......................................................................................3 3.1.1 支持超大规模组网是基础....................................................................................3 3.1.2 超高稳定性是前提 ............................. 12 5.1 超大规模组网关键技术.................................................................................................. 12 5.1.1 大规模组网交换机：硬件基础，容量速率双升....................... .......................12 5.1.2 大规模组网路由协议：可扩展快速部署，组播能力提供..............................13 5.2 超高稳定性关键技术................................................................................................

5G独立组网的部署目标，但在进入2024年后，全球的发展势头 仍然令人乐观。 在5G领域大规模商用部署缺乏明显的进展并不能说明全部情 况。真正的行动是在幕后展开的：大规模的SA部署继续实现快 速推进，同时最新的5G-Advanced部署也开始取得进展。 仅在过去的一年里，思博伦就与超过50家通信运营商（CSP）、 网络设备制造商（NEM）和超大规模云运营商在5G SA的测试领 域开展了合作，范围涵盖了性能、安全、弹性、生命周期管理及 向第三方开发人员开放网络功能。 5G核心网已准备好应对数百万台轻量化（RedCap）设备， 并确保它们能与传统的智能手机网络共存。 • 6 思博伦5G报告 2025 进展、关键点与未来展望 对大规模漫游场景进行验证，如5G漫游的home-routed及 local breakout设置。 • 对5G核心网支持具有语音、视频及数据功能的关键任务对讲 （MCPTT）服务的能力进行评估，尤其是其在大型群组场景 一新形势的推动力 量来自于人们对最新的移动核心网与特定服务（例如VoNR）进行主动监控的需求。 2024年5G经典案例 5G边缘计算与超大规模云的 性能对比 英国一家大型移动运营商希望在真实场景下测量其5G多 接入边缘计算（MEC）网络与超大规模云解决方案的性 能。公司与思博伦合作，收集多个城市中应用、位置与 网络路径的详细数据，从而深入了解区域及SIM卡级别 的延迟、吞吐量及应用程序性能。这一项目验证了基于

算法的基因组组装方法，相对于其他方案而言， 具有三方面的技术优势。1）结合三代测序技术辅助二代测序技术可 以有效的解决存在基因重复片段的基因组组装问题。2）基于分布式 VQE 算法，可以在 NISQ 时代使用较少的量子资源求解大规模 QUBO 问题。3）基于特定的问题启发式参数化量子线路，可以高效 量子信息技术应用案例集（2024） 16 快速地解决存在基因重复片段的基因组组装问题。 当前，基于分布式 VQE 算法所需的量子比特资源会随着基因组规模呈 指数增长，NISQ 时代的量子计算机往往难以处理实际的基因组组装 问题。为解决这一挑战，我们设计了分布式 VQE 算法，它能够用更 少的量子比特资源来模拟实现大规模的基因组组装，而且不需要这 些规模较小的量子计算机之间存在量子层面的互联。 最后，一个优秀的参数化量子线路需要在保证试探波函数包含 基态的表达能力与尽可能减少参数化量子态搜索空间之间找到平衡。 efficient ansatz，HEA）相比，这种方法在搜索空间上具有指数级的 优势。 (二) 案例的不足与改进考虑 分布式 VQE 算法可以有效地仅使用较少的量子资源模拟计算更 大规模的 QUBO 问题，但是在实际应用中还存在着一些挑战。一方 量子信息技术应用案例集（2024） 20 面，即使采用分布式计算的策略，实际的组装任务仍需要大量的量 子比特，这对近期的量子设备来说是一个巨大的挑战。另一方面，

融合的关键技术章节重点介绍“解决方案”。与 4.0 版本相比，本白皮书的侧重点 有所变化，4.0 版本主要集中在对各项技术面临的研究挑战进行系统梳理，而本版则更加关 注这些挑战的解决方案及其最新进展。本章节特别聚焦于超大规模 MIMO、通感一体化、 AI 与通信融合、语义通信以及量子计算等领域的关键技术突破。针对上一版本中提出的问 题，本白皮书通过深入分析每个技术领域的最新进展，结合仿真数据和原型测试结果，系统 ...........................11 2.1 超大规模 MIMO 技术...................................................................................................11 2.1.1 集中式超大规模 MIMO................................ ICDT 融合的关键技术 2.1 超大规模 MIMO 技术 2.1.1 集中式超大规模 MIMO 2.1.1.1 低复杂度信号处理 相对于传统的大规模 MIMO 系统，6G 集中式超大规模 MIMO 系统的天线阵列规模更 大。集中式超大规模 MIMO 系统信号处理所涉及的大量的矩阵求逆等运算的计算复杂度随 天线阵列规模的增大呈指数级增长。 为降低集中式超大规模 MIMO 系统的信号处理的复杂度，一种有效的方式是将高维度

从市场发展来看，中国液冷数据中心市场规模持续增长。据统计，截至 2024 年，中国液冷数据中心市场规模已突破 150 亿元大关，年均增长率维持 在 35%以上。与此同时，液冷技术的标准化进程加速推进，相关组件的成本显 著下降，为大规模商业化部署奠定了坚实基础。值得关注的是，在算力需求持 续增长的同时，芯片技术的快速发展带来了新的散热挑战：现代 CPU 和 GPU 2 的热设计功耗（TDP）不断提升，传统风冷数据中心在应对高密度、高功耗计 练 和推理集群的巨大需求。千卡乃至万卡规模的集群建设，不仅推动了大规模数据中心的建设 热潮，同时也催生了对高速互联技术的迫切需求。与云计算基础设施中常见的 25GE、100GE 互联需求相比，AI 集群对 200G、400G 端口的密度需求提升了 8 至 10 倍。为有效降低 集群互联成本，高密化液冷部署已成为新建大规模智算中心的首选技术方案。基础电信运营 6 7 第二章 产业关键技术与创新动态 2.1 液冷散热技术 随着人工智能对算力需求的高速增长，大模型的快速迭代加速了更先进的算力芯片模组、 更高带宽的大容量显存和内存、更大规模的高速互联网络的部署，数据中心呈现更高的单体 算力性能、更高的算力部署密度。作为算力承载的芯片模组，单芯片功率突破 1000W+， 单机柜部署功率密度更是突破 100kW+，传统风冷已经无法满足快速增长的散热需求。

集约高效：随着人工智能对算力需求的高速增长，更高的单体算力性能、更高的算力部署密度和更大的 算力集群规模成为新型数据中心的显著特征。大模型的快速迭代加速了更先进的算力芯片模组、更高带宽的大容 量显存和内存、更大规模的高速互连网络的部署，推动了大规模、高密度、高效协同的算力集群部署和发展。 3）智能运维：随着数据中心规模的扩展，智能化运维成为必然路径。依托智能监控设备、自动化管理软件 的普遍部署和应用，实现对数据中心设备 伙伴 计划，加快推动海淀区、朝阳区建设北京人工智能公共算力中心、北京数 字经济算力中心，形成规模化先进算力供给能力，支撑千亿级参数量的大 型语言模型、大型视觉模型、多模态大模型、科学计算大模型、大规模精 细神经网络模拟仿真模型、脑启发神经网络等研发。（2023年8月） 上海市 《上海市进一步推进新型基础设 施建设行动方案（2023-2026年）》 加快建成支撑人工智能大模型和区块链创新应用的高性能算力和高 国际化程度，为加快新产业高质量发展、建设现代化产业体系 提供坚实的技术支撑。 因此，强化标准引领，有助于推动绿色低碳、集约高效和智能化的新技术产业化进展，从而推动算力基础设 施创新产品形态大规模部署，进而促进全产业链绿色低碳发展，助力双碳目标实现成为趋势和必然。 第 10 页, 共 63 页

图 5 量子计算应用能力评测一般性方法 ............................................. 27 表 目 录 表 1 大规模无线网络覆盖优化问题 ..................................................... 7 表 2 无线网络中多用户调度问题 ............ ， 且当前处于含噪声中等规模量子计算机（NISQ）阶段，真实计算能 力边界难以确定。 当前量子计算产业正在扩展量子比特规模和攻关量子比特纠错， 一方面关注 NISQ 实用化，另一方面向着大规模通用容错量子计算 机（FTQC）推进。我们相信量子计算能力在提升，但我们希望有 一个方法能够研判出真实计算问题算力需求与真实量子计算能力之 间的差距，以及面向未来能够帮忙寻求消除差距的解决方案。 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

云 原生等技术实现了资源池化和弹性扩展能力，有效支撑了各行各业数字化转型。 随着千亿参数大模型等 AI 技术的迅猛发展，传统云服务体系面临严峻挑战，云 计算进入深水区：在算力方面，十万卡级超大规模 GPU 集群的异构算力需求已远 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 OISA 协议通过全向连接拓扑架构，构建支持大规模 GPU 卡级 互联的通信体系，包含统一报文格式设计、多语义融合、多层次流控与重传机制， 11 集合通信加速算法优化等多项创新技术。协议在数据层采用智能流量感知标签技 术支持链路状态实时监测能力，在物理层支持轻量级纠错能力，通过 IP 嵌入方 式贯通 GPU 与交换芯片，形成端到端的高速通信通道，为大规模集群提供百纳秒 级时延与无损传输能力。2024 OIO（Optical I/O）光电融合架构创新，采 用光电共封装技术突破传统电互连的带宽密度与传输距离限制，推动材料接口与 封装规范的标准化进程，为 TB/s 级带宽、百 ns 级时延的点对点超大规模智算集 群互联奠定基础。 2.3.2 机间互联 AI 大模型以 GPU 集群分布式训练为基础，网络成为影响算力的关键因素。 现有 InfiniBand 和 RoCE 技术存在各自问题，均不满足未来机间互联技术演进，

为电子元件市场的核心增长引擎。尽管传统 半导体市场复苏节奏分化，但整体趋势均指 向AI（人工智能）的持续扩张与传统市场的 渐进修复并行。 此外，消费电子行业的调整释放出关键信号： 个人计算与移动设备板块正步入大规模升级 上市企业在当前高压环境中面临争夺市场份 额的严峻考验。为避免亏损，IC（集成电路） 制造商正效仿内存供应商2024年的策略， 要求客户提交需求预测以锁定产能配额。 若缺乏需求预测支撑，制造商可能被迫削减 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 Tan预测该领域将迎来爆发式增长，2027年 的AI（人工智能）及AI（人工智能）网络相关 营收预计将从当前的150至200亿美元跃升 至600至900亿美元。亚马逊AWS、谷歌 云与微软Azure等超大规模云服务商正与 Broadcom（博通）联合开发AI（人工智能） 点击此处下载 这一趋势虽预示着专用芯片市场扩容，但业 界专家普遍认为其互补性作用远大于替代性： 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

郑州煤矿机械 中国郑州 新增端到端灯塔 工厂 最新灯塔工厂的经验教训：技术、人才与可持续发展是实现 - 6 - 卓越绩效的关键因素。灯塔工厂的共性是都遵循一套共同的准则， 即致力于可持续且可大规模推广的数字化转型。在技术方面。当 前，数字创新企业面临的核心挑战已从“试点困境”转向“规模 瓶颈”——成功试点难以转化为可持续的规模化应用。灯塔工厂 通过本地化投入（优化流程、培养能力、按需部署场景），并整 目。灯 塔工厂还会在提升技术能力的同时，培养员工领导能力，61%的 灯塔工厂将转型办公室（TO）列为推动其转型的前两大助力因素 之一。而后，全球灯塔网络内的领导层会分享经验教训，并加速 扩大规模。灯塔工厂在人员能力方面进行投入，既将其视为绩效 转型的一个投入要素，也将其作为绩效转型的一个成果。 在可持续性方面。数字化转型驱动可持续发展，助力循环经 济与脱碳创新，带来供应链韧性增强（库存减少 程优化与规模化投入（普通企业仅 1-2 倍）。其核心策略为：预 防流程债务、夯实人/流程/技术能力、资产化推广（如模块化工 具）、本地化适配方案，确保技术实效落地（见图 4）。 - 9 - 图 4：灯塔工厂实施和保持大规模影响的方法 预防“流程债务” 在整个工厂范围内要进行哪些流程 变革并采用哪些解决方案？ - 了解“流程债务” - 优化信息流 - 设计数据流以支持人员和物料 投资自身能力 需要哪些人将数字化带到一线？