大 会 2 0 1 9 · 上 海 站 G O P S 全 球 运 维 大 会 2 0 1 9 · 上 海 站 京东物流超大规模仓储系统智能监控揭秘 付正全 架构师 G O P S 全 球 运 维 大 会 2 0 1 9 · 上 海 站 目录 问题及挑战 1 超大规模监控系统解决方案 2 面向AIOPS的智能监控最佳实践 3 规划&展望 4 G O P S 全 球 运 维 大 会 频繁变化的资产，不可靠的CMDB  运维专家匮乏  复合型人才匮乏：AI和算法工程师+运维开发 G O P S 全 球 运 维 大 会 2 0 1 9 · 上 海 站 目录 问题及挑战 1 超大规模监控系统解决方案 2 面向AIOPS的智能监控最佳实践 3 规划&展望 4 G O P S 全 球 运 维 大 会 2 0 1 9 · 上 海 站 对监控的认识  什么是监控？  问题  智能客服机器人 提供智能客服机器人服务，根据人员信息自动推测可能的问题及解决方案 G O P S 全 球 运 维 大 会 2 0 1 9 · 上 海 站 目录 问题及挑战 1 超大规模监控系统解决方案 2 面向AIOPS的智能监控最佳实践 3 规划&展望 4 G O P S 全 球 运 维 大 会 2 0 1 9 · 上 海 站 故障快照  出现告警自动抓取现场快照信息

专栏系统介绍上海市相关监测体系及配套信息系统的构建，为推进各类传染病 的早期监测预警、支撑医防融合的诊疗和防控、完善各地疾控体系建设和配套政策措施的制定提供参考。 转变模式，创新发展 ——构建超大城市现代化传染病综合监测体系 陈昕 1，2，吴寰宇 3 1. 上海市红十字会，上海 200435；2. 上海市新型冠状病毒肺炎疫情防控工作领导小组办公室疾控组，上海 200336； 3. 上海市疾病预防控制中心，上海 关键词：传染病；综合监测；公共卫生体系；信息化建设 中图分类号：R51 文献标志码：A DOI：10.19428/j.cnki.sjpm.2022.21264 引用格式：陈昕，吴寰宇.转变模式，创新发展——构建超大城市现代化传染病综合监测体系［J］.上海预防医学，2022，34（1）：1-6. Establishing a modernized and integrated surveillance system

..... ..........................................................................................12 超大规模主导地位....................................... ..................................................... 场已 经达到或接近容量，迫使租户将电力可用性和可扩 展性置于传统市场偏好之上。尽管需要大量资本投 资，二级和三级市场仍吸引了越来越多的关注。 数据中心行业在2024年经历了前所未有的变革， 这是由超大规模运营商的历史性吸纳率和人工智能 （AI）的快速发展所推动的。各大市场的空置率下 降至历史最低水平，加剧了对空间和电力的竞争， 并要求在土地、开发和基础设施方面进行重大投资 。 投资者渴望参与到该行业的发展，但成功需要不只 能源限制和不断变化的需求模式继续塑造着这一领 域的格局。 当我们在编译这份报告时，中国宣布推出的颠覆性人 工智能模型——DeepSeek——引入了一个可能对数 据中心行业产生深远影响的新变量，特别是对超大规 模供应商而言。DeepSeek在自然语言处理方面取得 了重大进展，包括增强的上下文理解、更快的模型训 练能力以及提高的多语言水平，这些都使其区别于现 有的AI模型。值得注意的是，这些改进在更高的效率

高，说明其公共交通（地面公交+地铁）运行效率、可靠性，相对 其他城市公共交通运行水平的综合表现较好； • 兰州市公共交通出行幸福指数最高，与正理想值最接近，达到81.48%；深圳市和合肥市分别在超大城市和特大城市中“公共交通出行幸福指数”位列首位。 注：城市规模来自中华人民共和国住房和城乡建设部2022年城市建设统计年鉴 公共交通出行幸福指数 南京 济南 9 郑州 哈尔滨 成都 72.30% 72.04% 71.17% 69.27% 66.91% 62.09% 50.79% 深圳市 成都市 重庆市 北京市 武汉市 上海市 广州市 杭州市 东莞市 超大城市公共交通出行幸福指数 78.56% 78.55% 73.29% 72.62% 69.69% 63.27% 61.20% 55.75% 合肥市 济南市 南京市 郑州市 西安市 越少，公交出行越便捷。 • 2024年期间，城市公共交通平均换乘系数整体同比呈多持平或下降趋势，超大城市、特大城市、中大城市的平均换乘系数（1.574、1.522、1.432）与去年同期 相比（1.579、1. 520、1.435 ）差异较小。其中，东莞市、沈阳市、海口市的公交换乘系数分别在超大、特大、中大城市中最小。 注：换乘系数计算方法参考国家标准（GB/T 32852.1-2016），

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， 二次训练 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 大模型在不同场景的算力需求及工程难度 算 力 训练阶段 微调阶段 ➢ 训练完的模型参数量也会影响推理端算力 大模型训练 作为驱动人工智能发展的关键生产要素，数据规模多维度影响大模型的性能与应用场景：超大模型追求“能力上 限”，轻量化模型聚焦“应用普适性”，两者共同推动人工智能从实验室研究走向规模化商业落地。 17 资料来源：灼识咨询 大模型的发展及参数量变化 ➢ 规模法则（Scaling l

高性能数据中心网络(HP-DCN).......................................................................................3 3.1.1 支持超大规模组网是基础....................................................................................3 3.1.2 .......................................................................................... 12 5.1 超大规模组网关键技术........................................................................................... 胀的AI模型需要更大规模的算力集群执 行训练。AI大模型以GPU集群分布式训练为基础，根据阿姆达定律，串行占比决定并行效 率上限，网络成为影响算力的重要因素。AI训练任务的高精度并行协同特性以及超大集群互 联吞吐量对网络性能提出了数量级的提升需求。AI大模型训练的时间往往长达数月，也使得 网络的长稳运行变得前所有未有的重要。从网络流量模型来看，AI大模型训练流量与通算流 量呈现出完全不同

融合的关键技术章节重点介绍“解决方案”。与 4.0 版本相比，本白皮书的侧重点 有所变化，4.0 版本主要集中在对各项技术面临的研究挑战进行系统梳理，而本版则更加关 注这些挑战的解决方案及其最新进展。本章节特别聚焦于超大规模 MIMO、通感一体化、 AI 与通信融合、语义通信以及量子计算等领域的关键技术突破。针对上一版本中提出的问 题，本白皮书通过深入分析每个技术领域的最新进展，结合仿真数据和原型测试结果，系统 .............................11 2.1 超大规模 MIMO 技术...................................................................................................11 2.1.1 集中式超大规模 MIMO.............................. ICDT 融合的关键技术 2.1 超大规模 MIMO 技术 2.1.1 集中式超大规模 MIMO 2.1.1.1 低复杂度信号处理 相对于传统的大规模 MIMO 系统，6G 集中式超大规模 MIMO 系统的天线阵列规模更 大。集中式超大规模 MIMO 系统信号处理所涉及的大量的矩阵求逆等运算的计算复杂度随 天线阵列规模的增大呈指数级增长。 为降低集中式超大规模 MIMO 系统的信号处理的复杂度，一种有效的方式是将高维度

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

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 .................................... g）、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 2 看护、大扭矩螺丝拧紧 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）