转发复杂、跨层协同效率低等核心瓶颈。IP 流量主导的容量激增对新 一代节能技术提出更高的要求。行业正推动 IP 业务层与光传输层融 合，通过将 DWDM 相干光模块直接部署于路由器等分组设备，消除 独立光转发设备，降低功耗与空间占用。 光电融合技术从最开始的 IP over WDM 方案，已有十余年历史， 近年因开放解耦架构的普及和光模块技术进步（如微型化光电集成、 相干容量提升）重获关注。消除独立光转发设备不仅降低 基础设施成为行业 共识。传统“电+光”分层架构下，多级转发、重复 OEO（光电光）转 换导致整体链路能效低下。光电融合网络的发展目标之一，正是通过 将高能耗的 IP 处理前移至光层边缘，利用低功耗相干模块（如 400G/800G ZR+）实现 IP 业务直接出彩光进入波分系统，减少两级 OEO 过程，大幅减少中间设备和机房能耗。在架构层面，通过 CPO （共封装光学）、硅光集成、动态光层调度等新技术，推动网络走向“极 引擎线卡、彩光 相干模块、模块化白盒波分设备、模块化白盒路由器、框式商用路由 器等形态。该层直接承载业务转发与光信号调制解调，是支撑 IP 业 务直接入光、光层传输、降低中继损耗、实现大带宽低功耗传输的物 理基础。其形态灵活、接口丰富，可按需部署于算力集群边缘、骨干 传输节点或广域边界侧。 协议层：该层为设备的操作系统与功能编排系统，负责统一管理 设备板卡、端口、链路等资源，支撑算力感知、自适应路径、彩光驱

图17： 边缘 AI 的数据传输 ................................................................. 12 图18： 量化可以降低功耗和占用面积 ........................................................ 13 图19： NVIDIA Turing GPU 体系结构中各种数据类型相对的张量运算吞吐量和带宽减少倍数 are training)，在大模型场景上， 更青睐于 QAT，因为能够更好的保证性能。量化的优势包括减少内存占用，节省 存储空间，降低功耗和占用面积，提升计算速度。 请务必阅读正文之后的免责声明及其项下所有内容 证券研究报告 13 图18：量化可以降低功耗和占用面积 图19： NVIDIA Turing GPU 体系结构中各种数据类型相对的张 量运算吞吐量和带宽减少倍数 资料来源：NVIDIA，国信证券经济研究所整理 长时间待机且功耗要足够低到对电池寿 命无显著影响，并最小化内存占用和处理器需求。以 iPhone 的 Siri 为例，iPhone 的 Always on Processor（AOP）是一个小的、低功耗的辅助处理器，即嵌入式运 动协处理器。AOP 可以访问麦克风信号，并用自己有限的处理能力运行一个修剪 版神经网络模型（DNN）。当分数超过阈值时，运动协处理器唤醒主处理器，主处 理器使用较大的 DNN

通过英特尔® PLL 锁相环技术，可锁单 P 核或者 4 个一 组 E 核作为实时任务，而其他核按需动态调整频率 工业特性 • IBECC 内存 • 处理器基本功率范围为 15W 至 45W，低功耗 SKU 支持 无风扇设计 • 工业级 SKU 支持宽温运行 AI 加速 • 英特尔® 锐炬 X 显卡拥有多达 96 个执行单元 (EU)，便 于视觉识别、测量以及视觉引导等应用中高度并行的 英特尔® 深度学习加速技术（Intel® Deep Learning Boost，英特尔® DL Boost）与 DP4a 指令 • 受 OpenVINO™ 工具套件全面支持 能效 • 2 个低功耗嵌入式 DisplayPort 接口 图形处理 • 内置英特尔锐炫™ GPU 3，提供多达 8 个 X e 内核（多达 128 个图形执行单元） • 硬件加速 AV1 编码 • 集成的 16 GB GDDR6 显存，完美满足边缘对 AI 推理能力、性能以及性价比的需求；低端显卡锐炫™ 3 系列，可拥 有最高 8 颗 X e 核心和 6 GB GDDR6 显存，满足了边缘应用对于低功耗和小尺寸形态的要求，满足 AI 推理能力的需求。 英特尔® X e -HPG 微架构驱动边缘 AI 工作负载 英特尔锐炫™ 显卡采用了英特尔® X e -HPG 微架构，凭借其全新的X e

™ X，来帮助用户在边缘部署人工智能推理能力。 英特尔® Movidius ™ Myriad ™ X 视觉处理器架构引入了全新 深度神经网络处理单元：神经计算引擎。其专门的设计，可 以高速、低功耗地运行深度神经网络。结合16个SHAVE 内核， 神经计算引擎在执行神经网络推理时能实现 716G FLOPS 的 计算性能。 为使 VPU 产品在实战中为智能课堂行为分析方案提供更强 助力 英特尔® Movidius™ Myriad™ X 视觉处理器是英特尔第一个包 含神经计算引擎（用于深度神经网络推理的专用硬件加速器） 的视觉处理器，旨在显著提高深度神经网络的性能，且不会影 响其低功耗特性。 作为专用的硬件加速器，英特尔® Movidius™ 视觉处理器基于 将数据移动最小化的独特架构，通过全新的神经计算引擎，强 大的 SHAVE 内核和高吞吐量智能内存结构，将高度并行的可 领域，为智能 摄像头、边缘服务器和人工智能等应用提供支持，帮助用户有 效应对成本和功耗限制，提升各领域边缘AI能力。 超低功耗，卓越性能 英特尔® Movidius™ Myriad™ X 视觉处理器为计算机视觉和深 度神经网络推理应用提供出色性能。作为以超低功耗著称的 Movidius 视觉处理器家族的一员，英特尔® Movidius™ X 视觉 处理器正以一系列全新性能增强技术来为高能效解决方案提供

产业中，能量技术 在产业的地位也在迅速提升。 近些年涌现出来的 NB-IoT、LoRa 等新兴传输技术一个最主要的卖点就是低功耗。而蓝牙、Wi-Fi、Zigbee 等成熟的 无线传输技术，每一代版本的演进突破方向之一，就是如何把功耗做的更低。 为何 IoT 市场如此重视低功耗 在 IoT 市场产业中，200 亿、500 亿、1000 亿，这样的连接数字频频出现在人们的视野。 这些庞大的 IoT 很多场景需要做到单个电池的使用寿命与 IoT 设备的迭代周期同步，即当电池电量耗完时，这个设备也需要更换。 这一需求也促使了各类 IoT 相关的技术都在往低功耗的方向演进，不仅仅是无线通信技术，还有低功耗传感器产品， 低功耗的 IC 架构、更低功耗的基础材料以及更低功耗的软件系统等都逐渐被人重视。 但有源设备中，功耗再低，还是需要电池。那么，IoT 设备能不能彻底摆脱电池的限制，不用电池就能正常使用呢？ 第二，就是芯片的工作功耗要足够低 芯片的工作功耗越低，相应的工作距离也会越远，我们统计了几类主要的通信芯片的工作电流，见下图： 技术 UWB 蓝牙 Wi-Fi UHF RFID 工作电流 30-60mA（市场也有低功耗 UWB 技 术可以将功耗做到 10mA 以内） 一般在 5-20mA，目前市场上最低 的工作电流可以做到 2-3mA 以下 一般在 100mA 以 上 最小的工作电流仅几个 μA，一般正 常工作的时候需要几十个

3.电机：执行控制核心 芯片是人形机器人智能的算力核心。在架构创新上，全球企业积极 探索：存算一体架构打破“内存墙”，缓解数据传输瓶颈；神经拟态芯 片模拟人脑神经元工作模式，实现低功耗动态处理；异构计算将CPU、 GPU、ASIC优势整合，提升运算效率。制程与封装技术不断突破，台 积电3nm工艺量产，让芯片性能显著提升；Chiplet技术在国际上广泛 应用，通过芯片堆叠降低成本与设计难度。算法-硬件协同成趋势，

用户的无感卫星接入，单星支持百万级用户并发。未来 技术将向新旧终端兼容演进，一方面通过软件升级使存量 4G/5G 手 机支持基础卫星通信，另一方面在新终端中集成新一代天线技术，提 升天线增益并显著降低功耗。 5.2 应急保障类应用场景 卫星互联网在极端环境与关键任务中构建高可靠通信链路，成为 国家应急管理体系的核心基础设施。其价值体现在快速部署、抗毁性 强及广域覆盖三大特性，为灾害救援、公共安全提供“不断线的生命 驱动的动态路由与数字孪生网络管理系统。二是完善标 准体系，主导 3GPP 星地融合空口协议、IETF 分布式路由优化、ITU Ka/毫米波频段分配等关键标准制定。三是加速产业协同，推动卫星 批量化生产降本、口袋式低功耗终端研发、“天基丝路”国际合作平 台扩容。四是开展原型验证，依托国家级实验室推进星上智算载荷、 手机直连卫星增强技术、应急通信一体化设备的测试与优化。 诚邀业界同行共同参与，携手推动卫星互联网承载网从“技术并

高通、英特尔、AMD 等芯片厂商纷纷展开布局，陆续推出针对 AI PC 场景优化的芯片产品。 在 PC 侧，使用独立 GPU 运行 AI 运载，具备高性能、高吞吐量等优势，但功耗高；NPU 方案更具高能效、低功耗等特点，但对高性能要求 AI 负载支持能力有限。考虑 AI 任务需求 以及用户偏好不同，我们认为 AI PC 市场使用 1）CPU+NPU+GPU 处理器（英特尔 Meteor Lake/AMD 8040 基础上打造了机器人仿真平台 Isaac SIM。在数字孪生环境中， 实现和真实环境一样的开发和测试效果，如获取真实环境中难以得到的数据，可以加快 开发流程和减少开发成本。 3） 端侧平台。机器人本体的部分做了低功耗高性能的嵌入式计算平台，以及感知、决策规 划等的 AI 算法增强的应用部署。如英伟达推出的 Jetson Thor SoC 片上系统开发硬件， 内置了下一代 Blackwell GPU（此前英伟达也推出过针对汽车的

在医疗场景中，DeepSeek 智算一体机的能源效率与散热管理 是确保系统稳定运行和长期可靠性的关键因素。为了实现这一目 标，我们采用了一系列切实可行的优化策略。 首先，在硬件设计上，我们选择了低功耗的核心组件，包括高 效能的 CPU、GPU 和内存模块，这些组件不仅能够提供强大的计 算能力，还能在满载运行时保持较低的能耗。此外，我们还采用了 动态电压和频率调节（DVFS）技术，根据实际负载情况动态调整 测关键组件的温度 变化，并通过软件算法预测可能的过热风险。一旦检测到温度异 常，系统会自动发出预警，并采取相应的降温措施，如增加风扇转 速、降低处理器频率或关闭非必要的外围设备。  采用低功耗核心组件，包括高效能的 CPU、GPU 和内存模块  引入动态电压和频率调节（DVFS）技术，根据负载动态调整 处理器状态  智能电源管理模块实时监控功耗，自动调整电源策略  多层次的

的高性能， 因为训练追求精确计算；推理算力用于快速处理预训练好的 AI 模型，对应的推理卡以英伟 达 L20 为代表，浮点运算能力要求较训练卡低，更关注整数精度（INT8）来大幅提高计算 效率和降低功耗。DeepSeek 的发布和开源大幅缩进了模型层面差距，使 AI 发展重心从训 练模型向应用落地倾斜，应用侧的推理算力需求相应上升。推理更注重能效比，即单位能 耗下的计算能力，使其更适合大规模部署和