新型智算中心改造系列报告一： 网络成大模型训练瓶颈 ，节点内外多方案并存 证券研究报告 | 2024 年 5 月 5 日 行业研究 · 行业专题 计算机 · 人工智能 投资评级：超配（维持评级） 请务必阅读正文之后的免责声明及其项下所有内容 • A I 大模型训练和推理拉动智能算力需求快速增长。 a ）模型迭代和数量增长拉动 A I 算力需求增长：从单个模型来看，模型能力持续提升依赖于 力、显存、互联需求再次升级，高速互联的百卡“超级服务器”可能成为新的设备形态，智算中心将走向超 级池化阶段，对设备形态、互联方案、 存储、平台、散热等维度提出新的要求。 • 网络互联：节点内外多方案并存。 1 ）节点内：私有方案以英伟达 NVLink 为代表， NVLink 已经发展至第五代产品，同时支持 576 个 GPU 之间 的无缝高 速通信；开放技术方案以 OAM 和 UBB 为主， OCP 请务必阅读正文之后的免责声明及其项下所有内容 网络互联 - 节点内外多种互联协议并 存 资料来源：《数据中心 2030- 华为》，国信证券经济研究所整 理 • 大模型场景，私有和开放技术方案并存。针对传统传统的中小模型， PCIe 技术方案已经非常成熟；面向大模型场景，基于扣卡模组的卡间高速 互 联方案主要分为私有和开放技术两大类，私有方案以英伟达 NVLink 为代表，开放技术方案以

，需要研 发可实时计量、可溯源、可追踪的碳表设备与园区碳排放流信息一体化 平台 2 零碳园区分层控制架构体系 传统集中式控制方式在高比例可再生能源、分布式资源和产消者并存的 园区中面临挑战，需要构建适用于多种主体并存的分层控制架构体系 3 面向"双碳"目标的多市场耦合机制 碳交易市场、绿电市场、绿证市场等多市场耦合机制亟待完善，如何优 化多市场机制以促进零碳园区建设是当前面临的重要挑战 图 7 零碳园区研究挑战与展望 未来发展趋势 智能化 一体化 电气化 零碳园区是我国实现碳中和目标的重要抓手和实践平台 17 / 18 分层控制架构体系构建 零碳园区需要构建适用于多种主体并存的分层控制架构体系。 上层控制：通过园区零碳操作系统进行集中式调控 下层控制：各分布式资源进行分布式控制，共享信息并能独自决策 智能化算法：不同层级控制器依赖不同算法，满足复杂系统的智能化需求

碳交易市场、绿电市场、绿证市场等多市场耦合机制亟待完善，如何优 化多市场机制以促进零碳园区建设是当前面临的重要挑战 零碳园区分层控制架构体系 传统集中式控制方式在高比例可再生能源、分布式资源和产消者并存的 园区中面临挑战，需要构建适用于多种主体并存的分层控制架构体系 园区碳中和是涉及自然与社会、科学与技术以及政策等多维度的转型发展难题 16 / 18 技术挑 战 科学挑 战 3 2 2 1 分层控制架构体系构建 零碳园区需要构建适用于多种主体并存的分层控制架构体系。 上层控制 ：通过园区零碳操作系统进行集中式调控 下层控制 ：各分布式资源进行分布式控制，共享信息并能独自决策 智能化算法 ：不同层级控制器依赖不同算法，满足复杂系统的智能化

步完善海外供应链网络和售后服务体系，提升海外市场竞争力。 - 3 - 华晨宝马-数字化车间 （三）汽车零部件及配件制造行业中小企业业务痛点 汽车制造业数字化转型面临五方面挑战：一是数字化基础薄 弱，生产网、办公网、监控网等多网并存且层级复杂，基础设施 环境不佳，难以支撑应用部署，同时面临网络攻击导致生产中断、 数据泄露及资产损失风险。二是制造方案灵活性不足，难以及时 响应客户个性化、定制化的整车企业需求，且缺乏利用数字化技 供应链面临不确定性，汽车供应链的惯性和传导时滞导致中上游 企业对冲击的调整幅度通常大于下游产业，供需匹配效率降低。 - 4 - 二、汽车零部件及配件制造行业中小企业转型价值 1.构建安全可控的数字化基座 针对多网并存、基础设施薄弱及网络安全风险问题，通过整 合生产网、办公网、监控网等异构网络，构建高稳定性基础设施 架构，可显著提升系统部署能力。同步运用数字化手段构建智能 安全防护体系，防范网络攻击导致的生产中断、数据泄露及资产 企业存在“常用垫片缺货”与“积压十年未用轴承”并存现象，库存 周转率较低；供应链协同不足，维修备件采购环节冗长。 应用场景： 一级：维护依赖纸质点检表，人工记录焊接机器人、扭矩枪 的运行时长和基础状态。故障发生后凭经验抢修，备件申领通过 纸质表单审批，维修记录登记于台账本。 二级：部署简易 CMMS 系统，电子化工单流转故障报修流 程。关键设备加装振动传感器，人工定期采集数据并存档分析； 建立电子备件库存清单，扫码记录备件领用。

本加大，运营水厂的数量将决定未来 格局，只有突破一定的数量边界才会 出现大盈利空间。 传统水务行业挑战与机遇并存 智慧水务潜在市场规模 可达上万亿元，但目前 各地区智慧水务实际市 场规模仍然较小。 《 2017 年中国智慧水务研究报告》 新思界产业研究中心 智慧水务业务 , 机遇与挑战并存 经营模式 行业发展 资金投入 技术能力 智慧水务的理解 “ 智慧水务”是一种状态 “ 智慧水务”是一种能力

数据采集存储模块 传感器模块 通过纹理、几何、微表情等采集人脸特征数据并存储。 库存和货架的商品补足确认，并进行异常监控。 摄像头集群 多源头、多模态和多场景的人脸图像传输。 补货调度与 监控 I 商品数据处理 摄像头集群 03 02 04 06 05 补货数量 确定 商品边界框和类别数据采集并存储。 商品数据采集与存 储 人脸数据采集与存 储 i 顾客商品需求分析

在华建厂、国内药企的 行业集中度低， 抗风险能力低 定位在中高端市场，市场占有率处于同 行业前列，但面临新药专利期后仿制药 的 强有力竞争 科技含量高、投资 ** 大、研制周期长、 更新换代快、高风险和高效益并存 涉及到患者健康和生命安全，药品生产需 遵守严格的 GMP 规范外，药品销售需严 格执行 GSP 规范 牵涉到药品研发、生产和销售，产业 链条长，同时受国家政策的 影响加大 未来管理重点 资源规模效应化 统 一的 数 据统计口径 • 关键资源集中控制、集 中统 筹共享 • 实现跨职能的 信息、流 程横向贯 通，提高整体协作效率 • 实现集团上下 的 纵向 贯通，建立满 足多级组织共性与个性并存的 管理 需求 • 实现标准、规范规则与业务执行的 贯通，实现精益管理思路的落地实 现 建立流程和组织的 一体化，实 现横纵贯通 • 打造智能化管理门户，集中提 取各系统 数 据，满足各层级领 统 一的 数 据统计口径 • 关键资源集中控制、集 中统 筹共享 • 实现跨职能的 信息、流 程横向贯 通，提高整体协作效率 • 实现集团上下 的 纵向 贯通，建立满 足多级组织共性与个性并存的 管理 需求 • 实现标准、规范规则与业务执行的 贯通，实现精益管理思路的落地实 现 建立流程和组织的 一体化，实 现横纵贯通 • 打造智能化管理门户，集中提 取各系统 数 据，满足各层级领

生和应急保障。 3、引入高稳智能体，域内自治自愈、跨域协同容灾、AI风险防控点面结合， 根本上提升异常处理效率和精准度、提升跨域协同容灾能力。高稳智能体犹如科 技武装和作战指挥，面向6G 多网并存、多域协同、多维融合及智能体通信的复 杂性，引入智能化手段替代以人为主、单点排障的传统运管模式。同时，需要增 加“AI风险防控”有效评估和拦截智能化本身引入的风险。 此外，建立网络可靠性评价体 网络运行中，各网络功能大都通过独自决策、或相邻两者之间协作进行策略 调整，缺乏端到端全局视角。6G网络多网并存（固网、星网、4/5G公专网等）、 多域协同（无线、承载、传输、信令网、语音网、子网等）、多维融合（通、感、 24 智、算等），需要构建跨网无缝切换、多域协同定位、多维动态适配的立体协同 容灾能力。  跨网无缝切换：针对 6G 异构网络并存特性，通过 AI 感知多网状态，在 故障或拥塞时自动触发网络切换与业务迁移，打破传统网络孤岛。依托端

& Proprietary. Do not reproduce or distribute. 1. 智算产业现状总览 智算产业发展格局与演进趋势 来源：与非研究院 智算产业呈现高度集中与多元化并存的格局，技术创新和政策驱动为主要推动力，绿色低碳与国产替代 成为新趋势。 10 Supplyframe, Inc. Confidential & Proprietary. Do not reproduce & Proprietary. Do not reproduce or distribute. 4. 未来挑战与趋势 核心点： 技术挑战 ｜ 集群规模扩大导致故障率上升，算法效率提升与算力需求增长并存。 架构演进 ｜ 单节点性能提升+横向扩展并行，推理需求驱动芯片架构创新。 应用落地 ｜ AI与实体经济深度融合，需解决算力利用率低、场景适配不足问题。 长期趋势 ｜ DeepSeek等算法优

........................................................................... 4 2. 大模型和小模型在工业领域将长期并存且分别呈现 U 型和倒 U 型分布态势 .....................................6 2.1. 以判别式 AI 为主的小模型应用呈现倒 U 型分布 ...... 全性、可靠 性要求极高的工业场景中，如航空航天、核能等领域，幻觉现象可能带来灾难性的后 果。 6 工业大模型应用报告 2. 大模型和小模型在工业领域将长期并存且分别呈现 U 型和倒 U 型分布态势 从工业智能化的发展历程可以看出，在大模型出现之前，人工智能技术在工业领 域已有较多应用。在前期阶段，工业人工智能的应用主要是以专用的小模型为主，而 大 6利用检索增强生成（RAG）技术，将大模型与其工业 DataOps 平台 Cognite Data Fusion 结合起来，为工业客户提供基于数据的洞察和解决方案。通过将不 同来源和类型的工业数据进行向量化，并存储在一个专门的向量数据库中，可以作为 RAG 的检索源，与用户的自然语言提示一起输入到大模型中，使模型能够提供更加精 准的建议或解决方案。 C3.AI7推出的 Generative AI