央广网北京4月25日消息 随着海外AI算力供应链不确定性增加，面对强势的大模型训练推理需求，国产AI芯片迎来发展新机遇。而80%的算力需求正在向推理场景集中，由于推理场景对GPU峰值性能的要求相对放低，更多规格国产GPU已具备支持大模型应用的能力，推动海外AI芯片与国产芯片混合部署成为企业AI算力新常态。

然而，混合AI算力的构建面临诸多挑战，包括算力利用率低下、异构资源管理困难、国产化替代进程加速等现实问题，正成为制约大模型规模化落地的核心瓶颈。京东云vGPU AI算力平台，以创新性的GPU算力池化技术和异构算力统一管理，助力企业快速构建异构AI算力基础设施，重塑AI生产力。

大模型落地面临三重算力困局

当前，众多智算中心面临一个严峻的现实，购买了昂贵的GPU卡，但集群MFU（模型算力利用率）却很低。某头部证券公司AI负责人坦言：“我们的数百张GPU卡，实际利用率不足30%，但业务部门仍在不断要求扩容。”

行业普遍面临三大核心痛点。首先是GPU资源空转闲置：传统物理卡部署模式下，推理任务往往占用不到30%的算力，却需独占整张显卡。其次是异构资源管理困难：同时存在英伟达、昇腾等多类加速卡，不同芯片需要独立运维体系，资源池化率不足50%。第三是安全与性能难以兼得：部分机构采用开源vGPU方案，但用户态算力池化带来性能损耗高，且存在任务干扰风险。

京东云vGPU算力池化，破解AI算力困局

面对这些行业难题，京东云推出vGPU AI算力平台，支持算力资源统一纳管、精细化运维，具备内核级1%算力和MB级显存的细粒度切分与池化能力，损耗控制在0.1%，毫秒级任务优先级抢占，丝滑支持训推混部，并且全面适配十余家国产化算力资源，帮助客户低成本、高效率使用大模型。

第一，内核级精准算力切分：凭借创新的GPU算力切分技术，内核级1%算力和MB级显存的细粒度切分与池化能力，犹如"手术刀"般将单卡分割为多个虚拟实例，实现了资源的动态分配，GPU利用率最高提升70%。

第二，异构算力统一纳管：提供对多元异构算力资源的统一管理，有效屏蔽异构算力复杂性，并兼容国内外主流深度学习AI框架，帮助客户快速构建面向大模型的训推一体化高性能基础设施，降低运维复杂度。

第三，全栈自研算力平台：京东云全自研vGPU技术，通过内核态拦截和推理引擎加速构建产品核心竞争力，内核驱动级优化提升单台服务器推理性能50%，同时借助AI全密态机密容器能力，确保模型参数与训练数据双域零泄露，为用户提供金融级安全防护。

服务数十家头部客户构建异构AI算力基座

当前，京东云vGPU AI算力平台凭借内核级算力池化、全栈自研可控、金融级安全等差异化优势，已服务数十家头部银行、券商、基金、保险、运营商客户。

华夏基金积极拥抱AI技术，在GPU资源管理方面，华夏基金面临提升资源利用率和降低运行成本的双重挑战。通过采用京东云的vGPU算力池化技术，华夏基金将物理GPU资源进行了细粒度的切分，实现了资源的动态分配和优化利用。这一技术的应用，使得华夏基金的GPU利用率最高提升了70%，大幅降低大模型推理成本。

北京银行与京东云携手，上线银行业首个基于异构计算的DeepSeek满血版。依托京东云异构计算能力，北京银行创新性地采用vGPU弹性资源分配方案，实现了算力资源的高效复用与灵活调度，算力模式秒级供给，内核级1%算力和MB级显存的细粒度切分与池化能力，并全面适配国产算力资源。

某知名证券公司原有集群GPU资源分散，整体利用率长期徘徊在25%。部署京东云vGPU AI算力平台后，将分散在5个业务系统的GPU资源池化，形成统一AI算力池，AI算力分时复用实现多团队共享，推理任务资源满足率从65%提升至98%。

面向未来，京东云将持续投入技术自研，提供更高性能、更低成本的智算产品，助力企业快速构建落地大模型的算力基座，重塑AI生产力。