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 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，必 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 •

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， 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 中国各行业智能算力应用分布，2023 ➢ 互联网头部厂商大量采购智算芯片 相较海外，国内智算中心正处于高速增长期，中国各行业对智算的需求急剧上升，其中互联网行业是最大需求方， 互联网巨头积极投身AI领域并大量采购智算服务器，促使超大规模算力中心迎来上架率激增，市场库存快速消化。 注：1. AI服务器是指基于GPU、FPGA、ASIC等加速芯片，专门提供人工智能训练和推理所需计算能力的服务器系统。 DeepSeek的出现推动

年技术积累，构筑坚实云计算基 础 68 可用区 遍布全球五大洲 27 个地理区 域 100 万 + 服务器 中国首家突破企业 200T 带宽峰值 中国首家突破互联网企业 基础设施跨足全球， 超大规模管理能 力 智慧零售 智慧医疗 智慧工业 智慧出行 智慧教育 智慧政务 智慧金融 智慧文旅 100+ 行业解决方案 深厚数字化转型升级实践沉淀 300+ 云产品服务 全面覆盖基础服务 、云原生 、安全等 服务全球 300 万 + 客户 亿级规模自有业务 技术基座 血 行业引擎 超大规模算力支撑海量业 务 云计算 区块链 深圳防 e 通 云上 IT 疾控中心 公卫云 公卫云平台

了GPU计算的软件生态；开源社区如Hugging Face则提供了丰富的模型库与工具集，加速 了AI应用落地。数据服务与管理、中间件与平台软件等环节也发挥了重要的辅助和连接 作用。数据中心作为算力的物理承载中心，其发展呈现出超大规模化、绿色低碳化、智 能化运维以及为满足低延迟需求而部署边缘节点的显著趋势，绿色低碳化具体表现为广 泛应用液冷和自然冷却技术，并积极利用可再生能源。中国的“东数西算”战略是推动 数据中心区域协 大力扶持本土先进制造，力图维 持其技术领导力。中国在国家战略驱动和巨额投入下，正全力推进半导体产业链涵盖设 计、制造、设备和材料的自主可控，在成熟制程扩张、人工智能或网络等专用芯片设计 以及超大规模数据中心部署方面取得明显进展，成为重塑格局的重要力量，但也持续面 临供应链脱钩风险。欧盟通过欧洲芯片法案雄心勃勃地提升本土先进制造能力，吸引台 积电、英特尔、三星等巨头建厂，并强化其在汽车芯片、工业半导体及量子计算等领域 美国算力基础设施供给规模快速增加，智算中心建设进入高速发展期，多元化投资 格局进一步丰富了美国算力供给生态。微软宣布投资110亿美元建设新一代AI数据中 心，单集群规模达到数万张GPU，支持超大规模模型训练任务。亚马逊AWS在俄勒冈州部 署的AI算力集群配备2万颗自研Trainium芯片，专门针对大模型训练场景进行优化。谷 歌在俄克拉荷马州建设的液冷数据中心支持10万张TPU同时运行。新兴算力供应商快速

超节点架构成为年度最具影响力的硬件创新之一。该架构采用全对等互联与全栈协同设计，集成 了自研鲲鹏 CPU、Ascend 910C NPU 及高速统一总线 UB（Unified Bus）网络，构建了总算力达 300PFLOPs 的超大规模 AI 云底座。NVIDIA H200 GPU 已在 Amazon、Google Cloud 和 Microsoft Azure 大规模部署，搭 载 HBM3e 显存，带宽达 4.8TB/s，配合 多云/混合云环境下云平台本身及其承载业务的安全 性、完整性与隐私性。同时，能效优化依托智能调度、弹性资源管理、异构算力协同与绿色算力策略，在 满足服务等级协议（SLA）与安全约束的前提下，实现超大规模集群的高效利用与能源可持续性。 基础设施 IaaS PaaS MaaS ... ... 数据湖 遥测数据 自动 化运 维与 可靠 性工 程 基础 设施 安全 智能 功耗 管理 与优 面向下一代云计算的研究 表 1.3: 智能化云运维、可信安全与能效优化研究领域热点 研究点 研究方向概述 会议及期刊 研究主要关注点与代表性工作 面向大 规模集 群的自 动化运 维与可 靠性 在超大规模云基础设施 中，实现自动化、智能化 的运维决策与故障处置， 以提升系统的稳定性、可 观测性和整体可靠性，其 关键在于构建面向高维 指标的智能异常检测、无 监督根因分析及自愈闭 环机制。

技领域发力。 展望2026年，全球产业科技创新的外部形势正在发生深刻变化，这 无疑给我国的产业科技创新发展带来诸多机遇和挑战。一是场景化应用 逐渐成为产业科技创新的牵引力，需要我国进一步利用超大规模市场优 势打造典型应用场景。二是在当前中美贸易摩擦暂缓的有利背景下，我 国将加快以开放促创新的步伐，进一步在核心技术上进行前瞻性布局， 积极融入全球创新网络。三是高技术产品的出海不确定性依然存在，迫

实现高质量、连续且深度覆盖 [7-8]。 其次,利用 RIS 对电磁传播环境的智能重构能力,可动 态优化同频干扰和邻频干扰信道条件,有效抑制多用 户间及多径干扰。 在通感一体场景中,一方面,RIS 更 容易实现超大规模天线阵列,具有较大的天线口径增 益,RIS 可大幅提高高精定位应用的空间分辨能力,降 低传统定位机制中的误差 [9];另一方面,通过协同优化 RIS 中各反射单元的相位响应,能够有效增强目标回

户各 类核心业务在任意位置发生，都能由最优计算节点响应处理。这就要求异地数据中心间具备 全局流量调度能力，可根据链路延迟变化动态切换支付结算类关键业务路径，实现用户“零 感知”切换。 2）超大规模与智能韧性协同演进挑战加剧 伴随通用计算服务器迈向50万乃至百万级规模，单数据中心网络的物理规模与逻辑复杂 性激增。传统依赖人工策略管理的模式已无法满足需求。带宽对等化、毫秒级切换等硬性要 求，迫使网络架构向深度智能化演进： 谱与AI算法，提前发现5 大类40多种高频风险隐患，覆盖70%场景，让网络管理从 “被动应对” 转向 “主动预 判”。 AI Fabric 2.0为数据中心网络发展指明了方向，也成为应对未来超大规模算力集群高 性能算力需求的重要解决方案。以实现数据中心网络融合充分释放算力为目标，实现算力 网络融合。 AI联接：协同级算力调度的“高效枢纽” AI联接打破传统网络被动传输的局限，以 “端网协同、全网可靠、智能调度”

域监视与警用无人机的高效指挥调度。 一是感知层(Sensing Layer)。 感知层作为低空智 联监视系统的基础,包含各类多源传感器网络。 其中, 5G-A 为多元融合感知的重要手段,利用超大规模天线 阵列(Massive MIMO)与联合信号设计,使通信信号同 时携带感知信息,利用反射信号的强度、频率、相位等 特性实现环境感知,频谱资源利用率提升 30%以上 [4], 并结合多站连续组网与跨小区航迹跟踪技术

可以代替初级情报分析员。 大模型加持下，智能咨询服务可以实现： 第一，语义理解能力增强。 大模型基于超大规模数据训练，能够理解并处理复杂的语义结构，使得智能客服 能够更准确地解析和理解用户的自然语言输入。这些模型利用上下文信息和深层次的语言模式，能够精确识别 用户意图，改进意图识别流程。 第二，情绪识别与应对。