云边协同的智能运维方案帮助新能源场站实现无人运维，智能运维 • 基于分布式云计算和AI等先进技术，通过云边协同架构，实现总部与边缘场站两级资源协同互动，打造新一代无人化智能场站 • 数字化能力下沉场站，提升巡检智能化，降低生产运营风险，推动新能源减员增效 云边协同 领先的AI算法模型 边缘侧与总部一致的数字化能力，实现巡检 业务协同、算法协同、数据协同、管理协同 融合腾讯业界领先的视觉大模型、新能源 务 调 度 异 常 上 报 监视数据 推理结果 数 据 上 传 算 法 下 发 智能运检系统 AI创新中心 算法模型库 第三方算法 模型 模 型 训 练 Tencent AI 边缘版 ⋯ 标 准 化 场 站 2 标 准 化 场 站 N 数 据 采 集 公有云丰富的技术能力帮助企业建立分布式智能通用电池/充电桩运营系统 SaaS生态 eSPARK BaaS 业务中台 和解决方案，通过应 用的低代码配置和快 速灵活部署，支持一 站式交付。 1 腾讯云 云计算 物联网 大数据 人工智能 安全 区块链 云边端协同混合云底座 公有云 + 私有云 + 分布式云 + 边缘云 应用开发平台 技术支持平台 1 2 3 3 1 4 7大平台 数字研发(研） 安环园区（环） 工艺优化(法） 1 2 3 6 7 9 1朵云 数据治理平台 N个场景

协调发展，推动新一代信息技术与算力设施融合应用，引导算 力运营智能化升级。 需求牵引，强化赋能。坚持市场需求导向，发挥区域比较 优势，进一步释放工业、金融等重点行业对算力应用的需求潜 力，激发智能算力、边缘算力等全场景应用创新活力，推动算 力与实体经济融合发展。 创新驱动，汇聚合力。坚持创新驱动，遵循技术、标准、 产业和应用渐次导入的规律，推动核心技术攻关。充分发挥科 研院所、高校和企业在技术攻关、成果转化中的创新主体作用， 础较好地区集约 化开展智算中心建设，逐步合理提升智能算力占比。推动不同 计算架构的智能算力与通用算力协同发展，满足均衡型、计算 4 和存储密集型等各类业务算力需求。 3. 促进边缘算力协同部署。加快边缘算力建设，支撑工业 制造、金融交易、智能电网、云游戏等低时延业务应用，推动 “云边端”算力泛在分布、协同发展。加强行业算力建设布局， 满足工业互联网、教育、交通、医疗、金融、能源等行业应用 实现计算、存储的高效利用。针对智能计算、超级计算和边缘 5 计算等场景，开展数据处理器（DPU）、无损网络等技术升级 与试点应用，实现算力中心网络高性能传输。 2. 强化算力接入网络能力。推动城域光传输设备向综合接 入节点和用户侧部署，加快实现大带宽、低时延的全光接入网 络广泛覆盖，城区重要算力基础设施间时延不高于 1ms。提升 边缘节点灵活高效入算能力，满足企业快速、就近、灵活、高

AI训练与推理需求激增，驱动算力基础设施快速迭代 技术体系全景 ｜ 覆盖芯片器件层（CPU/GPU/TPU）、硬件设施层（AI服务器/液冷）、平台调度 层（弹性调度/绿色节能）、应用场景层（AI训练/边缘智能） 规模与增长 ｜ 2024年中国智能算力规模达725.3EFLOPS，同比增速74.1%，市场规模190亿美 元，增速超通用算力3倍 未来趋势 ｜ 2026年智能算力规模将达2024年两倍（1 • 边缘智能 • 科学仿真 算力资源层 ｜ • 基础算力 • 智能算力GPU集群 • HPC • 边缘算力 平台调度层 ｜ • 异构资源管理 • 弹性调度系统 • 数据湖仓 • 绿色节能控制 • 安全可信框架 硬件设施层 ｜ • AI服务器 • 存储阵列 • 高速网络 • 边缘节点 • distribute. 2. 算力基础设施架构和国产化情况 核心点： 基础地位 ｜ 算力基础设施是智算产业底座，我国在用/在建算力规模反映产业发展潜力。 架构选择 ｜ AI训练主要依赖GPU集群，推理向边缘算力延伸，需异构资源管理与高速网络支 持。 国产替代 ｜ 国产算力卡逐步替代进口，但关键芯片仍依赖国际供应链。 能耗挑战 ｜ 单机柜性能提升导致能耗压力，需液冷技术等绿色节能方案优化。 12 Supplyframe

⼈⼯智能模型中完全取代真实数据。 5. 边缘计算 为了使机器⼈能够在现实环境中⾃主有效地运⾏，它们必须能够实时分析数据并做 出决策，⽽不依赖于集中式基于云的服务器。这种需求促使了边缘计算的⽇益重要 ，这是⼀种新的范式，涉及在⽹络的“边缘”处 - ⽽不是将数据发送到远程数据中⼼ 进⾏分析 - 处理数据。其好处包括: 减少延迟: 通过在本地处理数据，边缘计算显著缩短了机器⼈分析信息并做出决策所需的 时间。 这种延迟的减少对于需要实时处理的应⽤⾄关重要。 增强数据隐私: 边缘计算还有助于通过将数据保留在设备本地来缓解数据隐私问题 。 改进的连接性:在⽹络连接不稳定或间歇性的环境中，边缘计算使机器⼈能够继续独 ⽴于云端运⾏。这对于在偏远地区操作的机器⼈尤为重要，⽐如农⽥或灾难区域， 那⾥⾼速互联⽹的接⼊可能有限。 机器⼈边缘计算的⼀个关键因素是神经处理单元（NPUs）的发展，这是专⻔设计⽤于加速⼈⼯智能计算的硬件。 使得直接在机器⼈上部署复 杂的AI模型成为可能。 6.⼩型语⾔模型（SMLs） 与边缘计算相关的是，在人工智能不断发展的格局中，焦点越来越多地转向小型语言模型（SLMs）的开发和部署。SMLs与更广为人知的大型语言模型（LLMs）有相似之处，但提供效率、成本效益和适应性等品质，在机器人领域尤为宝贵。 在边缘计算相关领域，随着⼈⼯智能不断发展，焦点逐渐转向⼩语⾔模型（SLMs） 的开发和部署。

码等基础处理需求，致使单平台日均算力消耗超250PFlops；二是用户对高清画质与低延迟播放的要求，让带宽成本在算力中心运营支出中的占比升至43%。用户 对实时渲染、内容分发网络的算力需求迫使企业加速部署边缘计算节点，直接驱动数据中心建设进入快车道，服务于移动互联网业务的智能算力设施占比显著提升。 移动互联网接入流量 33.9% 26.0% 6.8% 5.8% 5.5% 22.0% 移动视频 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 数十卡 工程难度 很高 极致性能 高 融合高效 较高 灵快轻易 推理：将训练好的模型应用于新场景 经过训练的模型参数量 幅提升大模型的深度思考能力。同时，杰文斯悖论的现象表明，DeepSeek带来算法效率的提升并未抑 制算力需求，反而因更多的用户和场景的加入，推动大模型普及与应用落地，重构产业创新范式，带动数据中心、边缘及端侧算力建设。 ➢ 大模型参数规模呈现两极分化趋势，主要表现为“超大参数模型”与“轻量化模型”的并行发展。超大参数模型（如千亿级以上）在复杂任务处理中展现出显著优势。 通过海量参数学习更复杂的特

用AI让物联网设备变得更智能、更具自主性。但这是一个以设备为中心的“小数据”的定义。 从战略层面的“大数据”视角来看，AIoT是机器智能与现实世界之间的连接。用于AI训练和 推理的大数据最初是由网络边缘与事物和人交互的设备所采集的小数据。这些IoT传感器和 人类输入设备是真实数据的来源，它们让AI变得实用且有价值。换言之，互联设备构成了神 经系统，并将AI与我们的世界相连。AIoT让AI变得真实且有意义。 成本的基本预期， 因此，开发盈利的AIoT设备的关键在于尽可能高效地添加AI功能和生态系统连接——而具有 成本效益的连接正是本文的重点。 1最纯粹的AIoT形式是指在设备上（即在边缘）执行AI，无需外部连接。维基百科，人工智能物联网， 2024年1月7日 第2页 人工智能物联网（AIoT）：将人工智能与现实世界相连 版权所有 ©2024 Moor Insights

sgpjbg.com）,由用户Id:879635下载,文档Id:653756,下载日期:2025-05-21 英伟达边缘计算平台Jetson 02 11 资料来源：英伟达官网、RoboticsTomorrow、浙商证券产业研究院 英伟达 Jetson系列是专为机器人和嵌入式边缘AI应用设计的计算平台，由Jetson模组、JetPack SDK和生态系统组成，加速软件开发。 Jetson系列的主要成员包括Jetson

算力分为通用算力、超算算力和智能算力，应用场景和核心硬件有显著差异，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 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

���个国家和地区的�,���家境外企业进行了非金融类直接投资，累计投资 ����.�亿元人民币，增长��.�%。 IDC预测：到����年，��%的中 国���强公司将利用无处不在的 体验、边缘分析和GenAI，使客 户能够创造自己的体验旅程，提 高客户期望的结果和价值。 �� 新业务 数字化创新业务：越来越多的企业认识到加 速数字化创新的重要意义，通过不断转型升 级，寻找高附加值的业务形态。即使在经济 要求。在预训练大模型开启的生 成式AI时代中，云和智能算力、AI平台的融合是大势所趋，也是评价云服务商先 进性的重要考量因素。 在传统的AI应用中，以视觉智能、NLP为主的智能化算法，主要依赖边缘计算资 源以及小规模的GPU中心集群进行处理。随着AI应用规模急速增长以及行业大模 型需求的快速发展，企业对AI算力的规模化、质量、成本以及AI/大模型工具链的 复合型能力都提出了远高于以往的要求。 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 ��.�% ��.�% ��.�% ��.�% ��.�% ��.�% ��.�% ��.�% ��.�% 图��

训练好的模型 云平台部署 本地私有化部署 考虑数据隐私、 存储空间、计 算资源等因素 模型能力调用 大模型实践应用 在这以前 为模型训 练成本 之后调用 为模型推 理成本 “小参数，适用边缘、端侧设备” “训练成本低，但性能相对有限” “外挂知识库，适用专业领域内容” 客服营销知识库等问答任务 “定制化调整，服务特定行业或专业任务” “训练成本跨度大，对资源有要求” 19 ©2025 目前主要以DiT为技术架构的模型有Stable Diffusion 模型、Sora模型、Flux模型等 ControlNet 条件控制 对大扩散模型做微调， 控制扩散生成走向 动作姿势 深度 边缘检测 柔和边缘 涂鸦乱画 …… • 与LoRA风格预设类似，ControlNet可以 通过插件预设模型，进一步精细控制人物 姿势动作、面部表情、手部动作等，“有 条件方向”的创作让模型生产力大幅跃升。