沿着 “规模定律”不断演进，从预训练扩展到覆盖预训练、后训练、逻辑推理的全流程，其参数与集群 规模实现“双万” 跨越，行业模型落地需求专业化。 传统的服务器集群架构在这场变革中瓶颈愈发明显。千亿级模型一次梯度同步产生的 TB 级数据 让传统以太网带宽难以承受；同时，伴随算力规模扩大，万级处理器带来的故障常态化，对自动化 运维与 RAS 能力提出了更高要求。在这样的背景下，超节点的出现成为了面向大模型未来发展的必 模型为代表的人工智能技术，成为驱动千行百业 颠覆性变革的核心力量。大模型所展现出的涌现能力与通用潜能，正在重构人类对创新的想象边界， 但同时也对底层智算基础设施提出更高要求和挑战：模型参数规模从千亿迈向万亿乃至更高，训练 数据量呈指数级增长，传统松散耦合的集群架构已难以满足高效的计算需求，智算基础设施正开始 新一轮的技术革新。 在此背景下，超节点应运而生。它并非偶然的技术产品迭代，而是智算需求与系统创新深度共振 与生态发展格局，清晰界定了超节点需具备的技术特征与系统属性，为产业界提供了具有前瞻性的 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

AI-Generated Content ，人工智能生成内 容）的出现，使传统的内容创作模式成本大大降低， 创作内容的数量大大提升。 2. AIGC+ 大模型，让我们面对的现实世界，被以数 千亿级的维度解构，同时，又被以不可思议的维度 重新组合了，进而产生了新的美学。 3. AIGC 时代的营销活动，越来越需要的只是“创意” 本 身 大模型时代的保险营销 来源 : 腾讯研究院

融合应用孵化培育等平台，持续完善提升平台服务水平。统筹 兼顾平台的服务性和可持续性，逐步形成试验平台市场化运作 模式。（责任单位：省科技厅、省经信厅、省发展改革委） （二）元宇宙产业基地培育工程 依托“万亩千亿”新产业平台、特色小镇、服务业创新发展 试验区、未来产业先导区等，布局 VR/AR/MR 研发创新、智能 穿戴设备、关键配套、内容制作、分发平台、行业应用和相关 服务等全产业链，培育打造一批行业、区域级元宇宙产业基地。

信号解决不了的技术问题（比如高速出入库的读取准确率、防串读 / 漏读等）。 我们认为，RFID 在 AI 时代能有所作为的基本逻辑是它数据的价值，因为目前 RFID 标签每年的量就有 大几百亿，而且几年之后突破到千亿的量目前看起来也是比较有把握的，每一个 RFID 标签背后就代表一件 物品，每一个物品背后都有它的业务逻辑，而此前，RFID 乃至整个物联网产业更多的只是挖掘了硬件产品 的价值，数据背后的商业价值并没有充分挖掘出来。基于 应用场景的使用。 物联网的愿景就是“万物皆可连接”，但对于很多低价格的产品比如矿泉水、零食、快递包裹等来说，产品的单价与利 润很低，采用电池连接，显然是不合适的。所以，采用低成本的无源连接方案成为释放千亿乃至万亿级连接量的必然之选。 为什么是 RFID 将会成为时代的答案？ 无线传输技术有很多，为什么 RFID 会是时代的答案？ 要评判一个无源技术的优劣，主要有两个指标，第一个指标是工作的距离，工作距离越远，适用的场景就越广；第二 深圳展 2026 年 8 月份 参展联系：陈先生 18676385933 03 无源场景而进行功能的简化与成本的优化之后，也很难达到 RFID 的水平。 所以，从成本的角度来说，RFID 是未来千亿级低成本 IoT 连接方案的正确答案。 当然，RFID 技术也不是万能，它也有自己的局限性。第一是它的能力非常简单，只能存储传输小量的数据，如果 应用场景中需要传输较大的数据就不合适；第二是它的工作距离短，一般在

为代表的传统神经网络模型、以 Transformer 为代表的 全新 神经网络模型、以 GPT 为代表的预训练大模型这三个时代的进阶，在“算力芯片、存储芯片”等硬件技术持续演进的支撑下，伴随模型参数规模超越千亿级，近年来人 工智能技术得以“涌现”出更加强大的理解、推理、联想能力。 图：模型规模的指数提升线性提高模型性能 资料来源 ： Jared 等著 - 《 Sca l ing Laws for Neura 的数据量和参数规模呈现指数级增长，例如 GPT-3 模型参数约为 1750 亿，据 Semianalysis 推 测 GPT-4 参数量达 1.8 万亿；同时，国内目前公布的大模型参数规模也 普遍在百亿至千亿级 别。性能方面，据 Data Learner 数据， GPT-4o 在 MMLU 测评中获得 88.7 分的高分，分数较 GPT- 3 大幅提高；国产模型中阿里的 Qwen2.5-72B 取得

2027E 2028E 2029E 1,680 2030E 2031E 2032E 2033E 2034E 2035E 人形机器人 全球人形机器人 – 年销售空间预测（亿元） 全球电动汽车产业由“千亿级”成长为“万亿级”赛道，历时10年，人形机器人预计将在5年内实现突破。 ~10年 ~5年 Pre-03 M2 2025 Proprietary and Confidential All Rights

Turbo。日日新 5.0 能力提升主要得益三个方面：1）采用 MoE 架构， 激活少量参数就能完成推理。且推理时上下文窗口达到 200K 左右。2）基于超过 10TB tokens 训练、覆盖数千亿量级的逻辑型合成思维链数据。3）商汤 AI 大装置 SenseCore 算 力设施与算法设计的联合调优。 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 35 电子 商汤推出“云、边、端”全栈大模型产品矩阵。1）云端模型即商汤最领先的基础模型系列。 2）在边缘侧，商汤面向金融、医疗、政务、代码四个行业推出商汤企业级大模型一体机。 一体机同时支持千亿模型加速和知识检索硬件加速，实现本地化部署，相比行业同类产品， 千亿大模型推理成本可节约 80%；检索大大加速，CPU 工作负载减少 50%，端到端延迟减 少 1.5 秒。3）端侧模型方面，SenseChat-Lite 1.8B 全面领先所有开源

号，硅星人公众号，东莞证券研究所 电子行业深度报告 21 请务必阅读末页声明。 中微软预计 Q1 及 Q2 支出与 24Q4 接近，Q3 及 Q4 将根据需求投资；亚马逊资本开支年化 有望超千亿；谷歌预计全年支出 750 亿美元，主要用于服务器，其次为数据中心和网络 建设；Meta 预计全年支出约为 600-650 亿美元，主要投向 AI 和核心业务。总体来看海 外 CSP 并没有因 DeepSeek

时代的特征是通过海量数据，无需标注自监督学习，训练一个基础大模型， 并在各个应用领域将其专业化。具体来说有三个特点：1）对于拥有的超级海量的 数据，无需进行人工标注，即进行自监督学习；2）基础模型规模非常大，参数规 模从十亿到千亿级别；3）训练出的基础模型具有跨领域知识，而后通过微调用降 低成本的方法来训练，以适应不同领域的任务。AI 2.0 的巨大跃迁之处在于，它 克服了前者单领域、多模型的限制。 图1：AI2.0 时代

A) 》/《加州隐私权法案(CPRA)》，虽然为数据隐私提供了基础保障，但并未针 对人工智能开发的独特挑战提供具体的指导，而且不足以满足例外情况下的需 求。随着大型科技巨头计划向人工智能投资数千亿，预计技术创新的步伐不会 放缓，技术革新的快速步伐已经超出了立法适应的能力。 一个令人担忧的缺口正在出现：生成式人工智能的广泛使用，无论是个人 还是专业用途，都伴随着治理缺失的问题。恶意行为者已经开始利用生成式人 数据删除：这可能需要用剩余数据重新训练模型，从而可能影响模型的 性能和适用范围。 ○ 数据修改：根据训练过程的不同，可能需要对特定数据点执行匿名处理 或编辑，这可能会影响模型的准确性和可解释性。 ○ 知识移除：如何识别千亿层深度神经网络中的已学知识，并移除特定的 信息呢？实际上，这意味着需要从头开始重新训练大型语言模型，从而既不经 济，也不环保。 从技术可行性角度看，在复杂的训练数据集中识别并移除单个数据点可能