网络加速 CDN 鉴权 OAuth2.SAML2 系统接入层 轻联IPAAS 统一身份认证 鉴权 OAuth2.SAML2 连接产品 连接客户 连接员工 连接伙伴 公有云 私有云 分布式云 企业 微信 腾讯 文档 腾讯 乐享 腾讯 电子签 腾讯 会议 ⋯ ⋯ ⋯ 如针对终端客户：基于大模型和用户手册的智能问答助手 大幅提高客户体验 难点：文档庞大，图文混排复杂 价值：问答准确率：35%->84% 电流电压 照片约20张 VS 不变 审核时长 20分钟-1小时 秒级自动审核 整改提示 文字+图片编辑 自动返回带整改说明 标识的图片 针对分布式光伏的现场勘查、安装、巡检，如何利用数字化手段，解决控制人力成本与确保安装质量之间的矛盾？ 分布式光伏 作业APP 腾讯临境 360 全景 报装审核 腾讯Ti平台 AI图像识别 安装巡检管理 • 整体安装质量不达预期 • 人力成本控制刚需 70% 标准巡检覆盖比 40% 实际巡检覆盖比 节约综合人力成本 降低隐形成本风险 车辆事故、车辆违章、人员安全 云边协同的智能运维方案帮助新能源场站实现无人运维，智能运维 • 基于分布式云计算和AI等先进技术，通过云边协同架构，实现总部与边缘场站两级资源协同互动，打造新一代无人化智能场站 • 数字化能力下沉场站，提升巡检智能化，降低生产运营风险，推动新能源减员增效 云边协同 领先的AI算法模型

大模型需要训练大量数据才能发挥出其强大的 性能，这些数据来自于各种来源，如互联网、企业内部数据等。 3、计算资源需求高。由于参数规模庞大，AI 大模型的训练需要高性 能的计算资源，如GPU 集群、分布式训练框架等。 4能源行业部分大模型 （一） ◼ 国网光明电力大模型：（开源与闭源并举） 发输变配用、调度、交易 规划、建设、运行、检修、营销 ◼ 南网，大瓦特 ◼ 三峡集团“大禹”大模型 4二、能源市场与交易 4三、能源数字化转型 （一） 17 ◼ 能源网络优化与安全管理数字化： 1、智能电网优化：在智能电网中，Deepseek大模型可以对 电网的拓扑结构、电力负荷、分布式能源接入等因素进行综 合分析，优化电网的运行方式和潮流分布。通过实时调整变 压器的分接头、断路器的开关状态等，提高电网的供电质量 和可靠性，降低电网的损耗。 2、故障预测与预警：基于历史故障数据和实时监测数据，AI 完善辅助服务市场，研究电力期货市场，建立多元化的市场体系，以应对新能源参与电 力市场带来的挑战。 4.分布式光伏： -分布式光伏的快速发展对配电网承载能力、电能质量、接入方式、运行控制等方面带来多方面挑战。 -需要通过加强配电网改造、优化接入方式、提升运行控制水平等手段，以适应分布式光伏的大规模接入和高效利用。 4五、案例--2024年国网电力市场发展状况 23 ◼ 国网市场存在问题：

27%，其 中 HVDC，锂电池和服务器电源将实现更快增长，分别达到 77%/58%/36%。 AI 算力+双碳政策，中国绿色算力提升新能源需求端消纳 与海外不同，中国电网更加稳定，并不需要大量分布式电源直连去实现稳定 供应。2023 年发改委、工信部《深入实施“东数西算”工程加快构建全国 一体化算力网的实施意见》首次提出到 2025 年底，国家枢纽节点新建数据 中心绿电占比超过 80%。在十四五期间我国单位 巴拿马电源：降本增效的 HVDC 集成方案，供配电系统的“巴拿马运河” .................................................... 13 SST：更适配分布式电源的灵活接入，数据中心的“能源路由器” ................................................................ 15 在 AIDC 需求释放态势下对 3，高 PUE 数 据中心需改造；2021 年上海及 2022 年甘肃、广东、内蒙古、宁夏均提出 2025 年 PUE ≤1.3；2022 年广东、内蒙古等提出 2025 年 PUE≤1.3，鼓励分布式光伏和储能。 图表3： 国家&地方级绿电算力政策一览 资料来源：政府网站，华泰研究 数据中心建设有效促进我国新能源消纳，我们估算，若 2024-26 年每年数据中心建设量 6

2）算力需求结构性转变：2024年部分地区智算中心出现闲置，但这主要是供需错配导致。随 着DeepSeek等开源模型推动推理应用爆发，推理侧算力需求大幅上涨，智算中心利用率有望 逐步提高。 3) 工具生态日益完善：分布式AI框架、LLMOps平台和一体机产品等不断发展，深度融合软硬 件优势，加速了大模型的训练与部署，有效支撑了产业侧大模型的应用建设。 4）商业化以项目制与订阅制为主流：政企侧客户以项目制为主，C端产品多采用“免费+订阅 大模型带动基础层工具产品售卖 分布式开发框架、LLMOps平台、一体机等基础层产品热度渐起 来源：艾瑞咨询研究院自主研究绘制。 在当前人工智能领域，模型参数规模不断扩张，大模型的分布式训练因此变得愈发普遍。在此背景下，算法框架层面涌现出诸如 DeepSpeed、Megatron、Colossal-AI 等分布式 AI 开发框架。这些框架基于PyTorch框架生态，提供了深度学习优化库，致力于提升大 模型分布式训练的 型商业化进程的不断加快，一体机、分布式 AI 开发框架以及LLMOps平台等基础层工具逐渐进入产业视野，成为支撑企业及开发者完成产 业端大模型应用建设的重要力量。 面向分布式训练的AI框架 大模型AI开发平台 集结硬件算力与软件平台的产品 分布式AI框架 LLMOps 平台 一体机 中国大模型产业链带动工具 • 大模型时代下，分布式训练对面向大模型 时代分布式训推的软件栈提出新型框架要 求，由此诞生以DeepSpeed、

2）算力需求结构性转变：2024年部分地区智算中心出现闲置，但这主要是供需错配导致。随 着DeepSeek等开源模型推动推理应用爆发，推理侧算力需求大幅上涨，智算中心利用率有望 逐步提高。 3) 工具生态日益完善：分布式AI框架、LLMOps平台和一体机产品等不断发展，深度融合软硬 件优势，加速了大模型的训练与部署，有效支撑了产业侧大模型的应用建设。 4）商业化以项目制与订阅制为主流：政企侧客户以项目制为主，C端产品多采用“免费+订阅 大模型带动基础层工具产品售卖 分布式开发框架、LLMOps平台、一体机等基础层产品热度渐起 来源：艾瑞咨询研究院自主研究绘制。 在当前人工智能领域，模型参数规模不断扩张，大模型的分布式训练因此变得愈发普遍。在此背景下，算法框架层面涌现出诸如 DeepSpeed、Megatron、Colossal-AI 等分布式 AI 开发框架。这些框架基于PyTorch框架生态，提供了深度学习优化库，致力于提升大 模型分布式训练的 型商业化进程的不断加快，一体机、分布式 AI 开发框架以及LLMOps平台等基础层工具逐渐进入产业视野，成为支撑企业及开发者完成产 业端大模型应用建设的重要力量。 面向分布式训练的AI框架 大模型AI开发平台 集结硬件算力与软件平台的产品 分布式AI框架 LLMOps 平台 一体机 中国大模型产业链带动工具 • 大模型时代下，分布式训练对面向大模型 时代分布式训推的软件栈提出新型框架要 求，由此诞生以DeepSpeed、

力 8 平台为学校实习实验实训环境、平台和基地建设及转型发展提 供支撑，促进教育公平，全面提升教育体系内在质量水平。 4.“算力+金融”。加快算力在金融领域的创新应用，构建 多节点并行的分布式算力资源架构，提供跨地域资源高效管理、 核心业务多地多活部署能力。围绕金融市场高频交易等低时延 业务场景开发部署智能边缘算力节点，实现金融业务边缘侧数 据的筛选、整合与处理，为金融业务发展提供更为精准、高效 估算力赋能的重要指标之一。 13. 算力资源 指数字社会发展所需要的具有信息计算、传输、存储与应 用能力的技术与设施，包括但不限于 CPU、GPU 等计算资源， 16 交换机、路由器等网络资源，存储阵列、分布式存储等存储资 源，防火墙、入侵检测系统等安全资源，以及风火水电等支撑 保障资源。 14. 智能计算中心 指通过使用大规模异构算力资源，包括通用算力（CPU） 和智能算力（GPU、FPGA、ASIC

广汽、长城、零束科技等 请务必阅读正文之后的免责条款部分 车端：电子电气架构向中央计算迈进 39 汽车电子电气架构的升级路径表现为分布式（模块化→集成化）、 域集中（域控制集中→跨域融合）、 中央集中式 （车载电脑→车-云计算）。 分布式阶段：传统分布式电子电气架构下，每个ECU通常只控制单一功能单元，如发动机、刹车、车门等，常见的有发动 机控制器、传动系统控制器、制动控制器、电池管理 Network，局部互联网络）总线连接，按预定义协议交换信息。随着电子电气产品增加， ECU数量快速上升，总线线束长度和重量也随之增加，导致整车成本上升和组装自动化水平降低。 分布式架构存在算力分散、布线复杂、软硬件耦合深、通信带宽瓶颈等缺点。分布式架构的 ECU 来自不同供应商，有 着不同的嵌入式软件和底层代码，软件生态复杂，导致整个系统缺乏兼容性和扩展性，主机厂严重依赖供应商而无法自 主进行整车维护，更无法实现 据传输 及处理的实时性要求提高，汽车内部网络通信数据量呈指数级增长趋势，传统的 FlexRay、 LIN 和 CAN 低速总线已无 法提供高带宽通信能力，也无法适应数据传输及处理的实时性要求。分布式架构的极限是L2级别的自动驾驶，L3级别已 经超出承受范围。要实现OTA和“软件定义汽车”，智能车必须解耦软硬件。 请务必阅读正文之后的免责条款部分 图41：联合电子开发的电子电气架构 资料

液冷机柜 芯片器件层 ｜ • CPU/GPU/NPU/TPU • HBM • DPU • 供电/散热模组 算法理论层 ｜ • 深度学习框架 • 分布式训练 • 模型压缩 • 联邦学习 • 能效优化 来源：与非研究院 5 Supplyframe, Inc. Confidential & Proprietary. Do not

尤其对于那些致力于提供全球化服务的企业来说，多云环境不仅是一种必要 的选择，更是提升其全球部署效能的关键途径。它帮助企业跨越地理边界， 根据各地不同的市场需求和法规要求，灵活选择并整合最适合的云服务资 源，实现快速而高效的分布式部署。同时，多云架构保障了企业在各重点区 域提供贴近本地需求、高效率且具有高价值的定制化服务，真正意义上实现 了全球化与本地化的深度融合，有力地支撑了企业的全球化战略实施与业务 拓展。 �� AI视频处理等多个应用场景中取得显著成果。随着AI功能的广泛应用，推理任务 的数量和复杂性大幅增加，对高性能计算资源的需求也随之上升，同时终端用户 图�� 火山引擎多云实践架构 来源：火山引擎，���� 全局流量管理 分布式云解决方案 监控组件 Ingress GW APP APP APP APP Ingress GW 专线链接 数据读写 跨云服务治理 统一监管告警 统一日志 数据读写 多云纳管/应用分发

无需训练自己的基座模型，直接部署在DeepSeek上，不用重复发明轮子  公开蒸馏方法，帮助其他模型提升能力，实现了模型制造模型，犹如工业母机  小模型可部署在企业内电脑或一体机上，使用成本降低，形成分布式推理网络  技术门槛降低， 可标准化、SaaS化部署，下载就能用 DeepSeek颠覆式创新——成本暴跌 35 政企、创业者必读 惠及全球人民，科技平权，技术平民化  运营商、云服务可免费用，降低云服务成本