⚫ 针对自主创新芯片服务器优 化 ⚫ 针对自主创新数据库的性能 优化 ⚫ 针对资源利用率的有效提升 15年磨砺 海量实践铸成Ten ce ntOS Ser ver • 支撑腾讯云上用户超大规模的部署和运 行，持续不断的优化，规避故障，提高 稳定性，经受用户关键业务考验 190万+CVM数 经受腾讯云用户关键业务考验 • 从2010年起持续对Linux内核进行贡献 • 连续6年入选全球“KVM开源贡献榜 打破TPC-C 世界纪录 TDSQL+TencentOS组合 国内主流数据库厂商 互认证（部分） 云原生操作系统：轻量安全的云原生底座 国内主流云平台/容器平台 互认证（部分） 基于腾讯云超大规模云原生运营过程中积累的自主研发能力，支持腾讯核心业务的高效运转。云原生操作系统具备深度优化的云原生能力，专为容器、微服 务等架构打造，提供 NetTrace、SLI及 RUE 混部系统等核心特性

纳米工艺芯片。 在大模型方面，大模型正在加速人工智能产业化进程，推动算力服务 普惠普适。DeepSeek、百度“文心一言”、阿里巴巴“通义千问”等国内 央国企智算创新实践报告（2025 年） 4 超大规模模型正加速演进，认知能力不断提升。同时，“预训练大模 型+下游任务微调”的新范式，已成为破解人工智能技术落地难题的重 要突破口。国内厂商纷纷加码大模型投入与研发，如 DeepSeek 也通 硬件设备，使其具备 智算服务能力 优点：可充分利用已有资 源，建设成本相对较低 缺点：对技术要求较高，通 常难以实现大规模、超大规 模算力升级 适用于已有一定规模、智 算需求并非超大规模，且 对成本较为敏感的企业 自建 全新规划、选址、设 计并构建智算中心 优点：可根据业务需求进行 定制化设计，自主性较强， 安全性较高 缺点：建设成本相对较高， 建设周期长 算平台可实现对单集群算力资源管理，以及多集群的协同管理，单集 群管理方面，可支持单一智算中心内异构算力资源的调度与算力加速， 能够根据任务对算力资源的需求，在智算中心内为任务分配、调度相 应计算资源，并支持超大规模集群算力加速能力，通过优化调度逻辑， 提升软硬件协同效率，强化集群整体计算性能，满足高负载、高算力 需求场景的运行效率。多集群协同管理方面，可实现跨域多个异构算 力集群资源的统一管理、编排和调度，当接收到业务请求时，平台可

实现多元算力一体化布局。 一是建设超大规模高性能智算中心，赋能行业数字化转 型。建设业内领先的液冷高性能公共智算中心，提供 4000PFlops 总算力供给，可满足万亿参数模型训练。采用基 于全栈 AI 软硬件平台方案，实现算、存、网、电、冷一体 化设计，实现电能利用上的增效，依托超大规模智算集群强 大计算能力，赋能千行百业数字化、智能化转型。 2 图 1 “超大规模液冷智算集群”平面部署图

芯片可实现终端设备的本地数据分析，但 AI 算法计算需求高，与终端设备的能耗限 制存在矛盾。未来需优化 AI 模型的轻量化设计，并开发低功耗 AI 芯片，以提升数据处 理效率并降低能耗。 超大规模设备接入的可靠性 6G 需支持数百万级设备并发接入，如何在超大规模接入场景中保持低延迟、高可靠 性是关键挑战。未来网络架构需具备更强的负载均衡与拥塞控制能力，确保设备接入的稳 定性与安全性。 隐私保护与数据安全 超低

⼀切 ��� ⼀切 ��� ⼀切 ��� 华为云推出了全新的CloudMatrix架构，以“一切可池 化”“一切皆对等”“一切可组合”三大创新设计，从算 力规模、扩展模式和使用模式上，匹配超大规模的算力诉 求，通过技术创新来解决行业难题。 透过CloudMatrix架构创新展现华为云全栈的AI能力，包含 盘古大模型、昇腾AI云服务、分布式QingTian架构、AI- Native Storage和全球存算网等。

速 流通的能力，提升了数据流通的效率。该模式为金融产业的数据流通提供了可复 制、可推广的示范样板。 (三) 数据集千公里可信传输验证，筑牢跨域数据要素高效流通底座 当前，AI大模型训练中的超大规模数据传输、跨区域数据中心数据迁移等场景 对数据传输网络提出了新的挑战。如AI大模型训练过程中，数据集规模动辄达到 TB乃至PB级，节点间需频繁进行梯度交换与参数同步，对网络带宽和时延极为敏

硬件资源分配：根据模型的规模和训练数据量，合理分配硬件 资源。例如，GPT-3 等大规模模型可能需要多台 GPU 或 TPU 并行训练，而小规模任务可以在单台 GPU 上完成。 6. 分布式训练：对于超大规模模型，采用分布式训练策略以提高 训练效率。常见的分布式训练框架包括 Horovod 和 TensorFlow 的 MirroredStrategy，能够支持多机多卡并行计 算。 通过以上配

创新。公司于 2020 年底 研发 GLM 预训练架构，2021 年训练完成百亿参数模型 GLM-10B，同年利用 MoE 架构成功训练出收敛的万亿稀疏模型， 2022 年研发了中英双语千亿级超大规模预训练模型 GLM-130B 并开源。2023 年，智谱推出千亿基座对话模型 ChatGLM 并 两次升级，开源版本的 ChatGLM-6B 让大模型开发者的本地微调和部署成为可能，在开源社区受到广泛欢迎。目前，智谱开源

部与网络、安防、监控等系统的集成；外部与政府系统的集成；在管理上，涉及运营、管理、平安、 服务四大类数据的整合，数据量大、数据源杂。 实施效果 实施难度及复杂度 ·127· 案例亮点 2. 规模方面： （1）超大规模：深圳国际会展中心是全球最大的会展中心之一，总建筑面积 160.05 万平方米，室 内展览面积 40 万平方米，拥有多个展厅、多功能厅及配套设施。如此庞大的规模使得数字化项目的覆 盖范围极广，需要处理的数据量巨大。

术及应用系统的一门新的技术科学。  APT：Advanced Persistent Threat，即高级可持续威胁。  CPU：Central Processing Unit，中央处理器，是一块超大规模的集成电路，是一台计算机的运算核心和 控制核心。  IDS：Intrusion Detection System，入侵检测系统，依照一定的安全策略，通过软、硬件，对网络、系统 的运行状况进