................................................................. 9 图表 8： 主流 AI 芯片 FP16 和 INT8 算力功耗比一览 ............................................................................................... 预测，假设基础算力规模按 2023-26 年 15%年复合增速 增长，2023/24/25/26 年算力规模达到 138/159/183/210Eflops。假设功耗不变（基础 算力主要基于 CPU，相比基于 GPU 的智能算力对应功耗无明显增加），以 2022 年装 机规模为基数，对应年均新增装机 3.8GW。 2. 智能算力部分，我们参考国内主要云厂商 CAPEX 计划和芯片供给情况，以其 2023/24/25/26 年算力规模同比增长 10%/30%/60%/60%，到 2026 年规模增长至 653Eflops。在此基础上，我们考虑随技术进步和摩尔定律，国产芯片功 耗下降（2022 年 GPU 功耗 49Gflops/W，2026 年提升至 124Gflops/W）,以及数据中 心 PUE 持续下降（2022 年 1.55，到 2026 年下降至 1.35），为支持上述算力规模 2024/25/26

络边缘延伸。当前网络架 构普遍采用“电处理+光传输”的分层方式，这一架构正面临功耗高、 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， 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

随着制造工艺提升，集成电路芯片制造的工艺线宽不断缩小，这将带来更复杂和更大规模的电路设计，传统 EDA 设计流程在应对设计规则复杂度、功耗及热管理、信号完整性等方面面临一系列挑战。 将 AI 技术与 EDA 工具相结合，在电路设计阶段，AI 可以自动识别和优化电路拓扑结构，通过深度学习模型预测 不同电路设计的性能指标（如功耗、速度、面积等），从而快速筛选出最优设计方案。这种方法大大减少了人工试 错的时间，加速了设计迭代过程 计中最为耗时的步骤之一，涉及到 芯片上数百万甚至数十亿个元器件的物理位置和连接。AI 技术可以在此阶段通过强化学习等方法，自动学习最优 的布局策略，实现快速而高效的布局布线，同时优化信号完整性、功耗和热管理等关键指标。 半导体晶圆制造过程极为复杂、精密，任何微小缺陷都可能影响芯片性能。晶圆中常见的缺陷包括表面的划痕、裂 纹、污染物、凸起，表面翘曲，切割瑕疵、晶体缺陷等。这些缺陷大多细微不易察觉，通常需要微米级甚至更小的 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

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 re 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 图37：语音交互过程示意图 资料来源：集微网，国信证券经济研究所整理 检测关键词的探测器（Detector）不仅要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

的芯片模组，单芯片 功率已突破 1000W，单机柜部署功率密度突破 120kW。传统的风冷技术已经无法支持 如此高功耗的芯片，而液冷技术采用高比热容的液体取代空气作为冷却介质，其比热 容约是空气的 4 倍，热传导能力约是空气的 25 倍，散热效率远高于风冷可有效解决 高功耗芯片的散热问题。 冷板式液冷是将液冷散热冷板紧贴在服务器的发热器件，通过冷板式换热器内的 低温流体带走服务器中的 其 通过工作流体的传递特点将中间热量传输到后端进行冷却｡ 2. 冷板式液冷系统特点 冷板式液冷系统包括二次侧冷却系统、一次侧冷却系统，如图 1 所示。适用于高 密算力规模、智算形态和高功耗设备等场景，冷板式液冷系统具有高密度散热、高效 能、高可靠性和强适用性等特点。 智算中心冷板式液冷云舱技术白皮书 9 图 1 冷板式液冷系统示意图 (1) 高密散热､高 求，可配置水喷雾冷却系统或进风侧湿膜加湿系统。对于无法全年使用自然冷源的液 冷系统应配置机械压缩补冷装置。 为提高液冷侧节能性，宜提高冷源系统一二次侧供回液温度，加大供回液温差， 降低冷源设备的功耗。在保障液冷服务器用冷安全的前提下，液冷换热单元 CDU 室 外一次侧设计进水温度不宜低于 35℃，室内二次侧设计供液温度不宜低于 40℃，一 二次设计供回水/液温差不宜低于 10℃。 2）液冷系统

的激增，数据中心正经 历从传统架构向更高密度、更高功率负载的快速蜕变。相比于传统通算服务器，AI服务器单机柜 功率持续大幅度攀升，常规功耗已从传统的10/20kW级跃升至100/130kW 以上，带动机房配电系 统同步进行深度变革。市场主流型号GPU服务器算力及功耗数据如下表所示： *而基于Nvidia NVL架构的NVL72单柜容量已经突破130kW，预计到2030年其单机柜容量会达到1MW。 8*H100 SXM HGX B100 8*B100 SXM HGX B200 8*B200 SXM DGX GB200 NVL72 FP16 稠密算力 (PFLOPS) 服务器 单体功耗 (kW) 整机架功耗 (kW) 2.4 3 8 14 18 180 6.5 5.6 10.2 10.2 14.3 不适用 约26 约22 约40 约40 约60 约130 1 在此背景下，末端配电

更强自主性的方向迈进，这意味着人工智能大模型的发展已进入一个系统性竞争的新阶段。这不仅 定义了技术的前沿，也对底层基础设施提出了前所未有的要求。人工智能大模型对计算基础设施的 挑战是系统性的，涵盖了算力、通信、功耗和运维等多个维度。 然而，这些看似分散的挑战，其根源几乎都可以追溯到一个核心的驱动理论——“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 带 宽成为决定整体训练效率的核心瓶颈。 正是这种瓶颈的演变，最终凸显了传统服务器集群架构面临的三重系统性挑战。首先是通信墙， 千亿级模型一次梯度同步即 TB 级数据，传统以太网难以承受。其次是功耗与散热墙，为破通信墙 而提升密度，促使液冷、48V 供电成为标配。第三是复杂度墙：万级处理器带来故障常态化，从业 界模型 GPT-3 (175B) 到 GPT-4 (1.9T) 的演进为例，随参数增至 利用率问题，进一步抬升运维复杂度。 表 1 不同并行模式下的通信特征 超节点发展报告 11 规模定律驱动的参数指数增长、从训练到推理的场景泛化、以及向多模态与智能体的跃迁，共同 施压基础设施，形成通信墙—功耗散热墙—复杂度墙的循环。未来随着推理深入企业核心业务，需 在低时延下实现高吞吐 / 高并发：逻辑推理等任务将带来推理算力需求或百倍增长，推理也将集群化， 对互联与全局调度提出更高要求。因此，能否

10 图 6 架构分层示意图 1.感知层 传感器网络：部署温度传感器（服务器机柜、空调出风口、冷通 道等）、湿度传感器、压力传感器（水管、风管）、流量传感器（冷却 水管道）、电力传感器（设备功耗）等，实时采集环境与设备运行数 据。 末端设备：空调机组、冷水机组、冷却塔、水泵、风机等冷却系 统核心设备，集成智能控制器（如 PLC、DDC）实现本地控制。 边缘计算节点：部分场景下在设备端部署边缘计算单元，对采集 80%制冷能力，非常符合 IDC 数 据机房的高可靠性的需求，同时所选机组的寿命约为 25 年。 （2）水泵：水泵主要优化了其流量及杨程，同时水泵的效率不 低于 80%，有效的提升了水泵的能效，减少了水泵的功耗，同时降低 了水泵的装机功率减少了设备初投资。 1)优化了冷却水温差，减小流量； 基于预制模块化数据中心场景的冷却系统智能调优技术报告（ODCC-2025-06005） 23 2)优化了水 2)优化了水泵的杨程，在系统安全稳定运行尽可能优化系统阻力； 3)选用高效能水泵，最大限度的减小水泵的能耗。 （3）冷塔：优化了冷塔的运行工况，经行双工况选型，确保冷 塔的水量及水温满足系统要求，最大限度的降低系统功耗。 表 3 主机对比 设备名称 冷 量 /kw 功 率 /kw 功 率 对 比 蒸发 器 进出 水温 度 蒸发器 流量 m3/h 蒸 发 器 压 降 /k Pa 冷 凝 器 进 出

规范的硬件产品 英特尔® OPS 及其扩展版本英特尔® OPS-C 是英特尔针对各 类数字显示系统，例如智慧教室中常见的电子白板、嵌入式 一体机等设备推出的开放式可插拔规范，其不仅在可用性、 可维护性、功耗等方面具有优势，更在显示输出和连接性能 等方面提供了良好的兼容性和易管理性，为教育场景中课堂 行为分析方案的设计和部署提供有效助力。 37 36 实 战 篇 实 战 篇 英 特 尔 中 国 ™ 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 可按字节访问，精确找到读和写的数据位置，消除读写放大 问题 • 5 年全盘写质保可以达到 410 PBW 的写入寿命。 • 将数据长久保存在内存，无需从存储设备重新加载，可加快 重启时间并减少 I/O。 • 降低大内存节点的功耗。 英特尔® 傲腾™ 持久内存可通过灵活配置，为用户提供内存模 式和 App Direct 模式2种不同模式以应对不同场景需求： • 内存模式：无需更改应用即可提供大内存容量，且性能接近 DRAM（具体视工作负载而定）。

正被探索用于馈线链路，Telesat、Boeing 等企业的星座计划通过该频 段实现卫星与地面站的超高速回传，潜在速率可达 100Gbps，但需解 决大气吸收（氧分子在 60GHz 附近有强吸收峰）与设备功耗问题。 如图 4-1 所示，当前商业星座广泛使用 L/S 波段(Iridium、Globalstar)、 Ku/Ka 波段(OneWeb、Starlink)，并正在探索 50.2-52.4GHz 感知卫星星座的轨道参数、链路状态、业务需求等信息，运用复杂的 优化算法生成最优路由策略，并将其转化为流表 / 转发表定期或实 时上注至卫星互联网路由器。这种方式显著简化了星上处理载荷的设 计复杂度，降低了对卫星平台的功耗、算力和存储资源要求，尤其适 合早期小容量卫星星座或对成本敏感的任务场景。然而，集中式路由 对地面中心的依赖性极强，当地面控制器与卫星互联网路由器之间的 通信链路出现延迟、中断或干扰时，路由策略的更新将受阻，导致网 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