..... ..........................................................................................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

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

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

“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。” （2024年7月） 《绿色数据中心政府采购需求标准（试行）》 “2023年6月起数据中心电能比不高于1.4，2025年起数 据中心电能比不高于1.3。” （2023年3月） 《推动数据中心和 5G 等新型基础设施绿色高质量发 展实施方案》 “全国新建大型、超大型数据中心平均电能利用效率降 著降低数据中心PUE数值，并有效分摊基础设施成本，实现数据中 心绿色低碳高效运营。 3） 快速交付便捷运维，满足数据中心规模化、集约化建设需求。国家在政策上引导超大型、大型数据中 心集聚发展，形成多地布局的国家枢纽节点。超大规模数据中心的建设，对快速部署和便捷运维提出了严峻挑战。 整机柜服务器具有模块化架构，支持工厂预装和一体化交付，相比传统机柜，交付部署效率提升8～10倍。同时， 整 天枢服务器节点兼容设计方案 （液冷兼容/集中供电兼容/I/O前出线兼容；风扇后置可以降低对硬盘的影响，也便于维护） 第三阶段可谓承前启后。 虽然是开放的生态，一套整机柜服务器规范体系要获得更多超大型用户的支持，也需要做出很大的调整。 以开放计算项目的Open Rack为例，作为OCP创始成员之一的Facebook（Meta）是其基本盘，广泛部署Open Rack 机柜以提高数据中心的密度和能效，同时降低成本。

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 基于服务的测试。 我们认为，对测试的优先考虑与关注为2025年5G SA和5G-Ad- vanced的部署提速树立起鼓舞人心的风向标。 。这一新形势的推动力 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 性、符号检测与解码、信道估算、波束管理及干扰抑制等无线电功能实现了优化。自动 化智能技术使无线电设备能够自主选择频谱、按需调整信号路径及调制方案。 AI原生新空口 大幅度扩展MIMO技术，利用超大规模天线阵列，实现前所未有的空间复用能力、能效提升及6G网络容量增强。天线密度的增加带来更 复杂的信号处理、更高的硬件成本以及更大的物理空间需求等挑战。 极端大规模MIMO 在不同空间分布多个