异构算力协同白皮书 Heterogeneous Computing Power Coordination White Paper 全球计算联盟 智能计算产业发展委员会 1 编写单位 中国电信股份有限公司 北京智源人工智能研究院 中科加禾（北京）科技有限公司 沐曦集成电路（上海）股份有限公司 中国信息通信研究院 科大讯飞股份有限公司 上海壁仞科技股份有限公司 编写组成员(排名不分先后) 的各类异构算力芯片齐头并进。 然而，因芯片架构不同、通信协议不统一、算存传能力差异而导致的异构算 力碎片化、生态割裂及协同效率不足等问题日益显现。构建统一计算、统一通信、 统一调度和统一评测的异构算力协同体系，实现异构算力间的无感知计算、无阻 碍通信协作、资源的高效调度和自动化测评，是推动异构算力基础设施迈向新阶 段的关键路径。 本白皮书通过系统性梳理算力产业发展现状、异构算力协同体系架构、关键 系架构、关键 技术、解决方案与实践和未来技术展望，促进产业界对异构算力协同领域的深入 理解，加速技术成果的产业化应用。全球计算联盟智能计算产业发展委员会将与 产学研各界合作伙伴携手共进，推动国产算力底座性能持续跃升、异构算力协同 生态日趋繁荣，为人工智能时代的到来铺设更加坚实的算力基石！ 全球计算联盟 智能计算产业发展委员会 2025 年 7 月 2 目 录 第一章 算力产业发展现状

异网异构边缘算力系统总体架构 研究报告 2025 年 8 月 版权声明 本报告版权属于中国铁塔股份有限公司、中国信息通信研究院、 中国移动设计院、江苏省未来网络创新研究院所有并受法律保护，任 何个人或组织在转载、摘编或以其他方式引用本报告中的文字、数据、 图片或者观点时，应注明“来源：中国铁塔股份有限公司、中国信息 通信研究院、中国移动设计院、江苏省未来网络创新研究院”。否则 将 化就 近算力供给能力。本报告针对当前边缘算力资源碎片化、组 网方式多样化、管理孤岛化等问题，首次系统化提出“异网 异构边缘算力系统”架构，通过多元异构算力融合调度与跨 域网络智能协同关键技术，为边缘算力的建设和发展提供实 施路径参考。 目前，产业界与学术界对异网异构边缘算力系统的研究 尚处于探索起步阶段，新的架构和应用模式正在不断涌现。 本研究报告为阶段性成果，尚待持续完善，诚挚期待读者批 进程导致算力硬 件和互联网络呈现出较大差异，异网异构资源难以高效管控与对外服 务。我国边缘算力设施存在差异巨大的异构算力硬件，芯片类型包括 了通用 CPU、GPU、FPGA、ASIC 等，服务器架构具有并存的 x86 架构 与 ARM 架构，导致算力度量、管控和调度需要克服不同芯片厂商的标 准差异。单一边缘节点受限于算力容量、计算资源异构、并发服务总 2 数等短板，难以满足大规模用户的请求，导致各单位建设了大量的边

浏览器查看文章） Similar articles recommended (Please use Firefox or IE to view the article) 拟态防御中基于ANP-BP的执行体异构性量化方法 ANP-BP Based Executive Heterogeneity Quantification Method in Mimicry Defense 计算机科学, 2024, 51(11A): 将移动目标防御当成欺骗防御的一部分;文献[４] 中则提出移动目标防御系统可以看作拟态防御系统的一个特 例,它通过一些拟态变换使系统具有动态性特征,但是并没有 应用异构冗余架构;文献[５]中也表达了相似的看法,即拟态 防御思想是将移动目标防御的思想与异构冗余执行体相结合 的产物.从上述研究中的观点可以看出,尽管３种主动防御 技术之间没有明确定义的从属关系,但它们之间却有着紧密 的联系. 现阶段,有关主动防御方面的综述性文章大多是针对单 态 现象,以动态异构冗余架构(DynamicHeterogeneousRedunＧ dancy,DHR)为技术核心,在不改变目标对象功能的前提下, 伪装服务功能外的其他行为,进而动态地改变其攻击面的主 动防御技术[２３Ｇ２５]. ４．２ 动态异构冗余架构 DHR 由输入代理、在线服务集、异构执行体集、异构组件 池、调度器和表决输出器６部分组成,如图４所示.基于异构 冗余原理,构建多套功能相同、结构不同的软硬件组合

2.2 低精度训练 ............................ 14 2.5.2.3 故障容错 .............................. 15 2.5.2.4 异构混训 .............................. 15 2.5.3 推理框架 .....................................16 2.5.3.1 推理并行效能优化 原生等技术实现了资源池化和弹性扩展能力，有效支撑了各行各业数字化转型。 随着千亿参数大模型等 AI 技术的迅猛发展，传统云服务体系面临严峻挑战，云 计算进入深水区：在算力方面，十万卡级超大规模 GPU 集群的异构算力需求已远 超现有资源池化的调度能力；在网络层面，AI 训练中 TB 级参数同步对时延极为 敏感，传统网络架构难以满足低时延、高吞吐的传输要求；在服务形态上，单一 的 IaaS/PaaS 服 1.2 智算超节点 2024 年英伟达发布的 NVL72 超节点支持单机内 72 个 GPU 高速互联，重构全 球智能算力竞争格局，进一步拉大中美算力技术代差。为此，中国移动基于原创 COCA 异构计算架构 [1][2]，联合 GPU 芯片、交换芯片、服务器整机等国产全产业链 伙伴，打造开放式架构大云磐石超节点，为大模型训练和推理提供更高吞吐、更 8 低时延的海量数据处理能力，推动解决国产智算核心“卡脖子”问题。

北京邮电大学 谢人超、唐琴琴、杨煜天、马霄鹏、汪硕 江苏省未来网络创新研究院 魏亮、方辉、孙玉刚、尹鹏、林枭、韩风、占昊天、王磊 I 前 言 随着算力网络的飞速发展，算力资源呈现出泛在化、异构化、分 布化的显著趋势。如何高效感知、协同调度这些广泛分布且动态变化 的算力资源，以支撑日益复杂的智能应用需求，已成为推动产业数字 化转型和智能化升级的关键挑战与核心技术方向。 本白皮书首先 到结果返回的最佳路径。 分布式算力感知与调度具有如下几个显著的特征：  异构性：算力节点的硬件类型、操作系统、网络协议存在显 著差异，系统必须能够充分识别并利用这种异构性，将不同 类型的计算任务精准匹配到最适合的硬件上执行，从而实现 4 整体计算效能的最大化。感知系统需通过统一的“算力单位” 实现异构资源的归一化描述；调度系统则需针对不同类型任 务设计适应性的分配策略。  例如优先将任务调度到使用可再生能源的数据中心或能效比 更高的节点，或利用电价谷值进行计算，实现“绿色调度”。 5 分布式算力感知与调度是现代计算范式的核心支柱。它通过构建 全域资源认知神经网和智能调度决策中枢，实现了对泛在、异构、动 态算力资源的有效整合与按需供给。其核心在于全局化资源视图、多 目标动态优化、高度环境适应、跨域无缝协同、智能学习进化以及对 可持续性的深度关切。随着算力网络（CPN，Computing Power

产业逻辑 图 2 2030年前自动化行业十大技术发展方向 McKinsey & Company 内生型安全管控 新平台体系架构 模型化数据底座 分布式智能调度 全生命周期 应用工具链 多源异构 数 数据融合 虚拟化 PLC 工业AI智 智能体 低代码/无 无代码开发 生产全过程仿真与 智能优化 智能化 敏捷化 平台化 首先，平台化趋势大幅提升工业自动化 业软件从单体应用转向平台化，通过统 一数据底座和服务接口，解决传统分层 架构中多源异构数据难以共享、跨系统 协同效率低的问题，减少分层架构中多 协议转换和私有接口互联，降低系统集 成成本与复杂度。 — 软件定义的智能制造基础软件平台 体系架构。针对现有的工业应用普 遍存在定制化开发程度高、工程实 施工作量大、烟囱式部署、异构系统 难以互联互通互操作、上层应用与 底层资源耦合度高、制造资源难以 复用和灵活调配等问题，构建软件 集成环境和数据模型建模工具，以 图形化方式构建和管理数据模型，并 通过统一模型调度框架和标准化数 据服务接口，提供统一的模型和数据 服务，实现异构数据的集成和模型 化管理。通过模型化的数据组织和 服务，为工业AI应用和全局智能优化 提供标准数据支撑。通过提供多模 态异构数据接入能力，统一的模型标 识、统一的模型定义、统一的数据存 储、统一的模型服务接口、统一的模 型数据可视化支撑，为智能化的AI+ 应用提供垂直行业数据的底座能力。

框架工具层优化 模型扩展组件层优化 DAS（DCU AI Software Stack/DCU人工智能基础软件系统） C86 CPU DCU加速卡 存储 高速网络 DTK（DCU Tool Kit/DCU异构计算平台） 全栈优化 软硬协同释放DCU 澎湃算力性能 DCU：全面兼容主流生态 / FULL ECOSYSTEM PROFILE 类CUDA API的 开源软件开发平台 原生支持多种加速库 和Slurm调度系统 功能健全的DCU软件栈 性能分析工具 主流HPC应用 Gromacs/VASP etc 人工智能框架 TensorFlow/PyTorch/ paddlepaddle 国内典型 异构应用 OpenMP/OpenACC 类CUDA编程环境 OpenCl 编译器 驱动 DCU加速卡 主流应用 函数库 开发环境 通讯加速库 SPARSE加速库 LAPACK加速库 PRIM 支持C/C++/Fortran、OpenMP/OpenACC、Python编程，支持GPU Direct网络加速，支持多种 Profiling 方法 HYGON 09 10 HYGON 海光DCU行业实战手册 DTK异构计算平台 DTK（DCU Toolkit）集成了DCC（DCU Collect Compiler）编译器、经过验证和优化的计算库，支持多种编程语言，同时提供运行、 编译、调试和性能分析功能。

1 案例 1.构建算力基础设施 铸就多元算力一体化布局................................................................1 案例 2.异构融合、应用引领、促进数据互联互通的超算互联平台..........................................2 案例 3.临港算力创新实践 提升枢纽节点集约化成效...... 天翼云 自主研发的“慧聚”“云骁”“息壤”三大平台，提供高算 力、高吞吐、高兼容性训练能力，支持第三方算力以算力插 件模式实现标准化接入，支持主流框架及芯片，有效满足大 规模、高性能、多样化异构算力跨区域调度需求。 图 2 智算调度平台架构图三是发布互联互通验证平台，提升算力协同效率。 三大平台实现通算、超算、智算的统一资源注册接入， 3 算网一体化调度，算力交易等核心功能，通过“算力调度服 增强多场景 适应能力。目前，息壤已接入智算算力 22EFlops，纳管适配 多种智算芯片，支撑北京区域近 200 家企事业单位数字化、 智能化转型升级，产生了良好的经济社会效益。 案例 2.异构融合、应用引领、促进数据互联互通的超算互联平台 推荐单位：天津市数据局 申报单位：国家高性能计算机工程技术研究中心 国家高性能计算机工程技术研究中心以应用引领、实现 算力高效利用为目标，构建了国产软硬件协同、跨区域算力

数字化转型；各类科技公司也积极参与人工智能技术竞争，智算行业 发展迎来新局面，算力普惠普适将成为重要支撑。在智算平台方面， 通过多层级、多主体、异构算力节点的资源调度和交易，促进了智算 资源的高效利用，如中国移动的震泽智算平台，通过分布式云原生 Kosmos 技术和异构混训解决方案，支持大模型跨域、跨芯训练，并 通过算网大脑进行统一调度，推动通、智、边一体化调度，实现“中训 边推”。 我国积极倡 化配置，形成集团级、区域级等多层级的智算布局体系。 能源行业在推动全过程数字化、智能化转型的过程中，大多选择 在西部国家枢纽节点部署智算节点，以降低成本。中国石化在呼和浩 特构建了包含高速计算资源、高容量存储、高效数据流转网络的异构 智算资源池，目前总的智能算力约为 76 PFLOPS，预计到 2025 年将 达到 100 PFLOPS3，为人工智能应用提供所需算力服务、数据服务和 算法服务，支撑中训边推和行业智能生态建设。国家能源集团在宁夏 防机制，重点选用一些支持场景感知、智能辅助和协同联动功能的设 备，以更好地提供安防、消防支持。在算力设备部署过程中，央国企 应加强国产算力设备的应用，减少对国外技术、产品的依赖。探索构 建多元异构的算力设备方案，提升异构算力设备高效互联和协同计算 能力，并针对不同算力应用场景提供适配方案。 4.建设施工 央国企智算创新实践报告（2025 年） 17 智算中心的建设施工可以采用 EPC（Engineering

.......................................................................................... 12 3.1 异构硬件虚拟化........................................................................................... 12 从低到高的多个频段，并涵盖从通信到感知的多个功能，构成多频段收发单元。  异构硬件虚拟化：硬件虚拟化是云计算技术的基础，也是无线网络实现云化的关键技术。 无线网络的底层硬件，尤其是承担主要处理功能的基带单元，将进一步向异构方向发展， 即通过通用硬件与专用硬件的结合，融合不同架构、不同功能、不同定位的各类异构硬 件，从而满足多种多样功能对底层硬件资源的多样化需求。此外，各类异构硬件还将进 一步基于虚拟化技术，实现资源的深 ，从而向上层应用提供的资源统一管理 与按需分配，达到软件与硬件的协同。  无线云平台强化：不同于传统以 CPU 为核心的云平台设计，6G 无线网络的云平台将采 用面向异构硬件的设计理念，采用更加扁平化的方式为多种异构硬件提供资源的统一管 理、调度，并面向上层多种能力与应用，提供运维、应用等维度的管理功能。此外，低 时延、严时序要求下的确定性处理能力也是 6G 无线云平台不同于传统云平台的强化重