采用高速相干彩光模块（如 400G/800G ZR+、1.6T 模块）作为 IP 层直连接口，实现无电中继的长距离传输，构建从路由器到光层的 透明链路。 2.确定性网络增强机制 基于 SRv6+ODU/OSU 灵活复用，实现业务粒度切片（vlan/roce 等）与路径稳定转发保障，支持微秒级时延控制，适应 AI/工业/金融 等场景对稳定性、低抖动的极致要求。 3.广域光电融合调度能力 结合统一控制面（如 格要求。 数据中心等网络设施能耗巨大，传统电交换网络能耗较高。光电 融合网络在光传输部分能耗较低，有助于降低网络整体能耗，符合绿 色节能的发展趋势。 光电融合网络则打破这一壁垒，提升网络资源灵活调度能力、降 低网络架构复杂度，实现面向智算场景的泛在连接能力，其意义主要 体现在： 支撑数字经济：为 AI 训练、算网协同、大数据处理等业务提供 高效、高可用底座；为智能制造、智慧城市、智慧能源等多个领域提 二、 光电融合网络技术 2.1 技术体系架构 光电融合技术通过将 IP 路由和光网络功能集成在一个统一的架 构中，减少了中间设备的数量和复杂性，减少了网络层级，使得网络 管理更加简便，调度更加灵活，优化了资源利用率，提升了业务发放 速度。 图 1. 光电融合网络系统架构图 光电融合网络采用分层解耦、融合重构的技术架构。其核心结构 包括三层： 硬件层：由具体的光电融合硬件组成，包括彩光引擎线卡、彩光

按需将推理算力向边缘覆盖。 中国电信云化 IP 城域网(简称为新型城域网)具备原生算力业务 高效承载的能力，基于云网 POP 灵活架构以及城域 Spine-Leaf 的 Full-Mesh 组网优势，实现了云边/边边高效协同和算网快速对接。面 向算力业务的长期演进，中国电信通过引入算力灵活调度、算力无损 传输、精准流级调度、网络智能运维等能力，打造以算力为中心、算 网一体的城域网新业态——算力城域网2。当前，中国电信在上海、 训推一体机实现大模型的快速应用。但是，企业本地算力池面临扩容 难、维护成本高等问题，难以满足大模型微调和推理不断增长的算力 需求。因此，通过企业本地算力与云端租赁算力之间的高效协同，以 满足企业算力资源灵活扩展需求，成为更高效、便捷且兼具性价比的 方案。云边协同训推方案基于 Split Learning 部署模式，将模型切分 到本地和云端算力资源池中并行处理，并结合输入、输出层的本地化 部署，保 业务和应用生态。  联接 ToC/ToB/ToH 场景下的海量用户资源，将算力服务和生 态应用引入到千行百业、千家万户。 （2）算网一体、灵活部署  沿用新型城域网模块化组网架构，基于 Spine-Leaf 灵活扩展， 泛在接入各类用户。  算力网关随 AIDC 灵活部署，构建网络和算力资源的标准化对 算力城域网白皮书（2025 版） 14 接模型，实现网随算动。  基于 SRv6/EVPN/网络切片等

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的十字路口，一个清晰的趋势已然浮现：大模型正沿着 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。 术栈——从底层的 AI 处理器芯片，到 核心的互联技术，再到上层的编程模型和软件库——端到端控制，来实现最优的性能和效率。在这 种模式中，互联协议本身是闭源的，用户面临严重的厂商锁定风险，选择和灵活性受到极大限制， 并且通常需要承担高昂的成本。 第二种是由其他芯片巨头、云服务商和大型科技公司组成的“协议开放”模式。其核心战略是以 “兼容性”和“选择权”来对抗“封闭性”，旨在构建一个基于开放标准的、更加多元化的生态系

云边一体(集团&分支)场景 云智算场景 核心优势:支持最高金融容灾6级，RTO达2分钟级别，行业领先 公私统一 复用腾讯公有云全栈成熟产品能力 软硬开放 支持一云多芯，开放兼容国产软硬 件生态 轻量灵活 小型化起步，按需灵活扩容 自主创新 首批通过国家软件“自主原创测 评”，引领行业标准 安全可靠 通过国家安全可靠测评，满足等保 四级、国密、最高金融容灾6级等 云边一体 云与边缘协同，数字化直达末梢 腾讯专有云企业版TCE PolarisMesh 分布式调度TCT 分布式事务DTF 微服务框架 TSF 容灾管理DRMS 故障演练CHAOS 备份恢复BRMS 多中心部署架构 高可用性 腾讯专有云PaaS平台TCS 灵活独立、轻量交付，企业云原生架构转型一站式解决方案 应用场景 企业级PaaS平台 容器与微服务平台 边缘计算(云边一体) AI平台 国产数字化升级标杆实践报告 15 - 国产数字化升级标杆实践报告 海量数据实时分析业务，复杂分析应用 大型混合业务(HTAP)查询场景 Oracle兼容迁移和替换 金融核心交易场景 与底层硬件解耦 可以基于已有基础设施进行构建，如物理机、虚拟机、超融合或第三方云平台 灵活独立 统一管理易维护，应用改造成本低 降本增效 TCS FinOps 能力可帮助客户提升资源使用 率达 50% 开放兼容 国产软硬件生态兼容不绑定 稳定可靠 支持容灾与故障演练 极简交付 复三步快速构建云原生基础设施

新场景的多样化多对算力网络的灵活性、自动化和智能化提出了更高 的要求。为应对上述挑战，服务生成算力网络的概念得以提出。服务 生成算力网络通过将 AI 技术与算力网络的基础设施、功能流程、服 务应用等深度融合，把 AI 的解决目标和承载方式都设在算力网络内 部，利用 AI 技术赋予算力网络基础设施智能化、业务流程一体化、 服务能力自优化、算网运维自动化等能力，进而为多元应用提供泛在、 高效、灵活、安全的服务化算力供给。算力网络服务生成是利用 能流程、服务应用等深度融合，把 AI 的解决目标和承载方式都设在 算力网络内部，利用 AI 技术来赋予算力网络基础设施智能化、业务 流程一体化、服务能力自优化、算网运维自动化等能力，进而为多元 应用提供泛在、高效、灵活、安全的服务化算力供给。在此基础上， 服务生成算力网络还强调能力自主优化和智能自适演进，面向动态变 化的应用场景和服务需求能够通过自学习、自演进来不断提升自身业 务服务质量和智能化能力。 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、跨域算力共享等场景中发挥着重要作用，各行业数

方涵盖政府、企业、社会公众等，各方亟需通过标准化的调度接口实 现资源互通与业务协同。例如，铁塔边缘算力资源可通过调度系统接 入公共算力交易平台，向企业提供按需付费的算力服务；同时，系统 需支持第三方调度算法的灵活接入，满足不同行业的定制化需求。这 种开放生态的构建，不仅能降低算力交易成本，还能促进边缘算力在 电子政务、企业数字化、新兴业态等领域的规模化应用，推动产业从 “硬件堆砌”向“服务增值”升级。 合作伙伴（如第三方算力提供商、应用开发商）的需求聚焦于系 统的开放性与兼容性。第三方算力提供商需通过标准化接口接入系统， 实现资源互通与收益分成；应用开发商则要求系统支持多类型应用部 署（如容器化、虚拟机化），并提供灵活的调度策略接口，适配不同 算法对算力的差异化需求（如 AI 推理需 GPU 资源优先调度）。 16 此外，所有用户群体均对系统提出共性需求：一是弱网环境适配， 在 4G/5G 信号不稳定区域（如偏远地区、地下停车场）仍能保障算力 力，防止算力资源被非法占用或数据泄露；三是低成本运维，通过自 动化部署、远程监控功能降低人工干预，尤其适合边缘节点分散的场 景。 综上，用户需求呈现“分层化、场景化、个性化”特征，分布式 算力感知与调度系统需通过模块化设计、灵活的策略配置及开放接口， 满足不同用户在功能、性能、安全等维度的多样化要求。 1.3.5 功能需求分析 分布式算力感知与调度系统的功能需求围绕算力资源的全面感 知、精准调度、高效协同及可靠运维展开，旨在解决当前算力资源分

前言 随着数字经济的蓬勃兴起，AI 技术正加速从虚拟空间向实体经 济领域拓展，机器人作为 AI 技术的理想载体，凭借其高度的灵活性 和强大的适应性，正在迅速发展并广泛应用于各个行业，成为推动产 业升级和变革的重要力量。工业领域自动化基础良好、环境结构化程 度高且市场需求大，成为近期“机器人+人工智能”应用落地的首要 方向。凭借其在提高生产效率、降低人力成本、提升产品质量等方面 的显著 精细化程 度和灵活性显著提高，原本无法被取代的喷涂、焊接场景也逐步开始 应用机器人。 此类场景主要包括两种“机器人+人工智能”融合应用模式。一 是“机械臂+操作优化模型”模式，AI 应用的主要目标是提高操作精 度，如珞石机器人基于关节多传感器融合的全局振动抑制算法技术， 抖动幅值降低 80%以上。二是“机械臂+操作学习模型”模式，AI 应 用的目标是提升机器人的灵活性和适应性，形成智能焊接、喷涂、组 作、物流配送、质量管理三大场景，与其他的智能机械臂、移动机器 人形成配合，完成部分对灵活性和精确性要求较高的工作（表 2）。 在生产操作场景中，“视觉+压力”协同动作需要借助多关节的灵巧 手来完成，如小鹏人形机器人 Iron 能够完成拧螺丝等精细操作；在 物流配送场景中，移动机器人在精准对接和灵活调整方面较为困难， 而特斯拉人形机器人通过多关节设计和传感融合打通了工业物流的 “最后

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 前绿电使用率仅 加剧碳排放矛盾。与此同时，电力系统面临新能源消纳的结构性难题； 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 网荷储”一体化等创新模式持续优化算力电力协同机制。 调度协同层面，挖掘算力负荷的灵活调节价值。包括：时间维度 上，利用 AI 训练、大数据分析等可中断负荷参与需求响应；空间维 度上，通过“算力漫游”实现跨区域资源调配；能效维度上，采用液 冷、余热回收等技术提升能源利用效率。国网能源研究院测算，全国 数据中心可调节潜力相当于当前电网灵活调节资源的 15%。 市场协同层面，构建电算融合的交易机制。包括绿电直供（如腾

了 人形机器人的驱动器的革新，以北工大研发的气动人工肌肉驱动器、 中国计量大学设计的一种拮抗气动肌肉驱动的人形机器人为例，实现 了膝关节角度与刚度的精确控制，将为复杂任务和交互场景提供更加 灵活和仿生的解决方案。 1.2.2 国际人形机器人发展历程 国际上对人形机器人的研究起步较早，得益于 20 世纪领先的科研 水平与先进的技术基础设施，人形机器人早期发展主要集中在美国和 日本。 人形机器人机械本体的技术特点在于其高度模拟人类形态，具备 灵活的“肢体”，包括一体化关节、灵巧手、仿人机械臂、仿人腿、 骨架躯干、柔性电子皮肤，需要高强度紧凑的机械结构，也需要实现 灵活性和轻量化。 人形机器人一体化关节是一种高度集成化的机器人关节组件，它 将伺服驱动器、无框力矩电机、减速器（谐波、行星、滚柱丝杠）、 编码器等关键部件集成在一个模块中，可以提高人形机器人的运动精 度、灵活性和负载能力，是实现高效、稳定操作的核心部件。通过采 和操作对象的状态。当前灵巧手的技术方案尚未完全收敛，在传动方 式和传感器方案上尚未有统一意见，连杆具有大负载、高精度和低成 本的优势，但在灵活性上不及腱绳，齿轮方式受限于加工精度和空间 尺寸也一直未能推广。如何收敛灵巧手技术路线，在保证灵巧手可靠 32 性、负载能力、精度和成本的条件下，进一步提升灵巧手的自由度和 灵活性，提高灵巧手的操作精细度，使其在更多领域得到广泛应用， 是未来技术发展和突破的关键。 仿人机械臂的设

法生存;然而，这些障碍正在减少。一些障碍和趋势是：  硬编码与自适应智能。传统机器人成本高昂且缺乏灵活性，并且无 法适应新任务。视觉 AI、AI/机器学习 （ML） 和新物理设计的进 步现在使机器人技术的适应性更强。  多任务分配、沟通和集成。传统机器人面临的集成挑战限制了他们 在工作流程中的任务灵活性。生成式 AI （GenAI） 和 ML 现在支 持新的交互模型和双向通信，使机器人能够适应和响应人类的口头 现 在的价格与人工相比具有竞争力。它们日益增长的灵活性和适应 性，加上较低的价格，使它们成为传统劳动力的可行替代品。 趋势基本影响  工业机器人通常针对单个任务进行硬编码，需要大量干预才能进行 更改。这导致公司维护着庞大的异构机器人队列，每个机器人都是 为特定任务而设计的，这与可以接受多种角色训练的人类不同。  多功能机器人甚至可以作为灵活的劳动力，自主适应各种任务。由 于新颖的外形和智能 程的供应链运营不应在等待这项技术成熟时延迟对机器人的投资。  公司需要开始映射其功能流程，以确定哪些流程（如果有）可以用 当前几代机器人来解决，哪些将从多功能中心设计中受益最大。  确定需要高度灵活性和适应性的流程，并专注于了解人力如何执行 这些任务，以了解多功能机器人需要支持的能力。  由于目前还没有完全有能力的多功能机器人，因此公司必须开发一 种结构化的方法，以便在未来几年内这些功能发展时进行有效的概