大语言模型 3 4 阿里云引入第五代至强® 可扩展处理器，实现 ECS g8i 算力再升级，为大模型 AI 推理加速添 新解，更易得、更易用、可扩展性强，满足从小模型到超大模型的各类需求。 • 使用处理器内置的 AI 加速引擎 -- 英特尔® AMX 和英特尔® AVX-512，提升并行计算和浮点运算能力； • 受益于第五代至强® 可扩展处理器显著提升的内存带宽和三级缓存共享容量，化解 AI AI 大模型吞吐性能挑战； • 利用第五代至强® 可扩展处理器内置的英特尔® SGX 和英特尔® TDX 安全引擎，实现端到端的数据全流程 保护。 CPU 也能玩转 AI - 为 AI 提速，给安全加码 挑战 解决方案 云服务器升级 解决方案 企业云服务 第五代英特尔® 至强® 可扩展处理器具备更强通用计算和 AI 加速能力 阿里云 ECS g8i 集群可支撑 72B 参数级别的大语言模型分布式推理 AI 推理性能提升高达 2 50% 中小参数模型起建成本降低 3 4 白皮书 | 用友采用第五代英特尔® 至强® 可扩展处理器加速自然语言处理 (NLP) 应用 助力企业服务数智化转型 图 3. 第五代英特尔® 至强® 可扩展处理器具备强大性能 为 AI 加速而生的处理器 以针对工作负载优化的性能实现业务增长和飞跃 以高效节能的计算助力降低成本与碳排放 值得信赖的优质解决方案和安全功能

1 / 35 摘 要 随着 6G 通信网络的快速发展，负责数据转发和处理的核心功能模块用户面面临着多样化服务场景、 超高吞吐量、超低延迟和动态资源调度带来的前所未有的挑战。本白皮书重点介绍了可编程技术支 持的 6G 用户面，系统地探讨了其需求、架构设计和关键技术，旨在为未来的 6G 网络提供灵活、智 能、高效的用户面解决方案。 白皮书首先分析了 6G 移动通信网络对可编程用户平面的核心要求，包括支持多种服务场景（如智 软硬件协同和智能编排能力。本文进一步构建了一个具有协议可定义性和功能可扩展性的分层解耦 架构系统。 关于关键技术，白皮书强调了四个关键方向： 1、在网络计算中：通过将计算能力深度嵌入用户平面，实现了近边缘数据处理和实时响应。 2、 动态协议可编程性：支持按需定制和动态加载协议栈，以满足垂直行业的异构需求。 3、 功能服务化：通过基于微服务的架构将用户平面功能解耦，增强部署灵活性和资源利用率。 4、 路 OpenFlow 将控制面和数据面分离，用户可以通过集中的控制端去控制每个 交换机的行为； 2015–2025 年：通过 P4 编程语言以及可编程 FPGA 或 ASIC 实现数据平面可编程，这样，在包 处理流水线加入一个新协议的支持，开发周期从数年降低到数周； 2020–2030 年：展望未来，网卡、交换机以及协议栈均可编程，整个网络成为一个可编程平台。 在 SDN 的架构中，由控制平面、数据平面

型工作，贯彻新发展理念、立足新 发展阶段，坚持数据驱动业务发展， 持续发挥数据要素价值。 • 面对井喷式增长的数据量及数据应 用需求，当前数据仓库MPP、大 数据平台Hadoop存在数据孤岛、 处理效率低、流转时间长等问题， 难以敏捷高效地支撑业务发展，陕 西农信开展湖仓一体化平台技术预 言及建设工作。 演进路线（一） 结构化数据 贴源 模型 集市 BI 报表 集市 半/半结构化数据 Hudi、DWS MRS实时计算集群 DWS应用集群 MRS批处理集群 支撑高SLA业务查询： Ø高并发 Ø资源独享：物理资源 隔离 Ø高可靠：主备集群容 灾 关键组件：Hbase、 ElasticSearch 、 ClickHouse等组件 查询分析业务： Ø主题数据整合； Ø共性加工层数据处理； Ø面向应用领域的集市 层数据处理； Ø实时数据处理区； Ø系统稳定性高 关键组件： HDFS、Hudi、Spark、HetuEngine、ClickHouse 批加工处理 共性整合 低SLA业务查询，自助分析 聚合层 用数 全域标准化 标准层 贴源层 贴源数据、历史存档 全域入湖 缓冲层 临时缓冲数据 全域入湖 Hadoop技术栈 MPP技术栈 02 项目方案 主要内容：项目建设目标、技术架构、功能架构及数据流 向。 2.1 建设目标

27 4.2 智能化案例：网络云故障智能化处理 28 4.3 智能化案例：移网业务投诉智能化处理 配置，优化网络性能，提升服务质量，从而实现自适 应、自学习与自优化的智能网络。 场 景 围绕价值场景，持续提升端到端自动化智能化能力。 通过数据开放，能力开放，应用大模型及Agent等技 术，实现业务开通，网络变更，故障处理，网络优化 等各种场景的自动化运维运营。 孪 生 全栈数字孪生，通过创建网络的数字副本，实现对 网络状态的实时监 控、故障预测和性能优化，将达 到以虚映实，以虚控实，从而实现网络的可感可视 高精度探测感知和高效数据处理：低空经济的新业务需求推动了通感一体网络的建设。这种网络不仅提供通信服务， 还具备感知能力，以实现3D立体覆盖与感知。基础网络，如基站升级融合通信和感知服务能力，满足无人机高速飞行 和跨基站运行的需求。通感一体网络的建设涉及到大张角，连续波、脉冲波，多小区联合去重，毫米波等技术，这些技 术有助于实现高精度的探测和感知。同时，需要构建网络管理系统，高效、快速地处理无人机飞行数据，实现完整的感

人工智能、大数据技术、系统控制技术和感知技术的不断融合，我们迎来了 6G 技术的新时 代。在 2020 年 11 月的全球 6G 大会上，《ICDT 融合的 6G 网络》白皮书 1.0 正式发布，指 出了 6G 将是一个端到端的信息处理与服务系统，核心功能由简单的信息传递扩展到信息采 集、信息计算与信息应用，为用户提供更强大的通信、计算、感知、智能和安全等多维内生 能力。随着时间的推移，6G 技术不断演进。在 2022 年 3 为 6G 的关键特征 之一，要求网络架构具备智能化决策与自我优化的潜能，以提供更为个性化的服务体验。算 力网络化的趋势也要求 6G 在设计时考虑如何高效整合与分配算力资源，满足日益增长的数 据处理需求。最后，6G 网络还需探索感知通信一体化技术，通过集成环境感知功能，进一 步提升网络的智能感知与响应能力，为智慧城市、自动驾驶等新兴领域奠定坚实的技术基础。 综上所述，6G 网络架构设计需在 2）网络功能层基于基础设施层提供的新计算资源要素，在传统的面向连接的用户面功 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

................................ 12 2.5 AI 开发平台技术 ....................................13 2.5.1 数据处理 .....................................13 2.5.2 训练框架 .....................................14 2.5.2 4 SaaS Software as a Service 软件即服务 5 AI Artificial Intelligence 人工智能 6 DPU Data Processing Unit 数据处理单元 7 COCA Compute On Chip Architecture 片上计算架构 8 OS Operation System 操作系统 9 RDMA Remote Direct Memory 超现有资源池化的调度能力；在网络层面，AI 训练中 TB 级参数同步对时延极为 敏感，传统网络架构难以满足低时延、高吞吐的传输要求；在服务形态上，单一 的 IaaS/PaaS 服务无法全面覆盖数据处理、模型训练、推理部署等 AI 开发全链 路的需求，迫切需要构建适应智能时代的云计算新范式。 1.2 云智算的内涵 云智算是通过算网基础设施与人工智能核心技术深度融合，提供一体化算网 资源、全

MIMO、去蜂窝网络（cell-free）、基于大模型的网络与空口、数 字孪生网络等新技术，在大规模信号处理、大规模网络优化、大模 型训练推理和网络大数据处理等方面，面临巨大的算法与算力挑战， 如图 3 所示，是典型的高算力需求行业。 图 3 移动网络发展面临的算力挑战 在信号处理方面，去蜂窝网络和超大规模 MIMO 面临高维 MIMO 信号处理挑战，包括 MIMO 信号检测、MIMO 信道测量与反 馈、MIMO MIMO 矩阵乘、矩阵奇异值分解、矩 阵求逆等运算，以及信号最大似然检测等寻优问题。一个典型案例 是信号处理中的矩阵乘，例如未来去蜂窝场景 512×8 维度 MIMO 矩 量子计算应用能力指标与评测研究报告（2024 年） 5 阵，经典计算机求解复杂度虽然多项式级增长，但也带来极大处理 时延、资源消耗与功率消耗，相对与目前 5G 基站能耗来说更加不 可持续。 在网络优化方面，传统的网络拓扑优化、路由优化和无线网络 源，达到保障用户优先级、降低干扰，提升吞吐量等关键系统性能 指标。这是典型的组合优化难题，属于非多项式级复杂度（一般为 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

的企业运营成本下降超过 10%。“节流”是企业运营的核心策略 和重要手段。数字化转型可以在多个方面直接或间接降低企业运 营成本：通过实时监控设备状态，人工智能分析预测故障，减少 停机时间和维护成本；自动化设备处理高频重复任务，释放人力， 降低用人成本和失误成本；推动供应链上下游协作，减少信息不 对称和重复环节，降低采购和生产成本等。 对产品不良率的下降进行统计分析，平均下降 31.3%，有 85% —11— 用率，提升整体运营效率。 对订单准时交付率的提升进行统计分析，平均缩短 26.92%， 有 85%的企业订单准时交付率提升超过 10%。订单处理速度、生 产效率及物流协同性，都影响着订单准时交付的能力，可通过： 优化订单管理流程，减少处理环节中的延误和错误，从而加快订 单响应速度；引入先进的生产管理系统，提高生产线的灵活性和 效率，确保订单按时按量完成；加强物流部门的协同作业，优化 —14— 对订单完成周期的缩短进行统计分析，平均缩短 25.63%，有 90%的企业订单完成周期缩短超过 10%。订单完成周期缩短，意 味着有处理更多订单的能力，可以进行以下优化：通过引入先进 的订单管理系统，实现订单信息的快速录入与追踪，有效减少人 工处理时间；优化生产流程，采用自动化和智能化技术提升生产 效率，确保订单能够快速进入生产环节；同时，加强与物流公司 的合作，优化配送路线和频次，缩短产品从生产线到客户手中的

京）科技有限公司、中国信息通信研究院 案例集编写成员： 郭聪、巨江伟、袁为、胡小文、刘婧婧、方晓明、曾祥洪、王 敬、赖俊森 前 言 量子信息技术是量子科技重要组成部分，基于量子力学原理在 提升信息处理速度、保障通信安全、提高测量精度及灵敏度等方面 展现出了令人瞩目的潜力，已成为信息通信技术演进和产业升级的 关注焦点之一。未来，量子信息技术有望在前沿科学、信息通信和 数字经济等诸多领域引发颠覆性技术创新和变革性应用。 算涉及的概念和原理包括叠加态、纠缠态以及量子门等都是相当抽 象且复杂的内容，这就对教师的教学水平和学生的学习能力提出了 较高的要求。 (二) 现状/需求/痛点 当前，主流的教学方法仍是理论讲解，尤其在处理复数和矩阵 概念时，学生们常感到困难重重。因此，如何将抽象的量子理论具 体化、形象化，使学生更直观地理解量子计算，无疑成为了教学工 作面临的重大挑战。这种情况凸显出我们对一种能真实反映量子计 量子算法也是量子计算学习中非常重要的一环，本方案同时也 设计了一系列的典型的量子算法实验课程，如利用 HHL 算法解线性 方程组。科学和工程学中的很多问题都需要解线性方程组。随着科 学和工程的发展进步，解线性方程组所需要处理的数据量越来越大， 对计算机和算法的要求越来越高。HHL 算法就是一个解线性方程组 的量子算法，在一定条件下，该算法比最优的经典算法具有指数加 速，已成为很多量子算法的子程序。本案例实现了 HHL

硬件技术的突飞猛进正成为半导体行业增长的 核心引擎。Broadcom（博通）近期的营收报告 指出了AI（人工智能）芯片市场的关键趋势： XPU（极端处理单元）等定制化硅芯片需求 激增。相较于Nvidia（英伟达）旗下的通用 型GPU（图形处理器），XPU（异构计算处理 单元）专为高算力AI（人工智能）任务设计， 能在与超大规模的定制化软件层协同运行时 显著提升能效。 Broadcom（博通）CEO（首席执行官）Hock 通用型GPU（图形处理器）在基础AI（人工 智能）算力中占据主导地位，定制化芯片则 专注于解决超大规模场景需求。此类技术演 进不仅重塑了AI（人工智能）基础设施格局， 更为电子元器件产业注入了持续的增长动能。 AI（人工智能）硬件引领半导体产业革新 HPC（高性能计算）与服务器预计将在2025年 成为企业计算升级的核心驱动力。GPU（图形 处理器）、CPU（中央处理器）、内存及专用 覆盖从纵向扩展到横向扩展的服务器及传统 CPU（中央处理器）工作负载，这具有重大 战略意义。”AMD（美国超威半导体公司） 董事长兼首席执行官Lisa Su博士在2024年 10月第三季度的营收报告中强调，”CPU（中 企业级AI（人工智能）算力需求推动HPC（高性能计算）与数据中心升级 08 行业展望 央处理器）的AI（人工智能）集成加速将强 化Turin在GPU（图形处理器）配置中作为头 节点的重要地位，这些要素都将成为强劲动