未来网络技术发展系列白皮书（2025） 东数西算算网协同调度 业务场景白皮书 第九届未来网络发展大会组委会 2025年8月 版权声明 ● 本白皮书版权属于紫金山实验室及其合作单位所有并受法律保 护，任何个人或是组织在转载、摘编或以其他方式引用本白皮书中的 文字、数据、图片或者观点时，应注明“来源：紫金山实验室等”。 否则将可能违反中国有关知识产权的相关法律和法规，对此紫金山实 验室有权追究侵权者的相关法律责任。 《东数西算算网协同调度-业务场景白皮书》（简称白皮书）的编 制，是基于国家东数西算“安全新总线”项目所开展的算网协同工程 实践。“安全新总线”通过 400Gbps 互联了国家八大枢纽节点、以及 多个国家超算中心，可根据任务时延、带宽需求提供广域确定性网络 传输质量，并通过网络操作系统开放网络资源的调度能力，算网协同 调度平台即原生构建其上。 白皮书以业务场景视角切入，对东数西算算网协同调度的调度架

通用算力、智能算力、超算算力均保持高速增长，智能算力在增长竞赛中跑出“超级加 速度”。2025 年，全球总算力已攀升至约 3300 EFLOPS，在三大主流形态中，通用算力约 为 1150 EFLOPS，占比首次跌破 35%，降至 34.8%；智能算力则因大模型和 AI 智能体应用 的持续井喷，规模激增至 1980 EFLOPS，占比已高达 60%，成为拉动全球算力增长的核心 引擎；超算算力虽然绝对值较小，但也扩张至约 价，针对特定算法或应用场景进行 晶体管级优化，实现远超通用芯片的计算效率与能效比，这一技术通过重构计算单元、内存 层级及指令集，使芯片变成“领域专用体系架构”。 1.4 异构算力协同挑战 智算算力“百花齐放”呈现多元异构局面，面临异构算力“资源墙”、软件栈“生态割 裂”和协同调度“效率低”三方面的挑战。 （1）异构算力“资源墙”因其硬件架构、互联拓扑等物理差异，阻碍了不同厂商、不 同 以及测试耗时时间 长、工作量大等问题。统一评测体系通过统一指标、统一工具、统一数据，为芯片选型、容 量规划、性能优化提供可度量、可对比、可复现的统一标准和自动化测试工具与用例，实现 厘清异构智算算力的优缺点与适用场景，促进算力落地，指导未来算力发展。 业界现有评测实践大致分三类，一是芯片原厂自测，侧重自家峰值算力，数据孤岛化； 二是第三方实验室评测，资源有限、更新慢、模型覆盖面不足；三是头部云厂商自建

开放科学（资源服务）标识码（OSID）： 摘 要： 人工智能训练的计算复杂度逐年猛增，所需的智能算力从每秒千万次运算增加 到数百亿次，甚至进入千亿级别，促进了大规模智算中心的建设。智算中心主 要满足智算算力的需求，其布局、建设及维护方案与传统的云资源池存在较大 差异，当前运营商对智算中心的布局以及详细方案并没有统一的建议和参考。 分析了大模型发展带来的算力、存储、组网的需求挑战，对运营商智算布局以及 面临无法在中国出售或者改版而导致性能下降的问 题，而国产GPU则在能力和生态上存在差距。 根据现状，在算力策略和方案上的建议如下。 a）积极发展多元算力供给。一方面，应发展多元 GPU 芯片。GPU 芯片影响单位智算算力，已经成为制 约大模型发展的瓶颈，鉴于当前国内外政策和 GPU 发 展水平，应积极开展多元算力芯片适配以及异构算力 的管理和调度。另一方面，智算和通算需紧密结合。 AI 大模型的前端访问和上层应用离不开通算，而在训

应用开发门槛；清华大学“太极”芯片通过“干涉-衍射混合异构”硬件与“并 行光电混合算法”协同设计推进算法-硬件协同设计。 建议：加快推动光计算基础软件的研发，整合光计算 EDA 设计工具、编译器、 算法库等资源，优化光计算算法及补偿机制，打造光计算开源软件平台，吸引全 球开发者贡献代码，加速软件工具链完善。 中国移动 面向新型智算的光计算白皮书（2025） 16 4. 业界创新实践进展 （1）曦智科技 曦智 应用的各环节链条，推动产业生态发展壮大，真正释放光计算技术在性能与能效 方面的巨大潜力，实现我国智算基础设施绿色可持续发展。 共同攻关光计算关键技术。联合产学研合作伙伴共同攻关新型材料、核心部 件、基础软件、光计算算法等核心技术，明确技术路线，提升光计算的计算精度 与稳定性，强化光电芯片协同能力，探索多芯片级联架构，打造我国智算中心新 型智能光计算底座，以技术创新推动新质生产力高质量发展。 共同推动光计算

阿里云和中科院计算所等开源发布高通量以 太网ETH+。这些创新增强了RoCE能力，媲美或缩小与InfiniBand性能差距；中心间互联指的是城域内多个 数据中心之间的互联组成一个大的集群，实现智算算力资源整合，这个距离一般在100公里左右，中国电信 基于800G C+L技术和长距RDMA无损技术，实现了120公里、千亿参数大模型的分布式集群训练，性能达到 集中训练的95％以上。 拥塞控制 下，各国纷纷将人工智能视为国家战略制高点。中国的“东数西算”工程、美国的“星际之门”项目等国家 级规划，正在加速智算基础设施的全球推进。据权威机构预测，到2030年，全球生成式AI市场规模将达到惊 人的1.5万亿美元，而智算算力在整体算力中的占比将超过90%。这一趋势直接催生了超大规模GPU集群的组 网需求，从早期的千卡级快速演进至如今的万卡甚至十万卡规模，推动网络技术从传统数据中心架构向高性 能、低时延、无损传输的

中台建设方面，创新研发融合多家训推 工具链的 AI 中台，通过重构与集成，实现了商业大模型在一个中台 的统一纳管，支持主流开源大模型的私有化部署，算力、模型、服务 的统一管理和协同调度能力显著增强。在智算算力建设方面，搭建了 全栈国产化的智算算力环境，算力资源纳入 AI 中台管理，高峰时算 力使用规模达到 1950P。 （二）中国移动震泽 MaaS 平台 中国移动积极落实国家“东数西算”战略 ，构建“4+N+31+X”的算

起步阶段，缺少与智能网联汽车业务紧耦合的端边云、跨运营商算力 互通等关键技术标准。 在技术产业化方面，基础设施方面，端算力呈现高密度、低能效 比和强环境适应性趋势；边缘算力向“通算+智算”融合架构升级；云 端智算算力以大规模部署、集中式训练服务为主。头部企业加速布局 智算中心，小米、吉利、小鹏等企业算力储备均达 10EFLOPS 以上。 算网融合服务方面，该路线已成为行业共识，电信运营商积极开展算 网融 放算力，缺乏统一管理协同；端边云及跨运营商算力融合标准缺失， 车辆跨边缘算力切换时，自动驾驶业务连续性难保障，影响行车安全。 边缘云池智算资源适配性不足。电信运营商 5G 边缘机房已部署 数千个且实现地市级覆盖，但前期以通算算力为主，智算资源占比较 低；而智能网联汽车自动驾驶环境感知、车路协同数据实时分析等业 务需毫秒级低时延智算支撑，当前智算能力缺口导致业务响应效率下 降，难支撑高阶自动驾驶规模化落地。 异构算

建设 接口 建设 模型 迭代 数据 标注 系统 部署 产品 评测 运营 监控 通过众多智能客服项目沉淀建设方 法论 产品监控 运营情况监控 入口流量适配 代码 NLU 算法 语义计算算法 模型调优 存量数据的标注 增量数据的标注 私有化部署方案 代码安全部署方 案 客户核心系统集 成方案 智能多轮对话 智能运营管理平 台 智能知识平台

关键技术，研制新型算力标识网关，提高多样化算力感知能力。 大模型是指具备大规模参数和复杂计算结构的机器学习模型，能 够处理海量数据、完成各种复杂的任务，包含语言大模型、视觉大模 型等多种类型。大模型的快速迭代极大地增加了智算算力需求。根据 应用领域的不同，可分为通用大模型、行业大模型和垂直大模型等。 通用大模型不受特定领域的限制，具备跨领域的泛化能力，需要更大 的数据量和计算资源，训练成本普遍较高。行业大模型和垂直大模型

如图像、红外热像、局放、声音以及温度的系统级 传感芯片，具有深度学习功能的 AI 芯片，通信安 全加密芯片等[59-60]。传感器的发展方向就是向芯片 化过渡，如图 9 所示。随着各类常规智能传感器的 模拟电路、数字电路、边缘计算算法的规模化应用， 为提高传感器可靠性、降低成本，就逐步将智能感 知终端缩小到芯片级，使其在输变电设备生产过程 中能被更加便捷地预置，且支持带电拆卸和更换。 使用搭载电力定制化芯片(power