恩宣布启动“投资人工智能（InvestAI）”计划，目标筹集 2000 智算产业发展研究报告（2025） 6 亿欧元用于人工智能投资，并专门设立 200 亿欧元基金用于建设 欧洲人工智能超级工厂，以训练高复杂度、超大规模的 AI 模型。 4 月 9 日，欧盟发布“人工智能大陆行动计划” [5]，战略核心是将 欧盟固有优势（如高质量人才储备和强大传统产业基础）转化为 AI 发展的关键加速器，力争成为人工智能领域的全球领导者。 2024 年资本支出总额为 2460 亿美元，较 2023 年（1510 亿美元）大幅 增长 63% [16]。Synergy Research Group 数据显示，截至 2024 年底， 全球超大规模数据中心数量达 1136 个，其中，亚马逊、微软和谷 歌三家合计占据全球总容量的 59%，其次是 Meta、阿里巴巴、腾 讯、苹果、字节跳动等。2025 年，微软、谷歌、亚马逊和 Meta 继续扩大 式部署成为新方向。谷歌已组建跨多个智算中心的大规模集群，完成 Gemini Ultra、Gemini 1.5pro 等大模型训练；OpenAI 计划分五个阶 段建设多个智算中心，并通过多智算中心互联最终打造百万卡级别的 超大规模基础设施。中国电信基于国产化算力完成跨百公里千亿参数 模型在千卡规模下的分布式智算中心互联验证，初步证实大模型跨智 算中心分布式协同训练的可行性。 3、AIDC 基础设施持续升级，绿色化转型不断深化

华为 HUAWEI 华为 云推出了 全新的 CloudMatrix 架构， 以 “ 一 切可 池 化 ”“一切皆对等 ”“一切可组合 ”三大创新设计 ，从算 力 规模、扩展模式和使用模式上， 匹配超大规模的算力诉 求 ，通过技术创新来解决行业难题。 透过 CloudMatrix 架构创新展现华为云全栈的 AI 能力 ，包 含 盘古大模型 、 昇腾 AI 云服务 、分布式 QingTian 架 构

总体篇 场景篇 趋势篇 来源 ：小鹏汽车公开材料和数据收集整理 小鹏汽车在智能辅助驾驶领域进行了深入探索，其技术方案涵盖了多方面的创新。 小鹏汽车正在推进 720 亿超大规模参数世界基座模型的研发，参数量是主流 VLA 模型 的 35 倍左右。“小鹏世界 基座模型”是一个以大语言模型为骨干网络，使用海量优质驾驶数据训练的多模态大模型，具备视觉理解能力、链式推 理能

........... 23 智能驾驶智算数据平台发展研究报告 1 1 智能驾驶智算数据平台定义及预期功能 1.1 智能驾驶智算数据平台定义 端到端自动驾驶要求海量高价值数据、超大规模算力和专业适配算法作为支 持。自动驾驶领域数据类型多样、格式复杂、算力分散，且以 Transformer 为基 底的人工智能网络模型结构在智能驾驶领域的适应性尚未被充分验证。建立行业 级智能

种模式。数据并行模式下，每个计算节点持有完整的模型副本，并 将数据集划分为若干子集分配给不同节点进行并行处理。梯度更新 时，各个节点通过 All-Reduce 操作同步梯度信息，确保模型参数 的一致性。模型并行则用于超大规模模型训练，它将模型的不同层 或组件分布到多个设备上，通过跨设备通信完成前向和反向传播计 算。 为确保分布式训练的效率和稳定性，需重点考虑以下几个方 面： 1. 通信优化：分布式训练中的通信开销是性能瓶颈之一。为减 分布式数据并行训练 稀疏通信 仅传输重要梯度信息，减少不必要的通信 大规模分布式训练 混合同步 结合同步和异步更新，平衡通信与计算效率 高延迟或异构计算环境 分层通信 将通信任务分层处理，减少全局通信频率 超大规模分布式训练 为直观展示分布式训练的架构，以下是一个基于 Mermaid 的 分布式训练流程图： 通过上述方案，分布式训练能够在工业园区数字政府领域的大 模型底座中实现高效的模型训练，确保模型具备实时性、准确性和

域，综合监控技术的采用又增加了 - 9 - 智慧工地整体解决方案 数据处理量，单级系统的部署已不能满足要求，需采用多服务器分布部署甚至多级级联的 方式来实现。 工地监控平台软件可以支持超大规模的部署，能满足多级综合监控的应用需求。软件 采用模块化构建方式，可因需裁剪；采用 Web Service 作为对外的服务接口协议，方便 二 次开发商集成；方便的增值业务集成；统一的平台内部协议；统一的部署和管理。

中只会激活部分参数。以 DeepSeek-R1 为例，其全部参数量达 671B，但每次推理过程中仅选择性地使用约 37B 参数，大幅降低了实际 运行时的计算和内存需求，使得在有限算力条件下部署超大规模模型成为可能。 本地部署的方式 选择合适的部署框架是本地部署大模型的关键步骤，主要可考虑 Ollama 和 HuggingFace 两种方案。Ollama 框架操作简便，资源占用相对较低，适用于仅需进行模型推理的场景；而

络 模型，结合强化学习优化复杂决策策略，并通过模型量 化、剪枝、蒸馏、压缩等技术实现轻量化，适配车载算 力平台。接着，依托多层次仿真体系验证算法可靠性， 基于真实事故数据构建包含极端工况的超大规模场景 库，测试模型泛化能力。最后，通过 OTA 技术将优化 后的模型部署至车端，借助车云协同架构实现实时决策 与云端策略迭代，利用影子模式持续收集实际路况中的 异常数据，反哺模型训练，形成的全链路闭环，推动智

/ 动力分析（线性 / 非线性），CFD， 机构运动，热分析，热流耦合，热结构耦合， 热结构流体耦合，机电液联合仿真，疲劳分析， 优化分析等。所有的操作界面风格完全一样， 便于交流与应用。 • 超大规模模型计算能力 广泛应用的 NX NASTRAN 求解器，开发 出了先进的 Iterative Solver 快速算法，特别 适合于结构的强度与刚度快速计算，其计算效 率是其它求解器的 5 － 10

横向整合，形成一个统一的 交换架构。 数据中心网络虚拟化分为以下三个方面： 1. 核心层虚拟化 核心层网络虚拟化，主要指的是数据中心核心网络设备的虚拟化。它要求核心 254 层网络具备超大规模的数据交换能力，以及足够的万兆接入能力；提供虚拟机 箱技术，简化设备管理，提高资源利用率，提高交换系统的灵活性和扩展性， 为资源的灵活调度和动态伸缩提供支撑。 2. 接入层虚拟化 接入层虚