加速人工智能科学计算，服务算法创新 助力行业企业智能化升级 系统特征 AI 技术从单点能力突破迈向系统能力创新 超节点技术产业生态发展格局 基础特征：大带宽、低时延、内存统一编址 超大规模 扩展特征：多级缓存池化、资源灵活配比 超高可靠 灵活切分 大模型计算基础设施的挑战 小结 小结 CONTENTS 目录 超节点发展报告 02 当我们站在人工智能大模型技术飞速发展 阻塞的高带宽 互联，将数百上千个 AI 处理器编织为一个逻辑统一的高密度计算体，为高效计算提供了底层支撑。 系统能力则是超节点高效运转的保障，它需要具备大规模、高可靠、多场景等系统特征。大规模的 组网能力突破了单机扩展的硬件限制，为大规模算力聚合提供架构支撑；高可靠的运行特性化解了 网络、计算、存储等子系统的故障风险，保障集群作业的连续性；多场景的适配能力则能通过精细 化资源调度等机制，满足不同业务需求，最大化释放算力价值。 化资源调度等机制，满足不同业务需求，最大化释放算力价值。 本文系统性地提出并论证了 “超节点将成为 AI 时代的核心计算单元” 这一重要观点，清晰地呈 现了超节点的基础定义与特征，包括技术层面的基础特征和扩展特征，以及系统层面的大规模、高 可靠、多场景特征。同时，通过分析全球产业的演进路线、超节点稳定性的核心挑战以及技术产业 生态发展格局，为产业界指明了超节点的发展方向。 在未来计算的下一个十年，超节点无疑将成为推动 AI

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、 发展建议，旨在为有兴趣了解分布式算力感知与调度相关概念和技术 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 口类 型，以及 GPU 的型号、显存大小等。只有做到这些，系统才能够依据 业务的具体需求，将任务合理且高效地分配至最适宜的硬件资源上， 从而充分挖掘和发挥各类硬件的性能优势。举例来说，在处理大规模 数据的并行计算任务时，GPU 能够凭借其强大的并行处理能力大幅提 升运算速度；而在执行复杂逻辑运算与顺序指令时，CPU 则更具优势。 因此，系统需要准确把握不同硬件的特性，实现任务的最优分配。

取和处理方面的强势能力，迫使教育界进一步反思现有 的教育框架，教师作为教学主体的功能性与人文性价值如何取舍？师-生-机三位一体的教育形态意 义几何？以知识传递和测评为核心的教育内容该如何升级？大规模的个性化教学是否真的有可能实 现？AI与人类是否会在社会和教育资源上展开竞争？这些重大问题，因AIGC的到来，再一次冲击了 现有的教育体系。 在微观层面上，教育的各场景和环节，都因AIGC技术 化。具体到教育行业，部分基础工作被替代，社会人力结构和人才需求被重塑。AIGC技术与现代 教育在教学内容、师资配置、交互方式等方面有着巧妙的吻合之处，彰显着技术落地的必要性。 AI技术也由教学辅助发展到自适应学习，推动大规模因材施教逐步落地。这些共同推高了时代对 AIGC+教育的瞩目，体现在资本投融资、各国政策监管、学术研究等多个方面。澳大利亚经历的 观望—禁止—反思—放开的挣扎历程，代表了全球的态度变迁，即不断与时俱进、同时守正创新。 www.iresearch.com.cn 中观：AI技术的发展及其教育推动 由教学辅助到自适应学习，AIGC技术变革推动大规模因材施教逐步落地 全球AI+教育经历了诞生期-摸索期-产业期三个阶段，在诞生期，AI和教育的结合主要围绕辅助教学进行探索，应用于答疑、练习、 模拟测试等环节，代替部分教师的重复性劳动。在机器学习的

成为数据中心发展关键。 据 IDC 数据，全球数据总量预计由 2021 年的 82.47 ZB 上升至 2026 年的 215.99 ZB ， 对应 CAGR 达 21.24% 。其中，大规模张量运算、矩阵运算是人工 智能在计算层面的 突出需求，高并行度的深度学习算法在视觉、语音和自然语言 处理等领域上的广 泛应用使得算力需求呈现指数级增长。 据 Cisco 数据，全球数据中心负载任务量预计由 资料来源：金十数据，国信证券经济研究所整理 表：不同技术架构 AI 芯片比较 种类 定制化程度 可编辑性 算力 价格 优点 缺点 应用场景 GPU 通用型 不可编辑 中 高 通用型较强、适合大规模并行运算；设计和制造工艺成熟。 并行运算能力在推理段无法完全发挥。 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； 件。 lGPU 在训练负载中具有绝对优势。据 IDC 数据， 1H21 中国 AI 芯片市场份额中， GPU 占比高达 91.9% ，依然是实现数据中心加速 的首选。 GPU 通用型较强、适合大规模并行运算，设计和制造工艺成熟，适用于高级复杂算法和通用性人工智能平台。 lAI 芯片又称 AI 加速器或计算卡，是专门用于处理人工智能应用中大量 计算任务的模块。随着数据海量增长、算法模型趋向复杂、处理对象异

部署至今已超过五年时间，5G 独 立组网和 5G-Advanced 已成为推动智能联接新时 代的核心技术。 联接作为数智化转型的技术基础，通过满足时延、 速度和网络能力的要求，支持云智融合、大规模物 联网和边缘计算，将联接能力延伸至终端设备或网 络边缘，实现本地智能。 联接在数智化中发挥以下两大关键作用。首先，在 企业层面，85% 的企业认为 5G 对其数智化转型具 有“非常重要”或“极其重要”的推动作用。联接 年占全球 GDP 的 3.7%。 自 2022 年生成式人工智能问世以来，该技术已 成为行业快速从概念验证进入到广泛部署的典范。 2025 年已成为人工智能的转折点。许多前沿组织 已从试点阶段迈向大规模应用，并采用基于人工智 能驱动的商业模式。IDC 的人工智能应用模型（AI Adoption Model）描绘了人工智能从新兴技术发 展为赋能引擎的演进路线，以便帮助我们更好地理 解当前的战略转变和能力变化 ：传感器、设备、用户交互、数字平台及 交易系统 相关性 ：数据生成是智能数据流中的起点，也是最 基础的环节。目前，数字基础设施由各类终端和泛 在联接构成。然而，随着原始数据量、种类及生 成速度的不断增长，实现持续、可靠的大规模数据 生成将需要依托更具韧性和可持续性的数智基础设 施，特别是在边缘计算层面。 数据传输 驱动因素 ：高速光纤网络、边缘计算节点和骨干系统 相关性 ：在数智系统中，数据必须从终端快速流向

万美元，对比 GPT-4o 等模型的训练成本 约为 1 亿美元。 l 2025 年 1 月， DeepSeek-R1 发布，性能对标 OpenAI-o1 正式版。 DeepSeek-R1 在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下， 极大提 升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩 OpenAI-o1 正式版。同时 DeepSeek 开源 R1 推理模型，允许所有人在遵循 官网，国信证券经济研究所 整理 l 2025 年 1 月 20 日， DeepSeek-R1 正式发布，并同步开源模型权重，性能对齐 OpenAI-o1 正式版。 DeepSeek-R1 在后训练阶段大规模使用了强化学习技术，在 仅有极少 标注数据的情况下，极大提升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩 OpenAI-o1 正式版。 l DeepSeek-R1 遵循 MIT License 整理 l 对跨节点的全对全通信机制进行优化，充分利用 InfiniBand 和 NVLink 提供的高带宽。 DeepSeek-V3 模型在拥有 2048 个 NVIDIA H800 GPU 的大规模集群上进 行训练， 每个节点配置了 8 个 GPU ，并通过 NVLink 与 NVSwitch 实现内部高速互联；不同节点间的高效通信则依赖于 InfiniBand （ IB ）网络。 l 创新性提出了

能化水平。青岛“星海互联”项目建设低轨卫星互联网海洋数据枢纽， 推动海洋产业升级。跨境经济中，低轨卫星互联网改善“一带一路” 国家通信条件，洲际航天与阿拉伯信息通讯组织合作的 6000 颗卫星 星座计划，将实现手机直连卫星大规模商用，弥合数字鸿沟。 1.3 人民服务需求 卫星互联网承载网正突破传统地面网络覆盖极限，将数字服务延 伸至山川、海洋、荒漠等物理空间末梢，在乡村振兴、民生应急、大 众消费三大领域重塑服务可及性。乡村振兴中，卫星互联网承载网赋 过基于轨道 力学的链路预测实现路由的提前优化配置，并借助分布式控制与跨域 编排机制，在多域多业务并行运行的情况下保持网络稳定。 在能力特征方面，卫星互联网承载网的首要优势是全球覆盖。依 托大规模卫星星座的轨道布局，它可以为地面基础设施难以覆盖的海 洋、极地、沙漠等区域提供稳定的骨干通信服务，真正实现全域无缝 连接。其次是高速传输能力，现代星间激光链路单通道容量已可达数 十 Gbps，未来有望迈向 务的连续性，待地面 控制器重新计算并上注新的骨干路由后，再平滑切换回优化路径。通 过这种“全局管控+局部自主”的协同机制，混合式路由能够在网络 的可控性、实时性和抗毁性之间取得精准平衡，成为大规模卫星互联 21 网承载网的主流路由技术选择。 为了提高卫星互联网承载网路由算法的性能，研究人员还引入了 多种优化策略。例如，网络状态感知机制能够使路由算法实时获取网 络的拓扑结构、链路状态、流量负载等信息，从而根据网络的实际情

勾选、手写、背景、印章、打印偏移等 复杂关系 混合版式、表格结构化、多层级关系、勾选框提取、易混淆字段提取、无 Key 字段提 取 智能结构化 版式 5000+ 泛化准确率 90%+ 5 张样本训练准确率 95%+ 大规模多模态预训练 CV 信息、语义信息、 布局信息、知识图谱 OCR 大模型应用案 例 覆盖 解决 达到 算法 优势 语义融合高精度识别 结合图像信息及语义信息 提供更高精度 自然，符合证券公司专业、 严肃的金融行业属性特征。 真人驱动技术原理： 数智人可对任意语音输入生成对应的口型及表情动作 需排除语音中的噪声，音色等信息，提取语音中发音内容相关 信息 通过大规模语料训练模型，实现对发音内容信息的鲁棒提取， 进一步通过口型驱动模型生成视觉口型参数序列，从而实现语 音驱动。 前端 后端 多种数据接入与处理 l 腾讯云 TI 平台支持多种结构化 / 非结构化数据源及数据存储 的适配，支持配置结构化存储和非结构化存储。平台提供 场景化多种数据标注工具 ，解决用户个人快速小规模样本 试标及团队大规模数据标注的需求。 先进技术架构 l 容器化架构：微服务和容器化架构， 高可用、高弹性。 l 统一 API 网关：遵循腾讯云 API3.0 规范的标准开放方式。 TI-ONE 是基于腾讯云强大计算能力的一站式机器学习平台

厦门大学大数据教学团队作品 1.大模型：人工智能的前沿 1.1 大模型的概念 1.2 大模型的发展历程 1.3 人工智能与大模型的关系 1.4 大模型分类 1.1 大模型的概念 大模型通常指的是大规模的人工智能模型，是一种基于深度学习技术，具有 海量参数、强大的学习能力和泛化能力，能够处理和生成多种类型数据的人 工智能模型。 通常说的大模型的“大”的特点体现在： 参数数量庞大 训练数据量大 用于处理文本数据和理解自然语言。这类大模型 的主要特点是它们在大规模语料库上进行了训练， 以学习自然语言的各种语法、语义和语境规则。 代表性产品包括GPT系列（OpenAI）、Bard （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、 大模型的分类 按照应用领域的不同，大模型主要可以分为L0、L1、L2三个层级 是指可以在多个领域和任务上通用 的大模型。它们利用大算力、使用 海量的开放数据与具有巨量参数的 深度学习算法，在大规模无标注数 据上进行训练，以寻找特征并发现 规律，进而形成可“举一反三”的强 大泛化能力，可在不进行微调或少 量微调的情况下完成多场景任务， 相当于AI完成了“通识教育” 通用大模型L0