Gartner 2026大中華區高管交流大會于近日盛大召開。會上Gartner公布最新研究成果，梳理在新一代人工智能（AI）指數級跨越發展的時代背景下，塑造未來AI基礎設施戰略發展的三大主要技術趨勢：構建AI超級計算平臺、部署無處不在的AI、自動化運維與AI安全穩定擴展。
Gartner研究副總裁周玲表示：“據Gartner最新預測，預計到2029年，AI支出將達到4.7萬億美元，而其中AI 基礎設施將蘊含高達2.3萬億美元的市場機遇。本次行業洞察依托對資本流向的精準追蹤與對技術專利與創新的深度研究和挖掘，經過層層過濾與嚴苛篩選形成。這些趨勢將在未來1至3年、3至5年，乃至更長的周期內，深刻改變行業格局的戰略演進方向。”
構建以“Token經濟性”為核心的AI超級計算平臺
生成式AI工作負載正在推高各方面的計算需求，包括本地、云端和邊緣。GPU和定制AI芯片的使用率不斷提高?？v向擴展AI編織將被廣泛采用，并依靠光互連技術克服內存/輸入-輸出瓶頸。隨著計算密度的提高，功耗也隨之增加，未來AI超算機架將按照200kW/機架及以上的規格進行設計。未來，優化數據中心的基本單元已經不同。在“AI工廠”中，衡量生產力和商業價值的基本度量衡發生了根本性改變：不僅依靠傳統的服務器利用率，還依靠Token經濟性（Tokenomics），包括每美元帶來的Token產出（Token/Dollar）、每瓦特能耗帶來的Token產出（Token/Watt）、每秒鐘處理的Token吞吐量（Token/Second）等等。未來的基礎設施將基于業務成果和核心價值構建。
在此趨勢下，Gartner建議，企業應當“以終為始，協同設計”，圍繞模型規模和最終業務成果來設計基礎設施策略，將每瓦特能耗帶來的Token產出、每美元帶來的Token產出等作為IT投資的核心指標。企業需要摒棄“基建先行，用戶自來”的盲目樂觀，構建本地部署環境來處理核心負載，同時制定靈活的策略，在算力需求爆發時，無縫擴展至主權云或公有云。此外，企業應當持續對其Token經濟性進行審計和評估，定期審視Token的消耗與交付成本，確保那些總擁有成本（TCO）高昂的算力實例，真正創造了匹配的高標準業務價值。
周玲表示：“優化Token經濟性的破局之道，在于全面打通本地、邊緣與云端，實現AI超級算力在各個層面的無縫協同?！?/p>
在云、邊、端大規模部署AI推理與物理AI
基礎設施與運營的領導者必須清醒地認識到：AI用例即將無處不在。在不久的將來，企業需要重塑云基礎設施策略，以滿足AI推理工作負載短時、高頻、爆發式的算力需求。本地部署和GPU即服務（GPUaaS）將成為專有模型微調和主權AI的關鍵支撐。更激動人心的是，新場景正在引爆算力邊界。邊緣AI計算應用，例如機器人技術、擴展現實（XR）等，要求企業在邊緣側部署更強大的GPU和AI專用芯片；物理AI終端，例如自動駕駛、具身智能等，正在催生對端側AI能力的需求。
順應趨勢主動布局，是企業筑牢未來競爭力的關鍵。采用“突發優先（Burst-first）”策略，能大幅提升創新和交付速度，讓AI項目更快轉化為真金白銀。布局本地化與主權AI不僅能嚴密保護知識產權，滿足數據主權和監管要求，還能通過采用多元化的AI芯片，打破單一供應商鎖定，優化長期成本。雖然物理AI的發展周期將是一場馬拉松式征程，但在汽車、醫療、物流等行業的先行者，必將借此建立起降維打擊的競爭壁壘。
為了支撐無處不在的AI場景，企業需要優化算力調度，合理配置AI超算資源，優化多加速器（GPU/NPU/TPU）平臺的混用，并全面引入FinOps（云財務運營），確保每一分算力都用在刀刃上。邊緣AI場景將引爆整個算力邊界，企業應當將邊緣AI作為具有可衡量投資回報率（ROI）的生產工具進行部署、擴展和運營。物理AI方面，企業應當擁抱物理AI試點，結合機器人、5G、數字孿生，啟動試點項目，同時利用AI增強的仿真環境，實現快速規?；?。
周玲表示：“企業需要確立‘突發優先’的基礎設施架構以最大化算力效率。一方面使用云平臺應對計算高峰，另一方面利用本地部署保障數據主權。同時，企業應當從現在開始著手構建從仿真到車間（sim-to-shop-floor）的物理AI管線，為未來3到5年的具身智能爆發奠定規模化落地基礎?！?/p>
自動化運營管理與AI的安全治理
隨著AI正式從“邊緣創新”蛻變為“企業核心營收的驅動力”，AI系統本身已經成為了企業最關鍵的基礎設施。這就意味著，必須為AI注入企業級的彈性、可靠性和極高的安全標準。為了實現這一目標，行業正在見證智能體驅動的IT運維（Agentic IT Ops）的崛起。企業需要引入能夠自主簡化IT流程的智能體，并結合“人在環中（Human-in-the-loop）”的治理機制進行高效的故障排查與修復。
智能體能幫助IT團隊斷崖式縮減平均修復時間（MTTR），并將“被動救火”轉化為預測性的預防運維。企業可以通過標準化的AI工廠，保障大規模AI即服務（AIaaS）的交付安全。同時，在架構設計之初，企業就必須將主權數據合規、大模型多樣性，以及多智能體（Multi-agent）系統的可擴展性納入考量。
在此趨勢下，企業一方面需要結合內部IT運營模式及流程，加速智能體驅動的IT運維自動化落地。同時，企業應當將AI平臺視為產品，基于平臺工程模式制定平臺產品路線圖，設定服務等級目標（SLO），建立成本分攤機制，引進FinOps的治理框架以保證算力使用的可視化，讓AI基礎設施平臺的投入真正賦能業務。
周玲表示：“在推動AI從試點走向全面生產的過程中，完善的治理框架、智能體運維體系，以及強悍的AI超算能力，是三大不可或缺的加速器。”
