于知识的监测技术弥补可靠性降低的影响。 报告中提到的愿景既广泛又宏大，与科技巨头截然不同。科技巨头通常依赖机器学习并推崇超 大规模化发展，需要对高耗能基础设施进行巨额投资。 这一愿景的实现需要前所未有的技术突破，还需要全球范围的努力。在该愿景的推动下，相关 领域可以形成合力，共同开发特定的基础设施和数据平台，进而发展出可信的行业 AI。 此外，这种协同效应对按应用领域收集和清理数据至关重要。事实上，构建强大的行业 人机的支持下，精准农业不仅能提高产量，还能在保护生物多样性方面发挥作用。智能电网将通过 实时分析系统的安排，实现可再生能源发电与需求的平衡，开启零碳城市生态系统的时代。此外， 基于 AI 的气候建模将提供前所未有的预测能力，帮助决策者采取预防措施，应对极端天气事件和海 平面上升，这对像香港这样易受影响的沿海地区来说至关重要。 人类生产将经历场景跃升，重塑工作的本质和创造力。在制造业，具身智能将催生出自我优 承载一切创新的基石，决定了人工智能发展的速度和高度。没有高性能计算、高速网络和高质量数 据所构建的坚实基础，再先进的算法也无法高效运转，再广阔的应用场景也无法落地实现。 人工智能技术的迅猛发展，正以前所未有的速度推动算力需求的增长。我们预测，2035 年全 社会的算力总量跟 2025 年相比，将增长 10 万倍。计算领域将迎来历史性变革——技术演进路径将 逐步脱离传统冯 • 诺依曼架构的框架束

洞见和系统标准参考，助力行业在算力发展中找准技术方向，推动算力从规模堆砌走向效率跃迁。 国家超级计算广州中心主任 卢宇彤 当前，千亿乃至万亿参数的大模型与 MoE 等先进架构的兴起，对计算基础设施提出了前所未有 的苛刻要求。传统的硬件堆叠模式已难以满足其对于算力规模、通信效率及系统稳定性的需求。《超 节点发展报告》深刻阐述了，必须从单纯的硬件聚合，迈向以“系统工程”思想为核心的创新构建。 超节点 技术正从单点能力突破，迈向更通用、更智能的未来。全球 AI 大模型正朝着更大规模、更高效率、 更强自主性的方向迈进，这意味着人工智能大模型的发展已进入一个系统性竞争的新阶段。这不仅 定义了技术的前沿，也对底层基础设施提出了前所未有的要求。人工智能大模型对计算基础设施的 挑战是系统性的，涵盖了算力、通信、功耗和运维等多个维度。 然而，这些看似分散的挑战，其根源几乎都可以追溯到一个核心的驱动理论——“规模定律”。 “规模定律”的提出是 关系，促使 训练从“赌注”走向“可量化投资”（Kaplan et al., 2020） ；钦奇拉法则（Chinchilla Law） [2] 大模型对基础设施的挑战 2.0 AI 大模型正以前所未有的速度发展，行业呈现出模型加速迭代、算力大规模投入和商业化进程 加快的特点。全球科技巨头与新兴力量纷纷布局，推动技术边界不断拓展。以 OpenAI 为首的美国 公司持续引领潮流，其 GPT-5

智能化、敏捷化、生态化和体验 化5个特点。 建设层面，主要是企业架构实施、 数字化组织文化建设以及数字能 力建设等三方面。 运营层面，数字化运营才会产 生实际业务价值。 评估层面，要定期对数字化发展 情况进行评估，掌握当前所处的 位置，明白存在的差距和努力的 方向，做到心中有数，眼前有路。 评估 战略 架构 建设 运营 SABOE 转型 五环法 www.top100summit.com 转型两类周期

能 化 ， 更 加 人 性 化 ， 更 加 个 性 化 。 通 过 AR （ 增 强 现 实）/VR（虚拟现实）/XR（扩展现实）、可穿戴设备、人机接 口等形式，人们可在立体全息的空间中，真实体验到前所未有 的交互感、沉浸感和参与感。它是一场社会变革，覆盖社交、 娱乐、生产、消费、商务……各类模式或将被重构并赋予新的 内涵。它还可能是一场生产关系变革，用以太坊创始人维塔利 克·布特林（Vitalik 的一种定义语言）、OWL（Web Ontology Language，网络本体语 言）、SPARQL（为RDF开发的一种查询语言和数据获取协议）等。 Web 3.0不仅是智能互联网，而且是立体全息互联网，它能够为 用户提供前所未有的交互性以及高度的沉浸感和参与感，比如当前 人们热议的元宇宙（Metaverse）。人们可以把元宇宙想象成一个实 体互联网，在那里，人们不仅仅是看客，而且是置身其中的参与 者。为了实现这样高度的真实感与沉浸感，需要多种先进技术的支 0时代，它将会发挥更大的作用。 Web 3.0对中心化平台的变革 Web 3.0的实践首先表现为对中心化平台的反抗，而要做到这一 点，就必须用去中心化的方式复制中心化平台的相应功能，并处理 好可能出现的各种问题。如前所述，借助对渠道的掌控，中心化平 台先天拥有对用户的掌控力，可以通过各种规则规范用户的行为， 并通过相应的算法来实现。而去中心化的网络显然没有这种权力， 因而要实现与中心化平台类似的功能，就必须进行更为精密的激励

务需求。 算力城域网白皮书（2025 版） 7 图 3-1 算力城域网业务需求总览 3.2 网络能力需求 3.2.1.海量数据高效入算需求 随着 AI/HPC 的迅猛发展，数据规模正在以前所未有的速度增长， 企业单次向算力中心传送的数据集可达到数百 TB 的量级。根据 IDC 发布的《Worldwide IDC Global DataSphere Forecast Update,2025–

匹配分类的判别式AI技术。而素质类内容关注知识的生成能力，知识面更广 更深而素养点更散，知识建构和评估非标准化，更适合基于神经网络的生成式AI技术，需要大模型提供连接和支撑能力。从落地逻 辑来看，如前所述，B端和G端是集体行动逻辑，灵活性较差，而C端有着公开数据丰富、用户群体广泛且容错率高的优势，是最佳 的发力领域。企业可通过调用开源大模型裁剪并调优或搭建小模型的方法，进入如表达、国学、艺术等赛道，并逐步深耕打牢用户 iresearch.com.cn 福祉落地：直面人工智能鸿沟 AIGC+教育福祉的落地，需努力克服机会、技能、资源的三大鸿沟 教育是一项社会公益事业，事关人的发展权，教育福祉应尽可能的保证公平和均衡。如前所述，AIGC技术对教育行业有诸多助益， 但在具体落地中，可能面临机会、技能、资源的三大鸿沟。在机会鸿沟层面，首先应尽可能地保证普通老师和学生使用AIGC技术的 同等可能，如松鼠Ai计划永远向全球20

不满足的成熟度等级的成熟度得分取值为该成熟度等级的实际得分。数字化转型成熟度总分，为各 成熟度等级评分结果的累计求和。根据表10给出的分数与成熟度等级的对应关系表，结合成熟度等级 实际得分S, 可判断企业当前所处的成熟度等级。 表10 分数与成熟度等级对应关系 成熟度等级 对应评分区间 五级 4.8≤S≤5 四级 3.8≤S<4.8 三级 2.8≤S<3.8 二级 1.8≤S<2.8 一级

机器⼈系统的能⼒。 随着强⼤的基础模型的出现，⼈⼯智能系统现在正在从各种来源的⼤量数据中进⾏训 练，包括⼈类执⾏⽇常任务的视频。视频内容现在占据了所有互联⽹流量的惊⼈83% ，为AI扩散模型提供了前所未有的数据量进⾏分析和学习。每天上传的⼤量新视频 内容为训练AI模型提供了丰富资源，使机器⼈能够从观察⼈类⾏为在各种动态环境 中的表现中学习，增强其在真实应⽤中的多功能性和鲁棒性。 除了利⽤现实世 构建技术以提⾼公共安全，我们的⻓期⽬ 标是使美利坚合众国成为世界上最安全的国家。我们的⾃主安全机器⼈（ASR）正 在美国各地巡逻，结合了⾃主、机器⼈、⼈⼯智能和电动汽⻋技术，帮助执法⼈员 和警卫提供前所未有的情况感知，更好地保护⼈们居住、⼯作、学习和参观的地⽅ 。此外，ASR提供了⼀种物理威慑，有助于在负⾯⾏为开始之前缓解。我们相信， ⻓远来看，有机会建⽴⼀家类似于国防承包商的公司，但专注于美国司法部、国⼟

超 能 到 异 能 拓展认知边界与创新思维模式 Ø 通过拓展认知边界和创新思维模式， 帮助学习者从超高能力状态发展 到 异能状态。 Ø AI 可以协助学习者挖掘潜在的认 知 能力，开发出前所未有的思维方 式， 以应对未来社会的挑战和变革。 ① 低 能 到 高 能 A I 辅助学习与个性化教育 Ø 通过个性化教育 ， 帮助学 习者从低能力状态迅速提 升到高能力状态

随着芯片架构不断演进，英伟达 GPU 算力成倍增 长 资料来源：英伟达官网，国信证券经济研究所整理 l 面向生成式 AI 时代的全新机架级扩展的 DGX SuperPOD 架构基于 DGX GB200 系统，将前所未有赋能下一代 AI 模型。 GB200 是由两个 Blackwell B200 GPU 和一个 Grace CPU 组成的 AI 加速平台，每个 B200 GPU 含有 2080 亿个晶体管。相较于