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

高性能数据中心网络(HP-DCN).......................................................................................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............................................................................................ Round-Trip Time 往返时延 ZTP Zero Touch Provisioning 零接触配置 3 高性能网络关键需求和挑战 3.1 高性能数据中心网络(HP-DCN) 3.1.1 支持超大规模组网是基础 在Scaling Law（扩展定律）的驱动下，万卡GPU训练集群已成为AIGC核心玩家的及 格线，智算中心正迅速朝着超万卡级别的规模迅速发展，国内云商如阿里巴巴、百度等陆续 宣布

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

、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 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， 模型训练存在混合并行效率低、低精度训练不稳定等多重挑战。中国移动通 过训练并行优化降低混合并行复杂性，完善 FP8 混合精度训练框架，基于故障容 错提升训练稳定性，通过构建可支撑万亿级参数模型训练的高效框架，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

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 基于服务的测试。 我们认为，对测试的优先考虑与关注为2025年5G SA和5G-Ad- vanced的部署提速树立起鼓舞人心的风向标。 这一新形势的推动力 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 、符号检测与解码、信道估算、波束管理及干扰抑制等无线电功能实现了优化。自动 化智能技术使无线电设备能够自主选择频谱、按需调整信号路径及调制方案。 AI原生新空口 大幅度扩展MIMO技术，利用超大规模天线阵列，实现前所未有的空间复用能力、能效提升及6G网络容量增强。天线密度的增加带来更 复杂的信号处理、更高的硬件成本以及更大的物理空间需求等挑战。 极端大规模MIMO 在不同空间分布多个天

分摊基础设施成本，实现数据中 心绿色低碳高效运营。 3） 快速交付便捷运维，满足数据中心规模化、集约化建设需求。国家在政策上引导超大型、大型数据中 心集聚发展，形成多地布局的国家枢纽节点。超大规模数据中心的建设，对快速部署和便捷运维提出了严峻挑战。 整机柜服务器具有模块化架构，支持工厂预装和一体化交付，相比传统机柜，交付部署效率提升8～10倍。同时， 整机柜服务器的盲插总线接口和前I/ 2009年，Meta（当时公司名称是Facebook）的业务突飞猛进，服务器需求量激增，因此开始重新思考服务器 应该如何承载其指数级增长的数据，并有效控制成本和能耗。于是，Meta启动了首个自建超大规模数据中心的项 目，计划建设出世界上能效利用率最高、具备空前扩展性和极致经济性的数据中心。在经过细致的论证、比较之 后，结合Meta其时的业务诉求，Open Rack整机柜服务器的产品形态，开始进入孵化进程。 练过程的顺利进行至关重要。 AI模型训练过程中需要频繁的数据交换和大规模分布式计算，对网络带宽和低时延提出了极高的要求。由数 千甚至数万张计算加速卡组成的集群，在网络互连方案上，需要考虑诸多需求：超大规模、超高带宽、超低时延、 超高稳定性，因而需要采用新型高效的网络拓扑，需要应用高效的拥塞控制与负载均衡等技术。 AI计算过程中，单机的功率密度往往非常高，这对机柜的供电和散热提出了严格要求。最高单颗GPU芯片功

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 预编码，涉及高阶 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 为子图节点数量上限 2、子图优化所需的量子比特数（线路宽度）=log2（LM），其中 L 是每个小区方案配置数量，M 为小区数量。 2）无线网络中多用户调度需求 多用户调度是去蜂窝网络和超大规模 MIMO 技术中的关键问 题，保障用户体验和提升网络容量的重要手段，具体问题建模与计 算需求如表 2 所示。 量子计算应用能力指标与评测研究报告（2024 年） 8 表 2

市场，由于服务提供商前期库存的出清，2024Q3 电信宽带所用光模块的出货量同比增长 51%， 扭转了前两个季度增长乏力的局面。2024Q3，400G 相干可插拔设备的总出货量同比增长超过 一倍，因为超大规模运营商继续采用该技术来解决不断扩张的数据中心建设问题。旭创科技引 领 400G 数通光模块的出货量，Coherent 在 800G 方面占据首位，英伟达主要从 Fabrinet 采购 800G 郑州航空港河南空港智算中心规划建设的 10000P（1P 约等于每秒 1000 万亿次浮点运算 能力）算力集群项目预计于 2025 年一季度全面投运。作为区域算力基础设施的重要突破，该 集群建成后将填补河南超大规模智算的空白，为大模型训练推理提供了“超级引擎”。 2024 年 11 月 25 日，河南空港智算中心揭牌投产。作为中部地区规模最大的智算中心,河南空港智算 中心正在打造中部首个全量级 DeepSeek-R1

通过该流控机制，可以确保发送端绝不会发送过量，网络中不会产生缓冲区溢出丢包。 • 万卡拓展能力： InfiniBand 的 Adaptive Routing 基于逐包的动态路由，在超大规模组网的情况下保证网络最优利用。 图 23 ： Infiniband 网络无损数据传输 网络互联 - 节点间 : InfiniBand 网络特点 - 无损 & 万卡拓展 能力 请务必阅读正文之后的免责声明及其项下所有内容

低空经济的发展对电信运营商而言，意味着新的商业机遇和挑战： 2.3 趋势3 智算规模增长，算网深入融合，业界持续提升资源利用率 洞察分析 应对建议 智算网络自智：自智网络发展对智算的训练需求有两个方面，一是超大规模GPU集群算力作为云资源池的基础设施支 撑，二是提升GPU集群的智能运维能力。在训练前，需要进行快速健康度压测，包括预应力测试、巡检、预检和故障预 测等服务。训练过程中，必须具备实时感知集群健