...................................... 20 2.7.1 资源编排调度 ................................ 20 2.7.2 任务式编排调度 .............................. 21 2.7.3 智能体编排调度 .............................. 22 2.8 安全可信 训练并行优化 模型规模突破万亿参数，引发动态负载失衡、多节点显存分配不均衡等问题。 通过建立自动搜索系统实现不同节点规模的最优参数组合。通过动态分析计算图 中的算子特征与硬件资源约束，智能分配计算与通信任务，提升万卡级训练算力 利用率（MFU）。 面向近期，实现并行策略自动搜索系统。通过解析大模型网络结构并建立算 子级统计指标库，结合专家经验与多目标优化算法，量化评估集群的显存占用与 通信效率 通信效率，输出兼顾资源利用率与训练速度的并行配置方案，最终在超万卡集群 中实现模型训练 MFU 超 50%。 面向中远期，研发算子级自动并行框架，动态分析计算图中的算子特征与硬 件资源约束，智能分配计算与通信任务，从而在超万卡规模的集群中实现模型训 练的 MFU 突破 60%。 2.5.2.2 低精度训练 低精度训练可以显著加速大模型训练性能，但梯度溢出问题严重制约模型收 敛稳定性。针对上述问题，通

应用能力三要素的关系，系统性考虑如下技术与工程问题： 一是给定计算场景、计算任务和计算问题，是否存在量子算法， 且相对经典算法有优势？优势包括计算速度、计算精度、计算规模、 计算能效等。 二是给定量子算法，当前量子计算机能否稳定运行并给出准确 或近似结果？如何运用量子编译、误差缓解等多种增强手段？ 三是本地部署时，计算任务所处环境与量子计算机运行环境能 否匹配？是否有尺寸、能耗、移动性、温湿度等物理条件约束？ 指数级），求解最优解将超越经典计算能力。 在人工智能方面，虽然机器学习的引入为移动网络数据处理与 智能化提供了新的解决方案，但大模型的训练与推理成为移动网络 新的算力需求来源。网络智能化任务主要涉及网络状态的预测、异 常检测和网络优化决策等。广义的网络状态预测包括网络流量预测、 用户行为预测、网络性能预测、无线信道状态预测、设备状态预测 量子计算应用能力指标与评测研究报告（2024 据中心、智算中心或超算中心。因此对于大规模网络优化、网络流 量预测等非实时计算任务，可以考虑量超融合环境，这里具有良好 的量子计算机部署环境。对于多用户调度等准实时计算任务，如果 采用量子计算机，则需要考虑与边缘云部署环境兼容，支持一定的 远程访问能力。对于基站级（小区级）的信号处理与资源分配，属 于实时性计算任务，如果采用量子计算机，则需要考虑与基站机房 （BBU 资源池环境）的环境兼容。因为机房面积与空间小，需要设

能和控制面功能基础上进行增强，面向通算一体服务提供计算的执行功能和计算的控制功能。 计算执行功能主要负责计算数据的处理，例如：AI 模型的推理、感知计算等；计算控制功 能主要实现对无线算力的感知、计算任务需求的感知、通信和计算的资源的联合调度和实时 控制以及通信计算 QoS 的监控闭环保障。 3）管理编排层在传统的无线接入网的运维和管理功能基础上，新增无线计算资源编排 管理、通信和计算联合管理 日，在电子学会主办的首届近场通信理论与应用论坛上，发布了 6G 近场技术研究与标准化倡议。 (6) 2025 年 2 月 25 日，清华大学与中兴通讯联合推动在 IMT2030（6G）推进组无线技 术组成立“进场通信任务组”。 2.2 通感互助 2.2.1 通信赋能感知 2.2.1.1 协作多节点的多维信息融合处理 单节点感知存在性能随机性波动大的问题，导致感知鲁棒性较差。感知随机性包括随机 信道状态与随机测量误差，前者包括目标运动引起的随机 端边云协作的通算智管控 为了满足多样化 AI 任务的需求，采用端边云协作的 AI 服务编排与实时精准的通算智 资源控制技术。这种技术能够根据业务的实际需求、响应的实时性要求以及算力的可获得性 等因素，灵活地按需提供高质量、低成本、低能耗的 AI 服务。根据模型的规模和层次，将 AI 模型分层部署在云、边、端设备上。云端部署大型模型，如万亿级参数模型，以处理大 规模数据和复杂任务；边端部署中型模型，如千亿级参数模型，以提供较低延迟的服务；终

.......................................................................................... 34 6.4 任务式传输及配额调度........................................................................................... 亿，预计未来GPT-5将达到十万亿参数规模，迅速膨胀的AI模型需要更大规模的算力集群执 行训练。AI大模型以GPU集群分布式训练为基础，根据阿姆达定律，串行占比决定并行效 率上限，网络成为影响算力的重要因素。AI训练任务的高精度并行协同特性以及超大集群互 联吞吐量对网络性能提出了数量级的提升需求。AI大模型训练的时间往往长达数月，也使得 网络的长稳运行变得前所有未有的重要。从网络流量模型来看，AI大模型训练流量与通算流 Telemetry 带内网络遥测 IOAM In situ Operations, Administration, and Maintenance 带内 OAM JCT job completion time 任务完成时间 KDF Key Derivation Function 密钥派生函数 MOD Mirror On Drop 丢包镜像 中兴通讯版权所有未经许可不得扩散 3 MTU Maximum Transmission

1 创新的价值 1958 1966 1974 1988 1991 1996 2024 5.3 5.1 罗兰贝格 | 20 资料来源 ： 斯宾塞任务研究所 ； 罗兰贝格 我们都知道的一个例子 ： 互联网的发明 前沿技术 手指触摸图形 自动生成说明 的价值 创新 一个人的头部轮廓 自动生成说明 Science 真实世界 用例 边疆 2033 年 10 万个量子比特 ， 展示了一个异常 快速扩展 在这项 技术中 · 然而 ， 可能有一些 关于假定应用程序的限制。 尚不清楚 计算机是否具有较低的 量子位将有助于结束 用户或可以在优化任务中创造优势 • 此外 ， 可能有 关于影响的限制 量子计算在机器学习、优化或密码学 中的应用 5.2 前沿技术 技术与创新 1) 格罗弗的搜索算法可以将无结构搜索问题的速度 quadratic 技术 组合 预计主要由以下人员执行的工作任务 的份额 人类 ， 通过技术 ， 或通过 2025 年和 2030 年两者的结合 [%] 预计工作任务份额最高和最低的行业 主要由 人类 ， 2025 年和 2030 年 [%] • The proportion of 仅由人类执行的工作任务预计将 减少 从今天的 47% 到 2030 年的 33% ， 而 任务 由技术执行预计将增长 从 22% 到 34%

城市赋能，是主动适应经济社会发展， 顺应城市发展趋势，探索城市创新治理手段的重要举措和可行路径。根据斯坦福大学《2025年人工 智能指数报告》，越来越多的研究证实了AI对生产力的积极影响，在特定任务上AI已经能与人类专 业知识相匹配，同时具有更高的效率。根据Gartner的预测，到2028年，AI技术将自动化至少15%的 日常决策，大幅提升企业生产力，降低运营成本。通过AI技术与城市数字孪生场景结合，以时空为 的快速发展已成为推动全球科技变革的核心引擎，其意义远超硬件迭代本身，深刻重构了算力供给模式、产业竞争格 局与社会智能化进程。 语言大模型技术不断取得新突破 在大数据、大算力加持下，大模型逐渐实现从单任务智能到可扩展、多任务智能的跨越。据国际知名人工智能 研究机构OpenAI的最新研究显示，全球大模型能力在2024年实现了质的阶跃式提升。语言大模型在多个关键维度持 续进化，上下文窗口长度不断扩展，知识密度 Agent成为人机交互和产业应用的关键载体 AI Agent依托大模型在感知、认知、推理等方面的优势能力，结合智能体工具调用、智能体工作流、智能体人机 交互等方式，可以更好实现意图理解、任务分解、任务规划并完成具体任务，有效解决了大模型“有脑无手”的问 题。随着行业对AI应用形态的理解逐步深入，未来将诞生更多高智能化、对业务流程理解更深刻的多智能体系统，并 加速在生产生活各场景中落地应用。 2

的大规模应用。因为我们相信，2025 年将是 AI 真正普及的一年。 《技术展望 2025》报告探讨了当 AI 从自动化工具 转变为人类的代理，能够自主采取行动时，未来将呈现 怎样的面貌。AI 将赋予人们执行新任务的能力，或使现 有任务完成得更加出色。我们需要思考，随着 AI 不断普 及、涉足更多的陌生领域，会有哪些创新可能与机遇出现。 为真正了解并充分利用 AI 的潜力 ，企业应当创建符合自 身需求的 AI 认知数字大脑，彻底重塑技术在整个组织中 标准，而今天，人与基于大语言模型（LLM）的客服 机器人和销售智能体对话每天都在打破这一标准。如 今的AI模型已摆脱了过去深度但特定且线性的方法， 展现出前所未有的自主性⸺无论在学习方式、任务 处理、还是最终能力上。这种自主性正在改变工作方 式：从 75% 的知识工作者使用生成式 AI 提升工作效 率，到人机交互方式的革新（如 AI 编程助手和语音 助手），再到机器人、汽车、医疗保健等行业的广泛 模型层：大规模生成式 AI 模型以及经典的机器学习和深度学习模型可以通过关键思考和推理，将数据转化 为可用于决策或行动的结果。 智能体层：智能体旨在解决问题，能够在尽量减少人类干预的情况下处理任务，并随着时间推移不断学习和 成长，还能将规划、复盘、适应能力融入其中。 架构层：有了全面的架构支撑，AI 实验才能转化为企业级解决方案。它会将智能扩展到整个组织和现有的工 作流程中，实现可重复性，确保解决方案能够一次创建多次复用。

责提供面向用户和任务的敏捷边缘服 务，如图 3 中服务化、多维能力、多维数据处理和转发、路径可编程等。在这一层中，边缘节点将 通过集成用户面功能（UPF）等下沉核心网功能以及部分基带处理功能（BBU）来处理来自用户的 实时多维业务数据流。每个边缘节点的资源和能力（如计算、存储、AI 处理）将根据任务需求进行 灵活分配，在边缘节点内实现本地数据卸载、流量分流、业务锚定及任务计算等，结合 AI 网络在算力感知、业务本地化与极致性能上的突 破。 图 4：6G 云网融合架构示意图 这种基于任务为中心的边缘服务，不仅提升了用户体验，还降低了传统网络架构中的延迟和成 本，并有效规避了数据传输中的安全风险。随着网络功能逐步从核心节点向边缘节点转移，边缘节 点将具备更强的 AI 推理能力，能够快速响应用户需求并优化业务流程。通过这种以任务为中心的可 编程用户面架构，6G 网络能够在边缘网络中实现更高效的资源调度与服务提供，支持更加灵活的服 内生机制，构建数据平面与智能平面的双向闭环：通过实时采集空口状态、网络负载及业务特征等 多维数据，运用知识图谱技术构建动态特征数据集，结合分布式的边缘 AI 模型进行实时推理，实现 无线资源调度、计算任务编排、QoS 保障的智能决策。例如，针对 XR 业务的高带宽低时延需求， 用户面可基于 AI 驱动的网络感知预测模型，动态调整分组转发策略与边缘计算节点选择，在 10μs 级时延内完成跨域协作的端到端路径优化。

干预才能完成复杂任务。 具身智能算法数据依赖性强，数据采集标注成本高，且算法泛化能力有限，难以适应多样化场景。 多模态交互视觉语言动作协同尚未成熟，MIT实验完成指令需3.4次试错，交互效率低，影响用户体验。 多模态交互技术不成熟，导致机器人在服务行业如餐厅服务、酒店接待等场景中响应速度慢，服务质量不稳定。 AI大脑与硬件融合存在兼容性稳定性问题，如部分机器人在高强度任务下出现算法与硬件脱节故障，影响任务完成。 节故障，影响任务完成。 AI大脑与硬件融合问题导致机器人在复杂任务执行中出现故障，降低可靠性，影响市场信任度。 具身智能算法能力 多模态交互协同 AI大脑与硬件融合挑战 AI大脑发展 区域分布珠三角伺服系统、长三角AI 算法、京津冀精密制造，产业集聚效 应初显，但协同效率待提升。 区域产业分布不均衡，各地产业配套 不完善，导致产业链上下游企业沟通 协作成本高，影响整体发展效率。

智能体已成为2024年生成式人工智能的核心技术之 一。凭借自主学习、任务执行及多任务协作能力，智能 体为电信运营商的智能化转型提供了全新的路径。通 过部署智能体，运营商能够实现网络管理和优化的高 度自动化，增强网络的自感知与自修复能力，从而显著 降低运维成本并提升网络可靠性。 OpenAI于2024年9月发布的O1模型在复杂推理任务 中表现卓越 ，开启了“慢思考”的大模型新范式，为通 信网 自主决策、学习适应和环境交互等，可以 针对复杂的问题通过感知环境、解析信息，运用算法进行分析，从而制定并执行策略。并且，智能体具备自我优化功 能，随着时间的推移不断改进其性能，以适应多变的环境和任务需求。更重要的是，智能体具有高度的灵活性和目标 导向性，未来对于处理复杂问题还是还是与进行无缝互动，智能体都会表现得更加高效和有效。 我们正在进入AI重构Everything的时代，大模型驱动智 实现了业务流程 的全面自动化。这种协同机制的核心在于其快速响应和自我优化的能力。当业务需求出现变化时，各个智能体能够立 即调整策略，通过实时学习和决策，共同完成任务并推动业务流程向前发展。它们能够自动识别问题、分析数据、执行 任务，并在过程中进行持续反馈和迭代，形成一个端到端的闭环过程。多智能体群智协同不仅简化了业务管理，还提升 了企业的竞争力和创新力，成为驱动现代商业运营向智能化、高效化转型的重要驱动力。