影视制作 装修设计 数字可视化 渲染场景 资源编排 CPU 云主机 GPU 云主机 高效云盘 VPC 网 络 弹性 IP 火山引擎边缘云 超大规模边缘资源 超高产品性能 超流量场景验证保障 高性能标准硬件资源 NVMe SSD IO 时延 <1 ms 内容分发和加速网络创新 边缘计算节点创新 异构算力 CPU\GPU\ARM 自研高性能实例 PPS>700W 支持自定义限速 多种计费模式 云边镜像 ¢ 键 分 发 带 超大规模的接入点 单节点海量流量承载能力 智能调度 提供质量稳定加速资源 自研的传输优化、智 能缓存、动态路由 边缘渲染 边缘智能 火山引擎边缘云产品创 新 新基础 底座 离线渲染

支撑大模型创新及云服务场景 加速人工智能科学计算，服务算法创新 助力行业企业智能化升级 系统特征 AI 技术从单点能力突破迈向系统能力创新 超节点技术产业生态发展格局 基础特征：大带宽、低时延、内存统一编址 超大规模 扩展特征：多级缓存池化、资源灵活配比 超高可靠 灵活切分 大模型计算基础设施的挑战 小结 小结 CONTENTS 目录 超节点发展报告 02 当我们站在人工智能大模型技术飞速发 一体化的设计思维，将计算、存储、网络与运维管理深度融合，锻造出高性能、高效率、高可靠的 单一逻辑实体。它标志着一个全新时代的开启——智算基础设施正从松散组合的算力堆叠阶段，迈 入软硬协同、全局优化的超节点阶段，旨在有效破解超大规模 AI 训练与推理中所面临的扩展性瓶颈、 效率损耗与能耗墙难题，为 AI 的持续创新提供坚实、高效、绿色的算力基座。 为系统分析超节点技术的发展逻辑、技术创新、产业价值以及未来趋势，我院与华为及相关单位 人工智能高速演进背景下，算力需求呈指数级增长，大模型竞争已进入 “参数规模摸高” 与 “训 练效率提升” 并行的新阶段。Scaling Law（规模定律）将以多元形态长期生效，持续推动人工智 能技术突破能力边界，而超大规模 Transformer、MoE（混合专家模型）、稀疏注意力模型等，已 成为可扩展模型的核心架构方向。在复杂的混合并行策略下，随着并行规模持续扩大，系统节点间 通信带宽与可用显存容量成为制约大

年 1990 年 分水岭 r5 大模型（ Foundation Model ） 是指具有超大规模参数的人工智能模型， 包含 NPL\CV\ 多模态等类型 。 其突出特点： 同质化 。大模型任何一点改进就可以迅速覆盖整个 AI 社区 。 “ 涌现 ”特性 。大模型有超大规模的参数， 产生未曾预先设想的新能力 。 泛化能力强 。 同一模型利用少量数据进行微调或不进行微调就能完成多个场景的任务

• 栅格瓦片 • 三维瓦片 • 大 规 模 瓦 片首选 • 流数据 • 点数据首 选 NoSQL NoSQL SQL 型 • 矢量 / 栅格、影 像 • 多方式空间查询 • 超大规模首选 NoSQL 文件型 DSF • 矢量 • 分布式分析能 力 • 全量计算首选 PolarDB P11 GaussDB P12 P13 数据采集 ——“ 获取数据” 采集元数据与主数据，

夯实“元设施”基础底座。加快 IPv6、5G+、卫星互联网、 工业互联网、车联网等新一代网络技术开发运用及基础设施建 设，适当超前部署自动感知终端网络。加快建设高效低碳的数 据中心、智算中心等新型存算基础设施，夯实超大规模、实时 算力的算力支撑。推进云网协同和算网融合发展，支持发展 GPU 实时渲染等高性能计算，鼓励算力、算法、数据、应用资 源集约化和服务化创新。提升区块链基础设施能力建设，强化 安全隐私计

安全事件响应速度，通过精细化管理降低城市能源消耗，是提升城市 治理现代化水平的关键技术，更是打造安全、高效、绿色、宜居未来 47 城市不可或缺的数字底座。 4.3 大模型分布式训推 由于机器学习与人工智能的迅猛发展，超大规模语言模型已跃升 为科技竞逐的新高地。然而，要训练和上线诸如 GPT-4 之类的模型， 必须依托巨大算力与高速网络协同配合，这对计算与通信基础设施都 提出了极为严苛的要求。训练过程中需吞吐 TB-级乃至 幅提升；在推 理环节，模型副本可根据请求分布和节点健康状况灵活下沉与回收， 为全球用户提供低时延一致性响应。预测驱动的弹性扩缩容与秒级故 障切换机制进一步增强了系统的鲁棒性和资源利用率，使得超大规模 语言模型的迭代周期缩短、运行成本降低，并在面对突发负载或硬件 故障时依然能够保持平滑、稳定的服务表现。因此，分布式算力感知 与调度能够成为支撑下一代生成式 AI 平台快速演进和大规模部署的 实现跨域全局化聚 合，形成覆盖多数据中心与云平台的协同体系。企业通过构建统一资 源池，推动离散算力向可度量、可流通的服务形态转化，智能调度系 统依托自适应算法实现精准动态供给。行业实践表明，超大规模云服 务商已建立体系化调度框架，显著提升资源集约效能；混合云架构通 过能力下沉构建全域协同的算力供给网络。开放标准体系持续深化 ——硬件层依托开放计算推进异构环境兼容，软件层基于云原生规范

针对垂直政务领域，实现大模型技术体系全栈优化 基于 70+城市数字化治理实践经验针对政务垂直场景进行全栈优化。星智政 务垂直领域大模型基于政务垂直领域的特点对大模型技术体系进行全栈优化，能 够提供超大规模分布式训练、多框架高性能推理、高性价比算力资源和高效率开 发调试工具。 协同多类型基础大模型，精准对接政务垂直领域多类型、多模态任务。星智 政务大模型同时纳入中国电子云自研模型与合作生态伙伴最先进的大模型，适配

硬件成本 ( 万元 ) 年运维 ( 万元 ) 使用场景 轻量级 (1.5-7B) 0.8-1.5 0.2-0.5 单机知识库 企业级 (13-32B) 8-15 3-8 全部门部门应用、推理 超大规模 (70-671B ） 50-120 20-50 全部门部门应用、推理、微 调 不同配置在硬件成本、年运维成本和使用场景上各有特点，用户可以 根据自身需求和预算选择合适的配置，供参考。 2

络类、管理类以及基础信息类日志。同时支持网络全流 量镜像采集并实现全协议全流量深度解析。支持主流安 全漏洞扫描报告、威胁情报等数百种异构数据采集与解 析。 26 智安网络等级保护安全防御体系方案 超大规模存储查询 超大规模存储查询引擎专为解决超大规模（支持千亿到 百万亿规模）数据的存储和查询需求而设计研发的，采 用高效的存储查询技术，实现快速从数万亿条规模的海 量数据中定位准确的数据，并采用高压缩比的技术方 案

R1正式发布，拥有卓越的性能，在数学、代码 和推理任务上可与OpenAI o1媲美。 DeepSeek创始人 梁文峰 2.2 国内的大模型产品 n 通义千问 通义千问是阿里云推出的一个超大规模的语言模型，它具备多轮对话、文 案创作、逻辑推理、多模态理解、多语言支持的能力。通义千问这个名字 有“通义”和“千问”两层含义，“通义”表示这个模型能够理解各种语 言的含义，“千问”则表示这个模型能够回答各种问题。通义千问基于深 企业级大模型落地解决方案服务 来自UST 6.1 企业级大模型落地解决方案服务 来自UST 6.1 企业级大模型落地解决方案服务 6.2 DeepSeek大模型一体机 提供1.5B轻量版至671B超大规模模型的灵活 调用，满足边缘端轻量化推理与云端复杂训 练的双重需求，支持模型蒸馏与定制化开发， 助力企业“按需取用” 全尺寸模型支持 通过智能算力管理引擎，实现CPU、GPU等 异构资源的动态分配，提升资源利用率，降