... ..........................................................................................12 超大规模主导地位....................................... ....................................................... 经达到或接近容量，迫使租户将电力可用性和可扩 展性置于传统市场偏好之上。尽管需要大量资本投 资，二级和三级市场仍吸引了越来越多的关注。 数据中心行业在2024年经历了前所未有的变革， 这是由超大规模运营商的历史性吸纳率和人工智能 （AI）的快速发展所推动的。各大市场的空置率下 降至历史最低水平，加剧了对空间和电力的竞争， 并要求在土地、开发和基础设施方面进行重大投资 。 投资者渴望参与到该行业的发展，但成功需要不只 4吉瓦增加到2024年的超过18吉瓦——还不包 括另外30吉瓦的计划产能。 1 这种增长是由数字化转型的加速步伐以及人工智能在各个行业的日 益普及所驱动，亚马逊、谷歌、Meta、微软和甲骨文等超大规模企业领导了这一需求增长。 平衡前所未有的机会与战略风险 0 2,000 4,000 6,000 8,000 10,000 12,000

2 万亿蓝海，新从旧来——中国设备更新战略与实践 企业实践：新引擎、新模式、新价值呼唤新质服务体系与生态构建 01 引言 / 01 1 政策引导： 政策助力与经济回升 2024年中国大规模设备更新行动启幕 / 02 1.1 设备升级的核心路径：高端化、数智化、绿色化 / 03 1.2 重点推进领域 / 05 1.3 政策加码与优化空间 / 08 2 宏观市场: 面向2027 / 18 3.2 石油化工：走向绿色化、高端化、电气化 / 19 3.3 电子产业温和复苏期：新技术催生新机遇 / 21 3.4 交通：迈入存量发展阶段 / 23 3.5 商业建筑：大规模设备换新叠加绿色低碳发展 / 25 3.6 数据中心走到新旧转换节点：能耗与绿色平衡术 / 27 3.7 大健康：行业高速发展 / 29 3.8 教育：绿色教育进行时 / 31 4 企业实践： 的发展机遇与挑 战。2023年中国经济展现出回暖复苏势头，2024年则被视为进一步巩固经济回升态势的关键一年。在 这一背景下，大规模的设备更新行动不仅成为扩大内需、促进产业升级的重要途径，更是推动经济高质 量发展的关键举措。 本报告将深入探讨中国2024年大规模设备更新行动的战略意义、政策措施、实施路径以及预期的 市场影响。通过对政策、市场、行业和生态等方面进行多维度分析，揭示这一行动如何助力中国经济实

......................................................................................3 3.1.1 支持超大规模组网是基础....................................................................................3 3.1.2 超高稳定性是前提 ............................. 12 5.1 超大规模组网关键技术.................................................................................................. 12 5.1.1 大规模组网交换机：硬件基础，容量速率双升....................... .......................12 5.1.2 大规模组网路由协议：可扩展快速部署，组播能力提供..............................13 5.2 超高稳定性关键技术................................................................................................

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

5G独立组网的部署目标，但在进入2024年后，全球的发展势头 仍然令人乐观。 在5G领域大规模商用部署缺乏明显的进展并不能说明全部情 况。真正的行动是在幕后展开的：大规模的SA部署继续实现快 速推进，同时最新的5G-Advanced部署也开始取得进展。 仅在过去的一年里，思博伦就与超过50家通信运营商（CSP）、 网络设备制造商（NEM）和超大规模云运营商在5G SA的测试领 域开展了合作，范围涵盖了性能、安全、弹性、生命周期管理及 向第三方开发人员开放网络功能。 5G核心网已准备好应对数百万台轻量化（RedCap）设备， 并确保它们能与传统的智能手机网络共存。 • 6 思博伦5G报告 2025 进展、关键点与未来展望 对大规模漫游场景进行验证，如5G漫游的home-routed及 local breakout设置。 • 对5G核心网支持具有语音、视频及数据功能的关键任务对讲 （MCPTT）服务的能力进行评估，尤其是其在大型群组场景 一新形势的推动力 量来自于人们对最新的移动核心网与特定服务（例如VoNR）进行主动监控的需求。 2024年5G经典案例 5G边缘计算与超大规模云的 性能对比 英国一家大型移动运营商希望在真实场景下测量其5G多 接入边缘计算（MEC）网络与超大规模云解决方案的性 能。公司与思博伦合作，收集多个城市中应用、位置与 网络路径的详细数据，从而深入了解区域及SIM卡级别 的延迟、吞吐量及应用程序性能。这一项目验证了基于

算法的基因组组装方法，相对于其他方案而言， 具有三方面的技术优势。1）结合三代测序技术辅助二代测序技术可 以有效的解决存在基因重复片段的基因组组装问题。2）基于分布式 VQE 算法，可以在 NISQ 时代使用较少的量子资源求解大规模 QUBO 问题。3）基于特定的问题启发式参数化量子线路，可以高效 量子信息技术应用案例集（2024） 16 快速地解决存在基因重复片段的基因组组装问题。 当前，基于分布式 VQE 算法所需的量子比特资源会随着基因组规模呈 指数增长，NISQ 时代的量子计算机往往难以处理实际的基因组组装 问题。为解决这一挑战，我们设计了分布式 VQE 算法，它能够用更 少的量子比特资源来模拟实现大规模的基因组组装，而且不需要这 些规模较小的量子计算机之间存在量子层面的互联。 最后，一个优秀的参数化量子线路需要在保证试探波函数包含 基态的表达能力与尽可能减少参数化量子态搜索空间之间找到平衡。 efficient ansatz，HEA）相比，这种方法在搜索空间上具有指数级的 优势。 (二) 案例的不足与改进考虑 分布式 VQE 算法可以有效地仅使用较少的量子资源模拟计算更 大规模的 QUBO 问题，但是在实际应用中还存在着一些挑战。一方 量子信息技术应用案例集（2024） 20 面，即使采用分布式计算的策略，实际的组装任务仍需要大量的量 子比特，这对近期的量子设备来说是一个巨大的挑战。另一方面，

通感一体功能提供了一个充满发展潜 力的应用场景，有望为运营商带来新的业务增长点，建议关注电信运营商 中国移动、中国电信、中国联通。 ➢ 重点关注同感一体化大规模天线阵列产业链 我们认为实现通感一体化功能，基站需要具备足够大的发射功率和波束增 益才能对其进行远距离的有效探测和跟踪，需要采用大规模的天线阵列以 提升方位向的位置精度和波束增益。包括天线、射频、滤波器等领域的企 业均有望受益低空经济和 5.5G 通感一体互相促进发展过程中带来的需求 投资建议：关注通感一体和低空经济协同发展产业机会 ................. 11 3.1 低空经济有望为电信运营商提供新的业务增长点 .................. 11 3.2 重点关注同感一体化大规模天线阵列产业链 ...................... 11 4. 风险提示 ...................................................... R18 开始命名为 5G-Advanced（5G-A）， 这标志着全球 5G 技术和标准的发展进入了新的阶段。面向 2024 年及以后，一方面， 5G-A 持续增强已有的能力，支撑传统 5G 业务大规模应用；更重要的一方面，5G-A 将 增加新的能力，支撑新场景新业务的应用。5G-A 将面向六大主要应用场景，包括沉 浸实时，智能上行、工业互联、通感一体、千亿物联和天地一体，从网络、终端、云

融合的关键技术章节重点介绍“解决方案”。与 4.0 版本相比，本白皮书的侧重点 有所变化，4.0 版本主要集中在对各项技术面临的研究挑战进行系统梳理，而本版则更加关 注这些挑战的解决方案及其最新进展。本章节特别聚焦于超大规模 MIMO、通感一体化、 AI 与通信融合、语义通信以及量子计算等领域的关键技术突破。针对上一版本中提出的问 题，本白皮书通过深入分析每个技术领域的最新进展，结合仿真数据和原型测试结果，系统 ...........................11 2.1 超大规模 MIMO 技术...................................................................................................11 2.1.1 集中式超大规模 MIMO................................ ICDT 融合的关键技术 2.1 超大规模 MIMO 技术 2.1.1 集中式超大规模 MIMO 2.1.1.1 低复杂度信号处理 相对于传统的大规模 MIMO 系统，6G 集中式超大规模 MIMO 系统的天线阵列规模更 大。集中式超大规模 MIMO 系统信号处理所涉及的大量的矩阵求逆等运算的计算复杂度随 天线阵列规模的增大呈指数级增长。 为降低集中式超大规模 MIMO 系统的信号处理的复杂度，一种有效的方式是将高维度

产业研究 战略规划 技术咨询 2 预训练语言模型 预 训 练 微 调 将模型在大规模无标注数据上进 行自监督训练得到预训练模型 将模型在下游各种自然语言处理任 务上的小规模有标注数据进行微调 得到适配模型 AI大模型就是预训练语言模型 通过在大规模宽泛的数据上进行训练后能适应一系列下游任务的模型 预训练语⾔模型“预训练 + 微调”技术范式 ⼤规模⽆标注 ⽂本数据 模型预训练 不同特定任务 有标注训练数据 模型微调 测试数据 最终模型 从海量数据中自动学习知识 Ø Big-data Driven，模型基于大规模语料训练而成； Ø Multi-tasks Adaptive，支持多种任务，包括自然 语言生成NLG和自然语言理解NLU类的任务； Ø Few-shot (Zero-shot)，在少甚至无标注样本的 条件下支持推理（自监督学习）。 产业研究 战略规划 是最重要的落地场景之一。 ����� 文心一言沿袭了 ERNIE 3.0 的海量无监督文本与大规模知识图谱的平行 预训练算法，模型结构上使用兼顾语言理解与语言生成的统一预训练框 架。为提升模型语言理解与生成能力，研究团队进一步设计了可控和可 信学习算法。 ��� 结合百度飞桨自适应大规模分布式训练技术和“鹏城云脑Ⅱ”领先算力 集群，解决了超大模型训练中的多个公认技术难题。在应用上，首创大