8月26日美股盘后，英伟达发布2027财年第二季度财报。公司给出的当季营收指引为910亿美元，整体依旧强劲，但真正被市场反复讨论的，是黄仁勋在财报电话会上提出的一个判断：“In AI，compute is revenue”，算力即收入。与这一表述相呼应的，是财报里一个微妙的结构变化——推理业务增速首次超过训练业务，企业级多智能体、自动化Agent业务被明确视为推理算力需求的核心增长引擎。
把时间拉回两年，AI算力需求几乎由模型训练单一驱动。从GPT类大模型的持续扩张到开源模型的密集迭代，训练集群的规模竞赛撑起了整个算力市场的基本盘，各家云厂商比拼的是谁能更快拿到更多GPU、建起更大的集群。彼时推理只是训练之后的“副产品”，在需求结构里占比有限，算力供给的注意力也大多投放在训练侧。
现在，行业正在越过一个临界点。财报分析显示，推理已占英伟达数据中心收入的过半份额，且增速首次反超训练。企业级多智能体、自动化Agent业务成为推理算力爆发的主要推手：Agent不再满足于对话，而是开始规划任务、调用工具、跨系统执行，每一次执行背后都是实实在在的推理Token消耗。AI产业的叙事，正从“训练出更强的模型”转向“部署更多能干的智能体”。
但推理需求的爆发，也给算力供给提出了新的难题。推理任务与训练任务有着截然不同的特征：训练是大规模、长周期、可批量调度的批处理，而推理是碎片化、时延敏感、随用户请求实时起伏的在线负载。传统面向训练的调度体系很难直接复用到推理场景，弹性扩缩、按需编排、成本控制都需要一套新的方法论。对智算平台而言，能不能把推理算力调度好，正在成为比“堆多少卡”更关键的竞争点。
这种转变与国内算力服务商的能力建设方向高度吻合。星战科技围绕GPU算力平台与算力调度能力，重点优化推理侧的算力编排与调度策略，把多元算力资源按业务负载灵活分配，正是为了匹配企业级多智能体、DiWorker等业务对推理算力的实时需求，让算力从“买下来”变成“用得好”。
往更长的周期看，算力供给的重心从训练转向推理，意味着整个产业链的比拼逻辑在改写。芯片厂商在推理效率上做文章，云厂商在推理成本上下工夫，算力平台则在多元算力选型、推理调度与成本结构上建立差异化优势。推理时代的算力竞争，不再只是峰值算力的军备竞赛，而是按需可得、可调度、成本可控的系统能力。
对企业和开发者而言，英伟达这份财报释放的信号很清晰：AI落地的主战场正在向智能体与推理迁移。在选择算力服务时，除了关注芯片型号与集群规模，推理侧的调度灵活性、成本效率与多元算力适配能力，正成为需要同等重视的维度。算力即收入的另一面，是算力必须真正被高效地转化为业务产出。