异构算力协同白皮书 Heterogeneous Computing Power Coordination White Paper 全球计算联盟 智能计算产业发展委员会 1 编写单位 中国电信股份有限公司 北京智源人工智能研究院 中科加禾（北京）科技有限公司 沐曦集成电路（上海）股份有限公司 中国信息通信研究院 科大讯飞股份有限公司 上海壁仞科技股份有限公司 编写组成员(排名不分先后) 的各类异构算力芯片齐头并进。 然而，因芯片架构不同、通信协议不统一、算存传能力差异而导致的异构算 力碎片化、生态割裂及协同效率不足等问题日益显现。构建统一计算、统一通信、 统一调度和统一评测的异构算力协同体系，实现异构算力间的无感知计算、无阻 碍通信协作、资源的高效调度和自动化测评，是推动异构算力基础设施迈向新阶 段的关键路径。 本白皮书通过系统性梳理算力产业发展现状、异构算力协同体系架构、关键 系架构、关键 技术、解决方案与实践和未来技术展望，促进产业界对异构算力协同领域的深入 理解，加速技术成果的产业化应用。全球计算联盟智能计算产业发展委员会将与 产学研各界合作伙伴携手共进，推动国产算力底座性能持续跃升、异构算力协同 生态日趋繁荣，为人工智能时代的到来铺设更加坚实的算力基石！ 全球计算联盟 智能计算产业发展委员会 2025 年 7 月 2 目 录 第一章 算力产业发展现状

的关键技术路径。在这一融合 过程中，负载整合技术发挥着至关重要的作用，它打破了传统系统中 AI 处理和实 时控制相互独立的架构壁垒，实现了多种计算任务在统一平台上的协同优化。 新一代计算平台的异构架构优势在此背景下显得尤为重要。通过整合高性能 CPU、 GPU 和专用 AI 加速器，结合先进的负载整合技术，单一平台即可同时处理实时 控制任务和复杂 AI 推理，实现了前所未有的计算效率和系统简化。这种技术创新 Shift 技术，可以通过提高并固定实时核工作在比基频更高的频率，优化实时性能。它不影响其它 核的依据负载和 TDP 的条件浮动变化频率。 • 英特尔® 酷睿™ Ultra 系列处理器采用先进的异构架构设计，GPU 独立 die 与 CPU 物理分离且不共享三级高速缓存， 从架构层面消除了缓存争用对实时性能的影响。Per-Core C-state 技术实现了颗粒度更细的电源管理：实时核心保 整合为一个来降低物料清单 (BOM) 成本。 • 从运营技术 (OT) 到信息技 术 (IT) 的集成更加简便。  新一代 CPU 采用先进的 Intel 7 和 Intel 4 工艺技术，具有异构架构，支持不同工作 负载运行，并提供更好的隔离性。  硬件虚拟化技术加持：VMX、VT-D 和 SR-IOV。  在选定的 SKU 上应用 Intel® TCC 和 TSN 技术，以确保实时性能。

信息门户、 社交媒体、 行业资讯 … 360 AI 企 业 知 识 库 Agent 构建平 台 MCP 插件调用 AI + 电力行业智能应用场 景 Agentic RAG 指标建模 全域多源异构知识捕获 全方位 安全管控 版式分析 ASR/TTS 图像解析 视频解析 信息抽取 图谱建模 表格解析 OCR 大模型 多智能体协同 工作流编排 上下文工程 提示词工程 AI ， 360 Agentic RAG “ 动态推理出结果” 动态推理 + 实时证据 • 核心 ：引入智能体思想进行知识增强 • 闭环（网状）：动态多向循环迭代 • 优势：异构数据 / 长链路 / 多跳 / 强逻辑 关 系类推理效果好 • 知识内容：动态 / 完整性 • 检索质量：高（多专家协同研判 / 验证） • 响应方式：主动优化 随着新型电力系统数智化转型的加快 ， 以人工经验为主导的设备检修与运维计划难以满足新型电力系统的安全性与高效性要求 ; 各类电力设备在规划计划、 采购建设、 运行维护、 退役处置等生命周期内积累了大量的多源异构数据 ，这些数据闲置在各系 统 中 ，未能加以有效应用。 设备数据现状的复杂性 设备的全生命周期数据分布于各个 系统中，来源广泛，结构复杂，数 据孤岛现象严重 故障数据的不均衡性

显著升温，展现出前沿模型技术创 新和安全治理并重的发展趋势。 总量 中国 欧盟 美国 印度 英国 内生安全 人工智能安全 检索增强生成 博弈论 前沿模型 人工智能对齐 人工智能 极端风险 可信人工智能 动态异构 冗余架构 安全评估 智能体 可解释性 扩展定律 深度推理 0 20 40 60 80 100 120 140 0 50 100 150 200 250 300 面临挑战，需要在效率与复杂度之间找到 平衡。 2.3.2 数据引擎 具身智能系统的数据获取和融合仍面 临数据质量参差不齐、数据标注成本高、 跨模态数据同步性不足等问题，限制了模 型的泛化和适应性。 研发多源异构数据采集与融合技术， 构建高质量数据引擎。推动统一的数据采 集与多模态融合平台建设，确保数据标准 化与时间同步，促进开放数据集生态建设。 多模态数据融合技术利用深度学习与融合 算法整合视觉、触觉、听觉等信息，增强 堵查杀”的被动防御手段干预外因，无法 化解系统构造缺陷引发的本源性矛盾。动 态异构冗余架构 6 将安全属性从代码的脆 弱性转向架构的确定性，使内生安全矛盾 在系统层实现演进转化或动态和解 2。动 态异构冗余架构通过多模型集成、异构算 法模型、多态执行体与策略化调度机制的 深度融合，使攻击者难以捕捉稳定的攻击 界面；通过算法异构化部署、模型动态迁 移及特征空间重构，打破攻击所需的静态 环境假设，增强

本次白皮书系统梳理技术演进路径、核心能力建设及行业实践成果，数字孪生的核心 在于通过数据驱动实现物理世界与虚拟世界的精准映射与动态交互。白皮书提出四大关键 技术能力： 物理感知与数据融合。整合 LiDAR、无人机、物联网等多源异构数据，构建高精度三 维地质模型与实时监测网络，支持黄河流域泥沙冲淤分析、城市内涝预警等场景。 高效建模与轻量化渲染。基于 3D Tiles 流式加载、ENU 坐标变换与 LRU 缓存技术， 实现大规模倾斜摄影模型的秒级加载，突破 与响应速度。例如，某水利项 目中，LSTM 网络结合水文数据将水质预测误差降至 3%以下；在工业场景中，自编码器 驱动的设备故障预警系统减少非计划停机 30%。 智能算法的融合应用还体现在多源异构数据的实时处理与动态适应上。通过集成传感 器数据、遥感影像与业务日志，大模型可动态优化城市内涝模拟、港口物流调度等复杂场 景。黄河流域泥沙冲淤模型即通过无人机测深数据与智能插值算法，实现水下地形的高频 来，随着 AIGC 生成高精度场景、边缘 AI 加速推理，数字孪生将迈向“感知-决策-执行” 闭环自治，成为产业智能化升级的核心引擎。 （一）复杂数据处理与孪生场景应用 数字孪生技术的核心在于对多源异构数据的深度融合与智能解析，其应用场景的拓展 高度依赖于复杂数据的高效处理能力。地理数据处理通过整合 DEM、LiDAR 等数据，构 建高精度三维地质模型，结合 AI 算法实现地质灾害动态模拟（如滑坡预警、洪水淹没分

电信依托完善的基础设施资源，部署了高速灵活的接入网，实现了宽带接入和边缘应用的融 合；构建了开放的云云相连的城域网，实现以云为核心组网的新型城域交换矩阵；打造了云边 协同的算力结构体系，通过异构多云算力调度平台实现多层级资源一体化管理；支持用户“一 跳入云”，为用户提供就近的接入、算力和应用能力，以及内生安全保障。 依托“智云上海”提供的先进数字基础设施，上海电信积极发展普惠数字服务。配合地方政 结出“智云上海”城市级云网平台需要具备的四大技术特征： • 高速灵活的接入网，需能够实现宽带接入和边缘应用的融合 • 一跳入云的融合架构，实现就近云、算能力的供给 • 云边协同的算力结构体系，通过异构多云算力调度平台实现多层级资源一体化管理 • 开放的云云相连的城域网，实现以云为核心组网的新型城域交换矩阵 以此思路为指导，上海电信首先建成了全球最大的、以 Spine-Leaf 架构为核心的新型城域 各类高性能网络设备用于区域用户的业务汇聚与流量收敛，满足时延敏感的业务需求。目前， 上海电信已经规划部署 500 个“深边缘”和 60 个“浅边缘”算力节点，这些边缘算力资源与 集中化算力资源池一起，通过统一的异构多云算力调度平台实现协同管理，由 Spine-Leaf 架 构的新型城域网连接，从而能够灵活响应各类应用对算力资源的差异化需求。“智云上海”的 基础设施架构示意图如下。 Figure 3: “智云上海”基础设施架构示意图

据涉 及广泛的法律客体，其在全流程中的应用也带来了多方面的法律 4 与规范议题，因此，深入理解智能制造中数据的来源、流转与应 用场景具有现实意义。 智能制造场景下的数据呈现来源多源化、结构异构化、应用 贯穿化的特征，构成了其智能化决策与优化的基础。一是工业现 场数据。这类数据通过部署在生产一线的传感器、RFID标签、 控制芯片、数据监测仪器、工业机器人、3D打印机及智能机床 等设 直至终端客户等全链条环节间的信息协同。五是传感器数据。随 着具身智能技术的发展，机器人通过其物理身体上搭载的各类传 5 感器，在与真实物理环境进行交互的过程中，实时采集并获取多 模态、强异构的数据，其中包含了任务语言描述、场景语义、3D 空间结构、本体状态、运动轨迹以及视触感知信息等，为实现更 高阶的机器人智能提供了数据基础。 2．问题分析 （1）数据产权与市场流转规则供给不足，要素价值释放受 效、降本、拓新的重要动力。 算法在智能制造中的赋能作用，具体通过几种相辅相成的通 用方式得以实现。一是数据驱动决策。智能制造系统依托遍布产 线的传感器与互联设备，实时采集生产全要素数据，算法对这些 多源异构的数据进行深度挖掘与关联分析，为管理层提供科学决 策的依据，例如通过分析设备能耗数据指导节能减排。二是自动 化与优化控制。算法是生产线实现精确、稳定运行的基础，它通 过对生产过程、工艺参数等进行实时监控与自适应调节，减少了

系通过研究数据的描述、认知、建模、关联、演化等方 法，实现海量多源异构数据的自我认知、自主学习和主动生长。 数据活化技术体系主要研究方向为数据描述方法与描述语言、数据认知技术、关联数据动态建模技术、数据演化与自 主生长机制和数据联网等面向海量异构数据的关键技术，面向数据和应用的规模性、资源分配的动态性以及资源环境 的异构特征，为构建智慧城市应用提供支撑能力。 参考专题：前沿技术-数据活化技术体系

基础设施及其关键挑战：兼顾安全、30 能力、效率 1.1 安全挑战：系统软件漏洞、资源滥用、供应链 30 攻击与隐私合规风险 1.2 高可用性挑战：系统稳定性压力增加 31 1.3 高性能瓶颈：算力利用率与异构协同问题凸显 32 1.4 算力经济性失衡：资源碎片化与供需错位下的 33 成本与效率挑战 2 阿里云的企业级 AI 基础设施建设： 34 在高效的基础上更安全 2.1 高性能瓶颈：算力利用率与异构协同问题凸显 随着生成式 AI 技术普及，AI 基础设施进入 GPU 主导阶段，万亿参数模型训练需数千 张 GPU 持续运行数周，对性能提出更高要求。当前面临两大核心挑战： ● 算力利用率偏低。大模型推理依赖高算力资源，但 GPU 利用率常低于预期。资源 浪费源于动态需求与固定资源池不匹配、调度工具能力有限及分布式训练通信瓶颈。 ● 异构协同与推理性能压力。CPU、GPU、NPU 异构协同与推理性能压力。CPU、GPU、NPU 等异构资源缺乏统一调度标准，这种 碎片化生态导致任务分配效率低下，资源利用率难以最大化。生成式 AI 应用进一步 加剧吞吐量与低延迟的双重压力。 1.4 算力经济性失衡：资源碎片化与供需错位下的成本与效率挑战 全球 AI 热潮推动各国对高端 GPU 的需求激增，AI 基础设施正成为下一代计算架构的 核心支柱。当前，训练和部署大模型的基础设施成本已构成企业发展的关键瓶颈。

测分 析功能，为医疗健康领域的智能化转型提供了新的可能性。 医疗健康场景中，数据的复杂性和多样性对技术提出了更高的 要求。例如，患者的电子健康记录（EHR）、医学影像数据、基因 组数据等多源异构数据的整合与分析，需要处理大量的非结构化数 据，并从中提取有价值的信息。传统的处理方法往往依赖于人工干 预或简单的算法，导致效率低下且容易出错。而 DeepSeek 通过其 先进的深度学习模型，能够自动识别、分类和解析复杂的数据结 疗的发展。 2.2 疾病预测与风险评估 DeepSeek 技术在疾病预测与风险评估中的应用，能够通过大 规模数据分析和深度学习算法，有效提升医疗健康领域的精准性和 预见性。其核心优势在于对多源异构数据的整合与挖掘，包括电子 健康记录（EHR）、基因组数据、影像数据、生活方式数据等，从 而构建多维度的预测模型。例如，通过对患者历史病历数据的分 析，DeepSeek 可以识别出潜在的疾病风险因素，如高血压、糖尿 技术通过其强大的数据处理和分析能力，能够有效解决当前电子病 历系统中存在的数据孤岛问题，实现跨机构、跨平台的无缝数据整 合与共享。 首先，DeepSeek 技术利用其先进的数据挖掘和自然语言处理 能力，能够对异构数据源进行高效整合。无论是来自不同医院的电 子病历系统，还是来自不同科室的医疗档案，DeepSeek 都能通过 智能识别和标准化处理，将这些数据统一到一个共享平台上。这一 过程不仅减少了数据冗余，还提高了数据的准确性和一致性。