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， 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 中国各行业智能算力应用分布，2023 ➢ 互联网头部厂商大量采购智算芯片 相较海外，国内智算中心正处于高速增长期，中国各行业对智算的需求急剧上升，其中互联网行业是最大需求方， 互联网巨头积极投身AI领域并大量采购智算服务器，促使超大规模算力中心迎来上架率激增，市场库存快速消化。 注：1. AI服务器是指基于GPU、FPGA、ASIC等加速芯片，专门提供人工智能训练和推理所需计算能力的服务器系统。 DeepSeek的出现推动

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，提供合适的选型推荐，选型周期从天级别缩短到�小时，提升

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