络边缘延伸。当前网络架 构普遍采用“电处理+光传输”的分层方式，这一架构正面临功耗高、 转发复杂、跨层协同效率低等核心瓶颈。IP 流量主导的容量激增对新 一代节能技术提出更高的要求。行业正推动 IP 业务层与光传输层融 合，通过将 DWDM 相干光模块直接部署于路由器等分组设备，消除 独立光转发设备，降低功耗与空间占用。 光电融合技术从最开始的 IP over WDM 方案，已有十余年历史， 基础设施成为行业 共识。传统“电+光”分层架构下，多级转发、重复 OEO（光电光）转 换导致整体链路能效低下。光电融合网络的发展目标之一，正是通过 将高能耗的 IP 处理前移至光层边缘，利用低功耗相干模块（如 400G/800G ZR+）实现 IP 业务直接出彩光进入波分系统，减少两级 OEO 过程，大幅减少中间设备和机房能耗。在架构层面，通过 CPO （共封装光学）、硅光集成、动态光层调度等新技术，推动网络走向“极 引擎线卡、彩光 相干模块、模块化白盒波分设备、模块化白盒路由器、框式商用路由 器等形态。该层直接承载业务转发与光信号调制解调，是支撑 IP 业 务直接入光、光层传输、降低中继损耗、实现大带宽低功耗传输的物 理基础。其形态灵活、接口丰富，可按需部署于算力集群边缘、骨干 传输节点或广域边界侧。 协议层：该层为设备的操作系统与功能编排系统，负责统一管理 设备板卡、端口、链路等资源，支撑算力感知、自适应路径、彩光驱

图17： 边缘 AI 的数据传输 ................................................................. 12 图18： 量化可以降低功耗和占用面积 ........................................................ 13 图19： NVIDIA Turing GPU 体系结构中各种数据类型相对的张量运算吞吐量和带宽减少倍数 re training)，在大模型场景上， 更青睐于 QAT，因为能够更好的保证性能。量化的优势包括减少内存占用，节省 存储空间，降低功耗和占用面积，提升计算速度。 请务必阅读正文之后的免责声明及其项下所有内容 证券研究报告 13 图18：量化可以降低功耗和占用面积 图19： NVIDIA Turing GPU 体系结构中各种数据类型相对的张 量运算吞吐量和带宽减少倍数 资料来源：NVIDIA，国信证券经济研究所整理 图37：语音交互过程示意图 资料来源：集微网，国信证券经济研究所整理 检测关键词的探测器（Detector）不仅要长时间待机且功耗要足够低到对电池寿 命无显著影响，并最小化内存占用和处理器需求。以 iPhone 的 Siri 为例，iPhone 的 Always on Processor（AOP）是一个小的、低功耗的辅助处理器，即嵌入式运 动协处理器。AOP 可以访问麦克风信号，并用自己有限的处理能力运行一个修剪 版神

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 AI 发展的里程碑，揭示了模型性能与参数、数据量、计算投入的关系，促使 带 宽成为决定整体训练效率的核心瓶颈。 正是这种瓶颈的演变，最终凸显了传统服务器集群架构面临的三重系统性挑战。首先是通信墙， 千亿级模型一次梯度同步即 TB 级数据，传统以太网难以承受。其次是功耗与散热墙，为破通信墙 而提升密度，促使液冷、48V 供电成为标配。第三是复杂度墙：万级处理器带来故障常态化，从业 界模型 GPT-3 (175B) 到 GPT-4 (1.9T) 的演进为例，随参数增至 利用率问题，进一步抬升运维复杂度。 表 1 不同并行模式下的通信特征 超节点发展报告 11 规模定律驱动的参数指数增长、从训练到推理的场景泛化、以及向多模态与智能体的跃迁，共同 施压基础设施，形成通信墙—功耗散热墙—复杂度墙的循环。未来随着推理深入企业核心业务，需 在低时延下实现高吞吐 / 高并发：逻辑推理等任务将带来推理算力需求或百倍增长，推理也将集群化， 对互联与全局调度提出更高要求。因此，能否

正被探索用于馈线链路，Telesat、Boeing 等企业的星座计划通过该频 段实现卫星与地面站的超高速回传，潜在速率可达 100Gbps，但需解 决大气吸收（氧分子在 60GHz 附近有强吸收峰）与设备功耗问题。 如图 4-1 所示，当前商业星座广泛使用 L/S 波段(Iridium、Globalstar)、 Ku/Ka 波段(OneWeb、Starlink)，并正在探索 50.2-52.4GHz 感知卫星星座的轨道参数、链路状态、业务需求等信息，运用复杂的 优化算法生成最优路由策略，并将其转化为流表 / 转发表定期或实 时上注至卫星互联网路由器。这种方式显著简化了星上处理载荷的设 计复杂度，降低了对卫星平台的功耗、算力和存储资源要求，尤其适 合早期小容量卫星星座或对成本敏感的任务场景。然而，集中式路由 对地面中心的依赖性极强，当地面控制器与卫星互联网路由器之间的 通信链路出现延迟、中断或干扰时，路由策略的更新将受阻，导致网 用户的无感卫星接入，单星支持百万级用户并发。未来 技术将向新旧终端兼容演进，一方面通过软件升级使存量 4G/5G 手 机支持基础卫星通信，另一方面在新终端中集成新一代天线技术，提 升天线增益并显著降低功耗。 5.2 应急保障类应用场景 卫星互联网在极端环境与关键任务中构建高可靠通信链路，成为 国家应急管理体系的核心基础设施。其价值体现在快速部署、抗毁性 强及广域覆盖三大特性，为灾害救援、公共安全提供“不断线的生命

将杭 州的 AI 训练任务迁移至内蒙古数据中心，节省电费支出 15%，减少 碳排放 20%。2024 年初，腾讯联合英特尔开发出智能负载调节系统， 可根据电网频率波动在 10 毫秒内完成服务器功耗调整，单数据中心 可提供最大 20%的瞬时调节能力。南方电网研发的“驭电”智能仿真 大模型，通过融合气象、负荷、设备等多维数据，将新能源预测准确 率提升至 95%以上。华为在贵安建设的绿色数据中心采用“分布式光 象、标 准接口和自治控制四个维度进行构建： （1）资源建模与能力抽象：通过构建统一的资源建模框架，对 不同类型算力资源的算力指标（如 FLOPS）、能效比（如 TOPS/W）、 网络延迟、功耗水平等进行标准化表达，形成可调度、可比对的虚拟 算力单元（Virtual Computing Unit, VCU），为算电协同调度提供抽象 载体[3]。 （2）异构算力编排与统一调度：引入容器化调度（如 类全新的调节资源形态 [11]。 此外，在能源互联网和多能融合背景下，还需构建统一的算力负 荷模型与运行行为描述机制，使电力系统能够识别并预判算力运行对 供能系统的影响。例如，通过建立动态计算功耗曲线与任务类型映射 关系，可实现算力负载在不同工况下对电网功率变化的预测响应，从 而纳入系统级调控模型中。 标准体系建设是推动算力设施参与电力市场交易和辅助服务的 前提。应制定涵盖算力设备状态感知、任务调度接口、电量与功率反

高级复杂算法和通用性人工智能平台。 FPGA 半定制化 容易编辑 高 中 可通过编程灵活配置芯片架构适应算法迭代，平均性能较高；功耗较低； 开发时间较短。 量产单价高；峰值计算能力较低；硬件编程困难。 适用于各种具体的行业。 ASIC 全定制化 难以编辑 高 低 通过算法固化实现极致的性能和能效、平均性很强；功耗很低；体积小； 量产后成本最低。 前期投入成本高；研发时间长；技术风险大。 当客户处在某个特殊场景，可以为其独立设计一套专业智能 制程 单精度浮点 运算性能 （ TFLOPS ） 半精度浮点 运算性能 （ TFLOPS ） 整型定点 运算性能 （ TOPS ） 显存 (GB) 显存带宽 (GB/s) 功耗 (W) Google TPU v4 2021 7nm - 275 275 32 1200 192 平头哥 含光 800 2021 12nm - - 825 - - 276 寒武纪 思元 发布时间 制程 双精度浮点运算性能 （ TFLOPS ） 单精度浮点运算性能（ TFLOPS ） 半精度浮点运算性能 （ TFLOPS ） 整型定点运算性能（ TOPS ） 显存 显存带宽 最大功耗 H100 SXM 2022 4nm 67(Tensor Core) 989(TF32,Tensor Core) 1979(Tensor Core) 3958(Tensor Core) 80GB 3

算节点，识别其 CPU、GPU、FPGA 等类型，以及内存、存储容量等基 础属性。其次，通过轻量探针或节点遥测数据，实时监控 CPU/GPU 利 用率、存储占用率、网络带宽与延迟、负载水平、功耗及环境温度等 核心指标。更关键的是，感知需深入能力评估，如量化计算单元的理 论峰值性能（如 FLOPS）及对特定负载的实际加速效能。网络感知需 3 精确测量任务提交点、计算节点间的拓扑关系、带宽、延迟、丢包率 杂的业务需求，从容应对激烈的市场竞争。 从硬件基础层面来看，算力基础设施朝着异构化与分布式方向加 12 速迈进。不同类型的计算芯片，诸如 CPU、GPU、FPGA 以及新兴的 ASIC 芯片等，在性能、功耗以及适用场景等方面呈现出显著差异，共同构 建起复杂的异构计算环境。与此同时，计算节点的分布范围不断拓展， 从传统的数据中心延伸至各类边缘计算节点，如基站、工厂、园区等。 这一发展态势要求分布式算力感知与调度系统必须能够精准识别各 策：在非高峰时段或对画质要求不高的场景下，优先利用能效更高的 硬件编码器和共享算力资源；在高价值关键会话中，则自动启用性能 最强但相对耗电更高的 GPU 实例，并在会话结束后迅速回收。通过对 功耗、性能与用户付费等级之间的动态平衡，运营方既能最大程度降 低能源开支，也能确保用户在关键时刻获得最佳体验。 展望未来，随着虚拟现实、增强现实和下一代无线技术（5G/6G、 Wi-Fi 7）的普

◎海量抛弃型应⽤����������◎复杂场景应⽤ 凯路威是国内最早⾃主研发⽆源�RFID�标签芯⽚的企业之⼀。公司全⾃主研发的�XLPM（Super�Low-power� Permanent�Memory，超�功耗永久性�储器）技术，助⼒⾃研�X-RFID®��⽚具有极致性能和极致成本双属性优 势。⾯向海量应⽤的超低成本需求，以及复杂场景应⽤的技术难点，�X-RFID®��⽚�终保持领先优势。 凯路威全球 产业中，能量技术 在产业的地位也在迅速提升。 近些年涌现出来的 NB-IoT、LoRa 等新兴传输技术一个最主要的卖点就是低功耗。而蓝牙、Wi-Fi、Zigbee 等成熟的 无线传输技术，每一代版本的演进突破方向之一，就是如何把功耗做的更低。 为何 IoT 市场如此重视低功耗 在 IoT 市场产业中，200 亿、500 亿、1000 亿，这样的连接数字频频出现在人们的视野。 这些庞大的 IoT 一个很大的数字，并且，如果功耗大，1 台设备更换电池就会很频繁，电池的成本更高。 • 隐性成本就是电池对 IoT 产品的尺寸形态带来的改变，对环境造成的损害等，隐性成本虽无法量化，但成本的总 量也会很高。 很多场景需要做到单个电池的使用寿命与 IoT 设备的迭代周期同步，即当电池电量耗完时，这个设备也需要更换。 这一需求也促使了各类 IoT 相关的技术都在往低功耗的方向演进，不仅仅是无线通信技术，还有低功耗传感器产品，

48GB 显存带宽 最高 8 TB/s 最高 8 TB/s 4.8 TB/s 3.35 TB/s 3.35 TB/s 2039 GB/s 2039 GB/s 864 GB/s 864 GB/s 热设计功耗 1000W 700W 最高 700W 最高 700W 最高 700W 400W 400W 350W 300W 互联速度 NVLink ： 1.8TB/s PC le 6.0 ： 256GB/s 服务器占比 图：搭载 GPU 的 AI 服务器市场格局 算力 中 高 通过算法固化实现极致 的性能和能效、平均性 强；功耗低；体积小； 量产后成本低。 资料来源： Trendforce ，国信证券经济研究所整理 资料来源： Trendforce ，国信证券经济研究所整理 牧本摆动每十年波动一次，有望从标准化摆向定制化。 1987 年，原日立公司总工程师牧本次生提出牧本摆动，揭露半导体 产品发展历程总是在“标准化”与“定制化”之间交替摆动，大概每十年波动一次。牧本摆动背后是性能、功耗和开发效率 之间 的平衡，当算法发展达到平台期，无法通过进一步创新来推动发展时，就需要依赖于扩大规模来维持进步，这时转向 ASIC 的开发就变得至关重要。然而十年后，当规模扩张遭遇限制，又

算力提出更高要求， 高通、英特尔、AMD 等芯片厂商纷纷展开布局，陆续推出针对 AI PC 场景优化的芯片产品。 在 PC 侧，使用独立 GPU 运行 AI 运载，具备高性能、高吞吐量等优势，但功耗高；NPU 方案更具高能效、低功耗等特点，但对高性能要求 AI 负载支持能力有限。考虑 AI 任务需求 以及用户偏好不同，我们认为 AI PC 市场使用 1）CPU+NPU+GPU 处理器（英特尔 Meteor Lake/AMD 数据。此外联想等厂商也同样在自 研 AI 芯片（如联想拯救者 Y7000P、Y9000P、Y9000X、Y9000K 四款新品笔记本搭载的 搭联想自研 AI 芯片——LA 系列芯片），实现智能的整机功耗分配。 图表17： AI PC 对比 Brand Lenovo Microsoft Apple Intel 产品 ThinkBook 16P Suferface Pro 基础上打造了机器人仿真平台 Isaac SIM。在数字孪生环境中， 实现和真实环境一样的开发和测试效果，如获取真实环境中难以得到的数据，可以加快 开发流程和减少开发成本。 3） 端侧平台。机器人本体的部分做了低功耗高性能的嵌入式计算平台，以及感知、决策规 划等的 AI 算法增强的应用部署。如英伟达推出的 Jetson Thor SoC 片上系统开发硬件， 内置了下一代 Blackwell GPU（此前英伟达也推出过针对汽车的