算力中心供给分析 IV. 算力中心供需研判及未来展望 V. 附录 报告研究背景与主要研究结论 4 报告研究背景 • 纵观算力中心发展历程，移动互联网时代与云计算时代的技术革命催生了集约化、超大规模化的数据中心需求，由此孕育出了算力中心定制批发的业 务模式，并且该业务模式在2015-2020年间实现了快速增长。然而，伴随着移动互联网用户红利见顶、新基建边际效应递减及后疫情时代经济周期波动， 从算力中心的定制批发业务发展现状来看，需求端和供给端均展现出积极的发展态势。 ➢ 需求端，随着 AI 大模型的迅猛发展，市场对算力资源的需求呈现出快速增长。这一增长主要源于互联网大厂、云厂商、短视频厂商等行业头部企业 对高性能、大规模算力资源的投入持续增长，这一趋势推动了算力中心定制批发业务的高速发展。 ➢ 供给端，受益于新一轮技术升级，算力中心市场迎来更多整合契机。头部企业凭借在技术、资金、资源等方面的领先优势，能够更迅速地适应市场 云服务商 注：1.算力中心即数据中心，数据中心自2020年开始逐步向算力中心演变。 UPS电源 柴油发动机 … … 算力中心作为算力资源的关键载体，通过集成高性能计算、大规模存储、高速网络等基础设施，提供提供大规模、 高效率、低成本的算力服务。确保算力资源的集中部署、高效运行。 8 算力中心的定义与概览 中央监控 电源配电柜 消防减压系统 机柜及其附件 气体灭火系统 UPS不间断电

o1 路上的核心理念，并且效果还好到受到了 OpenAI 的认可 如何通过有效的 Test-Time Scaling 和 Train-Time Scaling 提升模型的推理能力？ 得益于纯大规模强化学习 ， DeepSeek-R1 具备强大推理能力与长文本思考能力，继开源来备受关注。 DeepSeek R1-Zero 和 R1 的出现再次证明了强化学习的潜力所在： R1-Zero 8 大规模推理为中心的强化学习，提升模型数学代码能力 RL 驱动下自然涌现长文本推理能力 基于规则的奖励 Rule-Based Reward 推理为中心的大规模强化学习 Large-Scale Reasoning-Oriented RL DeepSeek-R1-Zero 9 基于规则的奖励 (Rule-Based Reward) : 准确率奖励 + 格式奖 励 推理为中心大规模强化学习：组相对策略优化（ GRPO ） + 瞄准 Reasoning 推理任务 自我迭代提升 Self-Evolution ： 随着训练步数的增长，模型的 thinking response

AI 智能体对简单 AI 助手进行补充，员工将需要管理可自主完成任务的智能体团队，并学习如何与 对话式监管 AI 智能体合作，从而简化这一流程。 这轮 AI “第三浪潮”带来的是工作流程的大规模变革。 7 事实上，现在有 90% 的受访高管表 示，到 2026 年，其组织的工作流程将通过智能自动化和 AI 助手实现数字化，77% 的受访高管 认为到 2026 年，生成式 AI 将让联网资产自主做出决策。 断 增 加，尽管组织在努力缓 解这一问题。 2025 年五大趋势：人智共创未来 点燃创新纪元 10 25% 的受访高管强烈认同其组织的 IT 基础架构能够支持 AI 在整个 企业内大规模扩展。 77% 的受访高管表示其组织需要尽 快采用生成式 AI 技术才能赶上 竞争对手。 但只有 以汽车行业为例。汽车的使用寿命可能长达 15 年或更长，而智能座舱的数字体验往往在 18 便将试点转变为企业级解决方案。然而，尽管 77% 的受访高管表示其组织需要快速采用生成 式 AI 技术才能赶上竞争对手， 14 但只有 25% 的受访高管强烈认同其组织的 IT 基础架构能够 支持 AI 在整个企业内大规模扩展。 信息来源：2024 CEO 研究：CEO 必须面对的六个残酷事实。 IBM 商业价值研究院；2025 年五大趋势全球脉动调查 2025 年五大趋势：人智共创未来 点燃创新纪元 11

根据各厂的芯片和服务器参数，虽然单瓦浮点算力以每代约 1 倍速率提升， 但是同时我们也看到随着效率的提升，服务器和机柜的功率参数以每代 40-60%的比例提升。而 DeepSeek 实现 GPU 白卡互联的能力，为国产芯 片的大规模应用打开了大门，在经济上必然存在较强的优势，但是短期内在 能耗上与英伟达芯片仍然存在差距。因此随着国内数据中心中智算中心的比 例提升，单个数据中心的 MW 数将持续上升，甚至相同算力下可能提升更 快 异，因此对供配 电系统需求亦有所不同。拆分来看： 1） 云数据中心-通用算力：亦称为基础算力，芯片架构主要以 CPU 为算力核心，主要用于 满足云计算和边缘计算等基础通用计算需求，无法高效处理大规模并行计算任务。通用 算力下游主要为云服务商，主要分为电信运营商（中国电信-天翼云、中国联通-联通云 和中国移动-移动云）和互联网运营商（阿里云和华为云等）。以长江云互联网数据中心 为案例，其计算额定功率为 领域 广泛应用于需要快速相应市场变化、调整业务规模的 领域的云计算应用，例如电商、金融、制造等 高性能计算、大规模科学计算等 人工智能、机器学习等 基础架构 物理基础层、虚拟化层、管理层、服务层等关键部分 高性能计算集群、大规模存储系统、网络架构 和管理与监控系统 AI 芯片与高性能计算节点、存储系统、网 络架构、智能化软件平台 计算方式

对人工智能的控制仍然是银行管理层的主要担忧之 处，58%的受访银行对人工智能技术提供商可能对 其业务运营产生的影响表示不安。此外，71%的受 访银行认为，最好等到不断发展的人工智能技术前 景更加明朗后，再进行大规模投资。 人工智能正与自动化技术相结合 银行正越来越多地将人工智能技术与其他技术相结 合，通过技术互补最大限度地发挥其影响力。例 如，82%的受访银行正将人工智能融入机器人流程 自动化（RPA），以简化工作流程，而84%的受访 最大的影响力。61%的受访银行表示人工智能对IT 运营产生了巨大或颠覆性的影响，55%则表示人工 智能已经在很大程度上推动了营销的发展。 的受访银行认为，最好等到不断发展的 人工智能技术前景更加明朗后，再进行 大规模投资。 阶段二 阶段三 主要考虑因素 为迎接人工智能奠定基础 为您的人工智能转型保驾护航 调研结论 简介 概要 引言 © 2025 毕马威华振会计师事务所（特殊普通合伙） — 中国合伙制会计师事务所，毕马威企业咨 某德国银行的首席合规官 银行管理层采取了观望的态度 由于人工智能技术正快速演变，因此银行管理层对于是 否应用举棋不定。71%的受访银行认为，最好等到不断 发展的人工智能技术前景更加明朗后，再进行大规模投 资，而有57%则对与人工智能相关的巨量信息和炒作感 到不知所措。 缺乏人工智能专业知识 缺乏相关专业知识也拖慢了银行的人工智能应用步伐。 只有19%的受访银行具备高度专业的人工智能团队为推

这三种无线网络的组合几乎能满足所有家用IoT产品的技术连接需求，许多商用和工业IoT产 品也会使用Wi-Fi。尽管Thread在商业应用场景中的效果还有待验证，但Thread Group的 路线图中包含了可实现更大规模部署的增强功能。在对高效的基于IP的mesh网络连接的强 劲需求推动下，Thread已经开始进入商业环境，而且这一趋势在未来几年可能会加速发展。 Zigbee等低功耗mesh网络已经存在 频谱——家庭网络使用共享的、免授权的工业、科学和医疗（ISM）频段。Thread、 蓝牙和Wi-Fi使用2.4 GHz频段，Wi-Fi还可以使用5 GHz、6 GHz和900 MHz频段。 20多年来，企业在将有线网络用于大规模、关键任务的运营基础设施的同时，一直 使用Wi-Fi来实现移动设备连接等商业应用。无线网络具有显著的成本和灵活性优势， 因此许多企业正积极转向使用授权频谱（即专用5G），以满足对QoS和可靠性的严 应用是针对每个场景定制的，需要进行大量的定制化操作，因此每个客户不是只有 少数几个生态系统，而是可能有几十个甚至上百个。目前，Matter的多生态系统 （多管理员）功能仅适用于少数消费级生态系统，难以进行大规模扩展，因此，这 一企业需求成为了一个难以逾越的障碍。 • 设备信任——有关Matter的设备信任架构的完整讨论，请参阅白皮书《Matter— —让智能家居更安全》，以下是设备认证过程的简要总结。CSA会对所有产品进行

经网络策略的动作指令，进行控制执行。分层决策模型的缺点是： 不同步骤间的对齐和一致性需解决。 以「Google RT-2」为代表，通过一个神经网络完成从任务目标输 入到行为指令输出的全过程。首先在大规模互联网数据预训练视 觉语言模型，然后在机器人任务上微调，结合机器人动作数据， 推出视觉语言动作模型。RT-2不仅负责最上层的感知与规划，还 参与中下层的控制与执行，打通了端到端的链路。端到端模型的 基于仿真环境的数据采集（Sim2Real） 基于真实世界的数据采集 Sim2Real（Simulation to Reality）—— 在仿真环境中学习技能和策略，并迁移到现实世界中。 • 优势：数据可大规模获取，成本低 • 劣势：对仿真器要求高，仿真环境与真实世界存在差 异；迁移过程中存在性能下降 基于真实世界数据采集——直接从现实世界数据中学习， 包括本体采集、遥操作、动态捕捉、视频学习等方式。 资料来源：英伟达官网、CSDN，浙商证券产业研究院 VLM模块主要功能是从图像和文本指令中提取特征，并为后续的动作生成提供上下文信息。GR00T N1使用Eagle-2 VLM作为其基础，该模型 在大规模互联网数据上进行了预训练。 输入处理：VLM模块接受图像观测和文本指令作为输入。图像被编码为224×224的分辨率，经过像素重排后生成64个图像token嵌入。这些嵌 入与文本嵌入结合，形成一个丰富的多模态表示。

以预测和应 对潜在的市场风险。 3.金融安全方面痛点介绍 金融安全领域的主要痛点包括数据泄露风险、合规成本 过高等。金融数据一般包含客户的个人身份信息以及资产信 息，如果这些敏感信息发生大规模泄露，金融机构将承担包 括巨额罚款、品牌形象损害等严重后果。 金融数据安全领域存在《中华人民共和国中国人民银行 法》《中华人民共和国银行业监督管理法》《中华人民共和 国商业银行法》在内的多项法律法规。在数据隐私法规日益 12 风控上，数字孪生能帮助机构进行可视化分析及信贷评估， 监控虚拟服务流程是否合规。而在安全领域，数字孪生可以 为测试环境提供仿真业务数据，防止数据脱敏不彻底、生产 取数丢失导致发生大规模数据泄露。 （二）金融业数字孪生需求方向 在金融行业数字化转型的过程中，数字孪生技术在风险 管理、客户体验改善和业务流程优化等方面显示出了巨大的 潜力。本节将讨论金融领域数字孪生技术的关键需求方向， ，通 过基于数字孪生技术的仿真业务数据对真实业务数据进行 模拟，可以支持机器学习模型无样本或少样本冷启动。 在测试模拟方面，通过基于数字孪生技术的仿真业务数 据可以生成测试数据及案例，辅助大规模批量人工造数，提 升系统开发中数据测试效率。 在数据报表开发方面，在部分或全部业务数据未获取到 的前提下，通过基于数字孪生技术的仿真业务数据生成模拟 数据，支持新业务场景报表敏捷开发及数据验证。

在不断提 升大规模智算训练效率。在硬件方面，高性能 GPU、专用 AI 芯片、 高速互联网络、大容量高速存储等技术，实现了大规模的算力供给， 为处理复杂、不规则的计算任务（如自然语言处理的长序列数据、计 算机视觉的多尺度图像特征）创造了条件；在软件方面，分布式训练 框架、预训练大模型、多模态数据处理等技术也通过精细化算力管理 提升了大模型的训练和推理速度，为机器人的大规模应用提供了基础 产品特征识别、安全巡检等难度较高任务的深度学习探索；基于语音 交互技术的语言类模型虽然较为成熟，但是主要用于陪伴对话、教育 辅导、智能家居等服务型场景，而由于可靠性要求高、工业知识积累 6 不足等限制，尚未在工业中大规模应用。在推理决策方面，基于深度 学习、强化学习的方法，机器人可以通过训练学习数据以模仿人类， 甚至通过与操作对象或环境进行交互实现非结构性的复杂操作和自 主导航。 2、三种应用模型及其组合催生出多种功能的机器人 生产操作类应用占比接近 40%，是应用最为普遍的领域。原因主 要有包括以下两点：一是企业对效率的需求提升，“机器取代人”最 早出现在生产过程中的重复性、封闭性的操作场景中，在多个行业已 经实现了大规模应用，在市场效率竞争和小批量柔性生产趋势下，企 业普遍存在对智能化机器人的升级需求；二是机器人功能的拓展，随 着机器人模块化设计和柔性控制技术的成熟，工业机器人的精细化程 度和灵活性显著提高，

杂度的模型的开发和应用。同时，为了应对不断变化的工作负载，企业还需 要计算和存储资源具备弹性扩缩的能力。为了实现更好地管理规模化和异构 的算力资源，超大规模计算集群需要支持智能调度，特别是面对行业大模型 的训练和推理任务时。企业需要获得全面保障大规模算力集群的统筹管理和 优化能力，确保计算资源实现高效利用。 AI算力质量和性能：需要确保算力资源具有足够的可靠性和容错机制，以减 少因单节点故障 技术先进性：AI算力和模型能力 技术先进性：大数据和数据治理 性能和服务：提供多云管理服务和功能 成本：价格竞争力、成本治理和优化解决方案能力等 市场表现：业内口碑和市场地位 行业经验：大规模互联网业务经验 技术先进性：边缘和IoT 发展一致性：持续改进技术能力并与本组织的技术发展路线匹配 ��.�% ��.�% ��.�% ��.�% ��.�% ��.�% ��.�% 谐统一，推动企业高效上云与用云，为业务的快速增长提供强有力的支撑保障。 AI应用的爆发式增长，也驱动着算力需求不断升级，云基础设施在集群建设和管 理、性能、稳定性等方面都面临着严峻挑战。 火山引擎拥有超大规模算力，支持万卡集群组网，提供超高性能网络，支持 �.�Tbps RDMA网络，全球网络POP覆盖广，时延优化最高达��%；提供优质的 存储性能，文件存储vePFS支持�TB/s吞吐并行存储、����万IOPS；强大的弹性