“规模定律”。 “规模定律”的提出是 AI 发展的里程碑，揭示了模型性能与参数、数据量、计算投入的关系，促使 训练从“赌注”走向“可量化投资”（Kaplan et al., 2020） ；钦奇拉法则（Chinchilla Law） [2] 大模型对基础设施的挑战 2.0 AI 大模型正以前所未有的速度发展，行业呈现出模型加速迭代、算力大规模投入和商业化进程 加快的特点。全球科技巨头与新 处理器泛指用于人工智能计算的加速器，如神经网络处理器（NPU）和图形处理器 （GPU）等。 规模定律 (Scaling Law): 揭示了 AI 模型性能与参数量、数据量、计算投入之间存在幂律关系的法则。该法则驱动了模型参数 的指数级增长，是推动基础设施走向超节点架构的核心理论之一。 超节点通信域 (Supernode Communication Domain): 在超节点集群组网中，为实现大规模

理的强化学习、拒绝采样 与监督式微调、全场景强化学习等。 l AI 应用爆发在即，算力需求持续攀升，关注 ASIC 及服务器产业链。 Scaling Law 与“涌现”能力是大模型训练遵循的重要法则，随着 ChatGPT 引领全球 AI 浪潮， 国内外科技公司纷纷发布 AI 大模型，截至 24 年 7 月，全球 AI 大模型数量约 1328 个 ( 其中美国位居第一位，占比 44% ；中国位居第二位，占比 ，国信证券经济研究所整理 参数量 （十亿） GPT-4 PanGu-Sigma Ernie 4.0 BingChat* PaLM2 Titan Scaling Law 与“涌现”能力：大模型训练遵循的重要法则 请务必阅读正文之后的免责声明及其项下所有内容 2022/8/27 2022/12/5 2023/3/15 2023/6/23 2023/10/1 GPT- 3 大幅提高；国产模型中阿里的 Qwen2.5-72B 取得 86.1 分的 高分，在各大模型中亦取得排名相 对靠前的位置。 Scaling Law 与“涌现”能力：大模型训练遵循的重要法则 请务必阅读正文之后的免责声明及其项下所有内容 图：全球模型数量激增 2019 2020

wants ？ 4 技术进化周期越来越短 5 大模型为什么突然火了 现实域 数域 现实域 模型 + Chat 6 矩阵 概率 “ 大数法则” 大模型的底层 7 2017.6 Transform er 6500 万参数 深度学习框架 TensorFlow 发 布 分布式版本 2018.1 0 BERT 3 亿参 数

要对故障根因进行分析，快速准确地定位出故障节点，并能够提供解 决意见或方案。此外，服务生成算力网络还需要对业务承载、系统运 行、故障分析等功能背后的机理进行认知，在解决问题的过程中将相 关的规律、法则、策略等凝练为可复用的知识，从而支撑算网进行推 理分析、闭环决策、自治运行等。 3）自主决策：知识定义的自主决策 在服务生成算力网络中，将复杂多元的计算任务分派并调度到最 匹配的计算节点 升了算力网络的运行效率与可靠性。例如，自然语言处理技术通过对 日志、配置指令及用户需求的语义理解与分析，实现智能化的网络管 理与调度，将用户请求自动转化为资源调度指令，减少人工干预，提 升响应速度，并优化用户服务体验。图像处理算法则通过高效处理和 分析网络中的图像数据，在边缘计算场景中提取关键信息，减少数据 传输量，降低网络负载，同时优化图像压缩与增强算法，提升带宽利 用率，保障高质量图像传输的实时性与稳定性。此外，强化学习通过

如果你的人员和流程存在问题，不要将技术视为万能药。技术只会让坏 事发生得更快、更大。 18 2026趋势报告：数据与人工智能 投资回报率证明仍然至关重要 商务语言翻译 爬行-行走-奔跑法则 结论：基础决定未来 时间考虑 交付，以及较少向客户用商业语言解释他们能带来的价值，用能引起他们 共鸣的语言。信息传递需要与目标受众保持一致。 人工智能的空谈与现实操作之间的差距无法持续。金融服务公司在讨论生

AI 图像增强技术等技术可以通过人工智能机器学习算法预处理图片，提升工业相 机拍摄照片或扫描出图像的对比度，降低图像噪点，增强图像边缘等，提升后续进一步 检测的准确度。 AI 缺陷检测算法则可针对消费电子类产品常见的压伤、凹凸、异物等各种缺陷完 成大量模型预训练。在具体项目中调用视觉检测平台时则可通过小样本训练检测技术， 使用 50-100 张图像数据构建适配项目需求的检测参数，具有灵活性的特点，可以快速部

析，自动识 别出网络中的性能瓶颈所在。例如，通过对网络流量数据、节点资源 使用数据等的深度学习分析，发现某个卫星节点由于计算资源不足， 导致数据包处理延迟过高，成为网络性能瓶颈。 强化学习算法则通过不断地在网络环境中进行试错，以网络性能 指标（如吞吐量、时延、资源利用率等）为奖励信号，自主学习和改 进资源分配策略。在资源分配过程中，强化学习算法尝试不同的资源 分配方案，根据得到的奖励信号判断方案的优劣，逐渐找到最优的资

业计划、业务支撑计划等。 在电力交易方面，在新能源高渗透率下， 电力系统波动加剧，电力市场周期加速演进， 正从“日前”向“日内”、“实时”跃迁，以 75 分钟级响应来应对秒级波动，已成为新型电力 系统的核心生存法则。这场变革将市场与 AI 技 术的融合推向新高度。AI 技术加持下，电力市 场交易电量占比将会从 2025 年不足 1%，提升 到 2035 年的 72%。 泛在物联和可靠通信，是实现电力系统数