技术路线，并针对当前光计算面临的问题及解决方案进行了系统性分 析。光计算的发展成熟需要产学研用各方凝心聚力，中国移动愿与业 界合作伙伴一道，共同攻关光计算关键技术，孵化创新应用，加速光 计算从“实验室”到“产业化”进程，推动光计算技术成熟和生态繁 荣，助力我国实现算力技术的“换道突破”和产业的“弯道超车”。 中国移动 面向新型智算的光计算白皮书（2025） IV 目 录 前 言.... 算稳定性不足。因此，尽管全光计算在理论上具备终极性能潜力，其实际发展尚 停留在实验室探索与原理验证阶段。 中国移动 面向新型智算的光计算白皮书（2025） 13 3. 光计算面临的挑战及建议 当前，光计算为解决电子计算“算力墙”和“功耗墙”提供了关键路径，在 人工智能、大数据中心、智能机器人、自动驾驶等领域的应用探索上展现出巨大 发展潜力。但光计算要从“实验室”走向“产业化”，仍面临多方面挑战。 3.1 材料与器件 128x128。 天枢的关键进展在于成功实现商用 AI 算法的实际部署，可高效支持包括 ResNet50、SSD、Qwen 7B、DeepSeek 8B 等在内的主流计算机视觉与大语言模型， 标志着技术从实验室迈向实际应用。目前，曦智科技正基于其先进的软硬件平台， 积极推进光计算生态系统的建设，加速该技术在人工智能和高性能计算领域的产 业化进程。 （2）光本位科技 光本位科技自主研发基于相变材料的光子存内计算芯片和光电融合计算卡，

..............................53 数据标准化是确保不同来源的数据具有一致性的重要步骤。医疗数据通常来自多种设备和系 统，如电子健康记录（EHR）、医学影像设备和实验室检测系统，这些数据可能存在不同的 单位和量纲。标准化过程通常包括以下步骤：............................................................. 如智能手机或平板，与医生进行视频咨询，DeepSeek 能够实时转 录对话内容，并为医生提供关键信息的摘要，提高咨询效率。 在数据分析方面，DeepSeek 可以整合来自不同来源的健康数 据，如电子健康记录（EHR）、实验室结果和影像资料，通过深度 学习模型生成全面的健康报告。这不仅帮助医生更好地理解患者的 健康状况，还能为患者提供个性化的健康建议。 为了更直观地展示 DeepSeek 在远程医疗与健康监测中的应 学习算法，DeepSeek 能够高效地处理和分析大量的医疗数据，从 而实现精准的远程诊断与治疗方案。首先，DeepSeek 可以通过分 析患者的电子健康记录（EHR），包括病历、影像资料、实验室检 测结果等，快速识别出潜在的健康问题。例如，对于心脏病患者， 系统可以自动分析心电图（ECG）数据，并结合患者的病史，提供 初步的诊断建议。 其次，DeepSeek 技术能够支持医生进行远程会诊。通过实时

等［7］在加拿大发现 2009 年 H1N1 流感暴发期间，谷歌流感相关检索词的搜索 量与卫生部门的数据具有一致性，但关键词的搜索 峰值较实验室确诊病例数据提前 2 周。在瑞典， Hulth 等［8］通过医学平台 vardguiden 选取流感相关 搜索词并获得其检索数，结果显示与实验室流感确 诊病例数构成比和哨点报告的流感及类似流感症 状病例模型的确定系数 R2 分别为 0.90 与 0.89，验 证结果显示预测发病高峰与实际发病高峰高度重 计算复合指数、拟合模型、预测流感病例［13］ 简单线性模型 谷歌 疾病名称（-） 拟合并验证模型［21］ 简单线性模型 谷歌 疾病名称（-） 预测手足口病暴发［27］ 简单线性模型 谷歌 - 与流感的实验室检测数据拟合，实现早期预测［7］ 负二项回归模型 谷歌 疾病名称、症状、治疗方法（-） 预测登革热发病率［20］ 广义提高回归模型谷歌 疾病名称、症状、治疗方法（-） 预测登革热发病率［20］ 出现作者姓名和发表年份。 句子中没有出现显性的“首次”、“最早”、“第一次”等标志性词汇的句子称为“描述性句子”非评论性句子。 学术评论句举例：斯坦福大学医学院 Michele P. Cabs[1]实验室在利用中Ф31 整合系统进行基因治疗方而做出了系列开创性的工作。2000 年，他 们首次将中Ф31 整合酶用于人细胞并获得成功。 摘自文献：张霖, 赵国屏, 丁晓明，中国科学, 2010, 40（12）:

复旦大学“伏羲”大模型 4 等 AI 气象模型显 著提升了全球天气预报能力，实现更长时间 尺度、更高精度的天气预测。普林斯顿等离 子物理实验室利用强化学习优化等离子体控 制，解决撕裂不稳定性问题，加速核聚变能 源的实现 5。加州大学伯克利分校和劳伦斯 伯克利国家实验室利用机器人执行实验，机 器学习规划实验并结合主动学习优化实验过 程，研发用于无机粉末固态合成的自动实验 室 A-Lab，显著提高了材料合成效率 LLM 文本表示融合，在提升预测精度的同时， 也提供了更友好的人机交互方式。 3.2.4 自主实验室实现材料智能合成 材料智能合成正借助大规模密度泛函理 论（DFT）计算数据库、生成式结构预测与 LLM 快速发展。机器人自动化与云端调度协 同优化实验流程，确保模型实时更新。例如， 自主实验室 A-Lab4，利用 DFT 数据库与自 然语言模型驱动无机粉末合成闭环；云端异 步分布式协作模式 升热力学稳定性。同时，结合 LLMs+ 自主 实验室优化合成路径，实现实验可行性评估。 3.3.3 将 AI 与自主实验室集成，实现材 料发现全自动化及性能智能优化。 高效整合 AI 计算、实验自动化与多尺 度建模，加速设计室温超导材料、自修复柔 性半导体材料、超轻高强纳米复合材料等革 命性材料已成为推动材料科学变革的前沿问 题。 突破路径：自主实验室的突破依赖多层 次 AI 集成：首先，利用生成模型生成符合

基因深植于业务的 e 成科技，一直在潜心研发和积累，致力于将 AI 技术深 度应用于人力资本全场景中，推动人力资本智能变革。凭借自身在 AI 能力和行业经验的独特优势， 以及来自全球顶尖跨媒体技术实验室的 AI 核心团队，拥有顶尖的跨媒体 AI 技术，结合多年积累 的知识图谱与对话技术，e 成科技推出的 AI 面试机器人更是如虎添翼。 △e 成科技 AI 开放平台四大算法中台 28 | 第三部分 中 文 的 预 训 练 模 型 的 改 进 则 体 现 在 对 整 个 单 词 进 行 mask（即 全 词 mask， whole-word-mask）。 BERT_wwm 哈工大讯飞联合实验室开放的中文预训练模型 BERT-wwm[17]，与下文介绍的百度的 ERNIE 类似，是采用了全词 mask 策略（Whole Word Masking, wwm），对同属一个词的所有子词 进行 MacCarthy）作为人工智能学科的发起者，推动了麻省理工学院的 MAC 项目，后又主导创建了斯坦福大学人工智能实验室。此外，大名鼎鼎的 LISP 语言也是由他创造。 由于在人工智能领域的突出贡献，1971 年麦卡锡获图灵奖。 马文 · 闵斯基（Marvin Lee Minsky）与麦卡锡一同组织了达特茅斯会议并且参与了麻省理工 学院人工智能实验室的筹建。此外，他与 1951 设计并建构了第一部能自我学习的人工神经网络 机器

准和自动化测试工具与用例，实现 厘清异构智算算力的优缺点与适用场景，促进算力落地，指导未来算力发展。 业界现有评测实践大致分三类，一是芯片原厂自测，侧重自家峰值算力，数据孤岛化； 二是第三方实验室评测，资源有限、更新慢、模型覆盖面不足；三是头部云厂商自建 19 Benchmark，场景封闭、结果不可横向对比。三类方案均停留在“单点、单次、单模型” 层面，缺乏自动测试的机制，难以支撑多元异构、快速迭代的国产芯片落地使用。 芯片，协同完成同一大模型训练过程，需要在算力芯片统一纳管、集合通信库、训练框架等 层面实现逐层对接。 4.1.1 中国电信智算异构四芯混训解决方案 中国电信联合壁仞科技、中兴通讯、中国科学院计算技术研究所、上海人工智能实验室、 北京邮电大学、中科加禾、天数智芯、沐曦等单位率先发布了包括统一训练框架、统一集合 通信库、统一 RDMA 网络的“智算异构四芯混训解决方案”，打造覆盖算力、网络、通信 库、平台与训练框架的 HGCT（Heterogeneous GPU Collaborative Training），采用三层架构层次设计，包括异构调度、异构通信、异构拆分。2025 年 3 月， 壁仞科技与上海人工智能实验室联合开展千卡规模异构混训，联合设计了 HGCT 统一异构 通信库+DeepLink 统一异构训练框架的超大规模异构混训方案。 （1）在统一异构通信库层：采用插件化、模块化设计机制，向上一行代码实现训练框

质量管理 生产运营要与质量运营齐头并进，西门 子 Opcenter Laboratory 作为先进的实验室 管理系统（LIMS）通过在协同、流程优化、 质量测试以及产品召回方面实现结构化节约 来降低成本，提高透明度和控制能力，减少 废料和返工。 图 9 实验室管理解决方案的功能 3.9 预测性维护 预测性分析技术通过周期或持续监测设 备运行数据，结合人工智能算法，评估工厂

） 为应对“新技能培养”“管理模式调整”与“失业恐惧”等问题，领先组织正采用创新的实践型 学习方式，以满足AI时代下不断变化的技能培养需求。最新调查数据显示，高达83%的组织已在 使用“实践实验室”、“学习游戏”、“任务挑战” 及其他交互式平台开展技能培养，另有10% 的组织计划在2025年底前落地这些方式。 仅有少数受访者（17%）选择“计划在今年晚些时候使用，或目前暂无相关计划”。这一转变反 就业趋势 重要举措 / 项目 AI/ICT领域产教融合； “AI+X”跨学科培养方向； K-��阶段AI素养教育与教师技 能提升；AI/云/数据/网络安全 领域职业教育路径；国家重点 实验室与试点园区建设；扩大 计算资源与应用研究渠道 AI/ICT 岗位需求旺盛且薪资溢 价显著；人才缺口持续存在， 竞争激烈；岗位集中于北京、 上海、深圳、杭州等城市；毕 业生数量增加，证书与实践项 全额AI奖学金与研究项目；编程 /AI集训营；创新园区与沙盒 国家AI战略（如阿联酋、沙特阿拉 伯）与主权基金；专门研究AI的高 校与实验室；计算资源/模型投资 中东/ 海湾地区 实用AI技能就业适配；负责任AI 与数据治理；政府AI能力建设 泛非AI学习网络（如Indaba）； 奖学金与社区实验室；计算资源 资助与研究项目 捐赠方与多边机构支持的AI能力建 设项目；新兴国家AI战略；AI枢纽 种子基金

和架构设计， 深入探讨光源、调制器等关键器件的技术发展路径。同时，全面梳理 芯片级光互连在国内外的产业现状，客观研判未来演进趋势和技术挑 战。期望通过产学研用多方协作，加速芯片级光互连技术从实验室原 型走向规模化商用落地，推动我国智算基础设施在硬件架构层面实现 跨越式升级，为数字经济的高质量发展筑牢坚实的算力基石。 面向大规模智算集群场景光互连技术白皮书 (2025) III 编写说明 置光源的前端，使采用高密度直通型PELS外置光源的CPO交换机使用体 验更接近传统交换机。 面向大规模智算集群场景光互连技术白皮书 (2025) 33  清华大学集成光电子实验室解决方案 清华大学集成光电子实验室开发基于Micro-LED阵列的光互连技 术，依托其在高速Micro-LED材料外延和芯片工艺领域的深耕经验，演 示了多通道并行传输原理样机。 图 3-12 Micro-LED阵列并行传输演示 面向大规模智算集群场景光互连技术白皮书 (2025) 35 4. 规模化应用需跨越技术和产业的双重挑战 设备级光互连和芯片级光互连技术是未来高带宽、低功耗数据中 心网络的三大关键技术，然而，这些技术从实验室走向商用落地，仍 面临多个方面的挑战。 光互连技术是实现高集成度、低功耗、低成本、小体积的最优互 连方案之一，但其产品化受集成光学器件的市场接受度、标准和制造 能力的限制，仍面临多个方面的挑战，尤其是在标准、封装工艺、器

面向新型储能系统集成、检测认证、智能运维、安全预警、共性技 术研发、金融服务等需求搭建公共服务平台，打造第三方服务产业高地。 8.健全产学研结合的技术创新体系 结合新片区重点企业、高校和科研院所资源，培育一批技术中心和 重点实验室等重要研发资源，在技术创新、标准制定、设备制造、应用 布局等方面形成优势互补，加速实现技术产品更新迭代。 （三）加强新型储能项目管理 9.规范备案管理 独立储能项目报市发改委备案，用户侧新型储能项目报新片区管委 市场监管局） 13．提升高能级创新平台建设质效。省财政统筹安排 25 亿元，支持 合肥综合性国家科学中心建设。（责任单位：省发展改革委）推进省重 点实验室重组升级，省统筹给予科技项目等支持。（责任单位：省科技 厅）支持争创全国重点实验室、国家基础学科研究中心、国家技术（产 业、制造业）创新中心等，对新获批的国家级创新平台，省统筹给予奖 补资金、科技项目等支持。（责任单位：省发展改革委、省科技厅、省 徽监管局、人行安徽省分行） 五、加快打造先进制造业集群 16．全力支持打造汽车“首位产业”。省财政统筹安排 20 亿元支持 汽车产业七个生态建设。链接全球创新资源设立开放型汽车生态实验室， 单个实验室每年度最高综合补助 3000 万元。重点围绕轻量化材料、车规 级芯片、下一代动力电池、新型充换电技术、智能驾驶体系等关键领域， 支持组建创新联合体，最高可按研发和设备投入的 50%予以补助。支持