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发展 阻塞的高带宽 互联，将数百上千个 AI 处理器编织为一个逻辑统一的高密度计算体，为高效计算提供了底层支撑。 系统能力则是超节点高效运转的保障，它需要具备大规模、高可靠、多场景等系统特征。大规模的 组网能力突破了单机扩展的硬件限制，为大规模算力聚合提供架构支撑；高可靠的运行特性化解了 网络、计算、存储等子系统的故障风险，保障集群作业的连续性；多场景的适配能力则能通过精细 化资源调度等机制，满足不同业务需求，最大化释放算力价值。 化资源调度等机制，满足不同业务需求，最大化释放算力价值。 本文系统性地提出并论证了 “超节点将成为 AI 时代的核心计算单元” 这一重要观点，清晰地呈 现了超节点的基础定义与特征，包括技术层面的基础特征和扩展特征，以及系统层面的大规模、高 可靠、多场景特征。同时，通过分析全球产业的演进路线、超节点稳定性的核心挑战以及技术产业 生态发展格局，为产业界指明了超节点的发展方向。 在未来计算的下一个十年，超节点无疑将成为推动 AI

从而实现更加灵活和全面的信息化管理。通过大量终端信息的采集结合大数据分析，做出更 加明智的决策。 WWW.SHAV.CN 多连接通信能 力 • 需对工业现场 的设施进行控 制， 结合定位 及传感器数据 进行精准联动。 大规模采集能 力 • 需大量的采 集工业现场的 数据信息， 提升数字化信 息收集能力。 高系统扩展能 力 • 需不断根据 业务情况不断 增加功能， 持续提升系统 功能 低功耗待机能 力 议芯片，开发了具有大规模、多连接、低 功耗、高精度等优点的埃威互联 ® 技术， 解决了其他通信技术无法在限定区域进行 大规模有源部署的局限，是面向数字化新 需求的物联网解决方案 关键技术：大规模多连接物联网通信技术 埃威互 联技术 高精度定位能力 单基站可实现亚 米级实时定位。 多连接通信能力 单基站可同时与 1000+ 终端双向 通信。 大规模采集能力 单基站可同时进 定制自定义协议芯片， 开发了具有大规模、 多连接、高精度、低功耗等优点的埃威互联 ® 技术， 解决了其他通信技术无法在限定 区域进行大规模有源部署的局限， 是面向工业互联多节点数字化管理新需求的物联网 解决方案。 • 满足了工业现场对于无线的、低成本的、长时间的、大规模的数据采集通信的需求。埃 威互联 ® 技术， 可以用一台基站实现： 3000+ 大规模终端物理量信息采集 \1000+

泰 证 券 研 究 所 n DeepSeek 开源使金融机构能够轻松获得前沿模型能力，且大幅降低部署成本。其通过对训练方式、算法架构和推理方 法 的工程化优化大幅降低了部署成本。近期采用大规模 RL 训练方法的阿里 QwQ-32B 等模型也在缩小规模的同时达到了 DeepSeek R1 671B 的应用效果，有望进一步催生银行落地应用。 n 我们认为金融行业人工智能的应用价值大体可以分为三个层次： 技术落地不及预期、竞争加剧、信息更新不及时等。 2 核心观点 DeepSeek 开源、低成本、强推 理 助推银行业应用 1 n DeepSeek 模型在 Post-Train 阶段大规模应用了强化学习方法。 R1 使用了冷启动 + 大规模强化学习方法， R1-Zero 版 本模 型使用纯强化学习方法。随训练过程推进，模型展现出了推理能力的扩展（高准确率和 long-CoT 能力涌现等） 。 图表：随步数提升 图表：随步数提升 R1-Zero 的 AIME 任务准确度 图表：深度思考能力提升 性能：后训练阶段大规模应用强化学习，表现推理能力扩展 资料来源： DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning ，中泰证券研究所

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 3 主机现代化已成为主机用户数字化转型必由之路 01 主机是一类高性能计算机系统，专为处理大规模事务和数据密集型应用而设计，具备强大的并行处理能力。 该系统通常能够支持数万至数十万级并发用户访问，并可确保系统在长时间稳定高效运行。主机系统广泛应用 于银行、保险、电信及政府等关键行业，承担着实时交易处理、大规模数据库管理以及批量数据处理等重要业 务任务。 07 主机技术栈是一个高度集成、分层 I/O 通道组成，经过高度优化，能够高效应对大规 模数据处理和高并发事务的挑战。操作系统则专为这类主机设计，具备强大的资源管理能力和并行处理性能。 主要特点： 高性能：采用多处理器集群架构，实现大规模并行计算，处理器集成专用加速单元，通过硬件级加密引 擎实现加密运算的加速处理 高可靠：硬件组件（处理器、内存、存储）普遍采用冗余设计，不会因单点硬件故障而引起系统中断 高安全：主机通常采用内置

的极限，推动智算中心从计算、存储到网络的全栈架构深度演进。在 这一浪潮中，智算中心不仅是国家科技战略的核心支撑，更是产业智 能化升级的关键基础设施。 随着 AI 模型参数量呈指数级增长，尤其是在大规模分布式并行训 练场景下，网络性能已成为制约智算中心整体效率的关键瓶颈。当前 普遍部署的纯电交换网络在互联规模、带宽密度、端到端时延与能效 比等方面逐渐逼近物理与经济的上限：算力芯片的通信需求远超传统 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........ 无法独立完成计算工作。 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：

Big-data Driven ，模型基于大规模语料训练而成； Multi-tasks Adaptive ，支持多种任务 ，包括自然 语言生成 NLG 和自然语言理解 NLU 类的任务； AI 大模型就是预训练语言模型 通过在大规模宽泛的数据上进行训练后能适应一系列下游任务的模 型 产业研究 战略规划 技术咨询 ，在少甚至无标注样本的 条件下支持推理（自监督学习）。 将模型在下游各种自然语言处理任 务上的小规模有标注数据进行微调 得到适配模型 预训练语言模型 从海量数据中自动学习知识 将模型在大规模无标注数据上进 行自监督训练得到预训练模型 不同特定任务 有标注训练数 据 模型预训练 模型微调 最终模型 ⼤规模⽆标注 ⽂本数据 预训练语⾔模型“预训练 + 微调”技术范 式 13 来源：面壁智能公众号 文心一言沿袭了 ERNIE 3.0 的海量无监督文本与大规模知识图谱的平 行 预训练算法 ，模型结构上使用兼顾语言理解与语言生成的统一预训 练框 架。为提升模型语言理解与生成能力 ，研究团队进一步设计了可 控和可 信学习算法。 结合百度飞桨自适应大规模分布式训练技术和“鹏城云脑Ⅱ ”领先算力 集群 ，解决了超大模型训练中的多个公认技术难题。在应用上

力是一种新型的计算模式，在实时感知多类型、多数量计算设备资源 状况的基础上，借助统一的度量范式对资源量进行对比与评估，再结 合任务的计算强度、时延要求和数据依赖等特征，以及网络带宽和能 量预算等约束，运用自适应的智能调度算法将大规模的计算任务分散 到不同的计算节点上，从而实现高效的数据处理和分析。本白皮书阐 述了分布式算力感知与调度的背景、体系结构、关键技术、应用场景、 发展建议，旨在为有兴趣了解分布式算力感知与调度相关概念和技术 一形态，边缘算力是前者重要组成部分，是分布式思想的一种具体体 现。边缘算力强调“地理近端性”，即计算能力的部署靠近数据源， 以满足低延迟和高实时性的需求；而分布式算力更关注“全局最优性”， 侧重任务的分解与协同，以处理大规模和复杂的计算任务可能调度至 边缘、核心云或两者协同，例如“云-边-端”分层推理。 分布式算力感知与调度的核心在于“感知”与“调度”两个相互 依存、紧密结合的环节。“感知”是基础和前提，它指的是系统具备 口类 型，以及 GPU 的型号、显存大小等。只有做到这些，系统才能够依据 业务的具体需求，将任务合理且高效地分配至最适宜的硬件资源上， 从而充分挖掘和发挥各类硬件的性能优势。举例来说，在处理大规模 数据的并行计算任务时，GPU 能够凭借其强大的并行处理能力大幅提 升运算速度；而在执行复杂逻辑运算与顺序指令时，CPU 则更具优势。 因此，系统需要准确把握不同硬件的特性，实现任务的最优分配。

导致风电、光伏等可再生能源发展相对滞后，呈现出“清洁能源优势下的可再生能源短板”。 此外，系统性制约因素包括源、网、荷、储各环节的协同不足，体制机制与市场体系改革 的滞后，以及跨部门协调机制的欠缺。 海上风电方面，其大规模开发面临多重制约，包括繁琐且耗时的审批流程、恶劣自然 环境带来的高昂技术经济成本，以及并网与送出通道的瓶颈。智能微电网方面，其规模化 推广存在多重壁垒，如其发、配、用、储一体化的特性与当前分环节管理的监管体系存在 年全省太阳能发电量同比增长 54.8%，为农村地区充分利用空间资源发展 “光伏 + 乡村 振兴”模式提供了条件。然而，农村分布式光伏的大规模推广仍面临用地与效益的压力。 一是用地规划的先天性制约。福建省超过 80% 的土地为山地丘陵，平坦连片土地稀缺， 限制了大规模光伏的发展，并且“三区三线”政策对耕地和生态红线的严格保护，进一步 压缩了光伏项目的设置空间。二是项目收益模式挑战。“农光 / 渔光互补”等复合项目， 福建省拥有较强的核电基础，截至 2024 年全省核电装机容量位居全国第二，全年核 电发电量占总发电量的 23.8%，是保障新型电力系统安全稳定的压舱石。福建省化石能源 资源相对匮乏，在新能源大规模并网的背景下，新型电力系统对灵活性资源的需求日益迫 切，煤电主要实施低碳化改造并加速向灵活性调节电源转型，福建省 60 万千瓦及以上机 组均已达到国家深度调峰能力要求。而这些存量电源主要面临着经济与技术的挑战。一是

[4]。 欧洲从 AI 治理引领转向大规模 AI 产业投资。2025 年 2 月 11 日，在巴黎“人工智能行动峰会”上，欧盟委员会主席冯德莱 恩宣布启动“投资人工智能（InvestAI）”计划，目标筹集 2000 智算产业发展研究报告（2025） 6 亿欧元用于人工智能投资，并专门设立 200 亿欧元基金用于建设 欧洲人工智能超级工厂，以训练高复杂度、超大规模的 AI 模型。 4 月 9 Grok4 强化学习阶段的算力需求增长 10 倍 [7]。后训练阶 段，大规模强化学习催生强大推理能力。DeepSeek 论文 [8]指出， 推理可以通过纯强化学习涌现，DeepSeek-R1-Zero 即是从基础模 型 DeepSeek-V3 经纯强化学习训练而来。OpenAI 在开发 o3 的过 程中观察到大规模强化学习呈现出与 GPT 系列预训练相同的“更 多计算=更好性能”的趋势。阿里云通义团队推出 力将以十分陡峭的速度大幅增长。 （二）AI 应用场景不断扩展，为智算产业发展注入持续动能。 我国 AI 应用全面步入“规模落地”新阶段，牵引智算产业持续 蓬勃发展。一是大模型蓬勃发展推动大规模算力建设如火如荼。2025 年 7 月 OpenAI 首次实现单月收入突破 10 亿美元，由于 GPT-5 的发布 以及新的订阅服务推出，算力仍然不足，OpenAI 联合甲骨文、软银 等投资 5000