为“容器/作业”，并提供“最优匹配、按需启停、精准计量、效用付 费”的任务式计算服务。任务式计算服务的时间特征具有“临时性”、 空间特征具有“跳跃性”、流量特征具有“突变性”，即平时不用时任 务不存在只有用时才临时启动任务，本次启动在 A 地 X 供应方而下 次可能启动在 B 地 Y 供应方，平时不用时流量为 0 而用时流量会随 计算服务负载大幅波动。那么，传输服务如何能够满足并匹配任务式 计算服务的临时性、跳跃性、突变性？这必然要求网络资源的可调度。 《东数西算算网协同调度-业务场景白皮书》（简称白皮书）的编 制，是基于国家东数西算“安全新总线”项目所开展的算网协同工程 实践。“安全新总线”通过 400Gbps 互联了国家八大枢纽节点、以及 多个国家超算中心，可根据任务时延、带宽需求提供广域确定性网络 传输质量，并通过网络操作系统开放网络资源的调度能力，算网协同 调度平台即原生构建其上。 白皮书以业务场景视角切入，对东数西算算网协同调度的调度架 构、应用场 精准调度匹配需求的算力及网络资源，完成用户任务的部署 与执行。  资源供方入口：资源供应方可通过该入口向平台注册算力资 源，同时登记账户信息等相关内容，实现资源发布、调度、 使用、计量、计费及结算的全业务流程闭环。  协同调度模块：通过协同任务调度、流量调度与数据调度， 满足算力消费者对系统在算力、网络、存储等多维度的使用 ● 需求。  任务调度模块：接受协同调度的调控，聚焦算力维度需求，

算电协同技术白皮书 2 为 68.6%，青海、甘肃等新能源大省也面临类似困境。在此背景下， 算力负荷的时空可转移特性（如“东数西算”工程中的冷数据处理西 迁）和灵活调节潜力（如 AI 训练任务的错峰调度）为电力系统提供 了新的调节手段。研究表明，通过优化调度，全国数据中心可提供约 3000 万千瓦的灵活调节能力，相当于 30 座百万千瓦级抽水蓄能电站。 此外，在“双碳”目标约束下，算力产业的绿色转型需求迫切，但目 尽管我国风光发电装机超 14.5 亿千瓦（2024 年底），但间歇性、波动 性导致西部“弃风弃光”与东部“缺电”并存，而算力中心的灵活负 载特性可成为破解这一困局的关键——通过 AI 调度算法将非实时计 算任务转移至绿电富集时段，理论上可提升新能源消纳率 15%以上， 实现“比特”与“瓦特”的时空耦合。政策层面，“东数西算”工程已 明确要求 2025 年国家枢纽节点数据中心绿电占比超 80%， 《加快构建 提出通过余热回收、光热发电协同等技术提升能源利用效率，并要求 试点项目在 2024 年 8 月后开工，2025 年底前形成阶段性成果。 同时，《2025 年能源工作指导意见》将算电协同纳入新型电力系 统建设重点任务，强调需与“东数西算”工程联动，推动国家枢纽节 点数据中心绿电占比超 80%的目标。国家数据局等五部门联合印发的 《加快构建全国一体化算力网的实施意见》则提出“算力与绿色电力 第九届未来网络发展大会白皮书

布式算 力是一种新型的计算模式，在实时感知多类型、多数量计算设备资源 状况的基础上，借助统一的度量范式对资源量进行对比与评估，再结 合任务的计算强度、时延要求和数据依赖等特征，以及网络带宽和能 量预算等约束，运用自适应的智能调度算法将大规模的计算任务分散 到不同的计算节点上，从而实现高效的数据处理和分析。本白皮书阐 述了分布式算力感知与调度的背景、体系结构、关键技术、应用场景、 发展 础设施。这一理 念旨在构建一个能够动态感知全网算力资源，并根据任务需求进行智 2 能化、自动化、最优化调度的新型信息基础设施，降低计算延迟与成 本，支撑新型智能化应用的落地。 分布式算力是相对于传统集中式算力（如单一超级数据中心）而 言的算力部署与利用模式，其核心是将一个大的计算任务分解成若干 个小任务，然后把这些小任务分配给地理、网络层级或逻辑上相互独 立的多个节点。这些计算节点可涵盖数据中心、边缘设备（如基站、 一形态，边缘算力是前者重要组成部分，是分布式思想的一种具体体 现。边缘算力强调“地理近端性”，即计算能力的部署靠近数据源， 以满足低延迟和高实时性的需求；而分布式算力更关注“全局最优性”， 侧重任务的分解与协同，以处理大规模和复杂的计算任务可能调度至 边缘、核心云或两者协同，例如“云-边-端”分层推理。 分布式算力感知与调度的核心在于“感知”与“调度”两个相互 依存、紧密结合的环节。“感知”是基础和前提，它指的是系统具备

闲聊 • 问答 • 任务型对话 • 推荐 3 笨笨系统结构 Zhang W N, Liu T, et al. Benben: A Chinese Intelligent Conversational Robot[C]// ACL 2017, System Demonstrations. 2017:13-18. 4 “ 聊天”示例 5 “ 知识问答”示例 6 “ 任务执行”示例 7 评测指标： • Sentence ACC • 领域、意图识别和语义槽填充全做对！ • 特点（难点） • 符合任务型对话的真实应用场景 • 多领域性、多意图性 http://conference.cipsc.org.cn/smp2019/evaluation.html 13 任务一结果排名（ 2019.07.15 ） SMP-ECDT III • 个性化对话生成评测 • 给定特定用户属性，生成符 15 任务二结果排名（ 2019.07.15 ） 人机对话主要技术方向 特定域内输入和输出的空间有限 尽快完成任务结束对话 为了完成某项任务而达到某个目标 输入和输出空间无限大 尽可能延续对话 没有明确的对话目标 任务型对话（任务执行） （ Task-oriented Dialogue ） 开放域聊天（聊天）

........................................................................................38 2.2.4 自主任务规划与决策.............................................................................................. 一个准确的、界限明确的定义，将会造成产业界的混淆甚至混乱。因 此，对标准化工作而言，明确人形机器人概念的内涵与外延，已然成 为一项极为紧迫且重要的任务。 首先，人形机器人属于机器人范畴。机器人是具有一定程度自主 5 能力的，可以执行移动、操控或定位任务，可编程的机械致动机构 （programmed actuated mechanism with a degree of autonomy to 为：个人使用或专业用途下，可为人类或设备完成有用任务的机器人。 所以，人形机器人在不同的应用背景下，具有不同的概念和含义。 目前，国内主流科技咨询公司对人形机器人概念的观点主要如下： 1）人形机器人是具备人类外形特征和行动能力的智能机器人，以 双腿行走的方式，通过手臂和身体的协调完成功能，基于通用型算法 和生成式 AI，具备语义理解、人机交互、自主决策等能力，并利用人 机交互实现任务理解与反馈，需要强大的感知计算与运动控制能力

10倍以上，达到1.8万亿， 2021年11月阿里推出的M6 模型的参数量达10万亿。 1.1 大模型的概念 大模型的设计和训练旨在提供更强大、更准确的模型性能，以应对更复杂、更庞大的数据集或任务。大模型通常能够学习到 更细微的模式和规律，具有更强的泛化能力和表达能力 大模型具有更强的上下文理解能 力，能够理解更复杂的语意和语 境。这使得它们能够产生更准确、 更连贯的回答 上下文理解能力 景时表现更加出色 学习能力强 大模型可以生成更自然、更流利 的语言，减少了生成输出时呈现 的错误或令人困惑的问题 语言生成能力 学习到的知识和能力可以在不同 的任务和领域中迁移和应用。这 意味着一次训练就可以将模型应 用于多种任务，无需重新训练 可迁移性高 1.2 大模型的发展历程 大模型发展历经三个阶段，分别是萌芽期、沉淀期和爆发期 1.2 大模型的发展历程 1.2 大模型的发展历程 （Google）、DeepSeek、文心一言（百度）等 是指在计算机视觉（Computer Vision，CV）领 域中使用的大模型，通常用于图像处理和分析。 这类模型通过在大规模图像数据上进行训练，可 以实现各种视觉任务，如图像分类、目标检测、 图像分割、姿态估计、人脸识别等。代表性产品 包括VIT系列（Google）、文心UFO、华为盘古 CV、INTERN（商汤）等 是指能够处理多种不同类型数据的大模型，例如

以快速融入人类社会，完成具体的任务，通用性和适应性较强。 人形机器人依据其结构与功能特性，可主要分为轮式人形机器人、 足式人形机器人以及通用人形机器人。轮式人形机器人采用轮式驱动， 搭配机器人手臂与灵巧手，兼具移动能力；足式人形机器人着重腿部 运动能力，手部主要用于平衡；通用人形机器人具备双足、双臂、双 手及各类感知和人工智能功能，有全面软硬件基础，能适应开放环境 中的多任务。 01 2 2011年—2020年，进入技术突破阶段。深度学习技术的快速发展 为其注入了新的发展动力。出现大量仿生、类人机器人，帮助机器人 适应自然环境。比如本田的升级版ASIMO机器人能够精确完成抓取物 体和倒液体等精细任务，波士顿动力推出的Atlas可以在复杂的户外自 然环境中行走、奔跑、跳跃，还能在雪地、草地等不同地形上保持平 衡。 2022年至今，为产业应用普及阶段。以ChatGPT为代表的大语言 库 日常工作，在GXO、亚马逊公司已经得到应用。独角兽企业Figure AI通过OpenAI大模型赋能人形机器人，推出Figure 02机器人，能 完成叠衣服、餐桌清理、购物袋包装等相对复杂任务，并在宝马汽车 工厂中测试开展零件装配等工作。优必选推出Alpha和Walker系列 机器人，为教育、物流、消费及其他产业定制，是全球合作车厂最多 的人形机器人企业。杭州宇树推出的Unitree

超节点通过超高带宽互联、内存统一编址等关键技术，实现了计算、存储、网络资源的深度融合与 高效协同，其大规模灵活组网与高可靠运行的系统优势，是构建稳定、高效、易用的新一代算力系 统的必然路径。超节点是支撑未来复杂 AI 计算任务的关键基石，本发展报告对其技术内涵与应用价 值的系统梳理，对产业生态发展具有重要的指导意义。 中国电子技术标准化研究院 副院长 范科峰 在大模型飞速发展与应用需求爆发的时代，AI 基础设施面临诸多挑战，传统的计算架构已难以 模型在多个基准测试中排名第一，采用了能为不同任务匹配最适模 型的“Router”架构，并投入数十万 GPU 进行训练与推理。Google 则凭借其强大的生态系统， 将 Gemini 2.5 Pro 等自研模型深度整合进搜索、Gmail 等全线产品，并通过包含多项 AI 服务的订 阅套餐实现商业价值提升。此外，xAI 的 Grok 4 模型通过投入 20 万 H100 进行后训练，在复杂推 理任务上表现卓越，创始人马斯克更强调 ”与 “非思考”两种模式，在提升复杂任务处理能力的同时也优化了响应效率。阿里巴巴通义 (Alibaba Qwen) 的 Qwen3 将预训练数据量提升至近 36 万亿 tokens，并引入混合思维模式以提升智能体 （Agent）能力，其模型家族支持高达 100 万 tokens 的超长上下文处理。智谱 AI (Zhipu AI) 推出 了为智能体任务优化的 GLM-4.5 系列，该模型总参数量达

服务生成算力网络白皮书 3 保证网络资源和计算资源利用率最优化。 算力网络的核心思想是基于泛在分布的网络实现无处不在的算 力资源，通过构建一张计算资源可感知、可分配、可调度的新型网络 来实现计算任务的统筹分配和灵活调度，算力资源云边端跨域分布和 算网深度融合是其典型特征，为多元用户按需提供优质高效的算力资 源服务是其最终目标。目前，算力网络在 VR 互动、新媒体直播、智 慧医疗、车联网、 实现。因此，需要实 现意图驱动的算网融合，如图 2-2 所示。 图 2-2 意图驱动的算网融合 为实现上述目标，一方面需要基于算力网络现有的研究，包括资 源感知、算力节点协同机制、任务调度机制等，实现算网的深度融合。 另一方面，结合意图网络相关技术，将用户的意图进行转译成网络可 理解、可执行的指令，并根据当前算网状态进行策略验证、执行和结 果反馈，确保用户意图正确实现。其中，如何进行用户意图解析是关 从而为策略生成提供先验知识。 2.2.2 算网全流程闭环自治 服务生成算力网络是一个高度智能的自动化网络，能够自动化、 智能化地完成算网的规划设计、建设实施、维护优化、优化调整、运 营管理等生命周期中各个阶段的任务，实现流程自动化、服务自优化 和能力自主化，最终实现闭环自治，如图 2-3 所示。流程自动化是指 算网能够在不依赖人工参与的情况下，利用 AI 技术将单个流程的重 复性算网操作转换成由系统自动执行，并将多个环节打通串联，使能

性支持可插拔动态加载。在 MySQL OLTP 场景下，高并发下线程数过多，CPU 消耗在无效的资源竞争和频繁切换上， 线程池方案通过队列方式管理任务，所有的任务先放入等待执行队列，按系统执行能力取出任务队列让 CPU 执行， 每个 CPU 同时处理任务个数是有限的，一般 2~5 个最优，从而保持稳定的业务处理能力。可实现 OLTP TPC-C 场 景性能 10000 并发性能下降到最优的 10% 负载感知加速系统 负载感知加速系统（以下简称 WAAS）能够基于每个计算任务深度调优，启用最优的加速库，自动配置全栈最佳参数。 通过收集应用负载信息自动感知业务的应用类型、任务特征、OS 特征和微架构特征，对各层性能特征进行分析， 生成调优策略，通过加速库加速、任务调优、OS 调优和 CPU 微架构调优对 SQL 任务进行全栈深度优化，动态调 整达到业务实时最佳。 OVS 流表归一化 在 鲲鹏虚拟化通过软硬协同方案，加速虚拟机中应用对 CPU 的调度效率。 » 通过 NUMA 感知和 cluster 感知特性，将关于 CPU 的拓扑结构直通到虚拟机，虚拟机 OS 内核可通过 cluster 任务调度优化选项，加速多线程进程调用效率。 » 优化了抢占过程中的锁机制，提升虚拟机在超分场景下的性能。 » 增加硬件死锁的机制，有效防止硬件死锁导致的虚拟机卡住而无法恢复的情况。 vKAE：