云智算光互连发展报告 前言 本发展报告面向未来智算中心超大规模扩展、AI 大模型极致性 能与高效部署的核心需求，联合产业合作伙伴共同提出先进光互连 技术架构与演进路径，旨在突破传统电互连在带宽、距离与能效方 面的根本性瓶颈，构建高带宽、超低时延、低功耗及高可靠性的新 一代智算中心互连底座，为人工智能、高性能计算及云服务等关键 业务的持续跃升提供坚实支撑。 本发展报告的版权归中国移动云能力中心所有，并受法律保护。 算力集群的 带宽瓶颈、延迟损耗与扩展桎梏，为“N+X”智算节点的弹性组网提 供核心支撑。这一升级并非简单的硬件替换，而是覆盖数据、控制、 管理多平面的系统性算网协同革新。随着移动云呼和浩特、贵阳等 超大规模智算中心的落地，单集群 AI 加速卡规模已突破 2 万张，算 力达 6.7EFLOPS，传统基于电交换的 Super Spine 在横向扩展中逐 渐暴露性能、成本、扩展性的三重矛盾。未来大规模智算集群性能 问题，以智算中心场景为核心，推动 NPO/CPO 的应用落地，解决发 热、芯片良率等问题，同步验证 OIO 在 GPU 互连领域的应用效果。 对于光交换领域，在 OCS 方向，目前已经实现初步商业化。光 交换作为支撑超大规模 Scale-Out 架构的关键基础设施，在智能中 心中的应用前景十分乐观，短期来看，OCS 最有可能进行小范围的 试点应用，长期来看，光分组交换将具有更大的潜力。 云智算光互连发展报告 附录：

层的关键挑战与发展路径； • 提出面向未来的技术演进方向与标准化路线建议。 我们期望本白皮书能为智算中心网络领域的研究人员、设备制造 商、运营商与服务提供商，提供系统的参考框架与技术洞察，共同推 动构建超大规模、超大带宽、超低时延、超高可靠的新一代智算中心 网络基础设施。 本白皮书的编制工作得到了国家自然科学基金项目（编号： U24B20150）的支持，在此表示感谢。 目录 前言....... 在训练的过程中需要进行频繁且复杂的通信。这就要求构建 GPU 之 间的全互联高速数据通道，以确保数据的高效传输，最大限度减少 GPU 间通信耗时。那么，如何满足大规模 GPU 之间的高效通信，构 建超大规模、超大带宽、超低时延、超高可靠的智算网络，已成为当 前智算网络发展重要挑战。 智算中心网络如图 1-1 所示，可按通信范围分为机内互联 （Intra-Node）与机外互联（Inter-Node）两类： 限制，传统电交换机的带宽密度已难以满足大模型训练增长的流量需 求。光交换具有大带宽、可靠性高、功耗小、组网灵活的特点，相比 电交换机具有高带宽、低能耗的优势，是突破网络核心侧带宽密度瓶 颈的最佳技术路线，适用于超大规模 AI 训练集群。光电协同架构[6] 可以将光交换的高带宽、低延迟和电交换的灵活控制能力整合起来， 提供 TB 级带宽，充分发挥光与电两者优势。 表 1-2 光电交换技术比较 光电协同 全电交换

2.2 应用和数据迁移阶段关键诉求 2.2.3 应用开发与运维转型阶段关键诉求 基础设施层 3.1.1 软硬协同一体化，构建融合高性能基础设施 3.1.2 调度和升级优化，支持超大规模算力管理 3.1.3 端到端可靠性设计，保障系统稳定可靠运行 3.1.4 原生安全能力基线，构筑纵深防御高安全体系 数据层 3.2.1 五大核心要素，定义和设计云上数据库 Jenkins、Argo CD 需求与 设计管理 协作开发 管理 自动化 流水线 全链路 可观测 故障 智能定界 故障 自动恢复 中间件层 数据层 基础设施层 软硬协同高性能 超大规模算力 多层冗余高可靠 纵深防御安全 消息队列 事务 缓存 调度 高性能大容量 高效迁移与同步 快速备份恢复 高可靠架构 虚拟机 虚拟存储 虚拟网络 容器 分布式总线 云负载均衡 数据库 对象存储 安全的能力，具体包含以 下特征： (1) 融合高性能：协同云平台软件和计算、存储、网络等硬件设备进行深度调优，实现对硬件的精细化管 理和调度，最大化释放硬件性能。 (2) 万级大规模：具备超大规模算力资源管理和调度能力，支持资源弹性伸缩，集群规模升级不中断业务。 (3) 全层级高可靠：通过全栈冗余设计和多种形态的容灾能力，构建从数据中心级到应用软件级的一体化 高可靠能力，满足系统级高可靠要求。

， 考生可快速核实身份后入场； 4.为保证公平公正，执行双盲面试。考生签到后抽签决定面试顺序，后发 放胸贴（考生编号），全程盲面，4 天成功保障 3000 人面试项目顺利完 成。 【超大规模、极速响应、体验升级】现场面试统筹需求 智联猎头通过 【智能分流+双盲机制+数字化核验】 实现 3000 人零差 错交付！ 27

作为人工智能领域的前沿探索者与实践引领者 ，通义大模型不断拓展在技术架构、 认知能力和治理体系等方面的全方位优势。在技术架构维度，通义打造了“全尺寸” 覆盖、“快思慢想”兼容的大模型，完美适配轻量级移动终端到超大规模云服务的全 场景部署的多样化场景需求；在认知能力建设方面，通过融合文本、图像、语音、视 频、代码等多模态能力，实现跨模态深度语义对齐，显著提升模型在复杂任务中的表 现力和泛化能力；在安全治理方面 TRUSTWORTHY MaaS 2 全尺寸、全模态的模型供给 2.1 全尺寸覆盖的弹性架构 通义千问（Qwen）构建了业界最完整的全尺寸大模型矩阵。Qwen 全面覆盖从端侧 轻量化部署到超大规模云端推理的多样化需求。0.6B-14B 小尺寸模型通过先进的量 化压缩和架构优化技术，可在移动终端实现高效推理；32B 中尺寸模型采用 MoE（混 合专家）架构，在保持优异性能的同时显著降低推理成本；235B 密钥授权，平台从技术上将彻底失去解密数据的能力。此机制将数据安全的主动权和 最终控制权交还给客户，以满足最严苛的合规与数据主权要求。 2.2.3 平台级多租户隔离 阿里云百炼平台构建于阿里云 AI 基础设施之上，天然继承了其经过超大规模实践检 验的成熟多租户隔离架构，为用户提供了可靠的隔离保障。 ● 计算与网络资源隔离：平台上的所有微调模型、Agent、MCP均运行在独立沙箱环境， 实现了严格计算、存储、网络隔离，确保了不同租户间互不干扰。

内存与 计算性能的高比例；NVIDIA的A10虽发布于2020年，但仍因其在小型模型推 理中的应用而备受青睐。 真正注重混合计算的用户可能会对基于Arm架构的服务器CPU的顶级产品感 兴趣；中国超大规模云服务提供商如Qwen的创建者阿里巴巴，可能正在通 过这种方式适应GPU访问受限的局面。 阅读 阅读更多 更多 NVIDIA Dynamo: Serving general-purpose AI

Training），采用三层架构层次设计，包括异构调度、异构通信、异构拆分。2025 年 3 月， 壁仞科技与上海人工智能实验室联合开展千卡规模异构混训，联合设计了 HGCT 统一异构 通信库+DeepLink 统一异构训练框架的超大规模异构混训方案。 （1）在统一异构通信库层：采用插件化、模块化设计机制，向上一行代码实现训练框 架无缝对接，向下自动屏蔽异构 GPU 差异，实现无感高速通信。首先采用通信子图自动拆 分机制，缩

设备的组网将从单一孤立且互相冲突点的对 点设备组网，发展为统一总线组网，支持 N 对 N 的链接，解决干扰冲突，提升空口负载利用率。 对于端云远场联接，其意义在于可以利用同一生态内海量设备组成超大规模的泛在联接网 络，为设备查找、室内定位、中继通信等提供新的可能。 随着人工智能与物联网技术的深度整合，万物智联成为现实，从智能家居、智能交通到智 慧城市，每一个角落都实现了高度数字化和智能

力需求极高，计算任务节点间高 频数据交互，对集群内通信性能、计算资源利用需求高；需要大吞吐量、高 IOPS、低成本海量文件存储支持。 阿里云提供弹性、高性能、高可用的 AI 智算基础设施，包括超大规模 GPU 集群、专为 AI 训练优化的高性 能计算（HPC）服务、海量存储和高性能网络，并适配行业常用调度器、软件、框架等工具，为业务研发工作 者 提供一站式的生命科学行业 AI 基础设施。其中，CPFS

年前后具备商用能力。 5G 定义了增强移动宽带 eMBB、超高可靠低时延通信 uRLLC、机器类通信 mMTC 三大应用场景，IMT-2030（6G） 在此基础上扩展出了六大应用场景——沉浸式通信、超大规模连接、超高可靠低时延通信、泛在连接、通信 AI 一体化、通 信感知一体化；提出了适用于所有场景的四大设计原则——可持续性、泛在智能、安全 / 隐私 / 弹性、连接未连接的用户。 24 IOTE2025 体内容 场景类型 应用方向 沉浸式通信（eMBB 的扩展） • 沉浸式 XR 通信、远程多感官智真通信、全息通信 • 以时间同步方式混合传输视频、音频和其他环境数据的流量 • 独立支持语音 超大规模连接（mMTC 的扩展） • 扩展 / 新增应用，如智慧城市、智能交通、智慧物流、智慧医疗、智慧能源、智能环境监测、智慧农业等 • 支持各种无电池或长续航电池物联网设备的应用 超高可靠低时延通信（uRLLC