发展。算力网络作为实现算网基础设施化的一个重要载体，旨在将泛 在的算力资源依托网络进行打通互联、协同调度，并将不同的应用业 务通过最优路径调度到最优的计算节点，在实现用户体验最优的同时， 第九届未来网络发展大会白皮书 服务生成算力网络白皮书 3 保证网络资源和计算资源利用率最优化。 算力网络的核心思想是基于泛在分布的网络实现无处不在的算 力资源，通过构建一张计算资源可感知、可分配、可调度的新型网络 以用户体验为主：算力网络的目标是为用户提供极致的服务体验， 而这需要其具备高度的自动化、智能化水平，能够根据用户意图自动 第九届未来网络发展大会白皮书 服务生成算力网络白皮书 4 化地提供最优资源服务，然而现有算力网络的系统架构、流程机制、 使能技术、服务模式等无法支撑上述目标的实现。 近年来，以深度学习、知识图谱为代表的 AI 技术得到了飞速发 展，并在诸多领域取得了巨大突破。算力网络作为支撑各行业数智化 所示。对于算力网络建设者来说，生成式 第九届未来网络发展大会白皮书 服务生成算力网络白皮书 5 AI 技术将打造全新的算网设计范式，彻底取代人类专家在算网设计 配置的工作，并能够根据场景自动生成最优算网部署方案。算网建设 者仅需要将场景需求、指标期望等输入给 AI 专家系统，然后按照生 成的方案在现实世界中执行对应的操作。对于算力网络运营者来说， AI 技术能够对算网全流程赋能，包括用户意图感知、业务智能承载、

技术如何助力资产配置规划，为实际投资决策提供科学 依据和可行方案。 2. 资产配置规划的基本概念 资产配置规划是投资管理中的核心环节，旨在通过对不同资产 类别的合理分配，实现投资组合的风险与收益最优化。其基本概念 包括资产类别的划分、风险偏好识别、目标设定以及动态调整策 略。资产类别通常可分为股票、债券、现金及现金等价物、另类投 资（如房地产、大宗商品、私募股权等）。每个资产类别具有不同 +10%股票 70%股票 经济衰退期 40%债券 +10%债券 50%债券 高波动期 20%现金 +5%黄金 25%黄金 通过以上策略，投资者可以根据市场条件和个人目标，灵活调 整资产配置，以实现最优的投资组合表现。DeepSeek 的应用可以 进一步提升这些策略的执行效率，通过数据驱动的决策支持，帮助 投资者在复杂多变的市场环境中做出更为精准的资产配置决策。 3. DeepSeek 技术的应用背景 DeepSeek 的技术，成功预测了多 次市场波动，并提前采取了相应的对冲措施，避免了巨额损失。 其次，在投资组合优化方面，DeepSeek 通过对历史数据和市 场趋势的深度分析，能够为投资者提供最优的资产组合方案。某投 资基金采用 DeepSeek 的技术后，其投资组合的年化收益率提升了 约 15%，且波动率显著降低。 此外，DeepSeek 还在客户服务方面发挥了重要作用。通过智 能

智能化 科技支撑 基础设施 研发能力 数据能力 落地举措 运用第一性原理，思考“用户价值” 温度 客户体验优化 | 贴近客户所需 效率 降本增效 | 优化流程 智能 数智化决策 | 全局最优化配置 专业 精细化管理 | 记录、追踪、可量化 内生动力 组织与文化 团队是战略落地的基础，文化机制是最强大的精神动力。没有组织与文化，战略落地无从谈起 战略 数智化一定是一把手工程 2023年 “全部外包”到“自主可控”的蜕变 • 目标：实现科技能力由全部外包到自主可控的蜕变 • 路径：在线化-数字化-核心-相融-智能化，阶段性目标+长期主义 • 成效：实现成本和效率最优，引领公司高质量发展，持续巩固轻资产优势 www.top100summit.com 数 智 华 农 2 . 0 经营决策 数字化 客户经营 互联化 销售运营 智能化 管理流程 精细化 com 经营成本率、综合成本率均为近年来最优水平 113.0% 105.9% 103.1% 99.1% 100.1% 95.0% 97.0% 99.0% 101.0% 103.0% 105.0% 107.0% 109.0% 111.0% 113.0% 115.0% 近年同期 最低 22年首降至100%以下，实现近年最优水平 经营成本率对比 115.5% 105

且多样化需求，已经难以有效应对。分布式算力感知与调度技术应运 而生，成为应对海量、泛在、实时计算需求的关键基础设施。这一理 念旨在构建一个能够动态感知全网算力资源，并根据任务需求进行智 2 能化、自动化、最优化调度的新型信息基础设施，降低计算延迟与成 本，支撑新型智能化应用的落地。 分布式算力是相对于传统集中式算力（如单一超级数据中心）而 言的算力部署与利用模式，其核心是将一个大的计算任务分解成若干 式算力并非单 一形态，边缘算力是前者重要组成部分，是分布式思想的一种具体体 现。边缘算力强调“地理近端性”，即计算能力的部署靠近数据源， 以满足低延迟和高实时性的需求；而分布式算力更关注“全局最优性”， 侧重任务的分解与协同，以处理大规模和复杂的计算任务可能调度至 边缘、核心云或两者协同，例如“云-边-端”分层推理。 分布式算力感知与调度的核心在于“感知”与“调度”两个相互 依存、紧 “调度”则是基于“感知”结果所采取的行动，是整个系统的“大 脑”和中枢。它根据感知到的全网算力资源分布图景和实时状态，在 复杂约束条件下，通过智能高效的算法，将计算任务合理地分配到最 合适的节点上执行，从而实现全局最优的资源利用率、最低的运营成 本和最佳的用户体验。调度决策是一个高度复杂的优化问题，其目标 函数通常是多维度的，需要在性能目标、经济目标和系统目标之间寻 求最佳平衡点。分布式调度策略多种多样，从传统的基于静态规则的

(３)动态平台指动态改变操作系统或硬件平台,通过更改 其结构和软硬件配置来提高系统安全性. Zhang等提出在 多 个 平 台 上 按 策 略 进 行 关 键 服 务 的 迁 移,并根据系统回报确定是否执行服务迁移和最优服务的迁 移时机,并在迁移后重置当前平台[４１].Sourour等 设 计 在 攻 击频率较 低 的 网 络 中,通 过 可 信 动 态 逻 辑 异 构 系 统 (TALＧ ENT),在多个候选平台中进行周期性的随机迁移 与 者 在 博 弈 开 始 时 同 时 进 行 决 策,并根据其他参与者的决策获得相应收益. Jiang仅考虑单阶段博弈系统,提出了一种基于信号博弈 的移动目标防御决策模型,根据贝叶斯法则求解最优防御策 略.但单阶段博弈模型只考虑了攻防过程中各种随机因素稳 定不变的情况,并不符合真实网络攻防情景[５５]. ②多阶段博弈指所有参与者可以在多个阶段进行决策, 根据其他参与者的决策及时调整策略 可用性之间较为均衡的最优防御策略[５９]. ②动态博弈相较于静态博弈,更充分考虑了攻防双方行 动的非同时性,双方采用实时行动进行攻防博弈,更加符合实 际网络攻防场景.其中较为常见的是通过信号收发进行行动 选择的信号博弈,以及参与者决策、收益都可由微分方程描述 且连续可导的微分博弈. Liu等提出一种 信 号 博 弈 模 型,使 用 博 弈 模 型 和 最 优 求 解算法选取最优策略,并结合容器调度方法进行容器迁移

在水利工程设计阶段，DeepSeek 的应用同样具有重要意义。 通过对大量工程设计案例的学习，系统能够为工程师提供优化设计 方案。例如，在水利枢纽的设计中，DeepSeek 可以根据地形地 貌、水文条件等数据，自动生成最优的枢纽布置方案，并通过虚拟 仿真技术对方案进行验证，确保设计的可行性和经济性。 为了实现上述应用，通常需要以下技术架构： 1. 数据采集层：通过传感器、遥感设备等获取水文、气象、工程 运行等多源数据。 为了进一步提升系统的智能性，DeepSeek 还采用了强化学习 （RL）技术，通过与环境的交互不断优化决策策略。例如，在水库 调度中，系统能够根据实时的水文数据和预测结果，自动调整泄洪 闸门的开闭，实现防洪与蓄水的最优平衡。 此外，DeepSeek 还支持多模态数据的融合分析，将遥感影 像、气象数据、地质信息等多种来源的数据集成到统一平台中，为 水利工程管理提供全面的支持。通过可视化技术，系统能够生成直 决策支持系统可以综合考虑以下因素：  水库当前蓄水量及可用库容  预测的洪水流量及持续时间  下游区域的防洪能力及应急响应时间  其他相关因素（如气象条件、地质条件等） 通过多维度的分析，DeepSeek 能够生成最优的调度方案，并 通过可视化界面提供给决策者参考。 为了更好地展示 DeepSeek 的核心功能，以下是一个示例表 格，展示了 DeepSeek 在洪水预警系统中的数据处理和分析流程： 步骤 功能描述

应用，解决了传统数据中心各种数据采集的困难，让基于预制模块化 数据中心场景的冷却系统智能调优技术得到真正的应用和实践。 数据中心冷却系统是一个复杂的非线性系统，各设备之间的运行 参数存在强耦合现象，设备局部最优不能保证整个系统能耗最低；冷 却系统庞杂，水泵、风机、压缩机、外机等不仅需要根据负载功率进 行参数调节，还需要根据室外气象参数进行动态调节，只有各个部件 参数之间协同，才能保证系统能效最高；随着政策与用户需求变化， 优化算法，实现对冷却设备运行参数的全局多目标寻优，实时保持多 目标最优策略。 图 2 全局冷却调优示意图 基于温升矩阵的制冷系统能耗优化的技术可以通过合理调配机 房负载分配和空调送风参数，避免局部热点，提高空调系统制冷效率； 针对预制模块化数据中心布局，建立离散域，求得流场，基于该流场 建立温升矩阵模型，建立机房服务器发热分布与温度场之间的关系， 迭代获得最优负载分配和空调送风温度，如下图 3 所示。 6005） 6 作量。 全局能效优化是指通过仿生学的方法对运行参数组合进行全局 寻优，确定适合当前目标下最节能的参数组合，采用遗传算法（GA）， 基于模式定理和构造块假设，避免了次优（局部最优）结果的出现， 在寻优过程中，引入交配、重组、替换、复制和变异算子，在自适应 搜索过程中寻找最佳的解决策略，如下图 4 所示。 图 4 遗传算法（GA）示意图 在预制模块化场景下，在参数智能监测的基础上，综合考虑设备

级框盒、框框组网，适用于大规模及超大规模集群 3 、 AI 任 务信 息 任务、通信域 … 1 、控制器获取网络拓扑， 下 发路径 信息 2 、 AI 任 务调 度 以全部通信关系和拓扑信息作为输入 通过算法计算出最优结果，实现 AI 参数面全网负载均衡 算网协同 • 网络级负载均衡：独家 NSLB 算法， 算网协 同 调度，多任务节点非连续组网情况下，通信 带宽 提升 20% 、模型性能提升 7% 中常见模型的 mask 上 三角区域均接近于 0 自适应选择性重计算、内存碎片优化、 … 模型训练：应用使能软件加持， MFU 领先、线性度持平 NV 模型训练最优 = 单机执行最优 + 集群并行最优 + 中断时间最短 软件层分布式并行 充分调度算力资源 提供分布式加速库，内置主流 加速算法，满足各类模型加速 场景 Ascend C 编程语言 + Runtime 空闲 超大集群线性度 90%+ L2 层 下发路 径 L1 层 分布式并行 + 算网协同，集群并行最优 模型算力利用率（ MFU ） 模型通信与计算优化，单机执行最优 计算 通信 计算 1 计算 2 计算 3 计算 4 通信 1 通信 2 通信 3

势。通过合理划分集中式和分布式路由的职责范围，能够在保障网络 整体稳定性和可控性的同时，提高网络对局部变化的适应能力和实时 响应能力。例如，在正常网络运行状态下，地面网络控制器可以根据 长期的业务流量统计和预测，为网络规划出最优的骨干路由，确保网 络资源的高效利用。而当某个区域突然出现大量业务请求或链路出现 故障时，该区域的卫星互联网路由器能够立即自主调整路由，将流量 快速疏导到其他可用路径，避免业务中断，同时及时将网络状态变化 失去全局的一致性和可控性。而如果过于依赖地面网络控制器，又会 降低网络对局部变化的响应速度。为了解决这些问题，需要深入研究 网络拓扑、业务流量特征以及星地通信链路特性等因素，建立合理的 数学模型，通过优化算法来确定最优的集中式和分布式路由协同策略。 同时，还需要设计高效的信息交互机制，确保地面网络控制器和卫星 互联网路由器之间能够及时、准确地传递网络状态信息和路由决策指 令。​ 综上所述，集中式、分布式和混合式架构各有优劣，在实际的卫 统一接收地面网络控制器上注的流表/转发表，而路由计算、路径规 划、资源分配等核心决策均在地面控制器完成。地面控制器通过全局 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

分散每个模型不 确定性的风险， 单一降维 选择最为契合当前 政 策和经济语境的 模型 将宏观数据变成重 点成分 / 因子，过往 强相关性动态演绎 重点逻辑不突出 ， 容易合成谬误 。是 无奈解而非最优解 事中或事后验证， 结果导向之嫌 中间过程黑箱化， 因子 ≈ 盲盒产生 过拟合问题 类似扩散指数的算法 ，每 个指标等权贡献 ，避免单 一因子影响偏离 ，不篡历 史数据，道术皆无 2021 Prompt 设计 指令作用 静态学习 描述指定时间段的美林周期、货币 信用周期、财政货币周期等宏观变 量及关键指标，提供五个短期模型 的最优权重 帮助 DeepSeek 理解短期框 架的底层逻辑与历史数据映 射关系。 动态纠偏 指出实际股债强度与“先验权重”偏 差，要求基于实际数据和历史映射 调整五个模型权重，输出 list 格式 加工与动态输出。采用硅基流动基于华为昇腾云的 DeepSeek R1 & V3 推理服务，确保稳定高效的模型训练与推理调用 • 指令的输入：①输入不同时间段的宏观变量和五大短期模型最优权重，助力 AI 掌握模型逻辑与数据映射（静态学习）；②输入实际股 债强弱与“先验权重”的偏差，要求 AI 结合真实数据迭代调整权重（动态纠偏） • 权重的迭代输出：① DeepSeek