一、课程背景
随着大模型、AIGC、AI Agent 等应用的快速落地，算力正在从传统 IT 基础资源，演变为支撑智能化发展的核心生产要素。对中国通讯运营商而言，算力不再只是云资源的一部分，而是与网络、数据深度耦合，形成“网—云—算—数—智”一体化能力体系的重要支点。
当前算力建设与使用过程中，普遍存在概念混用、能力边界不清、应用场景模糊、商业模式不成熟等问题，影响了算力资源的规模化利用与价值释放。同时，国家层面持续推进“东数西算”“算力网络”等战略，对运营商算力能力提出了更高要求。
本课程以“算力是什么、算力从哪里来、算力怎么用、运营商如何布局”为主线，系统梳理 AI 算力的技术体系、形态结构、应用模式与运营商战略机会，帮助学员建立清晰、可执行的整体认知。
二、课程收获
完成本课程后，学员将能够：
1. 建立清晰的算力认知框架
l 理解 AI 算力与传统计算资源的本质差异
l 区分训练算力、推理算力与通用算力
2. 看懂算力技术与体系结构
l 掌握算力的关键技术构成
l 理解云、边、端协同的算力架构
3. 识别算力的应用与价值场景
l 明确算力在 AI、大模型、行业应用中的作用
l 识别算力资源配置与业务需求之间的匹配逻辑
4. 明确运营商的算力发展方向
l 理解运营商在算力产业链中的角色
l 形成算力建设与运营的整体思路
三、课程时长
l 1 天（6 小时）
l 建议安排：
¡ 上午：算力认知与技术体系（3h）
¡ 下午：应用场景与运营商路径（3h）
四、课程大纲（三级大纲）
第一模块：为什么 AI 时代必须重新理解“算力”（1.5h）
1.1 从计算资源到生产要素的演进
1.1.1 传统算力的角色定位
l 计算、存储、网络的基础资源属性
l 算力长期被视为“成本项”的原因
1.1.2 AI 对算力需求的结构性变化
l 算力规模指数级增长
l 并行计算与加速计算成为主流
1.1.3 为什么说“没有算力，就没有 AI”
l 模型规模与算力之间的直接关系
l 算力对模型能力上限的决定性影响
1.2 AI 算力的核心概念澄清
1.2.1 什么是 AI 算力
l 面向 AI 训练与推理的计算能力总和
1.2.2 通用算力 vs AI 算力
l CPU 为主的通用计算
l GPU / NPU / ASIC 为主的智能计算
1.2.3 训练算力与推理算力的区别
l 资源消耗模式差异
l 业务需求与部署方式差异
1.3 国家战略与算力发展趋势
1.3.1 “东数西算”与算力布局逻辑
1.3.2 算力网络的提出背景与目标
1.3.3 对运营商的长期影响判断
第二模块：AI 算力的技术体系与架构形态（2h）
2.1 算力的硬件基础
2.1.1 计算芯片类型与特点
l CPU、GPU、NPU、专用加速器
2.1.2 AI 芯片对算力的影响
l 并行度、能效比、适配性
2.1.3 国产化与自主可控背景下的算力体系
2.2 算力的软件与平台支撑
2.2.1 操作系统与虚拟化技术
2.2.2 容器、调度与资源管理
2.2.3 AI 框架与算力适配问题
2.3 云—边—端协同的算力架构
2.3.1 为什么算力必须分层部署
2.3.2 中心云、边缘云、端侧算力的分工
2.3.3 对时延、带宽与可靠性的要求
第三模块：AI 算力的应用模式与典型场景（1.5h）
3.1 大模型与 AIGC 场景
3.1.1 大模型训练对算力的极端需求
3.1.2 推理算力成为规模化应用关键
3.1.3 算力成本与应用商业化的关系
3.2 行业 AI 应用场景
3.2.1 政务与城市治理
3.2.2 工业、能源与交通
3.2.3 客服、营销与运营分析
3.3 AI Agent 与智能应用对算力的要求
3.3.1 多 Agent 并发带来的算力挑战
3.3.2 实时推理与边缘算力的重要性
3.3.3 算力弹性与资源调度能力
第四模块：运营商的算力布局与商业机会（1h）
4.1 运营商在算力产业链中的角色
4.1.1 基础设施提供者
4.1.2 算力平台与服务提供者
4.1.3 行业算力解决方案整合者
4.2 算力服务的主要模式
4.2.1 IaaS / PaaS / 算力即服务（CaaS）
4.2.2 公有云、专有云与混合云算力
4.2.3 行业定制化算力服务
4.3 算力发展的关键挑战与对策
4.3.1 投入高、回收周期长的问题
4.3.2 算力利用率与调度效率
4.3.3 与网络、数据、AI 应用的协同发展
