.... ..........................................................................................12 超大规模主导地位....................................... ...................................................... 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 .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

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

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 超高稳定性是前提 ......................................................................................... 12 5.1 超大规模组网关键技术............................................................................................ Round-Trip Time 往返时延 ZTP Zero Touch Provisioning 零接触配置 3 高性能网络关键需求和挑战 3.1 高性能数据中心网络(HP-DCN) 3.1.1 支持超大规模组网是基础 在Scaling Law（扩展定律）的驱动下，万卡GPU训练集群已成为AIGC核心玩家的及 格线，智算中心正迅速朝着超万卡级别的规模迅速发展，国内云商如阿里巴巴、百度等陆续 宣布

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， 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 中国各行业智能算力应用分布，2023 ➢ 互联网头部厂商大量采购智算芯片 相较海外，国内智算中心正处于高速增长期，中国各行业对智算的需求急剧上升，其中互联网行业是最大需求方， 互联网巨头积极投身AI领域并大量采购智算服务器，促使超大规模算力中心迎来上架率激增，市场库存快速消化。 注：1. AI服务器是指基于GPU、FPGA、ASIC等加速芯片，专门提供人工智能训练和推理所需计算能力的服务器系统。 DeepSeek的出现推动

⚫ 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 混部系统等核心特性

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

、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 IaaS/PaaS 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

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 、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天

纳米工艺芯片。 在大模型方面，大模型正在加速人工智能产业化进程，推动算力服务 普惠普适。DeepSeek、百度“文心一言”、阿里巴巴“通义千问”等国内 央国企智算创新实践报告（2025 年） 4 超大规模模型正加速演进，认知能力不断提升。同时，“预训练大模 型+下游任务微调”的新范式，已成为破解人工智能技术落地难题的重 要突破口。国内厂商纷纷加码大模型投入与研发，如 DeepSeek 也通 硬件设备，使其具备 智算服务能力 优点：可充分利用已有资 源，建设成本相对较低 缺点：对技术要求较高，通 常难以实现大规模、超大规 模算力升级 适用于已有一定规模、智 算需求并非超大规模，且 对成本较为敏感的企业 自建 全新规划、选址、设 计并构建智算中心 优点：可根据业务需求进行 定制化设计，自主性较强， 安全性较高 缺点：建设成本相对较高， 建设周期长 算平台可实现对单集群算力资源管理，以及多集群的协同管理，单集 群管理方面，可支持单一智算中心内异构算力资源的调度与算力加速， 能够根据任务对算力资源的需求，在智算中心内为任务分配、调度相 应计算资源，并支持超大规模集群算力加速能力，通过优化调度逻辑， 提升软硬件协同效率，强化集群整体计算性能，满足高负载、高算力 需求场景的运行效率。多集群协同管理方面，可实现跨域多个异构算 力集群资源的统一管理、编排和调度，当接收到业务请求时，平台可

实现多元算力一体化布局。 一是建设超大规模高性能智算中心，赋能行业数字化转 型。建设业内领先的液冷高性能公共智算中心，提供 4000PFlops 总算力供给，可满足万亿参数模型训练。采用基 于全栈 AI 软硬件平台方案，实现算、存、网、电、冷一体 化设计，实现电能利用上的增效，依托超大规模智算集群强 大计算能力，赋能千行百业数字化、智能化转型。 2 图 1 “超大规模液冷智算集群”平面部署图