..... ..........................................................................................12 超大规模主导地位....................................... ..................................................... 场已 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 能源限制和不断变化的需求模式继续塑造着这一领 域的格局。 当我们在编译这份报告时，中国宣布推出的颠覆性人 工智能模型——DeepSeek——引入了一个可能对数 据中心行业产生深远影响的新变量，特别是对超大规 模供应商而言。DeepSeek在自然语言处理方面取得 了重大进展，包括增强的上下文理解、更快的模型训 练能力以及提高的多语言水平，这些都使其区别于现 有的AI模型。值得注意的是，这些改进在更高的效率

高，说明其公共交通（地面公交+地铁）运行效率、可靠性，相对 其他城市公共交通运行水平的综合表现较好； • 兰州市公共交通出行幸福指数最高，与正理想值最接近，达到81.48%；深圳市和合肥市分别在超大城市和特大城市中“公共交通出行幸福指数”位列首位。 注：城市规模来自中华人民共和国住房和城乡建设部2022年城市建设统计年鉴 公共交通出行幸福指数 南京 济南 9 郑州 哈尔滨 成都 72.30% 72.04% 71.17% 69.27% 66.91% 62.09% 50.79% 深圳市 成都市 重庆市 北京市 武汉市 上海市 广州市 杭州市 东莞市 超大城市公共交通出行幸福指数 78.56% 78.55% 73.29% 72.62% 69.69% 63.27% 61.20% 55.75% 合肥市 济南市 南京市 郑州市 西安市 越少，公交出行越便捷。 • 2024年期间，城市公共交通平均换乘系数整体同比呈多持平或下降趋势，超大城市、特大城市、中大城市的平均换乘系数（1.574、1.522、1.432）与去年同期 相比（1.579、1. 520、1.435 ）差异较小。其中，东莞市、沈阳市、海口市的公交换乘系数分别在超大、特大、中大城市中最小。 注：换乘系数计算方法参考国家标准（GB/T 32852.1-2016），

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

高性能数据中心网络(HP-DCN).......................................................................................3 3.1.1 支持超大规模组网是基础....................................................................................3 3.1.2 .......................................................................................... 12 5.1 超大规模组网关键技术........................................................................................... 胀的AI模型需要更大规模的算力集群执 行训练。AI大模型以GPU集群分布式训练为基础，根据阿姆达定律，串行占比决定并行效 率上限，网络成为影响算力的重要因素。AI训练任务的高精度并行协同特性以及超大集群互 联吞吐量对网络性能提出了数量级的提升需求。AI大模型训练的时间往往长达数月，也使得 网络的长稳运行变得前所有未有的重要。从网络流量模型来看，AI大模型训练流量与通算流 量呈现出完全不同

算服务平台率先完 成国产算力与DeepSeek-R1/V3系列大模型的深度适配优化，成为国内 首家实现DeepSeek模型全栈国产化推理服务落地的运营商级云平台。 02  未来推理算力长序列与超大模型推理优化成为关键，国产软硬件 协同与生态成熟推动推理普及 03 中国算力正朝着“训推一体”融合架构快速发展，以支撑大规模 模型与多模态应用的高效低延迟推理。国产AI芯片与推理框架不 断优化，结 ToC推理 ToB中心 ToB边缘 业务 主体 大型互联网 运营商 大模型公司 行业头部企 业 大中型企业 大中小企业 大型互联网 大型企业 分支/ 中小企 算力 需求 超大规模 大规模 较小规模 小规模 超大规模 大规模 小规模 千卡～万卡 数百卡～千 卡 单机8卡起步 单机1卡起步 千卡以上 数百卡～ 数十卡 工程 难度 很高 高 较高 一般 很高 高 较高 TP/DP/PP并行， 25以下；液冷机柜占比超过50%；绿电使用占比超20%。 2023年 12月 《关于深入实施“东数西算”工程 加快构建全国一体化算力网的实施意见》  提出引导各类算力向国家枢纽节点集聚，节点外原则上不得新建大型及超大型数据中心。  设定到2025年国家枢纽节点新建数据中心绿电占比超过80%的目标。 《数字中国建设整体布局规划》  提出系统优化算力基础设施布局，促进东西部算力高效互补和协同联动，引导通用数据中

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

制化演进。主要应用于大型云计算数据中心和初期智算中心。 阶段 3：高密智能化阶段（2018-2025 年），该阶段推进高压直流（HVDC）规模化部署，全链路智能化（AI 调优 + 数字孪 生）。主要应用于超大规模智算中心（如 AI 训练集群）。 阶段 4：绿色全直流阶段（2025 年后）, 该阶段全直流微电网成为趋势，深度融合可再生能源（光伏 / 储能）。主要应用 于下一代零碳智算中心和边缘计算节点。 算力资 源高效供需匹配 适度超前布局数字基础设施，深入推进信息通信网络建设，加快建设全 国一体化算力网，全面发展数据基础设施 严格数据中心项目节能审查，到 2025 年底，新建及改扩建大型和超大 型数据中心电能利用效率降至 1.25 以内，国家枢纽节点数据中心项目 电能利用效率不得高于 1.2 加快推进低效数据中心节能降碳改造和“老旧小散”数据中心整合改造 提升可再生能源利用水平，到 列头柜及其他 UPS&HVDC 电缆 配电柜 后备电池 柴发 变压器 竞争格局 中国智算中心供配电新产品和技术慢于北美市场，但发展前景较好。中国具有全球领先的电网系统、且新能源充足，具 备超大规模智算中心的能源供应基础条件。国产品牌在智算中心供配电创新器件、电路拓扑、产品和方案、产业链聚合 等具备冲击国际第一梯队的潜力。 国产品牌供配电厂商主要从以下 4 个方面提升核心竞争力： 1·

化、云 原生等技术实现了资源池化和弹性扩展能力，有效支撑了各行各业数字化转型。 随着千亿参数大模型等 AI 技术的迅猛发展，传统云服务体系面临严峻挑战，云 计算进入深水区：在算力方面，十万卡级超大规模 GPU 集群的异构算力需求已远 超现有资源池化的调度能力；在网络层面，AI 训练中 TB 级参数同步对时延极为 敏感，传统网络架构难以满足低时延、高吞吐的传输要求；在服务形态上，单一 的 OIO（Optical I/O）光电融合架构创新，采 用光电共封装技术突破传统电互连的带宽密度与传输距离限制，推动材料接口与 封装规范的标准化进程，为 TB/s 级带宽、百 ns 级时延的点对点超大规模智算集 群互联奠定基础。 2.3.2 机间互联 AI 大模型以 GPU 集群分布式训练为基础，网络成为影响算力的关键因素。 现有 InfiniBand 和 RoCE 技术存在各自问题，均不满足未来机间互联技术演进， 模型训练存在混合并行效率低、低精度训练不稳定等多重挑战。中国移动通 过训练并行优化降低混合并行复杂性，完善 FP8 混合精度训练框架，基于故障容 错提升训练稳定性，通过构建可支撑万亿级参数模型训练的高效框架，加速产业 智能化向超大规模、超复杂场景持续突破。 2.5.2.1 训练并行优化 模型规模突破万亿参数，引发动态负载失衡、多节点显存分配不均衡等问题。 通过建立自动搜索系统实现不同节点规模的最优参数组合。通过动态分析计算图

对AI领域的技术突破和创新 ⚫ 针对自主创新芯片服务器优 化 ⚫ 针对自主创新数据库的性能 优化 ⚫ 针对资源利用率的有效提升 15年磨砺 海量实践铸成Ten ce ntOS Ser ver • 支撑腾讯云上用户超大规模的部署和运 行，持续不断的优化，规避故障，提高 稳定性，经受用户关键业务考验 190万+CVM数 经受腾讯云用户关键业务考验 • 从2010年起持续对Linux内核进行贡献 • 连续6年入选全球“KVM开源贡献榜 打破TPC-C 世界纪录 TDSQL+TencentOS组合 国内主流数据库厂商 互认证（部分） 云原生操作系统：轻量安全的云原生底座 国内主流云平台/容器平台 互认证（部分） 基于腾讯云超大规模云原生运营过程中积累的自主研发能力，支持腾讯核心业务的高效运转。云原生操作系统具备深度优化的云原生能力，专为容器、微服 务等架构打造，提供 NetTrace、SLI及 RUE 混部系统等核心特

单元）专为高算力AI（人工智能）任务设计， 能在与超大规模的定制化软件层协同运行时 显著提升能效。 Broadcom（博通）CEO（首席执行官）Hock Tan预测该领域将迎来爆发式增长，2027年 的AI（人工智能）及AI（人工智能）网络相关 营收预计将从当前的150至200亿美元跃升 至600至900亿美元。亚马逊AWS、谷歌 云与微软Azure等超大规模云服务商正与 Broadcom（博通）联合开发AI（人工智能） 点击此处下载 这一趋势虽预示着专用芯片市场扩容，但业 界专家普遍认为其互补性作用远大于替代性： 通用型GPU（图形处理器）在基础AI（人工 智能）算力中占据主导地位，定制化芯片则 专注于解决超大规模场景需求。此类技术演 进不仅重塑了AI（人工智能）基础设施格局， 更为电子元器件产业注入了持续的增长动能。 AI（人工智能）硬件引领半导体产业革新 HPC（高性能计算）与服务器预计将在2025年