V/50 V 电压域转换至 6 V 的中间总线。图 10 显示了该模块及其实测效率曲线。 12 二、AI 服务器机架的供电 预测三：AI 服务器机架的功耗将超过 1 兆瓦 在针对拥有万亿级参数的超大规模AI模型进行训练时，需要将数千颗GPU集成在同一台机器中，并以同步模式运行。 机架之间的数据通信通常通过光通信实现，而 IT 机架内部的高速互连则依赖专用处理器，通过铜缆将每个 GPU 与 其他 到数百兆瓦级别。 在未来几年内，为满足规模日益庞大的 AI 模型对算力的无限需求，预计将出现专门的“AI 工厂”。在同一数据中 心园区内，此类设施的用电量将达到吉瓦级，甚至可能超过数吉瓦。多家超大规模数据中心运营商已发布了相关 建设计划 [2,3]。在训练过程中，大型 GPU 集群的负载剧烈波动，所引起的电力供应与电网稳定性问题，成为确保 这些数据中心安全运行的重大挑战。要应对这些挑战，必 率转换环节上，实施瞬态负载的主动缓冲。 此外，在设施层面部署大型电池储能系统（BESS）也将成为必需措施，以确保整个数据中心保持近乎恒定的负载 曲线。 英飞凌致力于沿着整个功率转换链路，支持超大规模数据中心运营商及系统供应商，共同实现可持续、高效且具 经济可行性的电力解决方案。功率半导体正是这些工作的核心所在，其目标包括： 17 • 将任意能源形式转换为处理核心电压所需的负载电流 •

规模演进。随着单节点算力突破每秒百亿亿次，这类超大规模集群的 极致计算能力对互连链路带宽、延迟和功耗提出了极其严苛的要求。 传统基于铜介质的电互连方案，正面临 “带宽墙”、“延迟墙”及 “功耗墙”等三重严峻挑战：单通道速率难以突破400Gbps，传输延 迟高达数微秒，单机架互连功耗占比更是超过40%，这一系列瓶颈已 成为制约超大规模智算集群算力释放的核心障碍。 相较于传统可插拔光模块等设备级光互连技术，芯片级光互连正 DSP补偿。 光交换为突破电交换的限制提供了新的路径： 一是，其在光层面直接完成端口间的切换，无需O-E-O转换，彻 底绕开了制程、缓存和SerDes衰减等物理瓶颈，可支持极高传输速率 与超大规模集群部署。光交换天然具备速率和协议无关的特性，从 400G到800G乃至1.6T均可平滑支持，在速率升级时无需更换交换设备， 极大降低了系统演进的复杂度和成本。 二是，光交换通过端到端光路直通，避免了复杂的包解析与缓存 FPGA产品中， 实现了高带宽、低功耗和延时的光FPGA产品。同时，英伟达、AMD也 参与了Ayar Labs 2024年的D轮融资。通过应用相关光引擎和激光技术， 替代传统电互连，以解决超大规模GPU集群的通信瓶颈。 面向大规模智算集群场景光互连技术白皮书 (2025) 27  Lightmatter产品及技术方案 初创企业Lightmatter推出了基于3D封装技术的CPO产品Passage

云智算光互连发展报告 前言 本发展报告面向未来智算中心超大规模扩展、AI 大模型极致性 能与高效部署的核心需求，联合产业合作伙伴共同提出先进光互连 技术架构与演进路径，旨在突破传统电互连在带宽、距离与能效方 面的根本性瓶颈，构建高带宽、超低时延、低功耗及高可靠性的新 一代智算中心互连底座，为人工智能、高性能计算及云服务等关键 业务的持续跃升提供坚实支撑。 本发展报告的版权归中国移动云能力中心所有，并受法律保护。 算力集群的 带宽瓶颈、延迟损耗与扩展桎梏，为“N+X”智算节点的弹性组网提 供核心支撑。这一升级并非简单的硬件替换，而是覆盖数据、控制、 管理多平面的系统性算网协同革新。随着移动云呼和浩特、贵阳等 超大规模智算中心的落地，单集群 AI 加速卡规模已突破 2 万张，算 力达 6.7EFLOPS，传统基于电交换的 Super Spine 在横向扩展中逐 渐暴露性能、成本、扩展性的三重矛盾。未来大规模智算集群性能 问题，以智算中心场景为核心，推动 NPO/CPO 的应用落地，解决发 热、芯片良率等问题，同步验证 OIO 在 GPU 互连领域的应用效果。 对于光交换领域，在 OCS 方向，目前已经实现初步商业化。光 交换作为支撑超大规模 Scale-Out 架构的关键基础设施，在智能中 心中的应用前景十分乐观，短期来看，OCS 最有可能进行小范围的 试点应用，长期来看，光分组交换将具有更大的潜力。 云智算光互连发展报告 附录：

层的关键挑战与发展路径； • 提出面向未来的技术演进方向与标准化路线建议。 我们期望本白皮书能为智算中心网络领域的研究人员、设备制造 商、运营商与服务提供商，提供系统的参考框架与技术洞察，共同推 动构建超大规模、超大带宽、超低时延、超高可靠的新一代智算中心 网络基础设施。 本白皮书的编制工作得到了国家自然科学基金项目（编号： U24B20150）的支持，在此表示感谢。 目录 前言....... 在训练的过程中需要进行频繁且复杂的通信。这就要求构建 GPU 之 间的全互联高速数据通道，以确保数据的高效传输，最大限度减少 GPU 间通信耗时。那么，如何满足大规模 GPU 之间的高效通信，构 建超大规模、超大带宽、超低时延、超高可靠的智算网络，已成为当 前智算网络发展重要挑战。 智算中心网络如图 1-1 所示，可按通信范围分为机内互联 （Intra-Node）与机外互联（Inter-Node）两类： 限制，传统电交换机的带宽密度已难以满足大模型训练增长的流量需 求。光交换具有大带宽、可靠性高、功耗小、组网灵活的特点，相比 电交换机具有高带宽、低能耗的优势，是突破网络核心侧带宽密度瓶 颈的最佳技术路线，适用于超大规模 AI 训练集群。光电协同架构[6] 可以将光交换的高带宽、低延迟和电交换的灵活控制能力整合起来， 提供 TB 级带宽，充分发挥光与电两者优势。 表 1-2 光电交换技术比较 光电协同 全电交换

2.2 应用和数据迁移阶段关键诉求 2.2.3 应用开发与运维转型阶段关键诉求 基础设施层 3.1.1 软硬协同一体化，构建融合高性能基础设施 3.1.2 调度和升级优化，支持超大规模算力管理 3.1.3 端到端可靠性设计，保障系统稳定可靠运行 3.1.4 原生安全能力基线，构筑纵深防御高安全体系 数据层 3.2.1 五大核心要素，定义和设计云上数据库 Jenkins、Argo CD 需求与 设计管理 协作开发 管理 自动化 流水线 全链路 可观测 故障 智能定界 故障 自动恢复 中间件层 数据层 基础设施层 软硬协同高性能 超大规模算力 多层冗余高可靠 纵深防御安全 消息队列 事务 缓存 调度 高性能大容量 高效迁移与同步 快速备份恢复 高可靠架构 虚拟机 虚拟存储 虚拟网络 容器 分布式总线 云负载均衡 数据库 对象存储 安全的能力，具体包含以 下特征： (1) 融合高性能：协同云平台软件和计算、存储、网络等硬件设备进行深度调优，实现对硬件的精细化管 理和调度，最大化释放硬件性能。 (2) 万级大规模：具备超大规模算力资源管理和调度能力，支持资源弹性伸缩，集群规模升级不中断业务。 (3) 全层级高可靠：通过全栈冗余设计和多种形态的容灾能力，构建从数据中心级到应用软件级的一体化 高可靠能力，满足系统级高可靠要求。

， 考生可快速核实身份后入场； 4.为保证公平公正，执行双盲面试。考生签到后抽签决定面试顺序，后发 放胸贴（考生编号），全程盲面，4 天成功保障 3000 人面试项目顺利完 成。 【超大规模、极速响应、体验升级】现场面试统筹需求 智联猎头通过 【智能分流+双盲机制+数字化核验】 实现 3000 人零差 错交付！ 27

作为人工智能领域的前沿探索者与实践引领者 ，通义大模型不断拓展在技术架构、 认知能力和治理体系等方面的全方位优势。在技术架构维度，通义打造了“全尺寸” 覆盖、“快思慢想”兼容的大模型，完美适配轻量级移动终端到超大规模云服务的全 场景部署的多样化场景需求；在认知能力建设方面，通过融合文本、图像、语音、视 频、代码等多模态能力，实现跨模态深度语义对齐，显著提升模型在复杂任务中的表 现力和泛化能力；在安全治理方面 TRUSTWORTHY MaaS 2 全尺寸、全模态的模型供给 2.1 全尺寸覆盖的弹性架构 通义千问（Qwen）构建了业界最完整的全尺寸大模型矩阵。Qwen 全面覆盖从端侧 轻量化部署到超大规模云端推理的多样化需求。0.6B-14B 小尺寸模型通过先进的量 化压缩和架构优化技术，可在移动终端实现高效推理；32B 中尺寸模型采用 MoE（混 合专家）架构，在保持优异性能的同时显著降低推理成本；235B 密钥授权，平台从技术上将彻底失去解密数据的能力。此机制将数据安全的主动权和 最终控制权交还给客户，以满足最严苛的合规与数据主权要求。 2.2.3 平台级多租户隔离 阿里云百炼平台构建于阿里云 AI 基础设施之上，天然继承了其经过超大规模实践检 验的成熟多租户隔离架构，为用户提供了可靠的隔离保障。 ● 计算与网络资源隔离：平台上的所有微调模型、Agent、MCP均运行在独立沙箱环境， 实现了严格计算、存储、网络隔离，确保了不同租户间互不干扰。

际经济贸易秩 序遇到严峻挑战，世界经济增长动能不足；大国博弈更加复杂激烈。从国内看，我国经济基础稳、 优势多、韧性强、潜能大，长期向好的支撑条件和基本趋势没有变，中国特色社会主义制度优势、 超大规模市场优势、完整产业体系优势、丰富人才资源优势更加彰显。同时，发展不平衡不充分 问题仍然突出；有效需求不足，国内大循环存在卡点堵点；新旧动能转换任务艰巨；农业农村现 代化相对滞后；就业和居民收入 ——高质量发展取得显著成效。经济增长保持在合理区间，全要素生产率稳步提升，居民消费率 明显提高，内需拉动经济增长主动力作用持续增强，经济增长潜力得到充分释放，全国统一大市 场建设纵深推进，超大规模市场优势持续显现，新型工业化、信息化、城镇化、农业现代化取得 重大进展，发展新质生产力、构建新发展格局、建设现代化经济体系取得重大突破。 ——科技自立自强水平大幅提高。国家创新体系整体效能显著提升，教育科技人才一体发展格局

内存与 计算性能的高比例；NVIDIA的A10虽发布于2020年，但仍因其在小型模型推 理中的应用而备受青睐。 真正注重混合计算的用户可能会对基于Arm架构的服务器CPU的顶级产品感 兴趣；中国超大规模云服务提供商如Qwen的创建者阿里巴巴，可能正在通 过这种方式适应GPU访问受限的局面。 阅读 阅读更多 更多 NVIDIA Dynamo: Serving general-purpose AI

个国家数据中心集群，“东数 西算”工程稳步推进，将东部海量数据传输至西部数据中心集群处理，充分利用西部 能源优势，降低运营成本。同时，大型互联网企业、科技巨头纷纷加大在算力领域的 投入，建设超大规模算力中心。 1.2.2 算力芯片结构多样化 算力中心和传统数据中心在服务器芯片结构上存在本质的差异。传统数据中心芯 片架构相对单一，主要以 CPU 为算力核心，基于 CPU 和云存储集群提供的相关云服务， 重新调整设备数量）。 3) 运维挑战：需定期检查 Leaf-Spine 链路带宽利用率，避免因节点数增加 导致的拥塞。 （2）. 三层 Core-Spine-Leaf 架构： 1) 适用场景：超大规模集群 2) 架构特点：  增加 Core 层交换机，形成 Leaf→Spine→Core 的三级结构（如 256 卡 集群需 32 台 Leaf、32 台 Spine 和 32 台 Core）。