用户的多用户同频调度，核心在于如何在众多用户之间分配同频资 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 用户 问题模型 加权最大独立集 求解目标 最大化权重值（最大化高权值用户接入率） 算力 需求 计算规模 中等 计算速度 准实时，要求一般 计算精度 要求高，最优解或近似最优解 量子算法 QAOA 分布式 QAOA 线路宽度需求 40 量子比特 16 量子比特 线路深度需求 30 层及以上 10 层及以上 保真度 超过纠错平衡点门限 择。包含任务交付到计算输出时长、量子态制备到量子态测量时长、 算法时间复杂度、每秒线路层操作数(CLOPS)等不同层级定义。 2）计算精度：量子算法对给定问题的解的近似程度，近似程度 表示算法解与最优解的接近程度，考虑量子计算机数值表征能力。 3）计算规模：量子计算机支持的问题规模。问题规模通常与物 量子计算应用能力指标与评测研究报告（2024 年） 15 理比特规模和线路深

，加速产业 智能化向超大规模、超复杂场景持续突破。 2.5.2.1 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 流水线并行、异构数据并行等非均匀并行技术。拉通异构芯片间的集合通信机制， 实现双芯异厂家 GPU 通过 CPU 绕转和 GPU 间直接通信等两种模式的跨机通信。 面向中远期，实现异构集群的最优并行策略推荐，对异构集群存在的多种复 16 杂混合并行策略进行建模，得出最优非均匀切分并行策略，辅助降低异构集群的 并行策略人工调优成本｡进行异构集合通信库设计，具备异构通信组的统一管理、 异构拓扑感知及异构集合通信原语定义的能力，实现多芯的异厂家跨机通信。升 面向近期，构建动态路由与任务解耦框架。研究多模型能力量化评估技术（如 领域覆盖度、推理置信度、资源消耗比），设计轻量级路由决策模块，基于输入 特征（如任务复杂度、数据模态、实时性需求）动态分配子任务至最优模型。 面向中远期，设计分布式信用分配体系，通过 Shapley 值量化各模型贡献度， 优化资源调度策略，实现模型和智能体深度融合。 2.7 算网大脑 算网大脑在多要素融合的一体化资源编排调度和运营支撑能力的基础上，对

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 算法在两比 特系统中的一个简化版本（Scientific Reports 4，6115 (2014)），其实 验原理设计如图 eigensolver，VQE）： VQE 是一种经典-量子混合算法，如图 8 所示。VQE 算法主要应用 量子信息技术应用案例集（2024） 15 于估计化学分子的基态能量、组合优化问题的最优解等，被视为在 NISQ 时代最有希望实现的量子算法之一。 图 8 VQE 算法的流程示意图 分布式计算：分布式计算是将一个需要巨大计算能力才能解决 的问题拆分成多个小的问题，然后将这些小的问题分配给多个计算 的分布式 VQE 算法已经解决具有基因重复片段的基因组组装问题， 并计算了多个小规模的基因组组装模型，具有良好的可扩展性。随 着问题规模的增长，其 R99（需要运行多少次实验才能以 99%的概 率找到最优解）指标呈线性增长。其结果如图 11 所示。 图 11 基于分布式 VQE 的基因组组装方法的性能测试结果 根据基因组组装问题的限制条件设计问题启发式参数化量子线 路，将参数化量子态

络基础设施，基于XR、AI技术提供沉浸式服务。 自动化感知和分析能力 利用AI和大数据分析技术，运营商可以实现云、网、算 的状态实时监控和智能化优化。例如，通过网络切片技 术，针对不同流量场景进行动态调度，确保资源的最优 分配。同时，结合AI监控工具实时分析网络流量变化， 自动检测网络瓶颈并进行优化调整，保障用户SLA，进 一步提升用户体验。 设计新的商业模式 针对高价值客户和场景，提升运营商收入，加速商业 映实、以虚控实，结合智能决策系统，最终实现网络的自适应和自优 化能力，确保高效、灵活、精准的网络管理和运营。 多目标协同优化：通过设定多个优化目标，协调各个目标和指标之间的协调性，确保在实现局部最优的同时，整体提升 全局性能。通过智能算法和精细化建模，在不同的优化目标（如网络容量、延迟、能效等）之间找到平衡点，避免局部 优化导致全局性能下降，有效解决复杂网络中资源配置、负载均衡等问题，确保各个子系统在协同运行时都能达到最 的稳定性和个性化需求的满足。在这样一个竞争激烈的市场环境下，面对日益复杂的网络架构与多元化的业务需求， 运营商们面临着前所未有的挑战：如何在控制成本的同时，向用户提供卓越的客户投诉处理服务，确保用户的网络体 验始终保持在最优状态。 案例成效 在国内某运营商，部署CIIA产品，应用日志大模型的故障监控诊断能力，提升现场故障处理自动化率，降低对专家的 要求，大大节省工作量，将交换机故障识别和诊断过程从140分钟以上，降低到20分钟以内。

差互易性误 差校准等。采用先进的信号处理算法可以提升分布式 MIMO 传输性能。如对更多的网络节 点、节点的传输方式、无线资源分配等联合进行优化，以获得最优调度策略。根据全部或部 分信道信息、上下行 duality、或其它优化目标进行最优预编码设计。对资源分配和信号处 理进行联合设计，如预编码和功率联合优化、导频分配和信道估计联合优化等，以更逼近系 统理论性能上限。 2.1.2.2 时频同步 信道估 计并减少导频开销的方法已引起广泛关注。基于 DL 的方法可分为两类：数据驱动型和模型 驱动型。 (2) 波束训练 波束训练的目标是在预设计的码本内执行波束搜索，以确定与用户信道最佳对齐的最优 码字。在传统的远场波束训练中，仅需进行角域波束搜索。然而，近场波束训练必须同时考 虑角度域和距离域，这导致采用传统穷举波束搜索时会产生显著的时间开销。因此，低开销 的近场波束训练方案至关重要 链路，导致获取 CSI 的复杂度显著增加。为解决这一挑战，研究人员引入了基于码本设计和波束训练的波束 成形方案。在这些方案中，使用预定义的码本码字进行波束训练，并选择为用户提供最高接 收功率的最优码字进行波束成形。鉴于传统小规模天线阵列的覆盖范围主要涵盖远场，码本 基于远场信道模型进行设计。然而，随着天线孔径的增加，近场区域也随之扩展。由于这两 个区域的电磁波传播特性不同，传统的远场和近场码本不再适用于这种混合近远场场景。为

.........34 （一）AIIaaS 夯实云计算技术底座，持续提升智能软硬件效能...................35 （二）AIPaaS 聚焦智算服务开发能力，成为 AI 工程化实践最优解........... 38 （三）MaaS 定义云上服务新范式，赋能 AI 创新与效率提升...................... 41 （四）AISaaS 推动 AI 应用落地实践，加速企业数字化转型进程 生技术以微服务架构、容器化、持续交付等核心要素重新定义应用 程序的构建、部署和管理方式，云原生应用的资源颗粒度更为精细， 云成本治理能够对每一个应用组件的资源消耗进行精确计量，实现 资源利用的最优化。例如，谷歌云依托 Kubernetes Service 提供高度 灵活的资源管理、自动扩展和成本分析工具，使企业在云环境中实 现资源的快速部署、智能监控和成本优化；阿里云借助容器服务和 专 拟 GPU，供不同的虚拟机使用；火山引擎具备容器共享功能，实现 GPU 算力与显存的灵活切分与隔离，提升 GPU 的使用率。 （二）AIPaaS 聚焦智算服务开发能力，成为 AI 工程 化实践最优解 随着大模型技术的火热以及云计算技术的发展，打造智能算力、 通用算法和开发平台一体化的新型智能云工程平台成为云服务商竞 相发力的方向。智能云工程平台在传统的云服务基础上融合智算资 源，更加

外增加10%左右的的集群总功耗。供电和散热面临着巨大的挑战。 超大规模AI加速器集群、超大规模超高带宽超低时延的互连网络、大幅提升的AI加速器单卡功耗，多重极限 需求加持下，液冷AI整机柜服务器形态成为最优解决方案。以Nvidia NVL72液冷整机柜服务器为例，在单一机柜 内集成了36 个 GB200 超级芯片（36 个 Grace 中央处理器和 72 个 Blackwell 图形处理器）和 9 个 高能效、更高可靠性的技术方向上得到了长足的发展： 1） 更高智能化：智能化监控和管理，对于提升液冷系统的日常工作和运维效率具有重要作用。目前 CDU 管理系统中普遍集成了智能算法对工作状态和环境数据进行智能分析，并下发最优调节策略，确保液冷系统始终 处于最佳的工作状态。CDU 智能控制系统还可以与数据中心的整体管理系统进行集成，实现远程监控和管理。 2） 更高的集成度：用户集约化部署需求，推动 CDU 系统中集 Attach Cable）为 典型代表的标准接口网络互连方案与系统厂商、核心供应商、头部用户自定义的盲插网络背板互连方案并存演进， 以适应迥异的应用场景和业务需求。 标准接口网络互连方案在具有最优的兼容性、可供应性和最广泛的用户接受度，在绝大多数业务场景下， 仍然是用户的首选方案。头部互联网用户的通用算力设备，I/O数量往往已经极为精简，在高密部署时不会像AI 加速算力集群那样存在巨大的

据分析、 人工智能等技术集成，为用户提供更加智能化的数据管理和分析服务。 3.2.3 多要素编排 多要素编排是在复杂系统或网络环境中，对多种异构资源和能力要素进 行统一调度和管理，以实现资源最优配置和业务高效运行。它整合计算、存 储、网络、安全等资源，通过智能化调度算法和自动化工作流，使系统根据 实时需求动态调整资源分配。多要素编排的实现依赖于集中的编排系统，具 备异构资源集中管控、原子化能力封装、灵活编排策略和开放 体的 知识共享和协同决策。通过联邦学习等技术，联盟智能体可以在不泄露各主 体数据隐私的前提下，汇聚各方的知识和信息，形成更加全面和准确的决策 依据。然后，通过协同决策算法，联盟智能体可以制定出最优的行动方案， 并协调各方资源进行执行。 19 / 25 联盟智能体的应用场景非常广泛，除了智能交通领域，还可以应用于智 能制造、智慧医疗、智能金融等多个领域。在智能制造中，联盟智能体可以

部分客户已针对HDD（机械硬盘）、SSD（固态 硬盘）及存储产品启动预防性库存建设，以对 冲关税升级的冲击。 2025年，企业决策层需制定关键应对方案， 在保障自身经营的连续性与应对市场冲击之 间寻求最优解。 14 2025制胜战略框架 2025制胜战略框架 面对复杂的市场动态，电子行业需以韧性战略构筑竞争优势。在以下战略中，敏捷响应、 协同创新与质量优先，将成为破局关键。 通过多元化布局与柔性管理化解风险

V2X技术：为车辆提供全天候的环境感知 能力，对车辆自身的环境感知能力进行了 补充，能应对更加复杂的道路交通环境 5G和车联网技术  作为矿山实现完全无人驾驶的关键系统， 起到云端感知、最优路径规划、全局及局 部车流规划、对突发情况进行预警等功能  目前行业内公司单个矿山实际运行车辆不 多，很多场景对云端调度系统的需求还不 够明显。随着车辆数量增加，云端调度系 统作为核心系统，将越来越重要 正，及时调整重介分选密度。寻找最佳经济效益临界值。采用自适应控制、模式识别、人工 智能、神经网络等现代控制算法实现重介过程的自动控制。通过原煤的煤质、分选密度、精 煤产量、精煤灰分等大数据的分析，得到最优化的分选效果和控制方式。 三、选煤厂业务流程数字化信息化实现生产指挥和经营管理 构建选煤厂大数据平台，将PLC、传感器、MES、EＲP等系统统一接入到大数据平台，打破 信息孤岛，通过数据治理， 导致，我们针对前面问题进行分析： • 堵车问题——双方向的司机都没有及时掌握对方的位置信息。 • 调度繁琐——车辆、司机资源及用车需求没有得到良好匹配。 • 车辆效率问题——车辆工作任务未得到最优安排。 • 辅助运输安全事故——司机和周边作业人员都相互没有感知到对方。 我们借助传统出租车行业的数字化转型经验来看，在“滴滴”等互联网APP应用出现前， “乘客傻傻的等，出租车漫无目的跑”这类问题和煤矿胶轮车调度场景高度类似。