大 会 2 0 1 9 · 上 海 站 G O P S 全 球 运 维 大 会 2 0 1 9 · 上 海 站 京东物流超大规模仓储系统智能监控揭秘 付正全 架构师 G O P S 全 球 运 维 大 会 2 0 1 9 · 上 海 站 目录 问题及挑战 1 超大规模监控系统解决方案 2 面向AIOPS的智能监控最佳实践 3 规划&展望 4 G O P S 全 球 运 维 大 会 频繁变化的资产，不可靠的CMDB  运维专家匮乏  复合型人才匮乏：AI和算法工程师+运维开发 G O P S 全 球 运 维 大 会 2 0 1 9 · 上 海 站 目录 问题及挑战 1 超大规模监控系统解决方案 2 面向AIOPS的智能监控最佳实践 3 规划&展望 4 G O P S 全 球 运 维 大 会 2 0 1 9 · 上 海 站 对监控的认识  什么是监控？  问题  智能客服机器人 提供智能客服机器人服务，根据人员信息自动推测可能的问题及解决方案 G O P S 全 球 运 维 大 会 2 0 1 9 · 上 海 站 目录 问题及挑战 1 超大规模监控系统解决方案 2 面向AIOPS的智能监控最佳实践 3 规划&展望 4 G O P S 全 球 运 维 大 会 2 0 1 9 · 上 海 站 故障快照  出现告警自动抓取现场快照信息

国投集团： 财务数智化建设助力数字国 投 超大型央企财务综合数智化转型 目 录 财务数智化项目建设背景 强管控：全集团财务核算“ 一本账” 统标准：全集团财务共享“ 一体化” 1 2 3 PAR T 财务数智化项目建设背景 1 国投集团：业务遍布海内外，多元化产业，规模体量大，经营业绩卓越 电力 为主能源 矿产 资源开发 交通 先进制造 新材料 生物能源 健康养老

专栏系统介绍上海市相关监测体系及配套信息系统的构建，为推进各类传染病 的早期监测预警、支撑医防融合的诊疗和防控、完善各地疾控体系建设和配套政策措施的制定提供参考。 转变模式，创新发展 ——构建超大城市现代化传染病综合监测体系 陈昕 1，2，吴寰宇 3 1. 上海市红十字会，上海 200435；2. 上海市新型冠状病毒肺炎疫情防控工作领导小组办公室疾控组，上海 200336； 3. 上海市疾病预防控制中心，上海 关键词：传染病；综合监测；公共卫生体系；信息化建设 中图分类号：R51 文献标志码：A DOI：10.19428/j.cnki.sjpm.2022.21264 引用格式：陈昕，吴寰宇.转变模式，创新发展——构建超大城市现代化传染病综合监测体系［J］.上海预防医学，2022，34（1）：1-6. Establishing a modernized and integrated surveillance system

面网络，承担系统业务调度与带内管 理流量，采用多层CLOS组网，通常部署为TCP/IP有损网络。几类网络通过逻辑或物理隔离，确保智算中心 高效协同，同时降低跨流量干扰。 为满足智算中心内部网络超大规模、超高吞吐、超低时延、超高可靠性的性能需求，构建智算网络的技 术体系如图2-2所示，包括智算网络基础设施层、拥塞控制层、流量调度层、网络协议层和集合通信层以及高 可靠性保障和智能化运维等功能模块。 产业联盟正积极自主创新 全向智感互联OISA技术，Gen1支持800GB/s，相关标准和芯片已发布；智算中心网络主要传输协议是IB和 RoCEv2，这两者都是基于RDMA旁路卸载低时延技术。面对超大规模智算集群网络的更高要求，基于 RoCEv2进一步技术演进，中国移动提出全调度以太网（GSE）技术架构，超以太网联盟（UEC）提出新一代 UET传输协议，业界还创新发展分布式解耦DDC新架构， 通过自动化部署降低集群配置时间，提高网络管理效率；通过带 内遥测（INT）与自动化采集技术，构建全链路数字孪生；通过AI驱动故障预测、根因分析以及自愈动作闭环等。 2）智算网络演进与创新 随着超大规模智算集群建设的新需求以及技术创新的迭代进步，智算网络技术从硬件基础设施到网络架 构和协议，到网络无损和流量控制等，持续快速演进。根据业界的发展状态和趋势，如图2-4，规划梳理了其 大致的技术发展脉络：

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

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

大采高工作面人 - 机 - 环协调智能 耦合高效综采模式 针对 6-9 米大采高和超大采高条件下，大空间、强矿 压 采动失稳、形成冒顶片帮等问题，利用智能耦合控 制技术，形成了超大采高工作面液压支架 - 围岩智能耦 合控制技术。兖矿集团金鸡滩煤矿自 2016 年，首家成 功实施 8.2m 以上超大采高智能化综采，达到日产量 6.16 万吨，月产 153 万吨，年产 1500 万吨，回收率 预辅助放顶煤模式 大同塔山煤矿 20m 特厚煤层，应用特厚煤层大采高 综放开采成套技术与装备，实现了 14-20m 特厚放 顶煤开采，形成了智能操控与人工干预辅助放煤模 式。 世界首套 7m 超大采高智能化综放成套装备在大同 塔山煤矿成果应用，解决了硬煤特厚煤层智能化安 全高效高回收率综放难题。 煤矿智能化关键技术研发实践 4 复杂条件下的机械化 + 智能化开 采模式 针对大倾角和急倾斜等复杂条件开采问题，利用液

支撑大模型创新及云服务场景 加速人工智能科学计算，服务算法创新 助力行业企业智能化升级 系统特征 AI 技术从单点能力突破迈向系统能力创新 超节点技术产业生态发展格局 基础特征：大带宽、低时延、内存统一编址 超大规模 扩展特征：多级缓存池化、资源灵活配比 超高可靠 灵活切分 大模型计算基础设施的挑战 小结 小结 CONTENTS 目录 超节点发展报告 02 当我们站在人工智能大模型技术飞速 超节点架构引领技术革新，重构计算能力边界。超节点架构依托高速互联技术，将大带宽的互联 范围，从单台服务器扩展到整机柜以及跨机柜的大规模集群，超节点域内可达百 GB/s 级通信带宽、 纳秒级时延、TB 级超大内存，实现集群能力跃迁。相较“服务器集群”，超节点代表的是弹性、池 化、开放的系统能力：既能以极致吞吐支撑万亿参数训练，也能以低时延满足企业级大规模推理的 刚性需求。 昇腾 AI 坚持架构创新，开源开放，共建产业生态。昇腾 一体化的设计思维，将计算、存储、网络与运维管理深度融合，锻造出高性能、高效率、高可靠的 单一逻辑实体。它标志着一个全新时代的开启——智算基础设施正从松散组合的算力堆叠阶段，迈 入软硬协同、全局优化的超节点阶段，旨在有效破解超大规模 AI 训练与推理中所面临的扩展性瓶颈、 效率损耗与能耗墙难题，为 AI 的持续创新提供坚实、高效、绿色的算力基座。 为系统分析超节点技术的发展逻辑、技术创新、产业价值以及未来趋势，我院与华为及相关单位

AI 01 深圳数字能源先锋实践 四大中心 六大环节 十大全球解决方案 03 04 05 02 打造清洁低碳主体电源 太阳能发电 17 风能发电 22 核能发电 25 03 构建超大城市可靠电网 输电数字化 35 变电数字化 37 配电数字化 39 智能化调度 41 05 创新多元路线新型储能 电化学储能及关键材料 55 物理储能 58 智慧氢能 60 终端应用 深度”，为全球能源生产消费贡献特色鲜明的“深圳力量”。 清洁低碳 主体电源 加快传统火电机组数字化、智能化、清洁化发展，创新超大城市“5G+智慧燃气”解决方案， 加快新一代光伏、高效光热、多元场景风电等新能源智慧升级，打造新型电源解决方案。 本地清洁电源装机超80%。 超大城市 可靠电网 全市用户年平均供电中断时间小于7.5分钟，建成11个高品质供电引领区，核心区年平均中 断时间小于2.5 短路电流支撑、虚拟惯量支撑、宽频振荡抑 制、快速一次调频、分钟级黑启动、无缝并离网切换 六大核心能力： 09 10 5 6 光储超充 + 车网互动，虚拟电厂 深圳超充地图 打造首个网地一体化、超大城市虚拟电厂 接入类型最全 直控资源最多 应用场景最广 深圳虚拟电厂调控管理云平台 超 各类资源负荷 400 万千瓦 超 最大可调负荷 110 万千瓦 超 100 次累计调节超

V/50 V 电压域转换至 6 V 的中间总线。图 10 显示了该模块及其实测效率曲线。 12 二、AI 服务器机架的供电 预测三：AI 服务器机架的功耗将超过 1 兆瓦 在针对拥有万亿级参数的超大规模AI模型进行训练时，需要将数千颗GPU集成在同一台机器中，并以同步模式运行。 机架之间的数据通信通常通过光通信实现，而 IT 机架内部的高速互连则依赖专用处理器，通过铜缆将每个 GPU 与 其他 达到数百兆瓦级别。 在未来几年内，为满足规模日益庞大的 AI 模型对算力的无限需求，预计将出现专门的“AI 工厂”。在同一数据中 心园区内，此类设施的用电量将达到吉瓦级，甚至可能超过数吉瓦。多家超大规模数据中心运营商已发布了相关 建设计划 [2,3]。在训练过程中，大型 GPU 集群的负载剧烈波动，所引起的电力供应与电网稳定性问题，成为确保 这些数据中心安全运行的重大挑战。要应对这些挑战， 功率转换环节上，实施瞬态负载的主动缓冲。 此外，在设施层面部署大型电池储能系统（BESS）也将成为必需措施，以确保整个数据中心保持近乎恒定的负载 曲线。 英飞凌致力于沿着整个功率转换链路，支持超大规模数据中心运营商及系统供应商，共同实现可持续、高效且具 经济可行性的电力解决方案。功率半导体正是这些工作的核心所在，其目标包括： 17 • 将任意能源形式转换为处理核心电压所需的负载电流