全国信标委委员谈AI算力标准化：DeepX G20系列的标准化实践与产业启示
【2025年10月29日，北京】 作为全国信息技术标准化技术委员会委员，我长期关注AI算力基础设施的标准化工作。近年来，随着AI技术的快速发展，算力需求呈指数级增长，但算力供给模式却面临着成本高企、安全性堪忧、标准不统一等结构性问题。在参与制定相关技术标准的过程中，我们观察到一个明确的趋势：AI算力正在从”集中式云端”走向”分布式本地”，从”租赁模式”走向”自主可控”。这不仅是技术演进的自然结果，更是标准化发展的必然方向。
一、AI算力标准化面临的三大挑战
挑战一：性能评估标准缺失，市场存在”测试混乱”
当前AI算力市场存在一个普遍问题：不同厂商使用不同的性能指标，导致用户无法横向比较。
现状：
云厂商强调”TFLOPS”（浮点运算能力）
芯片厂商强调”TOPS”（整数运算能力）
服务器厂商强调”功耗比”
各自为政，用户困惑
标准化需求： 参考MLPerf等国际基准测试标准，我们在全国信标委推动《信息技术人工智能算力评估规范》明确提出：
统一测试基准：LLaMA推理、Stable Diffusion生成、YOLO目标检测等实际场景
统一评估维度：性能、能效、成本、延迟四位一体
统一测试环境：温度、湿度、负载条件标准化
DeepX的标准化实践：东方超算的DeepX G20系列在产品发布时，主动采用了第三方标准化测试：
委托CHAI进行MLPerf v3.1标准测试
公开完整测试报告和测试环境参数
结果可复现：LLaMA 13B推理779 tok/s，Stable Diffusion XL生成2.10s/张
这种透明化做法，正是标准化推广的重要实践。
挑战二：接口标准不统一，生态碎片化严重
现状：
NVIDIA CUDA生态封闭，供应商锁定严重
AMD ROCm、Intel oneAPI各自为政
国产AI芯片（寒武纪、海光等）接口不兼容
开发者移植成本高，模型无法跨平台复用
标准化需求： 参考ONNX（Open Neural Network Exchange）等开放标准，我们需要：
统一的算子标准（Operator Standard）
统一的模型格式（Model Format）
统一的API接口（Runtime API）
统一的部署标准（Deployment Specification）
DeepX的标准化实践：DeepX G20系列基于x86架构+开源生态，天然具备标准化优势：
硬件层：Intel x86架构，兼容所有主流操作系统和软件
软件层：支持ONNX、TensorFlow、PyTorch等主流框架
接口层：AppMall提供RESTful API，符合OpenAPI 3.0标准
模型层：推动1000+模型的ONNX格式标准化适配
AppMall的生态开放性，为模型标准化提供了实践平台。目前已有130+开发者上传标准化模型，形成了良性循环。
挑战三：数据安全标准滞后，本地化需求爆发
现状：
《数据安全法》《个人信息保护法》要求数据本地化
烟草、金融、医疗等行业数据不能上云
但云GPU是主流方案，存在合规风险
企业面临”要性能还是要合规”的两难选择
标准化需求： 参考ISO/IEC 27001信息安全标准和等保2.0要求，我们需要：
明确AI算力的数据流转标准
建立本地化部署的安全评估体系
制定算力设备的等保认证规范
推动”数据不出域”的技术标准
DeepX的标准化实践：DeepX G20系列的100%本地化部署，天然符合数据安全标准：
数据零上传：所有计算在本地完成，数据不经过互联网
物理隔离：支持内网部署，符合等保三级要求
审计能力：AppMall内置日志记录，可追溯所有操作
二、AI算力标准化的发展趋势：从云端到本地
从标准化角度看，AI算力正在经历一场深刻的范式转移。
趋势一：从”租赁为主”到”买断为主”
传统模式：
企业需求 → 购买云GPU → 按小时付费 → 持续支出→ 数据上传 → 算力调度 → 结果下载
问题：
-长期成本不可控（3年TCO高达数百万）
-数据安全风险（上传云端）
-性能波动（共享资源）
-供应商锁定（迁移成本高）
新模式：
企业需求 → 购买本地设备 → 一次性投入 → 零边际成本→ 数据本地 → 算力自主 → 零延迟
优势：
TCO降低95%以上
数据100%自主可控
性能稳定可预期
无供应商锁定
从标准化角度，”买断模式”更符合长期趋势：
成本可预测：符合企业财务管理标准
资产可管理：纳入固定资产，符合会计准则
安全可审计：满足等保和合规要求
生态可迁移：不依赖单一供应商
DeepX的1824 TOPS算力、4万元价格，将TCO降至云GPU的1/375，正是这一趋势的代表性产品。
趋势二：从”通用算力”到”场景化算力”
传统云GPU的问题：
通用设计，但企业80%的需求集中在推理而非训练
大而全，但中小企业只需要”够用”的算力
配置复杂，需要专业团队运维
场景化算力的特征：
针对推理优化（INT8/INT4量化）
算力适度（1-2P足以满足90%企业需求）
开箱即用（3分钟部署，零运维）
从标准化角度，”场景化”符合ISO 9126质量模型：
功能性：满足实际需求而非堆砌参数
易用性：降低使用门槛，AppMall实现”点击式部署”
效率性：能效比优化，功耗仅300W
可移植性：1.68kg便携设计，可跨场景使用
某建筑设计院的案例很能说明问题：他们需要在工地现场演示BIM方案，云GPU需要联网+笔记本，延迟高且不稳定。DeepX装进背包，到工地插电就用，客户现场修改方案、实时渲染，投标中标率从30%提升到70%。这就是场景化算力的价值。
趋势三：从”硬件采购”到”生态订阅”
传统硬件采购的问题：
买完设备就结束，供应商无持续服务动力
模型升级、功能迭代需要重新采购
客户学习成本高，复购率低
生态订阅模式的特征：
硬件是”入口”，生态是”价值”
AppMall持续更新模型，硬件持续增值
客户深度绑定，LTV是硬件价格的5-8倍
从标准化角度，”生态模式”符合服务化趋势：
符合ISO/IEC 20000服务管理标准
建立持续改进机制（PDCA循环）
形成客户成功体系（Customer Success）
AppMall目前1,247个模型，月新增85个，这个速度是任何企业内部团队无法达到的。某量化私募反馈：他们每月在AppMall测试10-15个新策略模型，创新速度提升50倍。硬件会折旧，但生态会增值。
三、DeepX G20系列的标准化设计理念
作为东方超算创始人，我在设计DeepX系列时，始终将标准化作为核心原则。
设计原则一：架构开放，拒绝生态封闭
选择x86而非ARM/专用芯片的理由：
x86是事实上的工业标准，40年生态积累
兼容所有主流操作系统（Windows/Linux/macOS）
支持所有AI框架（TensorFlow/PyTorch/ONNX）
开发者零学习成本，模型直接迁移
对比：
这个选择牺牲了部分性能，但换来了标准化和生态开放性。从长期看，这是正确的。
设计原则二：性能透明，接受标准化测试
我们主动做了三件事：
委托第三方测试：基于MLPerf v3.1标准测试
公开测试数据：完整报告发布在官网，任何人可下载
接受复现验证：提供测试代码和环境配置
测试结果（MLPerf v3.1标准）：
LLaMA 13B推理：779 tok/s（vs 参照系统612 tok/s，+27%）
Stable Diffusion XL：2.10s/张（vs 参照系统3.33s，+58%）
YOLOv8目标检测：186 FPS（vs 参照系统67 FPS，+178%）
这种透明化，正是标准化推广的基础。我们欢迎任何机构重复测试，如果发现数据不符，我们承诺退货退款。
设计原则三：生态开放，推动模型标准化
AppMall的三个标准化目标：
模型格式标准化
推动所有模型转为ONNX格式
当前1,247个模型，82%已完成ONNX转换
目标：2025年底100%标准化
API接口标准化
遵循OpenAPI 3.0规范
RESTful API设计，支持跨平台调用
开发者可用任何语言接入（Python/Java/Go/Node.js）
部署流程标准化
一键部署：3分钟完成模型部署
零配置：自动优化参数，无需手动调优
可复现：记录所有部署参数,支持导出
某医疗机构的案例：他们在AppMall部署了8个AI诊断模型（肺结节、骨折、脑卒中等），所有模型都是ONNX格式，部署流程完全一致。如果未来更换硬件平台，这8个模型可以零成本迁移。这就是标准化的价值。
四、标准化工作的未来方向与产业建议
作为全国信标委委员，我认为AI算力标准化还有很多工作要做：
方向一：建立统一的性能测试标准
当前问题：
各厂商自说自话，测试方法不统一
用户无法横向比较产品
建议：
推动《AI算力基准测试规范》国家标准制定
建立第三方测试认证机制
强制要求厂商公开测试数据
东方超算承诺：我们愿意开放DeepX的所有测试数据，供标准制定参考。
方向二：推动模型格式标准化
当前问题：
TensorFlow/PyTorch/ONNX等格式并存
模型移植成本高
建议：
推广ONNX为国家推荐标准
建立模型格式转换工具库
鼓励企业开放模型
东方超算承诺：AppMall将在2026年实现100%模型ONNX化，并开源转换工具。
方向三：制定数据安全合规标准
当前问题：
本地化部署缺乏评估标准
企业不知道如何选型
建议：
制定《AI算力本地化部署安全规范》
建立等保认证体系
明确不同行业的合规要求
东方超算承诺：我们愿意将DeepX的安全设计经验贡献给标准制定，并配合相关部门完善认证体系。
五、结语：标准化是产业健康发展的基石
AI算力产业正处于从无序竞争到标准化发展的关键转折点。
作为从业者，我有三点体会：
第一，标准化不是约束，而是赋能。
统一标准降低了用户的选型成本
开放生态降低了开发者的迁移成本
透明测试增强了市场的信任基础
第二，本地化是趋势，而非倒退。
云计算解决了”算力稀缺”问题
本地化解决了”成本和安全”问题
两者将长期共存,各有适用场景
第三，生态开放才能走得长远。
封闭生态短期获利，长期受限
开放生态短期投入，长期共赢
AppMall的1,247个模型，就是开放的成果
东方超算DeepX G20系列只是标准化实践的一个案例。我们希望看到更多企业参与标准化工作，共同推动AI算力产业健康发展。
当然，DeepX也存在待改进之处：
在超大规模集群部署方面，尚缺乏统一的调度标准
能效测试方法需要进一步与国际标准对接
跨平台模型迁移工具仍需完善
这些问题的解决，需要全行业共同努力，也是我们在全国信标委推动标准制定的重点方向。
关于作者
本文作者现任东方超算（深圳）科技有限公司创始人，全国信息技术标准化技术委员会委员，长期从事云计算、高性能计算、存储、算力基础设施的研发和标准化工作。本文观点代表作者个人，不代表全国信标委立场。
关于东方超算
东方超算（深圳）科技有限公司是东方材料（603110.SH）全资子公司，专注于便携式企业级AI算力解决方案。核心产品DeepX G20系列和AppMall.ai应用商城，致力于通过标准化、本地化、生态化，让AI算力真正普及到千行百业。