年我国算力总规模已达 230EFLOPS，智能算力增速高达 45%。然而，这种增长也带来了严峻的能源问题，全国数据中心年 耗电量突破 1500 亿千瓦时，占全社会用电量的 1.6%，单次 AI 大模 型训练的能耗相当于数百个家庭年用电量。与此同时，我国电力系 统正在经历深刻变革，新能源装机占比已突破 50%，但“弃风弃 光”与东部电力短缺并存的结构性矛盾日益凸显。这种算力需求激 增与能源转型的双重压力，使得构建高效、低碳的算电协同体系成 亿千瓦时，占全社会用电量的 1.6%，相当于三峡电站全 年发电量的 1.5 倍。更值得关注的是，随着大模型技术的快速发展， 单次训练能耗屡创新高——OpenAI 的 GPT-3 模型训练耗电达 128.7 万千瓦时，相当于 430 个家庭一年的用电量；而 GPT-4 的能耗预计是 前者的 3-5 倍。 与此同时，我国电力系统正经历深刻变革，新能源装机占比已突 破 50%，但消纳问题日益突出。2024 在算电协同体系中，算力资源的异构性是调度管理的关键挑战。 当前计算资源呈现出多层级（云、边、端）、多架构（CPU、GPU、 FPGA、ASIC）以及多运营域（公网、私网、专网）并存的格局。与 此同时，各类算力节点在任务响应能力、能耗水平、部署位置等方面 存在显著差异，若无法统一建模与纳管，将严重制约协同效率。因此， 构建面向多元异构算力资源的适配与纳管机制，是实现算电协同调度 的核心基础[2]。 面向异构算力系统的纳管体系，主要从资源建模、能力抽象、标

经济在过去几十年中一直保持着高速增长，而应对气候变化也已成为中 国可持续发展的内在需求。中国政府在2020年明确提出了力争于2030年 碳达峰、2060年碳中和的战略目标；同时，也面临着能源结构不尽合理，单 位GDP能耗较高等一系列重大现实挑战，使得实现双碳目标的任务紧迫而 艰巨。 西门子作为全球率先宣布碳中和目标的大型科技企业之一，凭借深厚的 技术积累和创新，致力于科学的、系统的“双碳”顶层设计，通过提供先进 减排和业务发展难以协调，亟需区分减排的 重点，节能减排方案收益难以量化 缺乏低成本节能减排方案，传统节能项目成本 高、周期长、影响生产 各下属企业上报数据质量低， 统计维度混乱，难以进行统一 的分析和展示 能耗和碳排放KPI下发流程繁 琐，时效性差 园区管委会和大型集团能源、碳管理部门 01 02 03 各下属企业安装不同的管理 平台，管理效率低 ECX的解决方案 核心优势介绍 1.可视化与对 专业版 集团总览 企业总览 能耗分析 微网管理 低碳管理 集团关键指标 能源拓扑组态图 系统运行组态图 配置关键指标，集团页面进行汇总统计和展示 强大能源拓扑图编辑器，提供丰富2.5D 图元，可快 速编辑能源系统拓扑图和能源系统组态图 GIS 项目地图 地图视角快速了解项目能源系统概况 能耗结构和碳排放结构 分类型能源、 碳排放实时数据 能耗分析 能源桑基图 指标管理

迟要求极高。如 AI 大模型训练中，网络抖动与丢包会严重影响性能， 光电融合网络能有效降低延迟和抖动，满足这些应用的严格要求。 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 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 供高性能网络支持，加速各行业数字化进程，提升生产效率和管理效 能，促进产业升级。 突破传统网络瓶颈：突破传统网络架构中光电信号分离以及高成 本、高能耗、低效率等瓶颈，实现长距离无电中继无损承载、高性能、 跨层调度、业务驱动、自适应修复等高级运维能力，为网络技术发展 开辟新路径。 降低部署与运营成本：统一架构减少设备种类和中继节点，显著 降低 件与平台的自主研发与规模应用。 助力可持续发展：通过降低能耗，减少对环境的影响，有助于实 现碳减排目标，促进人与自然的和谐共存，符合全球可持续发展的大 趋势。 1.3 光电融合网络发展目标 光电融合网络的发展目标是通过光层传输与电层计算的深度协 同，构建“光电一体、融合协同”的新型信息基础设施，以解决传统 网络在带宽、时延、能耗方面的根本性瓶颈。 （1）带宽升级 网络带宽演进是一个

放、能源使用、污染防 治等；社会维度涉及员 工权益、产品质量、社 区关系等；治理维度涵 盖公司治理结构、合规 运营、风险管理等内容。 披露的 ESG 信息中的数 据需真实、准确、客观。 对于关键数据，如能耗 量、污染物排放量、员 工培训时长等，要有明 确的统计口径和计算方 法，并能够提供相应的 验证依据，例如第三方 审计报告、监测数据记 录等，以增强信息的可 信度。 上市公司应定期进行 ESG 信息披露，一般与 号，提升公众阅读体验和服务品质。 环境创新： • 成立绿色生产领导机构，制定环保 生产标准，全面推进绿色印刷和智 能化生产，使用环保材料和清洁工 艺，危废分类处理并委托资质机构 处理，提高效率、降低能耗与排放， 推动绿色可持续发展。 环境绩效： • 每年印制7000多万册中小学教科书， 全部采用环保材料和清洁生产工艺； 投入500多万元改造环保设施，治 理噪音、废气和废液排放。 社会绩效： 实践方向：数据中心液冷技术、服务器可再生能源化 ➢ 隐私法规遵从 ➢ 安全认证公示 ➢ 数据透明度 ➢ 泄露事件披露 ➢ 边缘计算优化 ➢ AI能效管理 ➢ 硬件模块化设计 ➢ 碳感知调度 ➢ 能耗节约量化 ➢ 碳减排规模 ➢ 资源循环效益 ➢ 玩家参与度 ESG最佳实践企业榜单–游戏文娱行业 • 获评最佳实践的企业将获得榜单十强的展示以及所在行业 ESG最佳实践奖的奖牌 ESG最佳实践企业

，助力中国在全球科技竞争中 抢占先机。 10 全部参数激活，高能耗 OpenAI 等传统模型在运行时通常需要激活全部参数， 能耗巨大 模型调整强依赖标注数据 传统方式往往需要大量标注数据来监督微调（ SFT ）， 耗费大量人力和时间成本，且数据标注质量也会影响 模型性能。 任务精准分配，大幅降低能耗 依靠稀疏混合专家模型（ MoE ）架构，仅需激活 5%-10% 的参数，将任务精准 的参数，将任务精准 地分 配给最相关的“专家模块” ，计算量和能耗大幅降低，如 V3 的训练成本仅为 GPT-4 的千分之一。 自主试错优化 R1 采用纯强化学习（ RL ）训练，跳过 SFT ，让模型通过自主试错和优化来学习， 减少对标注数据依赖，降低训练复杂度。 在实际应用中， R1 在数学和编程任务中表现优于 OpenAI o1 。 自适应调整 极简单的奖励规则，让大模型自我博弈、不断顿悟与自适应调整，实现深度思

态信息交换、任务协同执行等挑战。这依赖于开放的 API 标 准、通用的资源描述语言、安全的跨域通信机制以及可能的 跨域调度协调器或联邦学习机制。  能耗与可持续性感知：随着“双碳”目标的推进，算力调度 的绿色属性愈发重要。感知需纳入能耗与碳足迹的实时监测； 调度决策则需将能耗和碳排放作为重要优化目标或约束条件， 例如优先将任务调度到使用可再生能源的数据中心或能效比 更高的节点，或利用电价谷值进行计算，实现“绿色调度”。 节点故障等异常，智能进行任务迁移等操作保障业务连续性，同时确 保敏感数据在可信域内流转，构筑数据安全屏障。以绿色为目标，将 “绿色低碳”作为核心优化目标，与智能、安全深度融合。智能调度 系统把能耗与碳足迹作为核心调度因子，感知各数据中心实时情况， 智能分配计算任务，实现“算力调度”与“能源调度”协同，降低运 营成本和碳排放，落实“东数西算”绿色发展理念。 综上所述，分布式算力感知与调度的研究具有深远的战略意义和 例如，车联网场景中，驾驶员通过车载终端获取实时路况分析，依赖 边缘算力的低时延响应，而系统需自动调度路侧节点算力，保障服务 连续性；智能家居场景则要求系统按需分配算力，支撑语音识别、安 防监控等轻量级业务，同时控制终端能耗。 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

的软实力差距 降低，将有望形成进一步的产品竞争力输出；②AI 智能化升级再次为行业提供长生命周期的筛选机会，没有投入 产出比优势的或者难以达到行业门槛的企业将再次面临淘汰；③AI 智能化或将带动能耗、碳排等先期较难落实的 政策形成可尝试空间，进一步影响现有的竞争格局。 风险提示 AI 或将改变行业格局，导致阶段性的竞争加剧；AI 智能化的应用在研发、生产和工程落地等的推进需要时间；信息 扫码获取更多服务  碳排、能耗的管控落地可能性提升：自 2021 年开始，国内制造行业就开始持续对能 耗、碳排的领域进行关注，但化工行业产品种类多，差异大，在管控制定前，行业数 据的收集、标准的制定、方案的测试等都需要大量的数据基础和繁杂的程序，但如果 AI 智能化逐步在行业进行推行，先期的数据收集和整合的难度和时间就会有明显的 改善，对于行业未来的能耗、碳排的管控就能形成先期基础，行业格局、生产路径、 在材料领域的软实力差距降低，将有望形成进一步的产品竞争力输出；②AI 智能化升 级再次为行业提供了长生命周期的筛选契机，没有投入产出比优势的或者难以达到行 业门槛的企业将再次面临淘汰；③AI 智能化或将带动能耗、碳排等先期较难落实的政 策形成可尝试空间，进一步影响现有的竞争格局。 六、风险提示  AI 的成熟或将改变行业格局，可能导致阶段性的竞争加剧：自 2021 年行业大周期以 来，国

络缺乏坚实的数学理论支撑，黑盒特性导致的 不可解释性，以及不确定性引发的幻觉问题仍 未得到有效解决。推动 LLM 快速发展的规模扩 展定律（Scaling law），正面临数据、算力、 能耗与可靠性的多重瓶颈，有放缓迹象。 通用人工智能（AGI）指具备人类级广泛认 知能力的智能系统。其核心在于实现通用性、 数字世界与物理世界的融合在加速，数字 智能正在不断突破虚拟边界，快速向具有物理 环境技术的落地，将进一步降低计算过程中的 能量损耗，推动能效比实现量级提升。 （c）计算架构：从“存算分离”到“存算协同” 当前冯 • 诺依曼架构的核心瓶颈——“存 算分离”导致的数据搬运延迟与能耗，将在架 构演进中被彻底突破。技术路径将呈现清晰的 递进逻辑：首先，当前计算架构正在将异构算 力进行对等处理，消除多 XPU 多部件之间的主 从关系和调度带来的性能损耗，数据中心的算 网融合和全光互联等技术将进一步提高计算效 一体的高安全网络能力。在网络设计、建设和运 营过程中，将充分考虑环境保护和资源节约，通 过采用智能预测动态节能技术、OXC/DC-OXC 全 光交换网络架构、液冷散热提高设备能效等措 施，实现网络能耗的降低和碳排放的减少。 面向 2035，光传送网不仅仅覆盖地面，还 要支持卫星的宽带通信需求，驱动卫星通信从 数百兆的微波到数百 G 的激光通信，在卫星与 星地之间传输域，不同轨道高度的卫星构成多

调节，从而 提高了机器人的运动性能和智能化水平。在未来的人形机器人电驱动 技术研发中，轻量化与高效化设计将成为重要的趋势。通过优化电机 结构、材料和制造工艺等方面的设计，可以降低机器人的重量和能耗。 液压传动从早期开关控制、比例控制，逐步发展到可精确控制位 置、速度和加速度的伺服控制，目前已发展为最新的数字液压。液压 相比于电机驱动，功率重量比有 5 倍以上明显优势，可为机器人提供 也带来了更高的计算复杂度与能耗开销，需要更强大的硬件算力和电 池技术支撑。复杂的任务决策往往需要依托网络边缘和云端部署更大 规模的模型和算力支持，同时结合云端信息输入、网络通信质量、终 端能耗限制等多方面因素进行综合推理计算和任务分配，因此需要通 过端-网-云充分协同和通算融合，实现按需动态的算力迁移与卸载， 46 以及系统性的算力资源调配与综合能耗优化。 近年来，人形机器人模型训练系统取得了显著进展，深度学习算 面向工业和服务机器人，围绕词汇与特性、安全、 性能、模块化、互操作、人机交互、能耗等方面发布国际标准 32 项， 在研 15 项。近 3 年新立项标准主要关注服务机器人（包括腿式机器人、 背部支撑机器人和电动汽车充电机器人）的性能规范及试验方法、工 业用自主移动机器人通信与互操作、服务机器人软硬件及模块的信息 模型、工业机器人能耗等方面。 国际电工委员会 IEC 并无专门面向机器人领域的技术委员会，其

单一逻辑实体。它标志着一个全新时代的开启——智算基础设施正从松散组合的算力堆叠阶段，迈 入软硬协同、全局优化的超节点阶段，旨在有效破解超大规模 AI 训练与推理中所面临的扩展性瓶颈、 效率损耗与能耗墙难题，为 AI 的持续创新提供坚实、高效、绿色的算力基座。 为系统分析超节点技术的发展逻辑、技术创新、产业价值以及未来趋势，我院与华为及相关单位 共同开展研究，编制《超节点发展报告》。报告以 “需求—技术—应用—展望” 年，相关基础设施投资将接近 7 万亿美元（Noffsinger et al., 2025） 。计算范式正从通用数据中 心转向专为 AI 设计的“超节点”，这正在彻底改变数字基础设施的经济模型与设计理念：资本开支、 能耗曲线、网络与内存比重、运维与可靠性能力，都会被重新定价与重构。 本报告提出并论证：“超节点”将成为 AI 时代的核心计算单元。它通过近乎无阻塞的高带宽互联， 把数十到数百乃至数千个 AI 处理器（本文中提及的 ，相关研究成果在国际顶级学术会议 中发表，展现我国人工智能算法创新能力。同时，昇腾 384 超节点采用液冷技术，数据中心 PUE 低至 1.1，鹏城云脑实现成本运营降低，实现绿色高效运营，较低的能耗符合绿色数据中心的发展理 念，树立良好的社会形象。 5.2 加速人工智能科学计算，服务算法创新 与行业集团大型业务场景需求融合，为全行业应用场景智能化需求提供坚实底座。人工智能是促 进企业跨