促進算力擴容 支撐新型工業化發展
楊紅霞 香港理工大學人工智能高等研究院執行院長 趙汝恒 香港理工大學高級副校長（研究及創新）
編者按：發展創科及人工智能是香港在「十五五」時期建設國際創科中心的核心任務，論壇版推出「錨定未來：香港AI與創科轉型之路」欄目，從戰略、算力、應用、人才、監管及雙循環六大維度，深度剖析香港在發展創科的優勢與破局點，邀請各界翹楚、專家學者撰文，為社會開闢明確創科產業路向、促進轉型創新，為本港經濟創新、貢獻國家高質量發展作出深入探討。
算力是數字時代的「新水電」，人工智能（AI）的訓練、推理、部署及產業應用，均離不開充足而高效的算力支撐。面對全球AI基礎設施競爭，香港應立足自身優勢，打造高效能、高可信度、低碳可持續的AI基礎設施體系。依託完善法治環境、國際化數據治理能力以及綠色低碳發展理念，香港有條件建設連接國家創新體系與全球市場的AI協作創新樞紐，為國家科技強國建設貢獻力量。
國家「十五五」規劃首次將算力建設提升至國家基礎設施戰略高度，明確提出建設全國一體化算力網，統籌推進算力設施建設，提升算力設施用能效率。未來的AI競爭正由模型競爭逐步延伸至基礎設施競爭，高效、安全、可持續的AI基礎設施是支撐未來AI創新發展和產業升級的重要戰略資產。
從規模競爭到去中心化協作創新
AI浪潮之下，香港的金融、保險、醫療、航運等優勢產業正邁向智能化轉型。這些行業既擁有大量高價值數據，又面臨嚴格的合規與安全要求，對本地算力、數據治理及AI基礎設施提出了更高要求。為彌合「算力鴻溝」，香港正加速布局算力設施，2024年底數碼港人工智能超算中心投入使用，2026年初新界北區沙嶺數據園區智算中心項目落地，中標者承諾到2032年可提供相當於香港目前36倍的算力。
然而，單純算力擴容並不足以解決AI發展面臨的挑戰。當前高度中心化大模型發展正逐漸暴露出「數據孤島」問題。一方面，大模型訓練成本極高，只有少數大型企業才能承擔；另一方面，醫療、金融、教育及製造等領域的大量高價值數據，往往因私隱、安全及監管要求而無法集中管理，通用大模型亦難以充分吸收各行業的專業知識和實踐經驗。這也導致一個核心問題：真正掌握行業知識的人，往往很難直接參與AI模型建設。因此，未來AI的發展模式將由過去依賴集中數據與集中算力，逐步轉向不同模型之間協作、共享與共同進化的新模式。
架設協作式AI新型基建
香港理工大學人工智能高等研究院（PAAI）研究團隊創新提出協作AI新範式，讓大模型從「少數巨頭的集中式能力」，真正走向「人人可參與、萬模可協作、千行百業可落地」的AI原生時代。要實現這一願景，離不開四項關鍵技術突破。
第一，是更高效率、更低成本的低比特FP8/FP4訓練技術。透過低精度訓練等新技術，可以大幅降低模型訓練所需的算力與成本。理大PAAI研究團隊是業界首個開源發布「端到端FP8低比特訓練全套方案」（涵蓋預訓練及後訓練）的大學團隊，該技術打破全球基礎模型以BF16精度訓練的主流格局。這意味着未來AI不再只屬於大型數據中心，而是能夠逐步走向企業、機構與其他本地場景。
第二，是模型融合技術（Model Merging & Fusion）。未來社會不一定依靠單一超大模型運作，而是讓不同領域的專家模型像積木一樣進行協作。例如醫療模型、金融模型、教育模型可以互相融合，形成能力更完整的新模型。這種模式既能提升效果，也能大幅降低重新訓練大模型的成本，讓AI發展從「重複造輪子」轉向「協作共建」。
第三，是智能體（Agent）技術。未來AI不只是回答問題，而是能主動完成任務，真正成為「數字員工」，AI將從單純的聊天工具，逐步演化為真正的智能助手與數字勞動力。未來的智能體，甚至可以像「數字員工」一樣，自主完成部分工作流程，大幅提升生產效率，最終演化為Agent-Native OS（智能體原生操作系統），推動各行各業提升生產效率。
第四，是協作式AI（Co-GenAI）平台。透過統一平台，不同行業能更快速建立自己的專屬AI系統，推動AI真正進入千行百業。Co-GenAI平台未來將支持模型融合協同架構，兼容不同領域、不同精度模型的協同推理與能力互補。理大PAAI研究團隊近年在GenAI領域取得多項關鍵技術突破，為後續分布式模型共建與全域智能協同提供核心支撐，為全球AI創新注入強勁動力。
構建AI原生經濟基礎
協作式AI的落地，同樣需要相匹配的硬件基礎設施支撐。隨着AI持續向私域場景與邊緣終端深度滲透，未來AI基礎設施將形成中心化與分布式算力協同互補的新格局。依託分布式AI數據中心、可學習一體機以及端側可學習設備三大硬件體系，構建多層次、高安全、可協作的全域AI基礎設施，從而支撐模型協作、智能體運行與產業智能化升級，進一步推動AI原生經濟的規模化發展。
第一，是分布式AI數據中心。透過更高效的算力調度與節能技術，可在降低能耗的同時，大幅提升模型訓練效率，支撐未來AI應用在金融、醫療及專業服務等行業的規模化落地。
第二，是可學習一體機。這類設備能讓醫院、學校、企業在本地完成模型訓練與更新，既保障數據安全，也能讓模型持續進化。例如在醫療場景中，本地化癌症模型能顯著提升診斷準確率，並更符合本地醫療需求。
第三，是端上可學習設備。未來手機、汽車、可穿戴設備與IoT終端，都將具備本地AI學習與推理能力。推動AI從雲端服務走向終端應用，能進一步推動智慧製造、智慧醫療及智慧城市等建設。
AI基礎設施建設的最終目標，並非建設更多數據中心，而是支撐新型工業化發展。香港擁有世界一流大學、科研人才及國際化平台，粵港澳大灣區則擁有完整產業鏈和先進製造能力。未來可進一步深化兩地協同創新，形成「香港研發、灣區智造、全球應用」的新型工業化模式，讓AI真正成為支撐社會與產業升級的新型基礎設施。
與此同時，隨着AI算力需求快速增長，能源效率將成為未來AI基礎設施競爭力的重要指標。香港氣候炎熱、電費高、能源資源有限，更需關注算力背後的「降溫術」。研究顯示，冷卻系統是數據中心運營中最耗費能源的環節之一，智能冷卻是數據中心可持續發展的關鍵。透過智能能源管理及先進冷卻技術，香港可探索一條以更少能耗釋放更多算力價值的低碳化路徑。
