升跨行业应用的 性能。 三、可信权益保障：通过广义 QoS 质量机制及多方见证技术实现共享与权益 的精确对应，保障资源能力流转的顺利进行。 四、跨域安全和身份管理：基于分布式身份（如去中心化身份（DID））和 分布式账本技术（DLT，如区块链），实现联盟网络中的安全认证与信任机制。 五、智能化网络管理：采用 AI 驱动的自主网络，结合智能体架构（AI Agents）， 优化网络拓扑、 络层中。业务单元是对网络内部资源的管理，负责资源的感知、任务资源的匹配、 资源的调度等功能，属于主体网络层。联盟单元实现互联互通，负责网络间身份 管理和认证、网络间数据传输的通道管理等功能；可信单元支撑多方共识，负责 网络间分布式信息管理、权益匹配等功能，联盟单元和可信单元是互联互通层的 关键。智能单元实现下层资源能力与上层应用的匹配，负责应用的全生命周期管 理、应用资源的组合管理等，实现未来网络丰富的联盟应用层。 图 （Trustworthiness Access Module，TAM）。三个模块都是分布式账本的功能模 块，TMM 可以对分布式账本行使管理能力，比如对于账本参数修改区块的创建、 对于用户权限参数修改区块的创建等。具备这个权限及模块的一般都是运营商及 大型行业网络等，是分布式账本的管理员角色。TCM 可以对分布式账本行使区块 创建的共识能力，可以创建不涉及账本参数的区块，但无法创建账本参数区块。

会等方式，鼓励更多的教师和学生参与到设备的开发和改进中来。 量子信息技术应用案例集（2024） 12 案 例 二 量子计算在生命科学方面的应用 ——基于分布式 VQE 算法的基因组组装方法 提供单位：深圳量旋科技有限公司 量子信息技术应用案例集（2024） 13 一、 应用背景与需求 (一) 量子信息技术应用案例集（2024） 15 于估计化学分子的基态能量、组合优化问题的最优解等，被视为在 NISQ 时代最有希望实现的量子算法之一。 图 8 VQE 算法的流程示意图 分布式计算：分布式计算是将一个需要巨大计算能力才能解决 的问题拆分成多个小的问题，然后将这些小的问题分配给多个计算 机进行处理，最后将这些计算结果综合起来得到最终的结果。 问题启发式参数化量子线路：参数化量子线路是 根据问题的特殊性设计特定的参数化量子线路，生成仅包含问题可 行解的参数化量子态，从而减少搜索空间。 (二) 技术优势/成熟度分析 基于分布式 VQE 算法的基因组组装方法，相对于其他方案而言， 具有三方面的技术优势。1）结合三代测序技术辅助二代测序技术可 以有效的解决存在基因重复片段的基因组组装问题。2）基于分布式 VQE 算法，可以在 NISQ 时代使用较少的量子资源求解大规模 QUBO 问题。3）基于特定的问题启发式参数化量子线路，可以高效

尚未完备 数据成熟度（核⼼） 6 信息来源：量⼦位智库 自动 驾驶 3D ⽣成 • ⾼ • 汽车⾏驶数据（摄像头及 传感器）达到百亿英里级 • 仿真数据正在快速发展以 弥补真实数据的分布缺失 具身 智能 成熟度 XR 经济性 • ⾼ • 融合感知、规划、控制的 端到端⼤模型已经成为业 界共识 算法成熟度 • ⾼ • 头部玩家达到5万 卡H100 算⼒支撑 • 中 加速模型能⼒提升 • 数据⽣成：XR设备可以支持空间智能相关的数据⽣产，例如英伟达GR00T项目，通过XR设备为机器⼈进⾏操 作演示 数据体系成熟度是观察空间智能进展的关键，包括数据积累、数据构成、 数据分布、数据闭环四部分，成熟度上自动驾驶>3D⽣成>具身智能 数据积累规模 8 信息来源：量⼦位智库 自动 驾驶 3D⽣ 成 • ⾼ • 已有数量庞⼤的车队和成 熟的道路交通系统可以收 集⼤量数据 中 • 以视觉信息为主，纯视觉 技术路线外会涉及激光雷 达和其他模态 数据构成精简度 • 中 • 以道路交通系统的⾏驶 为主，多数驾驶场景下 需要的数据可以充分收 集，但缺乏长尾数据 数据分布多样性 数据闭环成熟度 • 中 • ⾼精度的3D资产图形学数 据，主要由专业的3D模型 师制作，数量有限 • 中 • 3D⽣成需要的图形学数据 种类多样，如形状、体积、 纹理、材质，对数据表征

MIMO.........................................................................................11 2.1.2 分布式 MIMO 技术.......................................................................................... 2.4.1 基于对抗训练的无线语义通信安全传输.............................................................58 2.4.2 安全高效的分布式语义通信系统.........................................................................59 2.5 量子计算与应用.... 6G 网络系统 架构。 9 / 87 图 1-1-1 通算智融合网络架构示意图 图 1-1 提出的通算智融合网络架构包括：基础设施层、网络功能层、管理编排层，其中： 1）基础设施层基于海量分布的基站和终端设备载体，提供包括连接、计算、数据和模 型在内的虚拟资源。 2）网络功能层基于基础设施层提供的新计算资源要素，在传统的面向连接的用户面功 能和控制面功能基础上进行增强，面向通算一体

训推场景对于多级缓存的核心需求，联合产业力量升级 存算互联硬件，打造高速互联接口提升带宽，研发存算协同芯片模块，提升整体 性能。 面向中远期，构建多级训推缓存端到端智能缓存管理框架，支持异构缓存间 的数据透明迁移；支持多级缓存分布式部署，深度融合云端、边缘与终端设备的 存储资源，实现深度缓存协同。 2.3 网络技术 为应对 AI 大模型训练与推理对算力基础设施的极致性能需求，中国移动构 建“卡间-机间”全栈智能互联技 用光电共封装技术突破传统电互连的带宽密度与传输距离限制，推动材料接口与 封装规范的标准化进程，为 TB/s 级带宽、百 ns 级时延的点对点超大规模智算集 群互联奠定基础。 2.3.2 机间互联 AI 大模型以 GPU 集群分布式训练为基础，网络成为影响算力的关键因素。 现有 InfiniBand 和 RoCE 技术存在各自问题，均不满足未来机间互联技术演进， 为此中国移动提出全调度以太网（GSE）技术架构，全面革新以太网底层转发机 2024 年 MWC 发布全球 首台算力路由器，并已构建 5 省 20 地市规模中试网络。 面向近期，重点开展归一化算力度量、自适应算力通告、多因子联合路由技 术研究，面向智算推理场景，开展集中式、分布式部署方案验证，验证算力路由 在模型感知、推理实例选择的灵活性和高效率。 面向中远期，攻关面向大模型训练场景的多维算力信息融合路由机制，综合 感知网络拓扑、网络故障、节点算力状态、检查点等多维信息，构建稳定高效的

空间：根据我们的推算，企业微电网存量改造项目空间将不少于 8000 亿元；每年新增项目业务空间达到 150 亿元以上。 趋势：“双碳”目标 + 电价浮动，趋势进一步催生企业的节能控耗、节省电费需求；分布式电源 / 储能 / 充电桩加入使得企业微电网更加复 杂 化，进一步催生可靠用电、运维管理需求；用户侧参与电力市场并可进行上网卖电，催生市场化交易、数据管理需求。 u 安科瑞：产品 / 销售 元， PE 分别为 40/29/21 倍，强烈 推荐，首次覆盖给予“买入”评级。 风险提示： 1 ）市场份额被竞争对手挤压； 2 ）新产品推广不及预期； 3 ）新产品研发不及预期； 4 ）分布式电源、用户侧电改不及预期； 5 ）拟建项目、拟设子公司存在不确定性等 资料来源：华西证券研究所 跳 . ) 安科瑞微电网产品三级跳 u EMS 1.0 的特点为标准功能模块化、组件化，包含电力监控、能源管理、预付费、用电安全等 21 个系统。 功能：变电站综合自动化、配电室综合监控、分布式光伏、电力监控、电能管理、能耗管理、充电桩管理等。 EMS 1.0 中各功能模块相互分离，公司按客户需求将不同子系统组合销售。 u EMS 1.0 ：实现了功能积累，为后续的产品进化建立了基础。

..........................................11 （一）市场及算力规模 .............................11 （二）智算中心区域分布 ...........................15 四、行业运作模式........................................................... 中国投运/在建/规划智算中心项目区域分布（截至 2024 年 8 月） ................................................ 15 图 8 中国智算中心项目建设主体分布（按项目数量，截至 2024 年 8 月） .............................................. 18 图 9 中国智算中心项目建设主体分布（按算力规模，截至 ............................ 18 图 10 2023 年中国公有云 laaS+Paas（仅国内）市场份额 .....22 图 11 2024 上半年中国智算服务市场分布情况 .............. 28 图 12 2024 年上半年中国 Top5 GenAI IaaS 服务厂商市场份额 29 图 13 Top5 智算集成服务厂商市场份额（右） .....

随着生成式人工智能的发展，AI大模型参数量从GPT-3.5的1.75亿，到GPT-4的1.8万 亿，预计未来GPT-5将达到十万亿参数规模，迅速膨胀的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 。HPC同样对网络提出高性能 需求，特别是在可扩展性以及分布式资源的高效利用方面，HPC与AI的需求趋同。一般来说 HPC对于时延更加敏感，但部分采用并行通信的计算模型，同样也关注长尾时延。 AI和HPC集群规模和服务范围的扩大对广域网传输也提出全新需求，包含数据协同和数 据快递两大应用场景。数据协同应用主要面向AI/HPC的分布式协同，例如在跨DC的AI训练 过程中的是训前模型和数据上 CPU Central Processing Unit 中央处理器 CSIG Congestion Signaling 拥塞信令 DSF Distributed Scheduled Fabric 分布式全调度网络 DOM Digital Optical Monitoring 数字光学监控 ECMP Equal-Cost MultiPath routing 等价多路径路由 ECN Explicit

......... 19 表 8 最大加权独立集 QAOA 算法测试例 .......................................... 28 表 9 最大加权独立集分布式 QAOA 算法测试例 .............................. 30 表 10 用于网络流量预测的量子 Tsmixer 模型性能测试例 .............. 31 求解目标 最大化权重值（最大化高权值用户接入率） 算力 需求 计算规模 中等 计算速度 准实时，要求一般 计算精度 要求高，最优解或近似最优解 量子算法 QAOA 分布式 QAOA 线路宽度需求 40 量子比特 16 量子比特 线路深度需求 30 层及以上 10 层及以上 保真度 超过纠错平衡点门限 注：1、最大加权独立集（QUBO 建模）所需比特数=K，K mixer 模块中分别代表 patch 数量（单个 输入时间序列的切片数量），d_model（模型的隐藏维度，该值越大 模型越复杂）以及输入数据信道数量。 3.部署需求 移动网络的算力需求主要分布在核心网、接入网、基站，以及 运维平台。集中化无线运维平台通常为全国或省级规模，部署在数 据中心、智算中心或超算中心。因此对于大规模网络优化、网络流 量预测等非实时计算任务，可以考虑量超融合环境，这里具有良好

12 图 3-5 包特征识别 13 图 3-6 动态保守调度流程图 13 图 3-7 基于时延调度流程图 13 图 3-8 调度编排分类 14 图 3-9 时延分布和时延抖动分布图示 15 图 3-10 时延排障需要逐段分析 16 图 3-11 AAPC 天线权值自优化流图 16 图 3-12 KPI 异动检测流图 17 图 4-1 ROI 投资收益比。 精准网络落地规划包括物理专网规划和虚拟专网规划： 物理专网主要承载行业业务，基于行业业务分布地图（包含带宽、时延，可靠性等QoS要素）进行网络拓扑设计、站点选型、站点选址等。 虚拟专网包含广域和区域专网，主要是依托现有 ToC 网络进行网络规划，根据行业业务分布地图（包含带宽、时延、可靠性等 QoS 要素），网络 ToC 占用资源评估，地理化分析现有公网是否可以满足 ToB 在行业应用场景中，很多业务的传输时延会直接影响生产作业过程的效率和安全，如果时延度量的结果只呈现统计周期内 的平均值，既不能准确反映业务状态，也不能有效进行时延优化。因此时延度量还需要支持其他统计指标，主要包括时延 分布和时延抖动分布： 在 5G 基于流（QoS fow）的 QoS 框架下，业务流级的性能统计就是针对每个 QoS fow 都可以提供性能统计，其中主要的 指标包括： 流级性能统计 时延度量 1 2