2025年上半年，OpenAI的GPT-4.5、Google的Gemini 2.5 Pro、Anthropic的Claude 4等模型在复杂推断能力上持续突破。例如，Gemini 2.5 Pro在数学推理（2025高考数学卷得分140分）和多模态理解（支持100万令牌上下文窗 口）上达到新高度，而Claude 4 Opus通过混合推断模式实现“快速响应”与“深度反 思”的动态平衡。 模型摸高驱动集群规模走向10万卡，代际快速演进： 配置复杂等问题已难以满足AI流量的需求，扁平化的网络架构成为必然选择。 2）推理业务快速崛起，并呈现多样化发展，带动网络发展 随着大模型技术逐渐成熟，智算行业正经历从“训练优先”向“推理主导”的战略转型。 这一趋势由两大核心驱动力： 算力结构重构: 2025年中国智能算力规模预计达1037.3 EFLOPS（是通用算力的12 倍），随着模型的成熟以及生成式人工智能应用的不断拓展，推理场景的需求日益增加，推 理服务器的占比将 理服务器的占比将显著提高。IDC数据显示，预计到2028年，推理工作负载占比将达到 73%。 应用场景爆发式增长:智算业务的应用场景正从互联网行业向金融、医疗、制造、交通 等传统行业全面延伸，推动各行业的智能化转型。例如在金融领域，智算技术被广泛应用于 风险控制、智能投顾、欺诈检测等场景。通过对海量金融数据的分析和建模，智算中心能够 为金融机构提供更精准的风险评估和投资建议，提高金融服务的效率和安全性。

1980s-2000s 早期 2000s-2010s 2010s-2018s 2018s- 现在 推理期 知识期 统计学习时期 集成方法时期 早期神经网络时期 大模型时期 人工智能领域迭代迅速、多种技术流派蓬勃发展，在多个领域已有广泛应用。 卷积神经网络 循环神经网络 图神经网络 聚焦知识工程 与专家系统构建， 通过人工整理知 识库驱动决策， 受限于知识获取 成本与规模瓶颈。 以符号逻辑为 核心，依赖人工 规则与推理系统 ( 如 专家系统 ), 强解 释性但泛化 能力 弱。 基于海量数据与 大规模预训练； 代表算法： DeepSeek 系列 Qwen 系列 GPT 系列 通过模型组合提升 播算法，显著提升了模型的学习能力。随后，基于注意力机制的 Transformer 架构改变了自然语言处理 的范式，使大规模预训练成为可能。近年来，大模型凭借超大规模参数和海量数据学习，在多模态学习、 推理和通用人工智能方向取得重要进展，为人工智能的发展开启了新的阶段。 大模型 模态扩展 文本 检索增强 图像 / 视频 大规模基础模型 音频 电力大模型 医疗大模型。 Transformer

挑战三、高质量语料稀缺 政府、金融、医疗、制造等行业大模型专业语料稀缺， 海量多模态数据（文本、图像、传感器）待标注数 据占比高，高质量语料转化率低（语义缺失、时效 滞后等），无法满足行业大模型训练推理阶段对行 业标注数据的诉求。 · 挑战四、安全能力参差不齐 数据流通涉及数据提供方、使用方、服务运营方等 众多参与主体，不同主体的网络安全、传输安全、数 据安全等防护水平差异较大，容易成为攻击者突破的 多形态异构技术体系，跨系统数据 AI 不可见 当前模型训练 / 推理数据涉及多主体、多云、多业务 系统间的数据集成与数据汇聚，由于多主体大数据 平台建设采用异构技术平台、不同元数据管理、独 立数据接口标准，导致跨主体跨域间数据无法高效 流通、无法高效发现、汇聚、治理、加工、访问与检 索，大量 高价值数据难以被快速、高效集成至 AI 训练 / 推理 生产流程中。 ① 跨域多主体系统异构建设，跨系统横向集成难， 缺少统一权限管理，合规管控复杂度高：异构元 数据管理多重权限体系叠加、审计日志分散，满足 统一 IAM 策略、统一审计的技术成本高、漏洞风险 大。 ② 缺少云边端一体化管理，中心训练 -> 边缘推理纵 向数据供给不足： · 云边端数据孤岛导致语料碎片化：大量高价值行 业数据（工业设备、医疗检测、城市治理监测）滞留 边缘端，导致垂直领域语料严重短缺； · 云边端元数据描述不统一：云边端数据缺乏统一

源的“无条件”接入创造无限可能。 电力人工智能的研究和思考 中国南方电网 CHINA SOUTHERN POWER GRID 28 关键技术 电力系统 高维向量表征 ( 数字数据系统 ) 电力大模型 训练和推理 多领域知识融合的 电力智能应用 电力人工智能系统 AI EPS 核心成果 电力人工智能系统 技术挑战 信息 表征 算法 基础 知识 融合 智能 决策 电力人工智能的研究和思考 电力人工智能的研究和思考 新型电力系统人工智能大模型关键技术 AI EPS 应用 系 统 集 成 应 用 自主运行“用得好” ⑤ 新能源渗透率： ≥ 70% 电力人工智能系统 Al EPS 逻辑推理“算得快” ③ 复杂调度： 分钟级 策略推演 关键技术 2: 基础模型与模型训练 电 力 专 业 大 模 型 基 座 ( 函 数 库 ) 未见场景“算得准” ② 多物理量状态数值精度： 实时性挑战 实时性 电力人工智能系统 Al EPS 复杂度挑战 基本依据 依据电力基本物理规律 遵循电力系统技术原则 符合电力系统应用需求 关键技术 数据生成与表征 模型训练与推理 运行感知与预测 系 统 智 能 决 策 精确度挑战 发展变化挑战 目标 高效分析 精准预测 优化决策 自动导航 中国南方电网 CHINA SOUTHERN POWER GRID

存储系统和网络架构。 算力资源池：部署华为昇腾 CloudMatrix 384 超节点（500P FLOPS）和 Atlas 800I A2 推理服务 器（808 Tokens/s 吞吐率），支持混合精度计算。 这些设备能够提供强大的算力支持，满足平台对各类 大模型训练和推理的算力需求。同时，要建立算力调 度机制，根据不同的应用场景和任务优先级，合理分 配算力资源，提高算力利用率。 存储系统：采用分布式文件系统（如 （Docker+Kubernetes），实现对 DeepSeek、通 义千问等模型的容器化部署。容器化部署能够提高模 型的可移植性和扩展性，方便模型的快速部署和更新。 同时，提供 API 接口和 SDK，支持多模型协同推理， 满足不同应用场景的需求。 可信管控：基于区块链服务网络（BSN）实现数 据操作的实时上链，确保数据操作的不可篡改和可追 溯。采用联邦学习框架（如 TensorFlow Federat 安全意识和操作技能，确保平台的安全运行。 3.3 关键技术选型 3.3.1 算力硬件 选择华为昇腾 910B 芯片作为算力硬件的核心， 该芯片支持 FP16/FP32 混合精度计算，能够满足大 模型推理的高性能需求。华为昇腾系列芯片是国产自 主可控的算力芯片，具有高性能、低功耗、高可靠性 等特点，能够为平台提供强大的算力支撑，同时符合 国产化替代的战略要求。 3.3.2 数据治理工具 采用

Language Models, LLMs)的突破性进展,正深刻重塑 全球产业格局和社会治理模式。 作为新一轮科技革命和产业变革的核心驱动力,大模型凭借其强大的 通用理解、生成、推理和交互能力,为智慧城市构建开辟了全新路径。 通过解析大模型与智慧城市的深 度融合机制,重点探讨大模型对城市治理体系现代化、公共服务智能化、产业经济高效化的赋能作用,分 析其关键驱动因素如算法创新、算力支撑、数据要素流通及政策环境 能够处理复杂语言理解与生成任务,并展现出强 大的泛化、推理和上下文学习能力。 大模型的核心特 征包括以下 4 方面 [5-6]。 其一,巨量参数:模型复杂度和能力的物理基础。 其二,预训练+微调范式:利用大规模无标注数据 预训练获得通用知识,再通过特定领域标注数据微调 适应下游任务。 其三,涌现能力:模型规模达到临界点后表现出的 超越小模型的、不可预测的新能力,如复杂推理、代码 生成。 其四,多模态融合:处理和理解文本、图像、语音等 要体现在以下 4 方面。 2. 1 破解复杂治理难题 智慧城市面临海量异构数据、多元主体诉求和瞬 息万变的事件,传统规则引擎和浅层人工智能难以有 效处理。 大模型强大的语义理解、信息抽取、逻辑推理 和知识关联能力,为精准感知城市态势、智能研判风 险、科学辅助决策提供了前所未有的技术支撑。 2. 2 提升公共服务效能与体验 公众对便捷、高效、个性化的公共服务需求日益增 长 [8]。

演进为支撑企业业务连续性与数字化转型的关键 基础设施。在智能电网等关系国计民生的关键行业中，韧性数据基础设施对系统的稳定运行、风险抵御与未 来演进具有至关重要的作用。数据中心不仅承载着AI训练与推理，更支撑着实时分析、自动化决策等电网核 心需求，其韧性建设直接关系到电网的可靠性、安全性与可持续性。本白皮书指出，“数据中心的每一次升 级换代，背后都在回应数字经济对于更高性能、更高安全、更高灵活性的新要求——这正是韧性建设的应然 心的韧性升级具有积极意义。 ——华为ICT Marketing与解决方案销售总裁 刘康 ——中国信息通讯研究院云计算与大数据研究所所长 何宝宏 在信息化、智能化时代，算力中心作为支撑大模型训练推理等海量计算的基础设施，已深度融入生产生活、 政府管理、民生服务等各方面，其稳定运行不仅关乎信息技术服务的可靠与连续，更直接影响经济社会体系 的韧性与安全。《韧性DC白皮书》率先从业务永续、确定性安全、弹性自适应、Agentic 行与国家竞争力的方方面面，作为其底层算力支撑 的数据中心，已跃升为全球数智化进程不可或缺的 数据中心的边界在哪里？数字经济的边界在哪里？这两者正在无限趋同。 “神经中枢”。它不仅承载着生成式AI的模型训练 与推理任务，还支撑着各行各业对实时处理、自动 化决策和大规模数据分析的需求。 正是在这一背景下，数据中心的边界不断扩展、责 任不断加重。它们从“被动承载”走向“主动驱 动”，从单点服务设施跃升为支撑数字社会全要素

的 全光高速网络，涵盖跨智算中心互联、智算中心内部互联以及中心间 与中心内的网络融合，实现算力和网络资源共享。基于算网协同实现 本地及远端资源的灵活互联，动态构建多地互联的分布式集群，满足 推理和训练等各类业务的超宽带传输、无损低时延通信和算力资源灵 活调度等关键需求。 跨 地 域 智 算 中 心 之 间 互 联 ： 基 于 城 域 网 或 骨 干 网 ， 依 托 400G/800G 生、 通感一体和人工智能等新技术，形成“三层原生智能”架构。 图 8 光网络智能化目标架构 网络智能层：通过分布式传感、数字信号处理（DSP）等技术及 嵌入式原生算力与 AI 实时推理能力，实现对光纤链路及设备的多维 度物理参量的精确感知、快速采集，推动网元从“被动响应”向“主 动感知-决策-优化”、管理控制从“静态规则和策略”向“基于动态 网络智能 智能光模块 智能算力板卡 智能算力板卡 智能探测板 运营智能 业务智能 数字孪生光网络 通感一体光网络 单域管控 综合网管与运营 跨厂商/跨域编排/运维 资源管理 融合计费 意图识别 业务发放 智能体 AI推理 算力调度 大小模型协调 算力 品质主动保障 网络智能优化 故障智能定位 故障溯源智能体 性能优化智能体 品质保障智能体 网络资源规划 资源规划智能体 骨干光纤通信网（含国际） 城域光纤通信网

觉、语音语义等技术持续发展，逐步从“看见、听见”向“看 懂和听懂”迈进。同时，机器应用知识能力、逻辑推理能力、 自主学习能力等备受关注，感知智能开始向认知智能演进。 知识驱动的理论体系将在人工智能系统里扮演着越来越重 要的作用，与现有数据驱动的理论体系融合发展。不同学派 开始融合，兼具感知能力和推理能力的图神经网络等方法成 为研究热点。元学习等框架在赋予机器自主学习能力方面进 行了探索，引起了广泛关注。

du ArcGIS 图像处理 + 地图信 息 A) 厘清建模所需数据与可获得性 B) 基于 GIS 的城市建筑信息获取 C) 基于大语言模型 (LLM) 推理的城 市 级建筑年龄信息增广 设计问答范式“ [ 某市 ][ 某区 [ 某街道 ] 有一栋 [ 某类型建 筑 ], 请估测它的建设年代， 无需 给出详细解释” 脚本批 量问 答 收集答案