IDC发布2026中国AI算力管理平台评估：范式智能综合第一

IDC 发布《中国AI算力管理平台技术能力评估，2026》，把资源管理、服务管理、运维、技术架构、业务场景支撑与交付服务列为六大评估维度。范式智能（前第四范式）综合评分位列第一，并在资源管理、运维、技术架构及交付服务四项维度获得满分。

排名本身是结论，但报告真正触及的痛点在于：企业账面上增加了多少硬件，与业务实际能调动多少算力，中间隔着一整套底层工程能力。围绕这份评估，值得追问的是——企业需要怎样一套能力，才能让采购清单上的硬件算力，真正变成业务随时用得上的服务。

出于供应链安全，企业机房往往混插多种品牌的计算卡。但硬件进场只是第一步：底层驱动、编译环境、算子库与推理引擎各不相同。由于缺乏跨芯片的统一抽象层，不同卡只能各自搭建独立的“烟囱集群”。

后果是集群之间无法动态互援——跑在 A 芯片上的模型难以平移到 B 芯片，一侧过载排队，另一侧空转闲置。企业承担不起单一硬件绑定的风险，平台向下必须抹平不同芯片的驱动与运行时差异，向上让主流模型免改代码运行。

传统调度多以“整卡”为最小划拨单位。一个轻量级的调测或推理任务，哪怕只用到极少显存，也得独占一张大算力卡，造成账面显示已满、实则大半空转的“资源假溢出”。

分布式训练场景更敏感：若缺乏跨节点的强协同调度，部分节点一旦等待资源，整个昂贵集群都会被拖入低效内耗。这就需要在调度层引入成组调度机制，把任务所有节点打包（即云原生中的 PodGroup 模式），严格执行“要么全部满足，要么一个不派”，从机制上根绝跑跑停停的资源内耗。

以往大模型多是固定批处理的稳态计算，而进入 Agent 时代后，业务调用演化为长链路、高频反思、多模型联动的脉冲式洪峰。

如果底层算力仍靠静态分配与人工预留，要么为应对不可预测的峰值盲目堆卡、承担巨额闲置成本，要么在突发流量涌入时因缺乏动态弹性，直接导致业务卡顿甚至宕机。

对照 IDC 给出的评估维度，可以把工程落地的关键归为三层能力。第一层是细粒度切分与安全隔离：整卡粗放分配必然导致浪费，但切分绝非简单按比例切块，核心难点在于强隔离——既要通过资源共享压榨闲置算力，又要防止任务抢占拖垮核心业务。

开源调度器 HAMi 于今年 7 月晋升为 CNCF（云原生计算基金会）孵化级项目。文章称该项目主要由范式团队贡献，聚焦动态弹性切分、消除调度过程中的资源误判，并打通与批量调度引擎的协同。

第二层是大规模任务的成组协同，即前述 PodGroup 式的打包调度。第三层是跨芯片的中立抽象与多轨调度。文章称范式将这套逻辑实体化为“独占、共享、超分”三轨资源池：核心训练跑独占池保稳定，高并发推理引入超分池榨取弹性，再结合拓扑与负载动态分派。文章还提到，据悉某大型政策性银行借由这套架构，在两地三中心的高合规要求下打通了异构算力池。

当异构芯片被池化、切分，被救回来的算力该如何度量业务价值，成为下一个问题。文章称 AI 基础设施的度量逻辑正从“按卡时租机器”转向“按 Token 用量计费”；在 Agent 高频并发场景下，业务部门更关心任务调用的吞吐、延迟与单次推理的 Token 成本。

文章称范式通过 AI 网关引入“卡时+Token”双轨计量：向下摸清硬件占用消耗，向上度量模型服务的调用产出与配额熔断。文章还称，2026 上半年范式智能 API 业务收入达 4.64 亿元，同比增长 860.8%；并称依托 HAMi vGPU 虚拟化技术，GPU 综合利用率从不足 30% 提升至 70%-90%。这些数字来自文章引述，未见第一方财报原文，测量口径与场景也未说明。

文章判断，拼硬件规格的时代正在过去，企业 AI 落地更关键的门槛在于用软件盘活闲置芯片；并认为范式正从交付私有化软件，转向依托调度底座成为高效运转的“Token 工厂”，把异构芯片激活为标准化 Token 产能。这两点属于文章的判断与推论，而非可独立验证的事实。

需要保留的边界同样清楚：IDC 评估的具体评分方法、参评厂商范围与完整排名未在文中披露，四项维度满分的具体分值标准也未说明；HAMi 晋升 CNCF 孵化级项目的确切日期与评审细节未给出；4.64 亿元收入与 860.8% 增速、GPU 利用率区间均为文章引述；政策性银行案例仅以“据悉”表述，银行名称与验证细节缺失。因此，本文可确认的是报告维度与排名结论、以及异构壁垒、整卡浪费、成组调度、Agent 洪峰这些工程约束；涉及具体收益数字与客户案例的部分，应视为来源主张而非既成事实。