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， 二次训练 全参微调 局部微调 算力需求 超大规模 千卡~万卡 大规模 数百卡~千 卡 较小规模 单卡~8卡 起步 小规模 单卡1卡起 步 工程难度 很高 TP/DP/PP并 行，海量数据 高 基模选择、 高质量数据 较高 十万~百万 条指令集 一般 <万条指令 集 推理 To C推理 To B中心 To B边缘 算力需求 超大规模 千卡以上 大规模 数百卡 小规模 大模型在不同场景的算力需求及工程难度 算 力 训练阶段 微调阶段 ➢ 训练完的模型参数量也会影响推理端算力 大模型训练 作为驱动人工智能发展的关键生产要素，数据规模多维度影响大模型的性能与应用场景：超大模型追求“能力上 限”，轻量化模型聚焦“应用普适性”，两者共同推动人工智能从实验室研究走向规模化商业落地。 17 资料来源：灼识咨询 大模型的发展及参数量变化 ➢ 规模法则（Scaling l

本。 例如，智能派单系统可以有效应对海量工单，第一时间快速、精准地推送到相应 委办单位，并且通过一单多派，复杂诉求亦可推送多个部门联合处理。同时，这 3 孟天广,黄种滨,张小劲.政务热线驱动的超大城市社会治理创新——以北京市“接诉即办 ”改革为例[J]. 公 共管理学报,2021, 18(02):1-12+164. 5 一阶段强调智能算法的赋能，对政务热线大数据进行聚合分类、关联分析、回归 、张强，北京接诉即办改革发展报告（2021~2022）[M]，北京：社会科学 文献出版社，2022。 11 改革已实现“传感器”、“接驳器”、“信息港”的三重定位，生动地实践出新 时代全面深化改革的“北京样本”，树立了数字时代超大城市治理的标杆。 1.改革历程 “接诉即办”改革始于 2017 年，至今已经历了“吹哨报到”、“接诉即办”、 “主动治理”三个阶段。 一是“吹哨报到”阶段。2017 年 1 月，为治理盗采金矿、盗挖山体、盗偷 大模型技术与接诉即办的深度融合，不仅提升了政务热线的智能化水平，也为全 国政务服务改革提供了可借鉴的实践经验。 在改革实践的过程中，12345 热线实现了“传感器”、“接驳器”、“信息 港”的三重功能，既显著提升了北京超大城市的治理能力和治理绩效，又为我国 各地政务热线发展提供了重要的启示。 一是在感知社情民意方面。“接诉即办”改革以 12345 热线作为主渠道，通 过归并全市 64 条热线电话、建立网络和移动端等多个渠道，全年全天候快速受

本。 例如，智能派单系统可以有效应对海量工单，第一时间快速、精准地推送到相应 委办单位，并且通过一单多派，复杂诉求亦可推送多个部门联合处理。同时，这 3 孟天广,黄种滨,张小劲.政务热线驱动的超大城市社会治理创新——以北京市“接诉即办 ”改革为例[J]. 公 共管理学报,2021, 18(02):1-12+164. 5 一阶段强调智能算法的赋能，对政务热线大数据进行聚合分类、关联分析、回归 、张强，北京接诉即办改革发展报告（2021~2022）[M]，北京：社会科学 文献出版社，2022。 11 改革已实现“传感器”、“接驳器”、“信息港”的三重定位，生动地实践出新 时代全面深化改革的“北京样本”，树立了数字时代超大城市治理的标杆。 1.改革历程 “接诉即办”改革始于 2017 年，至今已经历了“吹哨报到”、“接诉即办”、 “主动治理”三个阶段。 一是“吹哨报到”阶段。2017 年 1 月，为治理盗采金矿、盗挖山体、盗偷 大模型技术与接诉即办的深度融合，不仅提升了政务热线的智能化水平，也为全 国政务服务改革提供了可借鉴的实践经验。 在改革实践的过程中，12345 热线实现了“传感器”、“接驳器”、“信息 港”的三重功能，既显著提升了北京超大城市的治理能力和治理绩效，又为我国 各地政务热线发展提供了重要的启示。 一是在感知社情民意方面。“接诉即办”改革以 12345 热线作为主渠道，通 过归并全市 64 条热线电话、建立网络和移动端等多个渠道，全年全天候快速受

AI算力规模化：企业对加速芯片的多样性有较高需求，以适应不同规模和复 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 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 EFLOPS算力 兼容多元算力 潮汐资源并池 CPU-GPU实例选型 自研容器共享GPU（mGPU） 存储 网络 �.�TBps 高吞吐、亚毫秒延时并行文件存储 超大规模��EB对象存储 缓存型NAS双向数据流自动化 高性价比缓存加速CloudFS �.�Tbps RDMA网络 二层、三层灵活组网 自研BCC拥塞算法 �� 计算性能，提供合适的选型

不二越、三菱电 机、史陶比尔 灵猴、天机、配天、广州数控、华中数控、南 京熊猫、景业智能、钱江机器人、凯尔达 ...... 多关节型通用机器人 6轴行业通用机器人，类型 从MINI、小负载、大负载 到超大负载，臂展范围在 720MM-3300MM，负载范围 在7KG-350KG。 SCARA机器人 4轴装配机器人，臂 展从400MM-1000MM， 负载从3KG-20KG。 UNO机器人 4轴-6轴机器人，应用场

四大行等传统行业央企和大型政企客户开始陆续引入 HVDC 技术。 2） 算力中心阶段（2020 年至今）：人工智能发展驱动数据云存储及计算、智能算力、边缘 算力等需求持续增长，需求向“云计算大型、超大型 IDC+智能计算本地化中型数据中 心+边缘计算小微型 IDC”三级转变，相应地阿里巴巴于 2020 年引入巴拿马电源方案， 支撑算力大幅上升的电力供给需求。2023 年开始由海外发动的大模型训练竞赛带动训

们可以看到大模型的参数规模与数据跨度仍有提升空间，且在多模态能力融合上完成持续突破。但受限于高质量数据、训练资源（算力、 电力等）的可获取性及模型资源投入的ROI评估，一些大模型厂商已减缓或停滞了对新一代超大模型的训练投入，此外也在尝试多途技术 路径提升大模型能力，如后训练的思维链优化，将Scaling方法由预训练转移到了强化学习推理优化阶段，为大模型能力扩展提供新道路， 也对未来大模型的训推参数部署、

们可以看到大模型的参数规模与数据跨度仍有提升空间，且在多模态能力融合上完成持续突破。但受限于高质量数据、训练资源（算力、 电力等）的可获取性及模型资源投入的ROI评估，一些大模型厂商已减缓或停滞了对新一代超大模型的训练投入，此外也在尝试多途技术 路径提升大模型能力，如后训练的思维链优化，将Scaling方法由预训练转移到了强化学习推理优化阶段，为大模型能力扩展提供新道路， 也对未来大模型的训推参数部署、

算法，自主 构建及更新工作环境地图，实现自主避障和路线选择； （4）多模态大模型：引入多模态大模型，具备理解周围场景的能 力，能够在复杂的工厂环境下进行智能决策，保证行驶过程中的安全 性； （5）超大载重和续航能力：Chitu 赤兔拥有超宽敞载物空间，可装 载 600kg，可拖挂 3000kg 载重料车；具备车规级底盘，转弯半径小于 5m，最大续航里程达 120km；支持平板、厢式和牵引运输等多种运输方

能成为可能，例如“回忆”功能，它能提醒用户他们之前在 处理哪些文件或浏览过哪些网站，甚至数月之后；以及 真正的代理系统，如“AutoGen”，这是一个多代理交互框 架，为代理间的自动化奠定了基础。 29,30,31 其他超大规模计算公司也在这个趋势中投入了大量资源 。AWS的Amazon Q Developer和Google的Gemini Cod e Assist是关键工具，这些工具将极大地加快数字系统的 发展速度。 32