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

28 第一节 全球协作机器人市场发展分析 28 第二节 中国协作机器人市场发展分析 31 第三节 中国协作机器人市场竞争分析 33 第四节 超大负载协作机器人发展概况分析 34 第四章 协作机器人技术发展分析 36 第一节 协作机器人技术发展现状分析 36 第二节 协作机器人核心技术分析 7kg）、中负载（7kg≤L＜12kg）、大负载（12kg≤L＜20kg）、 超大负载（L≥20kg）。 从应用来看，目前轻负载协作机器人凭借较高的性价比以及在 3C 电子、教育科研、商业零售等行业中较高的适用 性占据主要市场地位。中大负载协作机器人则多用于装配、螺丝锁付、包装、搬运、物流、消防救援等场景中。超大 负载主要应用于物料搬运、码垛、机器 看护、大扭矩螺丝拧紧、机床上下料 仓储物流等行业的 快速扩张，超大负载协作机器人的需求开始日益提升。随着超大负载协作机器人入局者的增加，应用 场景的不断拓展，基于成本优势，将在部分场景对多关节机器人形成替代。 图表 1 主要协作机器人厂商产品负载范围对比 企业名称 产品负载范围 轻负载 （L＜ 7kg） 中负 载 （7≤L＜ 12kg） 大负载 （12≤L＜ 20kg） 超大负载 （L≥20kg） 负载

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 日，欧盟发布“人工智能大陆行动计划” [5]，战略核心是将 欧盟固有优势（如高质量人才储备和强大传统产业基础）转化为 AI 发展的关键加速器，力争成为人工智能领域的全球领导者。 2024 年资本支出总额为 2460 亿美元，较 2023 年（1510 亿美元）大幅 增长 63% [16]。Synergy Research Group 数据显示，截至 2024 年底， 全球超大规模数据中心数量达 1136 个，其中，亚马逊、微软和谷 歌三家合计占据全球总容量的 59%，其次是 Meta、阿里巴巴、腾 讯、苹果、字节跳动等。2025 年，微软、谷歌、亚马逊和 Meta 式部署成为新方向。谷歌已组建跨多个智算中心的大规模集群，完成 Gemini Ultra、Gemini 1.5pro 等大模型训练；OpenAI 计划分五个阶 段建设多个智算中心，并通过多智算中心互联最终打造百万卡级别的 超大规模基础设施。中国电信基于国产化算力完成跨百公里千亿参数 模型在千卡规模下的分布式智算中心互联验证，初步证实大模型跨智 算中心分布式协同训练的可行性。 3、AIDC 基础设施持续升级，绿色化转型不断深化

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 网络承载能力，高功耗、高成本和复杂布线问题愈发突出。 在此背景下，光交换技术凭借超大带宽、超低延迟与低功耗等特 性，正与电交换形成互补融合的“光电协同”架构，成为新一代智算 中心网络的重要发展方向。光电协同不仅能够在物理层显著提升链路 性能，还为网络的灵活重构、智能调度与按需适配提供了技术空间。 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......... 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：

对AI领域的技术突破和创新 ⚫ 针对自主创新芯片服务器优 化 ⚫ 针对自主创新数据库的性能 优化 ⚫ 针对资源利用率的有效提升 15年磨砺 海量实践铸成Ten ce ntOS Ser ver • 支撑腾讯云上用户超大规模的部署和运 行，持续不断的优化，规避故障，提高 稳定性，经受用户关键业务考验 190万+CVM数 经受腾讯云用户关键业务考验 • 从2010年起持续对Linux内核进行贡献 • 连续6年入选全球“KVM开源贡献榜 打破TPC-C 世界纪录 TDSQL+TencentOS组合 国内主流数据库厂商 互认证（部分） 云原生操作系统：轻量安全的云原生底座 国内主流云平台/容器平台 互认证（部分） 基于腾讯云超大规模云原生运营过程中积累的自主研发能力，支持腾讯核心业务的高效运转。云原生操作系统具备深度优化的云原生能力，专为容器、微服 务等架构打造，提供 NetTrace、SLI及 RUE 混部系统等核心特

影视制作 装修设计 数字可视化 渲染场景 资源编排 CPU 云主机 GPU 云主机 高效云盘 VPC 网 络 弹性 IP 火山引擎边缘云 超大规模边缘资源 超高产品性能 超流量场景验证保障 高性能标准硬件资源 NVMe SSD IO 时延 <1 ms 内容分发和加速网络创新 边缘计算节点创新 异构算力 CPU\GPU\ARM 自研高性能实例 PPS>700W 支持自定义限速 多种计费模式 云边镜像 ¢ 键 分 发 带 超大规模的接入点 单节点海量流量承载能力 智能调度 提供质量稳定加速资源 自研的传输优化、智 能缓存、动态路由 边缘渲染 边缘智能 火山引擎边缘云产品创 新 新基础 底座 离线渲染

引发二 次危机，故障影响范围持续扩大、定位复杂度进一步增加，恢复时间延 长。  做好风险化解，避免大面积瘫痪故障：数据网元（例如UDM、HSS）作 为移动通信网核心所在，该设备的故障将引发超大规模的用户重注册、 进而引起信令风暴，需要考虑相应机制分担数据网元故障后的风险与压 力。  做好动网预演，避免操作不当带来风险：部分事故是由于管理机制不完 善，在网络升级改造、调整维护时缺少预演预验证手段，导致一些误操 机制和4/5G网络形成新形态的高低制式间的互补与兜底。 1.3 6G 网络可靠性挑战分析 6G网络将覆盖更广泛的应用场景，赋能多行业、多领域的智能化服务。ITU-R 在2023年明确了6G六大核心场景，包括沉浸式通信、超大规模连接、极高可靠低 时延、感知与通信的融合、人工智能与通信、泛在连接。这些新场景普遍要求网 络提供更高稳定性，同时对网络可靠性也提出一些新挑战。 图 2 ITU 定义 6G 六大核心场景 1 P2P 动态组网，需实 时组建协作网络并共享环境信息，现有网络的静态子网管理与路由机制难以满足 动态协同需求，亟需提升网络动态组网与智能调度能力以保障业务可靠性。 1.3.3 超大规模连接，瞬时信令冲击加倍 6G 超大规模连接场景下，海量物联设备接入（每平方千米可达百万至亿级） 对网络可靠性形成多重挑战。终端规模百倍于 5G 时代，网络异常恢复时的大规 模重连易引发信令风暴，远超现有网络抗

头提供数据完整性验证和身份认证；封装安全载荷头则用于数据加密 和部分认证。 IPv6 的扩展报头机制在提升协议灵活性的同时，也带来了安全 IPv6 网络安全白皮书 - 9 - 隐患。攻击者可在逐跳选项头中插入超大尺寸的未知选项，如利用“巨 型净荷选项”（Jumbo Payload Option）构造超过 64KB 的数据包， 导致中间设备处理时内存耗尽出现服务崩溃。通过篡改路由头中的地 址列表，将流量 展 报头深度进行检查，例如限制路由头的跳数不超过合理范围，防止恶 意构造超长路径；验证分段头的“分片偏移”和“更多分片”标志是 IPv6 网络安全白皮书 - 10 - 否合规，防止恶意构造超大分片。另一方面，可利用深度包检测（DPI） 技术，对扩展报头的内容进行分析，建立正常流量行为模型。一旦检 测到异常的扩展报头结构、非法选项或数据内容，立即触发阻断机制。 例如，当发现逐跳选项头中存在未定义的选项类型，或选项数据长度 字节以上（不同厂商设备支持的最大 长度可能不同，部分场景下可达 65535 字节）。 IPv6 协议明确支持巨型帧，目的是通过减少数据包分片和重组 次数，提升大文件传输效率，但也成为攻击者的利用工具。当网络设 备处理超大尺寸巨型帧数据包时，如果设备的硬件性能不足或软件处 理逻辑存在缺陷，就会导致设备 CPU 利用率飙升、内存溢出，甚至 出现死机、崩溃等情况。攻击者还可通过持续发送大量巨型帧，发起 DDoS 攻击。​

纳米工艺芯片。 在大模型方面，大模型正在加速人工智能产业化进程，推动算力服务 普惠普适。DeepSeek、百度“文心一言”、阿里巴巴“通义千问”等国内 央国企智算创新实践报告（2025 年） 4 超大规模模型正加速演进，认知能力不断提升。同时，“预训练大模 型+下游任务微调”的新范式，已成为破解人工智能技术落地难题的重 要突破口。国内厂商纷纷加码大模型投入与研发，如 DeepSeek 也通 造，同时更新 IT 软 硬件设备，使其具备 智算服务能力 优点：可充分利用已有资 源，建设成本相对较低 缺点：对技术要求较高，通 常难以实现大规模、超大规 模算力升级 适用于已有一定规模、智 算需求并非超大规模，且 对成本较为敏感的企业 自建 全新规划、选址、设 计并构建智算中心 优点：可根据业务需求进行 定制化设计，自主性较强， 安全性较高 缺点：建设成本相对较高， 算平台可实现对单集群算力资源管理，以及多集群的协同管理，单集 群管理方面，可支持单一智算中心内异构算力资源的调度与算力加速， 能够根据任务对算力资源的需求，在智算中心内为任务分配、调度相 应计算资源，并支持超大规模集群算力加速能力，通过优化调度逻辑， 提升软硬件协同效率，强化集群整体计算性能，满足高负载、高算力 需求场景的运行效率。多集群协同管理方面，可实现跨域多个异构算 力集群资源的统一管理、编排和调度，当接收到业务请求时，平台可