算力基础设施高质量发展行动计划 算力是集信息计算力、网络运载力、数据存储力于一体的 新型生产力，主要通过算力基础设施向社会提供服务。算力基 础设施是新型信息基础设施的重要组成部分，呈现多元泛在、 智能敏捷、安全可靠、绿色低碳等特征，对于助推产业转型升 级、赋能科技创新进步、满足人民美好生活需要和实现社会高 效能治理具有重要意义。为加强计算、网络、存储和应用协同 创新，推进算力基础设施高质量发展，充分发挥算力对数字经 绿色低碳，安全可靠。坚持绿色低碳发展，全面提升算力 设施能源利用效率和算力碳效（CEPS）水平。统筹发展与安全， 进一步强化网络、应用、产业链安全管理和能力建设，构建完 善的安全保障体系。 （三）主要目标 到 2025 年，计算力方面，算力规模超过 300 EFLOPS，智 能算力占比达到 35%，东西部算力平衡协调发展。 运载力方面，国家枢纽节点数据中心集群间基本实现不高 于理论时延 1.5 倍的直连网络传输，重点应用场所光传送网 2. 推动算力结构多元配置。结合人工智能产业发展和业务 需求，重点在西部算力枢纽及人工智能发展基础较好地区集约 化开展智算中心建设，逐步合理提升智能算力占比。推动不同 计算架构的智能算力与通用算力协同发展，满足均衡型、计算 4 和存储密集型等各类业务算力需求。 3. 促进边缘算力协同部署。加快边缘算力建设，支撑工业 制造、金融交易、智能电网、云游戏等低时延业务应用，推动 “云边端”算

算力中心需求分析 III. 算力中心供给分析 IV. 算力中心供需研判及未来展望 V. 附录 报告研究背景与主要研究结论 4 报告研究背景 • 纵观算力中心发展历程，移动互联网时代与云计算时代的技术革命催生了集约化、超大规模化的数据中心需求，由此孕育出了算力中心定制批发的业 务模式，并且该业务模式在2015-2020年间实现了快速增长。然而，伴随着移动互联网用户红利见顶、新基建边际效应递减及后疫情时代经济周期波动， 高性能计算、大规模存储、高速网络等基础设施，提供提供大规模、 高效率、低成本的算力服务。确保算力资源的集中部署、高效运行。 8 算力中心的定义与概览 中央监控 电源配电柜 消防减压系统 机柜及其附件 气体灭火系统 UPS不间断电 源及PMM电 源管理系统 精密空调设 备和冷却器 高性能液冷 服务器机柜 钢制布 线系统 光纤布线系统 • 算力中心，是一种集中提供计算能力的基础设施，主要由算力设备、 存储设备、网络设备及管理运维系统四大核心要素构成。 • 算力资源的部署与利用离不开算力中心的支撑。核心使命是提供强 大的算力支持，以应对各类复杂的计算挑战，如数据处理、AI模型 训练等。 • 算力中心通过高速网络连接形成计算集群，提供高性能、高可靠性 和高可扩展性的计算能力，支持数据分析、模拟计算和人工智能等 复杂任务。 类型 设备种类 设备名称 IT设备 连接器 光纤 光模块 网络设备 交换机 路由器

预训练模型上广泛观察到的现象，协调了计算量 C 、 模 型参数量 N 和数据大小 D 之间的关系 回顾： Pre-Training Scaling Law 5 Post-Training 阶段，随着训练时计算量（来自 RL 的 Training 阶段）和 Test-Time 计算量 （例如 Test-Time Search ）的增长，模型性能（例如数学推理能力）也会随之提 升 Post-Training Scaling Laws 下 训练时计算量 多了一个新的变量： Self-Play 探索时 LLM Inference 的计算量 回顾： Post-Training Scaling Law 没有使用 Reward Model, 因为 ORM 和 PRM 等基于神经网络的都可能遭受 reward hacking 而 retraining reward model 需要大量的计算资源，可能会复杂化整个流程 训练模板： 选择最简单的 Thinking Process ， 直接观察到最直接的 RL 过程下的表现 DeepSeek-R1 Zero: 无需监督微调 SFT ，纯强化学习驱动的强推理模型

算力需求东升西降，DeepSeek 开源有望带动我国 AI 建设和相关算力电力需求启航。我们 认为 DeepSeek 的成功代表全球算力发展范式的转变。一方面，DeepSeek 不依赖高性能 GPU 的特性，使其在计算效率上实现了显著提升，且降低对供给紧张的外部 GPU 资源依 赖，为中国 AI 大模型开发提供了更可行和更经济的解决方案；另一方面，Deepseek 的开 源模式使其可以本地部署，且有利于提升数据安全性和处理速度，这将加速国内 云数据中心-通用算力：亦称为基础算力，芯片架构主要以 CPU 为算力核心，主要用于 满足云计算和边缘计算等基础通用计算需求，无法高效处理大规模并行计算任务。通用 算力下游主要为云服务商，主要分为电信运营商（中国电信-天翼云、中国联通-联通云 和中国移动-移动云）和互联网运营商（阿里云和华为云等）。以长江云互联网数据中心 为案例，其计算额定功率为 134kW（24 台设备机架*7kW 单机架功率输出*0.8 需要系 40kVA 功率模块）。 2） 超算中心-超算算力：主要基于超级计算机，通常用于科学计算，超算中心设备往往具 备高度定制化。根据《超级计算数据中心供配电系统设计探讨（江峰，《智能建筑电气 技术》2022 年第 4 期）》，以运算速度为 300Pflop/s 的 S1 级超算中心（通常为国家级 超算中心或国家级实验室）为例，计算节点的用电需求为 25～28MW，高速网络、存 储等节点的用电需求合计

小鹏：云端蒸馏模型+纯视觉方案，大幅提升车端上限 2.4 理想：双系统并行，VLM规范端到端模型下限 2.5 比亚迪：智驾平权加速，边际变化可期 3.智能驾驶产业链 3.1 车端：电子电气架构向中央计算迈进 3.2 感知层 3.2.1 传感器数量减配、性能提升 3.2.2 激光雷达市场快速增长，格局集中 3.2.3 高阶智驾需要激光雷达提供安全冗余 3.2.4 前视摄像头市场分散 3.2.5 从全量感知到按需感知的算法演进 规则的传统自动驾驶算法结构相比，端到端算法基于数 据驱动，可以实现信息的无损传递。同时，端到端架构 将感知、预测和规划结合为一个可以共同训练的单一模 型，整个系统都针对最终任务进行优化，并且共享的骨 干网络大幅提高了计算效率，使智驾方案具备更高的迭 代效率，有效降低了维护成本。 请务必阅读正文之后的免责条款部分 图2：端到端技术演进 资料来源：辰韬资本，Ai fighting，国元证券研究所 5 从模块化方案向一体化端到端模型过渡 2016年，英伟达开发了端到端CNN原型系统，推动了这一概念在GPU计算时代的发展。随着深度神经网络的进步，端到端自动驾 驶在模仿学习和强化学习方面取得突破，LBC中的策略蒸馏方法通过模仿优秀专家，提升了闭环性能。 为增强系统的泛化能力，尤其是针对专家策略和学习策略之间的差异，业内研究提出了在训练过程中聚合在线数据的策略。 2021年左右，端到端自动驾驶迎来重要转折点。随着传感器配置在合理计算预算内普及，研究重点转向融合更多感知模态和先

策略能够直接支持业务创新发展，发挥大模型优势，提升业务价值，并通过 ROI（投资回报率）指标确认多云策略的成功。同时，伴随生成式人工智逐 步落地，推理任务逐渐增加，企业应审慎应对未来AI应用对数据传输、计算 资源等维度的更高要求，以确保推理任务获得更佳的访问性能、资源利用效 率、扩展性、灵活性、安全性和成本优势等。此外，企业在选择新的云服务 商时，应重点考量其对未来多模态、多场景、多技术栈等趋势的综合支撑能 高，但集团处于统筹管理的需要，会考虑构建多云统一管理的平台，并对数 据进行一体化管理。 场景六：满足其他特殊要求。一些企业出于行业特殊性或技术发展要求，会 对特殊软件、硬件存在需求，例如对高性能计算服务、视频编解码等，因此 会选择多家云服务商，以满足业务发展、技术提升或合规要求。此外，一些 企业在面对临时性的突发业务需求时，也会考虑单独采购新的云服务。 �.� 多云战略为企业带来显著实践价值 决策与管控能 力：在数据需求持续多样化的今天，企业出于不同的管理域、安全域要求， 将考虑采用更灵活的治理、分析和应用模式，包括区块链技术支撑下的数据 流通，以及数据不出域前提下的联邦学习、隐私计算等。这些更大范围的协 作模式也会带来对不同云环境、大数据环境的新需求。一些云服务商提供的 跨云工具和服务，或者第三方多云管理平台，可以满足不同云环境间的数据 同步、应用集成和统一管理需求，简化多云环境下的运维复杂性。

Proprietary. Do not reproduce or distribute. 1. 智算产业现状总览 我国智算产业主要驱动力 来源：与非研究院 AI算法和芯片是核心驱动力，大数据和云计算提供重要支撑，政府政策与企业需求发挥推动作用。 6 Supplyframe, Inc. Confidential & Proprietary. Do not reproduce or distribute EFLOPS，为2024年的两倍。 中国人工智能市场规模： 2025年将达到259亿美元，较2024年增长36.2%； 2026年将达到 337亿美元，为2024年的1.77倍。 数据来源：《2025年中国人工智能计算力发展评估报告》 11 Supplyframe, Inc. Confidential & Proprietary. Do not reproduce or distribute. 2. 算力基础设施架构和国产化情况 Do not reproduce or distribute. 2. 算力基础设施架构和国产化情况 智算中心对我国算力格局的影响 集中度提高，算力更加集中在少数大型数据中心 推动算力向边缘计算下沉，满足实时数据处理需求 促进区域平衡，缩小不同地区的算力差距 影响算力价格，由于技术进步和规模经济，价格更加亲民 提高智算中心服务效率，促进产业高质量发展 来源：与非研究院 智算中心建

机器⼈时，令⼈惊讶的是与美国最低⼯资标准（7.25美元）对⽐时收回期似乎⾮常 短，在加利福尼亚 （$16.00），与⼯⼚⼯⼈（美国平均$28）或护⼠（$41.00）相⽐，如下图所⽰4 图2。人形回本期敏感性表（按周计算） 来源：花旗环球 4 ⼈⼯智能机器⼈的崛起 - ⼈形机器⼈正在逼近您 © 2024 花旗集团 8 Citi GPS：全球视⻆与解决⽅案 2024年12⽉ 我们估计到2050年，在发达地区 1%的词错误率（WER），与 ⼈类抄录员的表现相匹敌。更近期的模型，如Google的WaveNet，在某些场景中 ⽐⼈类更准确。 ⼈⼯智能在计算机视觉领域取得了显著进展，使机器⼈能够在其物理环境中导航 和互动。2012年，引⼊了AlexNet，这⼀深度学习模型⼤幅降低了图像分类错误率 ⾄15%，有效地拉开了计算机视觉领域的现代深度学习时代的序幕。这⼀进展在2 015年继续发展，微软的ResNet实现了3.6%的错误率，超越了⼈类估计的5-10% 6%的错误率，超越了⼈类估计的5-10% 的错误率。 © 2024 花旗集团 13 Citi GPS: 全球视⻆与解决⽅案 2024年12⽉ 如今，机器⼈中的计算机视觉系统在特定应⽤中具有近乎完美的准确性，例如⼈脸识别和 ⾃主导航。 除了处理视觉和听觉信号外，机器⼈还必须能够理解和导航三维环境。虽然⼈类依靠 视觉和听觉线索结合来感知三维空间，但机器⼈可以配备专⽤传感器，提供对周围环 境更详细的理解。 ⼀种

地位的扩大可能会导致全球 技术差距的扩大，使得后来者追赶变得更加困难。 同样，发达国家和发展中国家之间存在着显著的AI差距。例如，在基础设施方面，美国 拥有大约三分之一的顶级500台超级计算机和超过一半的总计算性能。大多数数据中心 也位于美国。除了巴西、中国、印度和俄罗斯联邦外，发展中国家在AI基础设施方面的 能力有限，这阻碍了他们采用和开发AI的能力。在服务提供商、投资和知识创造方面， AI差距也十分明显。 据和技能（图4）。 人工智能在发展中 具有巨大潜力但也 存在风险——了解 的领导力是利用人 工智能实现可持续 和包容性发展的关 键。 （a） 基础设施 需求范围超出了基本的电力和互联网接入，包括计算能力和服务器功 能，用于处理数据、运行算法和执行模型。 版权符号 技能 涵盖广泛的范围，从基本的数据素养到开发算法的高级技术专长，以 及从数据分析的熟练程度到整合领域知识以解决复杂问题。 (b) 化和无偏见的语料对于构建有效且值 得信赖的人工智能系统至关重要。 在少数国家显著集中研发。 5 三个关键杠杆点的协同效应可以加速人工智能进步。 图4 基础设施 算法以优化使用 关于计算能力 数据以优化使用 基础设施的 基础设施以实现 人工智能模型的运行与 应用 基础设施以支持 处理和存储 复杂数据集 人工智能 技能 数据 数据用于训练 人工智能模型 算法到 提取最多

北京市分行、国家金融监督管理总局北京监管局、北京证监 局、市科委中关村管委会、市经济和信息化局印发实施了《北 京市推动数字金融高质量发展的意见》 2，提出搭建数据开放 共享机制，通过数字孪生、联合建模、图计算等技术手段， 对数据资源进行价值挖掘和关联分析。 （三）数字孪生体系架构 数字孪生体系架构需支撑数字孪生的核心目标，建立与 物理空间等价的虚拟实现表达，并在全生命周期内支撑物理 空间的运营 模拟生成，对数据进行虚拟化，实现数据智能孪生。 算力层：支撑以上各层服务的算力基础设施层，包括云 计算、容器化、云原生等技术，通用计算、智能计算、存储、 网络等资源，提供弹性高效的算力基础服务。 4 图 1 数字孪生体系架构 （四）数字孪生的关键技术 支撑数字孪生架构体系的关键技术如下。 1.渲染技术 渲染技术通常指通过计算机图形引擎，多层次实时渲染 呈现数字孪生体实境的技术。通常支持包括宏大开阔地理信 了潜在空间的平滑性，使得我们可以通过在潜在空间中采样 来生成新的数据点。 4.建模技术 建模技术是将物理世界中的对象、过程或系统转化为数 学模型或计算机模型，为数字孪生提供一个虚拟的“骨架”。 几何建模是最基础的一环，通过 CAD 计算机辅助设计软件创 建物体的几何形状及物体间行为框架，通过一系列可变参数 控制模型。针对复杂场景，可基于点云的建模技术通过 LiDAR （光检测和测距）或其他