架构的多主多写和秒级 Serverless 能力，解决了多主架构中 冲突处理和数据融合、以及 Serverless 秒级弹性租户隔离的难题。在高并发场景下， PolarDB 性能为业界同类数据库 3 倍，并凭以上成果成功摘得中国首个 ACM SIGMOD 和 IEEE ICDE 工业赛道“最佳论文奖”。 本次云栖大会，阿里云瑶池还正式发布了云原生内存数据库 Tair Serverless KV 服务， PolarDB、云原生数据仓库 AnalyticDB、 云原生多模数据库 Lindorm 等多款明星产品，可满足用户不同业务需要。技术方面， 瑶池旗下的自研数据库拥有三层解耦、多主多写、HTAP、Serverless 等全球首创或 业内领先的创新能力。其中，PolarDB 已完成全球首个大规模商用、基于共享存储的 云原生多主数据库实践，并凭此成功摘得了中国首个 ACM SIGMOD 和 IEEE ICDE 单一数据库引擎很难满足所有用 户需求。采用不同引擎承载不同的工作负载，并且让用户拥有一站式数据管理平台的 使用体验，这是阿里云瑶池数据库产品一直打磨的方向： 第一：通过云原生 Serverless，持续降低用户的数据库使用门槛； 第二：一体化、一站式。阿里云瑶池拥有庞大的用户群体和业内最丰富的云数据库产 品家族。瑶池数据库目标为用户提供开箱即用的数据库产品，这一理念也指引着我们

语言大模型 + 多模态大模型 AI 服 务 模型服务 ( 灵积、魔搭 LLM 、 Embedding) ( 异构算力 :GPU+CPU) 20% 成本 2-10 倍压缩，冷热分离 Serverless 弹性计算 百 PB 规模 存算分离，在线扩容 千万吞吐，毫秒延迟 一站式 数据不出库 在线服务 + 离线分析 +AI 40% 头部车企

Cloud-Native、机器学习、深度学习、 小模型 AI-Native、生成式 AI、基础大模型 & 大语言 模型 & 多模态大模型 & 世界模型 服务架构 微服务化、容器化、SaaS、Serverless 智能化、Agentic AI、Agent 架构、MaaS（模 型即服务）、RAG 软件工程方法 DevSecOps、AIOps DataOps、MLOps&LLMOps、DevSecOps融合， 全栈服务， 承载云与 AI 原生关键技术，支持智能应用开发、运行、运维、集成等全生命周期与全场景。智能应用平台、参考框架 如下图： 将继承 Cloud-Native 的微服务化、容器化、Serverless 化等能力，增强自然语言 UI、提示工程、RAG 检索增强生成、 预训练大模型、XPU 异构混合算力，集成知识库与外部工具等，演进为智能应用。各行各业的智能应用，借助 AI 实现 自运行 业私有数据的全连接能力，提供可复用的 AI 智能应用平台，应用智能化的技术底座 应用全生命周期智能化白皮书 23 公共能力部件，实现行业应用的智能化组装和高效集成。 5) 智能化和 Serverless 化的底座：为应用开发、运行、运维、集成提供公共的平台服务，集成消息、事件、缓存 等 AI 原生中间件，提供多模型融合、多 Agent 通信、推理加速、实时 RAG、云边一体等能力，统一管理并高

执行，简化系统架构，提升响应性能与可靠性，持续改善搜推广、语音/视频处理以及中小模 型的推理体验。 云原生方案形成整体保障：除了算力层面的降本措施，云服务商还通过持续增强弹性伸缩、 Serverless以及统一运维等云原生解决方案的效能，实现硬件、算法、平台、服务的协同进 化。例如，在强化弹性伸缩能力时，综合运用编排调度（例如Kubernetes）、服务监控、服 务治理以及相关的配置管 存储节点，进一步增加了系统设计和实现的复杂度。 云原生架构带来系统架构和技术栈的新问题：例如如何处理微服务间频繁的通信、复杂的拓 扑、多样化存储以及动态多变的负载等，并强化隔离保障安全。云服务商通过持续增强弹性 伸缩、Serverless以及统一运维等云原生解决方案的效能，帮助用户降低成本。例如，在强 化弹性伸缩能力时，综合运用编排调度（例如Kubernetes）、服务监控、服务治理以及相关 的配置管理等云原生能力。 ��

的弹性并发 能力，以满足高并发访问时的计算需求，还要有效降低推理服务成本， 实现经济效益最大化。对于实时性要求较高的请求，在边缘云上使用 GPU 的成本问题尤为突出。 现有公有云通过 Serverless 容器的方式为 AI 推理提供弹性能力， 但由于 AI 镜像和模型文件较大，导致冷启动问题严重，这极大地影 响了用户体验。此外，公有云通常无法提供城域级的边缘云服务，难 以满足部分对实 步骤一：任务发布 算力使用者通过调度中心发布推理任务，明确指定推理任务的计 算需求（CPU、GPU 型号 / 数量、框架、价格）、网络需求（IB、 RDMA）、地域需求以及任务类型为 Serverless。这些详细的参数设定， 确保调度中心能够精准匹配最合适的边缘算力资源，满足任务的多样 68 化需求。 ① 总分调度架构 此架构下，资源需方直接在算网协同调度平台发布业务需求。 图 （CPU、GPU，框架，价格），指定内部网络需求（IB、RDMA)，并 要求对训练任务镜像进行存储预热；对于推理任务指明确计算需求 （CPU、GPU，框架，价格），指定地域需求，任务类型为 Serverless， 要求对推理任务镜像进行存储预热，指定所需的存储类型和存储介质。 这些详细的参数设置，为调度中心提供了准确的任务信息，便于进行 82 合理的资源调度。 ① 总分调度架构 此架构

地理统计分析、有限元 分析、元胞自动机模拟 数据科学 云原生 GIS 云使能 GIS 、云 GIS 云原生 GIS( 微服务、容器化、 自动化编排 ) 边缘计 算、 ServiceMesh Serverless 、 AIOps 新一代三维 GIS 二三维一体化 倾斜摄影模型、激光点云、 BIM 、 VR/AR 、场三维 CIM 、三维地理设计、游戏引 擎 基于 AI 的实景三维单体 建模

比、平台锁定和服务模式等因素。对于效费比，通常引入无服务器计 算（Serverless）作为关键技术，通过事件驱动、函数即服务（FaaS） 和按需计费，实现资源动态扩缩容与细粒度调用，屏蔽底层管理，显 著降低成本并提升效率。对于平台锁定，通过采用多云多平台容灾备 份机制，保障业务连续性与数据安全。在服务模式方面，构建开放共 享的算力生态圈，促进多维有序协作。资源编排通过整合 Serverless、 微服务、容器化等技术，实现算力资源的高效、灵活、安全调度，是

微服务。阿里云云原生AI套件集成众多LLM应用架构方案，包括Dify、 Flowise 等 RAG 方案，Nvidia NIM 大模型推理加速方案等，助力客户 的云原生 AI 系统与社区连接。阿里云 Serverless 平台内置 MCP 运行 时，支持开发者通过函数计算 FC 控制台直接部署预置的 MCP 模版。 四、智算发展潜力评估 1、评估方法 （一）ICDP-EM 框架 智算发展潜力评估模型（Intelligent

Linux 内核虚拟化（KVM）的开源轻量级虚拟化技术，在保持传统虚拟化的隔离能力和 安全能力的同时，降低了内存资源消耗，提高了虚拟机启动速度。StratoVirt 可以应用于微服务或函数计算等 Serverless 场景，保留了相应接口和设计，用于快速导入更多特性，直至支持通用虚拟化。 StratoVirt 的核心架构如图 3-82 所示，从上到下分为三层。 图 3-82 StratoVirt virtio-pci 以及 VFIO 直通设备等，极大提高虚拟机的 I/O 性能。 StratoVirt 配合 iSulad 容器引擎和 Kubernetes 编排引擎可形成完整的容器解决方案，支持 Serverless 负载高效运行。 StratoVirt 软件架构 StratoVirt QMP-Compatible-API bootloader CPU system bus PCle bus