明确界定标准来判定模型为小模型还是大模型。根 据模型表现和模型算力需求，业界一般认为一个经过 充分训练的百亿参数的模型可认定为大模型 ［1］。大模 型遵循的三大统计特征如下。 a）Scaling Law。模型表现依赖于模型规模、计算 量和数据量，这些因素之间呈现幂律关系 ［2］。 b）Chinchilla Law。模型大小和数据量要同等比 例扩展，即数据量需达到参数量的 20 倍，模型训练结 大模型语言模型：原理、实现与发展 ［J］. 计算机研究与发展，2024，61（2）：351-361. ［2］ KAPLAN J，MCCANDLISH S，HENIGHAN T，et al. Scaling laws for neural language models［EB/OL］.［2024-01-20］. https：//arxiv. org/ abs/2001.08361. ［3］ HOFFMANN

具身大模型离实用还有差距 2023及之前 2025 及之后 2024 大模型 大数据 基本能力 单任务 单本体 单场景 多任务 单本体 单场景 通用智能系统 多本体 多场景 Scaling Law 在大语言模型和多模态大模型 上都得到了验证 感知和理解 决策和规划 执行和协作 评估和反馈 端到端 多模态大模型机器人 Hand-Eye Coordination Robotic

“卡脖子”。 计算的本质是能源的处理形式，计算过程也是能量转换和使用的结果。AI 所带 来的海量计算，将与可再生能源一起，推动新一轮信息与能源革命。而这一轮 大模型创新所遵循的扩展定律（scaling law），即更多的数据和更大的算力推 动模型越来越大，越来越接近通用人工智能（AGI），产生了大数据 - 大算力 - 大模型 - 大电力的范式。 中国在新能源革命中已经处于领导地位，也是全球第二智能算力大国。中国正 意义。 前言 计算的本质是能源的处理形式，计算过程也是能量 转换和使用的结果。AI 所带来的海量计算，将与可 再生能源一起，推动新一轮信息与能源革命。而这 一轮大模型创新所遵循的扩展定律（scaling law） 产生了大数据 - 大算力 - 大模型 - 大电力的范式。 AI 改变能源 智算如何引领新型电力系统 扫码了解更多 4 文献综述与方法论 全球数据中心用电量将在 AI 的推动下大幅增长，一直受到关注。从

“卡脖子”。 计算的本质是能源的处理形式，计算过程也是能量转换和使用的结果。AI 所带 来的海量计算，将与可再生能源一起，推动新一轮信息与能源革命。而这一轮 大模型创新所遵循的扩展定律（scaling law），即更多的数据和更大的算力推 动模型越来越大，越来越接近通用人工智能（AGI），产生了大数据 - 大算力 - 大模型 - 大电力的范式。 中国在新能源革命中已经处于领导地位，也是全球第二智能算力大国。中国正 意义。 前言 计算的本质是能源的处理形式，计算过程也是能量 转换和使用的结果。AI 所带来的海量计算，将与可 再生能源一起，推动新一轮信息与能源革命。而这 一轮大模型创新所遵循的扩展定律（scaling law） 产生了大数据 - 大算力 - 大模型 - 大电力的范式。 4 文献综述与方法论 全球数据中心用电量将在 AI 的推动下大幅增长，一直受到关注。从 2023 年以来， 由于生成式

的骨干网络和接入网络，这为智算中心互联提供了得天独厚的网络优势，可以为用户提供低延迟、高带宽的 连接服务，尤其是在边缘计算场景下更具优势。 AI的发展依靠算力、算法和数据。OpenAI在2020年提出Scaling Laws（尺度法则）。对于基于trans- former的大模型而言，在AI训练中有以下结论：1）模型规模要大：即增加模型参数量、数据集和计算量， 就可以得到性能更优的模型。2）模型参数量

但在目前，这 种分离策略在性能、风险管理和模型训练效率 等方面展现出明显的优势。 具身智能学习进化能力的提升也在持续学习中 显现，伴随着不断的学习迭代，能够实现更多 跨场景的通用复杂任务。基于Scaling Law理论， 模型的性能会随着模型大小、数据集大小和计算 资源的增加而提高。通过将数据分为直接操作数 据、半模拟数据和海量互联网数据，采用多层级 的数据学习策略，从每种类型的数据中提取最有 价值的部分，增强了数据的利用效率。

，单卡显存不低于 40GB。 - CPU 实例：为支持数据预处理和后处理任务，配置 8 台标准计算 实例，每台配备 32 核 CPU 和 128GB 内存。 - Auto Scaling ：设置自动扩展策略，当 CPU 或 GPU 利用率持续 超过 80% 时，自动增加实例数量，最大扩展至 16 台 GPU 实例和 32 台 CPU 实例。