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 继续扩大 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

⚫ 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 混部系统等核心特性

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

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 “浪涌”

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发 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 人工智能高速演进背景下，算力需求呈指数级增长，大模型竞争已进入 “参数规模摸高” 与 “训 练效率提升” 并行的新阶段。Scaling Law（规模定律）将以多元形态长期生效，持续推动人工智 能技术突破能力边界，而超大规模 Transformer、MoE（混合专家模型）、稀疏注意力模型等，已 成为可扩展模型的核心架构方向。在复杂的混合并行策略下，随着并行规模持续扩大，系统节点间 通信带宽与可用显存容量成为制约大

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 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， 建设周期长 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

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： 限制，传统电交换机的带宽密度已难以满足大模型训练增长的流量需 求。光交换具有大带宽、可靠性高、功耗小、组网灵活的特点，相比 电交换机具有高带宽、低能耗的优势，是突破网络核心侧带宽密度瓶 颈的最佳技术路线，适用于超大规模 AI 训练集群。光电协同架构[6] 可以将光交换的高带宽、低延迟和电交换的灵活控制能力整合起来， 提供 TB 级带宽，充分发挥光与电两者优势。 表 1-2 光电交换技术比较 光电协同 全电交换

2.2 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 Jenkins、Argo CD 需求与 设计管理 协作开发 管理 自动化 流水线 全链路 可观测 故障 智能定界 故障 自动恢复 中间件层 数据层 基础设施层 软硬协同高性能 超大规模算力 多层冗余高可靠 纵深防御安全 消息队列 事务 缓存 调度 高性能大容量 高效迁移与同步 快速备份恢复 高可靠架构 虚拟机 虚拟存储 虚拟网络 容器 分布式总线 云负载均衡 数据库 对象存储 安全的能力，具体包含以 下特征： (1) 融合高性能：协同云平台软件和计算、存储、网络等硬件设备进行深度调优，实现对硬件的精细化管 理和调度，最大化释放硬件性能。 (2) 万级大规模：具备超大规模算力资源管理和调度能力，支持资源弹性伸缩，集群规模升级不中断业务。 (3) 全层级高可靠：通过全栈冗余设计和多种形态的容灾能力，构建从数据中心级到应用软件级的一体化 高可靠能力，满足系统级高可靠要求。

作为人工智能领域的前沿探索者与实践引领者 ，通义大模型不断拓展在技术架构、 认知能力和治理体系等方面的全方位优势。在技术架构维度，通义打造了“全尺寸” 覆盖、“快思慢想”兼容的大模型，完美适配轻量级移动终端到超大规模云服务的全 场景部署的多样化场景需求；在认知能力建设方面，通过融合文本、图像、语音、视 频、代码等多模态能力，实现跨模态深度语义对齐，显著提升模型在复杂任务中的表 现力和泛化能力；在安全治理方面 TRUSTWORTHY MaaS 2 全尺寸、全模态的模型供给 2.1 全尺寸覆盖的弹性架构 通义千问（Qwen）构建了业界最完整的全尺寸大模型矩阵。Qwen 全面覆盖从端侧 轻量化部署到超大规模云端推理的多样化需求。0.6B-14B 小尺寸模型通过先进的量 化压缩和架构优化技术，可在移动终端实现高效推理；32B 中尺寸模型采用 MoE（混 合专家）架构，在保持优异性能的同时显著降低推理成本；235B 密钥授权，平台从技术上将彻底失去解密数据的能力。此机制将数据安全的主动权和 最终控制权交还给客户，以满足最严苛的合规与数据主权要求。 2.2.3 平台级多租户隔离 阿里云百炼平台构建于阿里云 AI 基础设施之上，天然继承了其经过超大规模实践检 验的成熟多租户隔离架构，为用户提供了可靠的隔离保障。 ● 计算与网络资源隔离：平台上的所有微调模型、Agent、MCP均运行在独立沙箱环境， 实现了严格计算、存储、网络隔离，确保了不同租户间互不干扰。

安全事件响应速度，通过精细化管理降低城市能源消耗，是提升城市 治理现代化水平的关键技术，更是打造安全、高效、绿色、宜居未来 47 城市不可或缺的数字底座。 4.3 大模型分布式训推 由于机器学习与人工智能的迅猛发展，超大规模语言模型已跃升 为科技竞逐的新高地。然而，要训练和上线诸如 GPT-4 之类的模型， 必须依托巨大算力与高速网络协同配合，这对计算与通信基础设施都 提出了极为严苛的要求。训练过程中需吞吐 TB-级乃至 幅提升；在推 理环节，模型副本可根据请求分布和节点健康状况灵活下沉与回收， 为全球用户提供低时延一致性响应。预测驱动的弹性扩缩容与秒级故 障切换机制进一步增强了系统的鲁棒性和资源利用率，使得超大规模 语言模型的迭代周期缩短、运行成本降低，并在面对突发负载或硬件 故障时依然能够保持平滑、稳定的服务表现。因此，分布式算力感知 与调度能够成为支撑下一代生成式 AI 平台快速演进和大规模部署的 实现跨域全局化聚 合，形成覆盖多数据中心与云平台的协同体系。企业通过构建统一资 源池，推动离散算力向可度量、可流通的服务形态转化，智能调度系 统依托自适应算法实现精准动态供给。行业实践表明，超大规模云服 务商已建立体系化调度框架，显著提升资源集约效能；混合云架构通 过能力下沉构建全域协同的算力供给网络。开放标准体系持续深化 ——硬件层依托开放计算推进异构环境兼容，软件层基于云原生规范