2026年秋季学期，北京邮电大学将为每名本科新生配备专属AI算力账户。这意味着，算力正从过去多为科研团队所用的尖端资源，成为新生入校即可使用的标配服务。

 

　　这一细节折射出高校算力定位的深层变化。过去两年间，从理工科师生到文科研究者，从科研训练到课堂教学、校园管理，算力的用户群体和应用场景正以前所未有的速度扩展。

 

　　这些应用与以往不同，需要持续在线、快速响应，且随着使用频率的提升，算力消耗也在持续攀升。传统以科研计算为主的算力建设思路，正面临新的压力。

 

　　然而，许多高校现有的算力供给模式仍然是各院系分散自建的小规模集群，或依赖单一校内平台。在资源统筹、弹性调度和成本分担等方面，与这一轮需求变化之间的落差日益明显。资源紧张与闲置并存、重复建设与统筹缺位交织，成为许多高校面临的共同困境。

 

　　与此同时，政策层面的布局也在加速。2026年4月，教育部等五部门联合印发《“人工智能+教育”行动计划》，明确提出建设国家教育智能算力服务平台，并推动算力资源的统筹集约与普惠共享。

 

　　而在高校一线，一批院校也已在算力统筹、跨域协同和服务转型方面率先破题。这些探索正在回答同一个问题：当算力不再是少数人的科研工具，而成为全校师生都要用的公共基础设施，资源如何协同、服务如何落地、运转如何持续？

 

 

　　回到几年前，谈起高校算力，许多人通常默认指高性能计算。服务对象以工科和理科为主，任务大多是物理、大气、化学等学科的科学计算。

 

　　据合肥工业大学信息化建设与管理办公室主任姜元春回忆，两三年前算力建设的重心是“扩充算力规模、垒高硬件配置”，使用场景也主要是计算机等学科的科学计算。

 

　　而近两年，随着人工智能对高校教学、科研和管理产生系统性影响，算力建设的主线逐渐由高性能计算转向以AI发展为核心。最直观的变化是用户群体的扩张——兰州大学超算中心高级工程师张洋观察到，“现在文科、管理类的老师也对算力产生了明确需求”。

 

　　中国人民大学的实践是一个典型：其算力平台支持法学院和人工智能学院联合开发了涉外法治大模型，这也是全国高校首个通过数据知识产权登记的法律类项目。

 

　　用户群体的扩张背后，是算力需求性质的深层转变。过去，算力主要用于模型训练——少数科研团队提交任务、等待结果，对实时性要求不高。如今，智能助手、课程助教、管理问答等场景要求算力持续在线、快速响应——这类需求在行业中被称作“推理算力”，而据东南大学网络与信息中心副主任胡轶宁判断，其消耗量将随AI使用频率的提升呈持续增长态势。

 

　　例如，按东南大学未来公共服务算力覆盖的四类场景测算，仅推理算力需求就约80P。他表示：“算力已不只是服务科研项目的专业资源，而正在成为与校园网络、数据中心、统一身份认证和信息系统平台类似的新型数字基础设施。”

 

　　而当高校算力平台成为人工智能时代学校核心竞争力的公共基座，便不能继续按照大型科研仪器或科研公共平台的模式来组织。转向的第一步，便是回答一个基础问题：资源从哪来、怎么统？这正是当前许多高校面临的现实困境。

 

 

　　当前，部分高校的算力资源分散在信息中心、各院系、各课题组甚至不同校区手中，各自采购、各自管理、各自使用。

 

　　北京师范大学信息化建设办公室在梳理本校算力资源时发现，校内算力分散在分析测试中心、信息网络中心和珠海校区三个互不隶属的管理主体手中，各学院还自行采购了大量小规模GPU服务器——这种“算力孤岛”格局，在国内高校中颇具代表性。

 

　　过去，这种分散建设的弊端主要体现在重复采购和资源浪费上。而当算力成为服务全校的公共基础设施后，同一个算力平台便需要同时支撑教学、科研、管理等多类场景，“分散自建、各自为政”恰恰与“多类型兼容”的要求背道而驰。

 

　　算力需求本身的类型分化加剧了这一矛盾：同样是“要算力”，面向全校师生的公共服务推理需要低延迟、高并发、持续在线；面向科研团队的模型训练与微调需要大规模分布式计算能力，对延迟不敏感但对吞吐量要求极高；面向各学院业务部门的应用开发算力，需求规模相对较小但种类繁多。三类需求的资源特征差异显著，对调度系统提出了在同一硬件基座上兼容多类型服务的核心要求。

 

　　因此，解决这一问题，需要的不只是“把设备搬到一起”，而是建立一套规则，让不同归属、不同位置、不同类型的资源能够被统一发现、统一调用。部分高校的探索，正是从制度设计、技术架构、内外协同三个层面回应这一挑战。

 

　　首先是制度协同，为院系参与算力共建提供明确的规则框架。资源统筹的关键，在于通过合理的制度设计，理顺各方权益与责任关系。

 

　　对此，华中科技大学的解法是“众筹式”共建：学校出台了《华中科技大学高性能计算公共服务平台建设与运行管理办法》，明确存量及新增集群须接入校级平台统一纳管，同时设计了两类参与机制——出资托管模式下，院系按标准采购设备后托管至学校机房，由平台统一运维；远程接入模式下，院系自建集群经技术改造后通过光纤专网接入，保留硬件属地管理权。

 

　　除此之外，还有配套的权益设计，如出资托管单位可在“高免费机时+零分红”“平衡型”“纯分红”三类组合中自主选择，而远程接入单位可获得70%的共享收益分红，权益期限最长可达8年。

 

　　其次是技术协同，让异构、异地资源能统一调度。制度解决了“愿不愿意纳管”的问题，技术要解决的是“纳管之后怎么调度”的问题。高校算力资源通常高度异构——不同时期采购的设备型号不同、架构各异，有的在本地机房，有的在异地校区，缺乏统一纳管的基础。

 

　　华中科技大学面对“传统HPC科学计算依赖Slurm作业调度系统，AI训推任务更适配容器化与云原生架构，单一调度体系无法同时高效支撑两类负载”的难题时，解法是构建“容器化全域融合架构”，底层由Kubernetes负责基础设施层资源分配，上层运行Slurm管理HPC作业队列，两套调度引擎通过标准化接口协同联动。

 

　　第三是内外协同，将外部资源也纳入统一秩序。部分非头部校内算力短缺，不仅推高了科研成本，更直接导致课题因计算周期过长而错失成果首发窗口。

 

　　即使对资源相对充裕的高校来说，硬件价格波动大、技术迭代快，完全靠自建算力既不经济也不可持续。因此，协同不仅是“把分散的统起来”，还包括“把外界的接进来”。

 

　　对此，兰州大学于2025年发布了西部高校首个算力聚合平台，定义了一套标准接口，将校外五到六家算力资源对接到学校来，师生登录平台即可使用，平台还预制了应用镜像，用户无需自己搭建环境即可使用。

 

　　面向未来，东南大学则提出了更完整的多级体系——本地基础资源池承担稳定、持续和安全要求较高的任务；国家算力枢纽承接规模大、持续时间短的训练和科研任务；商业云算力应对突发性、短期性需求；校际共享作为项目合作和资源互补手段。

 

　　内外协同的核心理念，与《“人工智能+教育”行动计划》提出的“用好教育和科研计算机网，连接国家算力训练场、国家算力枢纽、企业和高校”一脉相承——学校不需要为所有偶发需求无限扩张自建规模，而是通过建立统一的接入和服务标准，让不同来源的算力都能进入同一个调度秩序。

 

　　这一政策特别提到“用好教育和科研计算机网”，而作为中国教育和科研计算机网的运营单位，赛尔网络已围绕这一方向提出“算网融合”的实践方向——发挥教科网专网特性，在保障数据安全的前提下，高效地连接和共享教育领域的算力。其支撑的多所高校算力平台建设的实践表明，国家算力枢纽、商业云与高校本地算力之间的“最后一公里”，需要通过专业的网络服务与算力调度能力来衔接。

 

　　在此基础上，赛尔网络正在推动打造高校算力联盟，探索教育行业算力节点的建设路径，支撑教科网逐步成为整合与调度各类算力、模型等资源的连接中枢。当然，在这样的探索中，外部算力从“能接入”走向“好用”，仍需要解决数据安全这一核心瓶颈——跨地域使用算力，涉及科研数据分类分级、传输加密、访问授权和全过程审计等环节。这是内外协同最终落地必须跨越的门槛。

 

　　当不同归属、不同位置、不同类型的资源能够被统一发现、统一调用，算力才算初步具备了“基础设施”的雏形——有资源可用，且取用有度。

 

 

　　当资源能够被统一发现和调用之后，更现实的问题浮现出来：如何让用户更好地用起来？

 

　　这不是假设的困境。部分高校算力平台的硬件采购到位后，师生面对的是Linux命令行、作业排队系统和晦涩的环境配置文档。武汉科技大学的调研中，多院系反映“缺乏可视化图形操作界面”“误操作频发”——这些听起来细碎的问题，恰恰是算力从“能用”到“好用”之间最大的障碍。

 

　　当算力的用户从少数理工科科研人员扩展到全校师生时，“降低门槛”也成了必须解决的前提条件。高校在此方面的探索，集中在三个层面：把技术门槛降下来、把流程堵点打通、让AI能力嵌入师生已有的工作流。

 

　　首先是降低门槛，让用户“拎包入住”。文科师生不熟悉Linux命令行、不了解作业调度系统，这是算力服务化必须面对的起点。

 

　　中国人民大学科学技术保障中心主任刘宇观察到一个细节：文科用户更重视数据隔离、安全合规与便捷的数据管理，且大部分师生不擅长底层运维，需要开箱即用的交互式软件环境与针对性技术辅导。

 

　　基于此，人大的策略是“提供‘交钥匙’平台”——从软件环境到分析工具都预先配置好，让学者能“拎包入住”，专注研究本身。不是让用户去适应算力，而是让算力去适应人。

 

　　武汉科技大学的路径更为具体：将推行容器化预制的学科专用计算镜像，分别搭建材料仿真、生物信息、工程有限元分析、AI大模型四类标准化镜像，师生通过Docker或Singularity即可自主拓展环境，无需重复搭建。

 

　　第二是打通流程，让算力“用完即走”。技术门槛之外，还有行政门槛。在传统模式下，算力申请往往需要线下填表、找院系签字、跑财务报销。对此，华中科技大学算力平台无缝对接学校财务系统与电子签名平台，构建了从充值到结算的全线上经费管理闭环，全程无需线下跑腿，年均为用户节省超5000小时事务性耗时。

 

　　第三是把服务送到用户身边。降低技术门槛和打通行政流程，解决的是“如何让用户更容易地拿到算力”。而算力服务化的深层目标，是将底层算力资源与上层AI模型能力深度融合后，以智能化功能的形式，直接嵌入师生最熟悉的业务场景之中。

 

　　例如，北京师范大学“京师智联”平台在完成算力统筹和模型部署的基础上，进一步确立了“数智业务共生”的赋能理念。该理念旨在让智能化应用以嵌入方式深度融入现存业务生态，保护学校历史投资，使师生无需切换系统即可享受AI服务。

 

　　平台提供两种赋能模式：数据共享型模式下，业务系统将数据共享给平台，平台直接构建知识库与智能体，适用于巡视问答等场景；API接口型模式下，业务系统因隐私或合规原因不便提供原始数据，在问答时可通过API实时传入，原始数据不离原有系统，兼顾数据安全与智能体验，适用于师生信息查询、假期去向分析等涉及敏感数据的场景。

 

　　目前，平台已完成与校内10个单位的对接，“京师大福”AI助手上线以来自动检索超2.5万次，课程中心智能助教覆盖1万余门课程、服务超10万人次。

 

　　总结而言，服务化的本质是让用户在算力使用上无需折腾环境、无需频繁跑腿、无需来回切换系统。这对信息化部门提出的要求，也已经远远超出了传统的设备运维范畴。

 

　　正如胡轶宁所说，信息化部门不能只负责算力中心的机房、电力、网络和服务器运维，还应承担统一服务入口、模型接口、资源调度、应用审计、身份权限、成本计量和安全治理等工作。

 

 

　　算力协同了、服务也相应落地，还有一个不可忽视的问题：这套体系靠什么持续运转？

 

　　前面的讨论中，制度设计、经费模式已有涉及，它们是算力平台可持续运转的必要条件。但在交流中，还有两个问题被老师们反复提及，它们不像硬件采购那样“看得见”，却同样决定着算力平台能走多远：“人”和“国产生态”。

 

　　第一是人的支撑。当前高校超算中心普遍面临团队规模过小的问题。兰州大学超算中心高级工程师张洋坦言，中心目前仅有两三人，却承担着平台运维、竞赛指导和教学等多重任务。

 

　　更关键的是能力要求的提升，过去算力团队主要做设备运维，如今还要懂AI负载优化、懂用户场景、懂学科需求。姜元春呼吁算力人才要从“技术运维”转向提供“技术+学科定制+精细化服务”的复合型支撑：“不要把算力人才当纯技术运维人员来看。他们也需要懂学科、懂场景、懂服务，要能做算力落地‘最后一公里’的桥梁。”

 

　　第二是国产生态的成熟。如果说“人的支撑”解决的是内部队伍问题，那么算力生态则是一个更大的外部变量。当前，高校算力平台的核心软件环境长期围绕英伟达生态构建，师生的工作流、科研成果、教学案例都已深度嵌入这一体系。

 

　　而随着国家推进算力底座的自主可控，国产算力正在成为高校必须面对的长期方向。但国产算力要在高校真正用起来，瓶颈不在硬件性能，而在软件生态。编译器、通信库、调试工具等配套工具的完善程度，直接影响师生愿不愿意用、能不能用起来。

 

　　张洋指出，高校短期内仍需“两条腿走路”——英伟达生态保持与国际前沿同步，国产算力选择一两种主流、发展前景良好的品牌逐步适配和迁移。同时，要让学生从大学阶段就接触国产算力平台，“长期积累才能培养出足够的人才，推动国产算力走向大规模应用”。

 

 

　　2026年，高校算力正在经历从“科研设备”到“公共基础设施”的深层转型。支撑这一转型的，是三股并行且相互支撑的力量——分散的资源需通过制度与技术协同建立统一调度秩序，算力要从“能申请到”走向“开箱即用”，而人的支撑与生态的成熟则需为长期运转提供底层保障。

 

　　下一个五年，随着国家教育智算网络等基础设施的完善和人工智能应用的持续渗透，正如胡轶宁所言，高校算力的竞争将不再取决于谁买了更多的卡，而取决于谁能把分散的资源组织起来、把不同来源的算力调度起来、把基础模型与学科知识连接起来，并最终转化为师生每天都能感受到的教学与科研能力。从“拼规模”到“强协同”，从“建好”到“用好”——这或许正是高校算力建设真正走向成熟的标志。