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？ 图 1 量子计算应用能力三要素 回答上述问题，需要明确：1）计算问题的真实需求边界；2） 量子计算应用能力指标与评测研究报告（2024 年） 2 量子计算机的真实计 分别给出投资组合优化与信用评级两个场景算力需求。 表 4 投资组合优化 问题建模 问题类型 组合优化 数据规模 业务场景中通常在 50 个到 100 个资产 中进行投资选择。 问题模型 含约束的组合优化问题 计算目标 各个资产的投资比例 量子计算应用能力指标与评测研究报告（2024 年） 12 计算指标 小数点后两位 求解时长 非实时 算力需求 量子算法 注：每个特征至少需要一个量子比特编码，因此对于 N 个特征，至 少需要 N 个量子比特 量子计算应用能力指标与评测研究报告（2024 年） 13 对于特征选取算法，线路深度与模型基数约束条件相关。若无基数 约束，深度与量子比特数无关，每层 QAOA 深度预计上百，按 10 层线路算，预估上千。 3. 部署需求 根据计算任务区域条件，明确部署需求，例如，部署在超算/智 算/大数据中心

到的数据 构造德布鲁因（de Bruijn）图，并引入三代测序技术得到的数据来 确定重复基因片段的位置，构造目标函数。最后根据从头组装算法 需要满足组装路径是连续的单路径作为约束条件，并结合目标函数 构造无约束的损失函数。 使用分布式 VQE 算法进行求解，是基于传统 VQE 算法，使用 分布式计算的方式，将大的 QUBO 问题分成多个小的 QUBO 问题， 并生成多个比特数较少的参数化量子态构成传统 17 些纠缠较少的问题，但并不是完全通用的算法。 图 9 基于分布式 VQE 算法的基因组组装流程示意图 根据问题设计问题启发式参数化量子线路，则是在基因组组装 问题中，根据约束条件，二进制变量映射成量子态后，量子态中至 多只有一个“１”。因此可以通过图 10 的参数化量子线路生成仅含可 行解的参数化量子态。 （a） （b） 图 10 基因组组装问题的参数化量子线路示意图 这一算法采用了 4 项关键技术：网络拓扑的约束化表示、变 量二值编码协议、增广拉格朗日迭代和 Rosenberg 降次。“网络拓扑 的约束化表示”通过把神经元连接和激活函数表示为约束条件，将 QNN 训练表述为二次约束二进制优化（QCBO）问题，其中所有变 量都根据“变量二值编码协议”使用二进制位进行编码。“增广拉格朗 日迭代”和“Rosenberg 降次”共同消除约束条件并将高阶损失函数简 化为二次损失函数，使得

有模型、无模型 数据处理算法 语音识别、图形识别、视频识别 预测算法 迁移学习、神经网络、支持向量机、深度学习、回归分析、指数平滑 决策算法 目标（经济最优、社会效益最优、发电量最优） 约束（系统规模边界、系统安稳边界） 寻优方法（商业求解器、粒子群、遗传、集群协同、博弈） 规划决策（二次规划、随机规划、鲁棒规划） 运行决策（日前、日内） 控制策略（投切） 思考（算法） 信息输出 ） 调峰 6:00-7:00 50 堵塞 6:15-7:00 20 调频 13:15-13:30 80 综合能源系统日前运行调度曲线 综合能源系统日内运行调度曲线 博弈是在一定约束条件下，博弈各 方基于所掌握的信息，不断调整博弈 策略来最大化自身收益的过程。博弈 具备三大基本要素：局中人（ N ）、 博弈策略（ {Si} i ∈N ）、收益函数 （ {pi} i ∈N ）。在一场博弈中，如果

limama-recommendation-system-upgrade.html 更复杂的模型结构和更丰富的 组合特征，不断提升对硬件基 础设施的算力需求 在有限的算力资源和严格的时 延约束下，充分发挥硬件效能， 持续提供强劲算力和 AI 加速 1.52 倍 基于第五代至强® 可扩展处理器的广告推荐模型， 经过英特尔® AMX 和英特尔® AVX-512 优化后，相较上 一代吞吐性能提升达 通过在 VM 内的 TEE 对机密数据进行硬件增强隔离，帮助减少攻击 面并降低外部实体破坏、篡改或窃取数据的风险； 简化监管合规 英特尔® TDX、英特尔® SGX 等可以帮助受严格的数据隐私法规约束 的组织通过加密和安全区来满足合规标准； 在可信环境中 部署 AI 英特尔® TDX 凭借强大的隔离、完整性和保密功能，帮助保护应用程 序、数据和 AI 模型免受未经授权的访问。 简化将现有 集中式多方 示例：多家医院汇集受监管的患者数据， 以进行诊断模型训练 联邦学习 示例：银行合作进行反洗钱，但数据太 大且敏感，无法移动 受监管的数据 示例：智慧城市摄像头捕获的受严格数 据处理法规约束的个人身份信息 (PII) √符合规定 加密的 数据存储 人工智能应用场景 29 面向智能视觉云的 GPU 解决方案，支持基于标准的开放式软件堆栈，针对密度和质量进行了优化，具有关键的服务器功能，可实

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 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 用与 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 、智算中心等异构算力 资源及入算、算间网络等多制式网络环境，实时采集多维度数据（包括算力资源 状态、网络拓扑、业务需求及服务质量指标），构建多目标优化模型进行资源编 排调度，生成满足 SLA 约束的最优部署策略。同时基于深度学习模型预测资源负 载趋势，实现秒级重调度迭代和预案推演。最终形成面向算网资源的端到端编排 调度技术方案，具体包含如下方面：  跨域资源统一建模与调度引擎：构建多集群资源统一抽象层，通过算力度量

程动态管控，支持实时存证 和结果追溯；支持不同来源数据资源、产品和服务在可信数据空间的统一发布、 高效查询、跨主体互认，实现跨空间的身份互认、资源共享和服务共用；支持 多主体在可信数据空间规则约束下共同参与数据开发利用，推动数据资源向数 据产品或服务转化，并保障参与各方的合法权益。 第 37 页 4.9.2.典型实践 可信数字空间在实现政务数据安全共享和协同办公方面成效显著。以自然 AI 系统的安全性，防止其被恶意攻击或滥用，是构建可信 AI 的重要 组成部分。这包括数据加密、防止模型窃取、对抗攻击能力等多个方面。通过 不断优化安全技术，可以有效提升系统的可信度。 满足道法约束 AI 的应用还必须符合伦理标准和法律法规的要求。这涉及到隐私保护、歧 视性减少、确保 AI 决策的公平性等方面。建立相应的伦理指导原则和法律框架， 对于提高公众对 AI 技术的信任至关重要。 共建共享。  建立开放的数据平台和技术底座，支持跨部门、跨行业、跨区域的数 据共享和交流。 5. 加强伦理治理和道德约束  建立数字可信生态的伦理规范和道德准则，提升数字可信生态的道德 水平和公信力。 第 48 页  加强对数字可信技术的伦理审查和道德约束，确保技术的合法合规使 用。  推动数字可信生态的伦理治理和道德建设，提升数字可信生态的社会 认可度和影响力。 6

BD-RIS 的调控矩阵： ��� = ������ ��������� = ��� BD-RIS 的控制矩阵满足如上的数学约束，即其控制矩阵为复数对称酉矩，上面第一个 式子的对称性来源于传输线理论的约束，第二个式子即限定了其无源且无损的特性。通过以 上的约束可以得到，该控制矩阵可以是满的，即可以是 beyond diagonal。由于 BD-RIS 具备 着相较于传统各类 RIS 更 一化比例+带宽占用权重*归 一化比例 AI 资源指的是网络 AI 四要素资源：数据、连接、算力、算法。AI 资源是提供网络服 务的基础底座，AI 任务只有最终分配到所需资源要素，并通过资源层面的 QoS 约束，才能 保障 AI 任务完成。AI 资源要素是有限的，每一类 AI 资源对性能指标的侧重点不同。 AI 数据性能指标刻画 AI 服务的数据质量，定义为以下 3 类，其定义和参考计算公式如 下表所示： 的设计，即低密度奇偶校验（Low density parity check，LDPC）编码。LDPC 在短码长下，迭代置信度传播译码性能存在较大损失。6G 新 型多址信道编码也是其重要研究内容，大约束长度的咬尾卷积码，不规则重复累积码 (Irregular repeat-accumulate)，空间耦合 LDPC、多元 LDPC 以及 Polar 码都是可能的编码方 式。LDPC 短码的近似

支撑 业务 主题 / 画像 / 指标 的访 问查 询检 索 离线 迁移 第三 方 工具 离线 迁移 实时 接入 实时 接入 第三 方 工具 数据规范 数据模型，约束规则 数据质量 质量规则、质量报告 数据开发 Pipeline 开发、调度 数据流 分析 应用 高效探索能力 全局治理能力 快速开发能力 敏捷可视能力 自助分析能力 数据流 数据开放

。从设备形态上看，网卡、网 络转发节点均属特别设计的专用组件和设备。从协议和信令上看，自物理层、链路层直至传 输层，均进行了加强型设计甚至独立设计。 广域网方面，由于存在长距离传输导致的硬时延约束，当前跨数据中心的高性能无损传 输范围主要在300公里以内，主要依赖于硬件设备和专用网络保障（例如光纤直连）;面对更 长距离的传输需求，目前更多通过静态配置和调度实现数据尽力而为的传输。 发展趋势 网作为两类网络共同的物理层基础已经成为行业共识，传统的PCIe和Infiniband都不再是未 来大规模智算集群网络的主流选择。 趋势二：光电融合是下一代智算集群网络发展的必然方向 受摩尔定律和香农定律的双重约束，当前电互联技术已经进入发展的瓶颈期，下一代智 算集群对性能和能耗的极致追求必然导致光互联技术得以广泛应用。具体而言，在Scale Up 网络域，以OIO/CPO为代表的光互联技术将为芯片间、板内和板间互联带来带宽和功耗的

统筹规划，分步实施 央国企信创化的工作推进，应完全融入到数字化建设的过程中进行统筹规划， 根据业务应用场景需求的紧迫程度，以及总体 IT 架构设计及解决方案的成熟度， 央国企的数字化组织人才及各种资源等的约束条件，排定合理的实施计划，分步 推进实施。 1.2.5 生态建设，能力保障 央国企信创化是通过 IT 架构与解决方案创新的牵引，选择符合信创化要求 的 IT 技术与产品来完成的，这项工作是涉及到各个层面的系统工程。央国企需 过程，也 就是每一层架构内容的开发成果都需要一个评审过程，不一致或不符合的需要走 架构变更管理，从而进入一个新的迭代开发。整个架构开发过程形成的成果是为 信创相关的工作提供的一个实施指导和管控约束，以避免大量无效的和错误的工 作。 对于自下而上的架构开发和分析，我们首先将要采购的信创产品放到基础设 施架构或信息系统架构中进行分析，看看这些信创产品对现有基础设施架构或信 息系统架构的