大模型在达到涌现阈值（约1.0e+23 FLOPs）后，模型性能出现阶跃式提升，直接推高了训练与推理的算力需求。当前人工智能产业链的供需缺口主要受制于GPU芯片产能和数据中心电力容量两大瓶颈。根据行业趋势判断，供需矛盾有望在2025-2026年随着芯片产能释放与电力规划调整而逐步缓解，但完全平衡仍需更长时间。
算力需求：涌现阈值带来的阶跃
大模型具备涌现能力——当模型规模达到某个计算量阈值时，其对特定任务的性能会突然快速增长。根据公开研究数据，当训练计算量达到1.0e+23 FLOPs时，模型准确率可从50%左右跃升至63%。这种性能跃迁直接刺激了各厂商对更大规模模型的追逐，进而引发对GPU等算力硬件的爆发式需求。
供给瓶颈：芯片与电力的双重制约
当前算力供给面临两大核心瓶颈：
GPU芯片产能紧张：高端AI训练芯片的封装产能（如CoWoS）长期供不应求，交货周期持续拉长。虽然官方未公布具体交货周期与租赁价格数据，但业界普遍反映GPU供应处于“一卡难求”状态。
数据中心电力容量受限：电力供给已成为新建数据中心的关键制约。例如，爱尔兰和新加坡曾因电力容量不足而暂停新数据中心项目审批。随着AI训练集群功耗持续攀升，电力瓶颈的影响范围正在扩大。
缓解路径：产能释放与效率提升
供需缺口的缓解主要依赖两个方向：
芯片产能扩张：台积电等厂商正积极扩充CoWoS等先进封装产能，新产线预计在2025-2026年陆续投产，届时GPU供给紧张状况有望明显改善。
算力效率优化：光模块中的CPO（共封装光学）技术是实现高速率、大带宽、低功耗网络的关键路径，有助于降低单次计算的能耗，间接缓解电力压力。
常见问题
涌现阈值具体是多少，对算力需求有何影响？
涌现阈值约为1.0e+23 FLOPs。当模型训练达到这一计算量后，性能会从50%左右突增至63%，这种阶跃式提升促使厂商竞相追求更大规模模型，导致算力需求呈指数级增长。
电力瓶颈为什么成为新制约因素？
AI训练集群功耗极高，单个数据中心的电力需求可达数百兆瓦。爱尔兰和新加坡已因电网容量不足而限制新数据中心建设，这标志着电力供给已成为与芯片产能并列的硬约束。
供需缺口何时能缓解？
随着台积电等厂商的先进封装产能于2025-2026年陆续释放，GPU供给紧张状况有望明显改善。同时，CPO等低功耗技术也将缓解电力压力，但完全实现供需平衡仍需更长时间。