技术突破如何真正改变企业的生产力和产业效率？
于是，“性能大战”逐渐成了行业的默认赛道。故事讲得越来越大，但和它对应的商业回报、客户价值，却没能同步跟上。更麻烦的是，AI 云还背着“三座大山”：
第一座是成本。动辄数十万卡的 GPU/NPU 集群，硬件采购和能耗支出不断飙升。算力价格越炒越高，厂商如果想维持领先，就要不停砸钱。可现实是，回报周期模糊，巨额前期投入很难快速收回。
第二座是基建。数据中心建设动辄数年，PUE 要不要压到 1.1 以下，单机柜能不能撑起更高功率，这些不只是环保指标，更决定能不能撑起百万级算力。但一旦方向押错，沉没成本会非常沉重。
第三座是应用。大模型在推理、生成上不断刷纪录，可能真正复制、规模化落地的案例仍不多。很多企业的项目还停在演示或 POC 阶段，真正嵌进业务流程的并不多。
这使得 AI 云行业陷入一种悖论：厂商们的竞争愈演愈烈，叙事越来越庞大，但客户端感受到的价值却不成正比。性能不断突破，成本却居高不下，应用迟迟难以落地，这或许就是当前 AI 云叙事与产业价值之间最大的张力所在。
如果说叙事趋同和成本压力是行业的共性问题，那么客户需求的高度分化则揭示了更深层的挑战：不同类型的客户，对 AI 云的诉求完全不同，几乎不存在可以“一招通吃”的方案。
互联网公司最在意的是灵活扩容和价格可控：流量高峰要能瞬时撑起数千万并发，低谷又要迅速收缩，否则成本就会失控。如果云厂商不给出弹性计费和友好价格，粘性很难建立。
央国企则把合规与安全放在首位。数据主权、监管要求、隐私保护是红线，它们更关注模型能否“可控在域”，算力能否本地备份，能否有完整的审计与容灾机制。
新兴产业（智能制造、教育、内容创作等）强调快速试错。它们希望低门槛接入 AI，用最小的成本换机会，不追求模型参数多大，而需要开箱即用的工具、轻量化 API，甚至直接可用的场景模型。
智能驾驶则对实时性和稳定性要求极高，任何延迟都可能是安全风险，因此必须依赖低时延的边缘计算和云端协同。除此之外，具身智能还面临本体受限：功耗、电池、体积都有限，没法把大算力塞进机器人。如果把推理和训练迁到云端，就能让机器更轻、省电，同时获得更强的感知和决策能力。这也是它对 AI 云最强的依赖。
正因为需求如此分化，AI 云已经很难靠单一叙事去覆盖所有客户。算力再大、模型再强，也无法同时满足不同的行业。这迫使厂商必须真正深入行业场景，基于不同客户的特征提供差异化的解决方案，AI 云的价值正在从“统一的口号”，逐步转变为“多样的答案”。
于是产生了一个自然的问题：面对分化的需求，厂商们能提出怎样的答案？华为的尝试，就提供了一个值得观察的样本。
在华为全联接大会 2025 上，华为云给出了一套不同于惯常“大算力、大模型”的路径，而是通过软硬协同、架构创新，做厚算力黑土地来回应行业的困境。
华为常务董事、华为云计算CEO张平安
算力层面，华为云基于CloudMatrix384的 AI Token 推理服务全面上线。Token 推理服务意味着可以高效地直接获得“AI 的最终结果“， 而不必关心AI硬件的更新迭代，也不必关心推理框架、模型部署等复杂的软件技术栈。华为云认为，算力的竞争本质上是以优的性能、好的服务、高的质量，来高效地满足各行各业所需。
CloudMatrix384 超节点将资源全面池化，将计算型任务、存储型任务、AI专家系统解耦，将串行任务变成分布式并行任务，极大地提升了系统的推理性能。在在线、近线和离线等推理场景中，CloudMatrix384 平均单卡的推理性能达到 H20 的 3 到 4 倍。
大会期间，华为云还表示，未来，CloudMatrix 超节点还将从 384 卡升级至 8192 卡，依托MatrixLink 高速对等互联网络结合多网合一技术，实现百万卡的超大集群，提供更澎湃的AI算力。
同时发布的EMS 弹性内存存储服务被称为“以存强算”，通过内存扩展显存，解决显存不足导致的推理时延大幅提升的问题。官方数据称，多轮对话和长链推理的首 Token 时延可降低 90%，这等于直接触及行业最敏感的用户体验指标。
基础设施上，华为在贵州、内蒙古、安徽等地同步落地的全液冷 AI 数据中心，目标是通过冷板式液冷、AI 调优与 IoT 运维实现极致能效。PUE 压低至 1.1，单机柜功率提升至 80kW，不只是能耗改善的数据，而且意味着客户可以“租用”到接近最优形态的数据中心资源，而不必再背上巨额的自建负担。
华为甚至在发布会上强调，企业只需“一对光纤”，就能随取随用接入超大规模算力池，其背后折射出厂商对降低进入门槛的努力。雷峰网
平台层，华为把重心放在企业级 Agent 平台。不同于个人用户的轻量化 Agent，企业级 Agent 必须满足稳定性、低幻觉率和可解释性。
华为云的 Versatile 平台由五大模块组成：AgentSpace、AgentStudio、AgentRun、AgentOps、AgentGallery，涵盖从自然语言生成 Agent 的工具链，到高性能沙箱的运行环境，再到安全隔离与运维体系。除此之外，提出的 NL2Agent 技术号称“像写文档一样开发 Agent”，目标是缩短企业从需求到可运行 Agent 的路径。
华为高级副总裁、华为云全球Marketing与销售服务总裁杨友桂
落地案例也进入深水区：在差旅管理中，慧通差旅基于 Versatile 打造了智能体“通宝”，涵盖出差提醒、路径规划、智能问答等等。在路径规划方面，“通宝”目前的采用率已超50%，2分钟即可完成预订。工业领域的万华化工，则将复杂的 SOP 审核流程交给 Versatile 平台开发的工作流 Agent 来完成，让数以万计的 SOP 文档实现自动化质量审核，显著减轻了工程师的重复劳动。
这些数据表明，企业级 Agent 已不再是纸面概念，而是正在成为重塑企业生产方式的现实工具。
在机器人和具身智能领域，华为选择了一条不同于业内多数玩家的路径：把算力迁到云端。
CloudRobo 平台通过云端算力和智能，缓解机器本体在体积、功耗和成本上的限制，使其更轻量化，并大幅提升执行的精度与效率。R2C（Robot to Cloud） 协议则意在统一多厂商、多系统的数据、通讯和指令接口，试图打破长期存在的生态割裂。目前已有 20 多家伙伴加入生态，覆盖制造、物流、康养等场景。
在国家地方共建人形机器人创新中心的案例中，结合真机与合成数据训练，机器人在多个场景下的整体分拣任务成功率可达90%以上，行业领先，初步证明了“云上具身智能”的可行性。
而在大模型层面，华为更是提出了“开源+商用”的双轨并行策略：一方面，openPangu 开源部分 NLP 模型，降低客户和开发者在昇腾上的使用门槛，增强外部开发者生态的活力，另一方面，商业版盘古已在 30 多个行业孵化出 200 多个专业模型，覆盖 500 多个产业场景，强调“行业专用模型”在可解释性和安全性上的优势。
这种组合既是技术层面的策略选择，也是华为对过去“盘古风波”的正面回应 —— 通过开源表态开放，通过商用展示落地，重建市场信任。
AI 云的竞争，已经不是谁喊得更 AI，而是谁能真正把 AI 嵌进产业。华为给出了一条新的路径：在超节点和液冷上突破性能极限，在企业级Agent和具身智能上寻找差异化。
这套思路的价值在于，它直面了成本、基建和落地场景的痛点，也体现了华为云试图以全栈布局构建长期壁垒的雄心。雷峰网(公众号：雷峰网)
但这条路径并非没有挑战。国际市场上，AWS 和 Azure 依然把控着最成熟的全球生态和开发者心智，形成难以逾越的壁垒。在国内，昇腾生态仍处于培育期，要像 CUDA 那样建立强粘性，需要时间和大规模开发者的验证，而企业级 Agent 和具身智能的落地，更注定是一个复杂而漫长的过程，不仅要解决技术问题，还要穿透行业流程，赢得客户的长期信任。
而对整个行业而言，真正的考验在于能否把炫技的叙事转化为可持续的生产力。只有当 AI 云不再只是舞台上的口号，而是成为产业链中的基础设施时，这场竞争才算真正走向了下半场。
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
