探索“光储微网 + 新型农业”未来场景 开展农业生产数据智能采集与分析系统研发 构建光储微网协同调度模型 结合指针式喷灌机、滴灌、微喷灌 减少地表径流与蒸发损耗 精准控制水量供给 采用“沙膜技术”，添加“植物纤维粘合剂” 增加沙粒聚集度，具备结团能力 有效重塑局部区域生态环境 13 14 9 10 安全 极简 架构安全： 主动安全： 网络安全： 产品安全： （2）高效光热：光热发电是目前唯一具备替代煤电“带基荷”潜力的新能源方向，持续优化聚光集热设备、储 /换热设备、熔盐材料、控制技术、运行策略，打造低成本、高效产品解决方案。 （3）薄膜光伏：薄膜光伏是一种新型太阳能电池组件，采用碲化镉、钙钛矿、铜铟镓硒等材料。组件可通过卷 曲或弯曲等方式实现柔性设计，适应不同形状和曲面的应用需求。 （4）钙钛矿/晶硅叠层技术：钙钛矿/晶硅叠层技术是将钙钛矿材料与晶硅电池结合，通过“钙钛矿吸收短波 排1340.99吨。 17 18 中广核+可胜技术·格尔木350MW塔式光热发电项目 关键技术 全球规模最大的聚光集热系统——三塔一机系统。格尔木350MW项目采用三塔一机技术，即三座镜场集热，并盐后共用 一台汽轮机。采用37㎡高精度、高可靠性智能定日镜，镜场总反射面积约330万㎡，是全球已投运单机最大镜场（迪拜 100MW项目为175万㎡）的1.89倍。 成效 熔盐储热系统分散布

详见6-13章。其中“-”，表示该评估维度在该能力等级下，无具体要求。 6 产品发展能力类 产品发展能力类衡量组织产品生命周期管理与运营能力水平，如产品数字化迭代能力及产品研发 与设计能力，指从概念设计阶段开始，采用数字协同设计体系，利用参数化对象建模等数字工具，开展 产品的研发与设计活动。产品发展类包括产品创新、研发设计2项能力集。 产品创新 产品创新能力集包括产品数字化升级、数字产品孵化、定制化支持、研发资产化 期 过 程？ 组织不具备基于 数字化技术的产 品仿真的能力 组织考虑引进产 品仿真相关的数 字化技术 组织对试点产品 采用数字化技术 进行仿真分析 组织对部分产品 应用数字化技术 进行仿真分析 组织对全部产品进行 基于数字化技术的仿 真分析 组织采用数据孪 生、CPS 等技术， 建立试验验证模 型，持续提升产 品与模型的匹配 度，实现产品设 计的快速验证和 优化 T/CAICI L3 L4 L5 L6 规划工艺 流程的手 段 是否使用数 字化手段进 行工艺流程 规划？ 组织未使用数字 化手段进行工艺 流程规划 组织考虑采用数 字化手段进行工 艺流程的规划 组织对试点产品 的工艺流程采用 数字化手段规划 组织的部分产品 实现工艺流程的 数字化规划 （1）组织的全部 产品实现工艺流 程的数字化规划 （2）组织基于工 艺知识库的集成 应用，辅助工艺优

com/wepowerai 2 目录 Adam White 寄语 3 引言 4 一、现代处理器的供电 5 预测一：垂直供电将成为现代处理器的关键技术 5 预测二：服务器主板将采用高压直流供电架构 7 二、AI 服务器机架的供电 12 预测三：AI 服务器机架的功耗将超过 1 兆瓦 12 预测四：AI 的能耗需求将推动电源架的功率等级突破 100 千瓦 13 数据中心内采用全新 的配电体系。此外，数据中心作为用电大户，也需具备负载调节能力，并能够为电网提供辅助服务。 本白皮书将探讨当下及未来在“从电网到核心”理念下，为 AI 提供电力的可能情景，并阐述其基础技术概念。 5 一、现代处理器的供电 预测一：垂直供电将成为现代处理器的关键技术 图形处理单元（GPU）以及专用于 AI 负载的处理器（例如，张量处理单元（TPU））正在采用最先进的工艺制程（例 电流消耗预计将在十年内攀升至 10,000 A。这种极高的电流水平以及对瞬态负载响应的严苛要求，成为电压调节模 块（VRM）在 12 V 典型中间总线电压下为处理器供电时，所面临的最大挑战。 传统的横向供电方式采用分立功率级和独立电感，但在如此高的电流下，不仅占用空间庞大，还会在供电网络（PDN） 中造成显著损耗。因此，未来电能将通过主板，以垂直供电的方式，传递至处理器背面。 6 图 2：VRM 解决方案从分立功率级到背面垂直供电模块演进

病变检测：通过训练好的模型，系统能够自动识别影像中的病 变区域，并进行分类，如肿瘤、炎症、骨折等。 4. 诊断建议：基于检测结果，系统能够给出初步的诊断建议，并 生成详细的报告，供医生参考。 为了进一步提升系统的准确性，可以采用以下策略：  多模态融合：结合不同类型的影像数据（如 CT 与 MRI），进 行综合分析和判断，以提高诊断的全面性。  持续学习：通过不断地输入新的病例数据，更新和优化模型， 使其能够适应不断变化的医疗环境和新的疾病类型。 最具影响力的特征。这不仅可以减少模型的复杂度，还能提高模型 的泛化能力。例如，在心血管疾病预测中，可以通过特征重要性分 析确定血压、血脂、血糖等关键指标，作为模型的输入变量。 在模型构建阶段，DeepSeek 技术采用深度学习算法，如卷积 神经网络（CNN）、循环神经网络（RNN）和长短期记忆网络 （LSTM），来构建高精度的预测模型。这些算法能够捕捉数据中 的非线性关系和时序特征，从而提高预测的准确性。例如，对于癌 的精准评 估。 此外，模型验证与优化是确保模型性能的重要环节。通过交叉 验证、ROC 曲线分析等方法，可以评估模型的预测能力，并通过调 整超参数、集成学习等策略进一步优化模型性能。例如，可以采用 集成学习中的随机森林算法，结合多个单一模型的预测结果，以提 高模型的稳定性和准确性。 在这一过程中，还需要注意以下几点：  数据隐私与安全：在数据的采集、存储和处理过程中，必须遵 循相关法律法规，确保患者隐私的保护。

com/wepowerai 2 目录 Adam White 寄语 3 引言 4 一、现代处理器的供电 5 预测一：垂直供电将成为现代处理器的关键技术 5 预测二：服务器主板将采用高压直流供电架构 7 二、AI 服务器机架的供电 12 预测三：AI 服务器机架的功耗将超过 1 兆瓦 12 预测四：AI 的能耗需求将推动电源架的功率等级突破 100 千瓦 13 数据中心内采用全新 的配电体系。此外，数据中心作为用电大户，也需具备负载调节能力，并能够为电网提供辅助服务。 本白皮书将探讨当下及未来在“从电网到核心”理念下，为 AI 提供电力的可能情景，并阐述其基础技术概念。 5 一、现代处理器的供电 预测一：垂直供电将成为现代处理器的关键技术 图形处理单元（GPU）以及专用于 AI 负载的处理器（例如，张量处理单元（TPU））正在采用最先进的工艺制程（例 电流消耗预计将在十年内攀升至 10,000 A。这种极高的电流水平以及对瞬态负载响应的严苛要求，成为电压调节模 块（VRM）在 12 V 典型中间总线电压下为处理器供电时，所面临的最大挑战。 传统的横向供电方式采用分立功率级和独立电感，但在如此高的电流下，不仅占用空间庞大，还会在供电网络（PDN） 中造成显著损耗。因此，未来电能将通过主板，以垂直供电的方式，传递至处理器背面。 6 图 2：VRM 解决方案从分立功率级到背面垂直供电模块演进

机外互联：用于跨服务器或跨机柜的 GPU 通信，需依赖高速网 络结构实现。当前主流方案采用电交换芯片构建以太网或 IB 网络， 常见架构包括 Fat-Tree、Leaf-Spine、DCell、BCube。这些结构通过 多层交换机实现大规模互联，支撑分布式训练中的全互联需求。 图 1-1 智算中心网络与网络协议栈 无论采用机内互联还是采用机外互联，都要采用电交换芯片来做 网络流量交换。然而，随着模型规模和节点数的增加，电交换面临带 摩 尔定律逐渐失效，交换芯片的更新迭代速度明显放缓，芯片交换容量 难以实现持续增长。目前主流商用电交换芯片已发展至 102.4 Tbps 级 别，例如 Broadcom Tomahawk 6 采用 3nm 制程工艺，可提供多达 12 8 个 800 G 端口或 64 个 1.6T 端口。而国产交换芯片仍停留在 7nm 制 程的 25.6Tbps 交换容量，瓶颈效应更加严重。然而在实际部署中， 练来说，动态时延由 10us 增加至 1000us，GPU 有效计算时间占比将 降低 10%左右。同样，大模型推理对网络时延也有着更高的要求，以 确保能够为用户提供优质的推理服务。 传统数据中心网络普遍采用多层电交换架构，通过网卡与交换机 连接多个计算节点，数据包在传输过程中需要经过多个交换节点的中 转。受制于电交换“存储—转发”的工作机制，数据包必须在交换机 内部进行排队等待，多层级的交换路径使得这一排队延迟被进一步放

。 4 1.2 算力发展现状 国外以英伟达、AMD 为首的两大芯片巨头凭借其技术优势，在算力领域长期占据领先 地位，在全球范围内，两大芯片巨头占据全球算力市场 34%的份额： （1）英伟达采用“单封装双芯粒”路线，把算力密度和内存带宽推到极致，也带来高 耗电和高昂的成本，2025 年推出 Blackwell B200，并抛出 2026–2027 路线图，Vera Rubin 与 Rubin 将延续“多芯粒+大内 存”策略，试图以性价比和能效比撕开英伟达的生态护城河。2025 年 6 月的 Advancing AI 大会上，AMD 发布 MI350 系列（MI350X/MI355X），采用 CDNA4 架构、台积电第二代 3 nm、 1850 亿晶体管、288 GB HBM3E、峰值 2.3 PFLOPS，与 B200 针尖对麦芒，2026 年的 MI400 更将迈入 2 nm，432 全互联架构，搭建“芯片—XPU-Lite 框架— 千卡 1.2 TB/s XPU-Link 集群—百度文心大模型”四级闭环，已在百度内部提供 90%以上文 心系列训练算力，日均稳态负载 85%+。 （3）壁仞科技采用 Chiplet 架构设计大算力芯片，其首款 GPGPU（General-Purpose Computing on Graphics Processing Units）产品 BR100 在 2022

B/s级）且无收敛的互连 能力；二是算力密度高，由单个或多个机柜构成，包含32个以上甚至 到千卡的GPU数量，不断逼近电互连物理部署极限；三是能效PUE高， 超节点单机柜功率可达40kW以上，采用液冷为主、风冷为辅的散热方 案，配合柜级集中电源供电，在提供更高供电效率的同时大幅降低数 据中心PUE。 面向大规模智算集群场景光互连技术白皮书 (2025) 3 为了实现更高的集群算效水平，互连技术方案的演进迫在眉睫。 Engine）集成在可插拔模块中，如下图所示，通过PCB（PCB， Printed Circuit Board）板级走线与有独立基板的xPU（GPU, NPU, Swtich, etc）相连。目前市场主力产品的速率已达800G，未来采用硅光技术可 达1.6T水平，封装向高密度QSFP-DD/OSFP等演进。但面向智算未来高 速率1.6T/3.2T以上的互连场景下，可插拔光模块将面临信号完整性恶 化、依赖数字信号处理器（DSP，Digital 智算集群未来演进需求的潜力，后续将聚焦该类技术展开具体分析。 表 2-1 传统电交换和光交换（OCS）对比分析 分析维度 传统电交换 OCS 原理 传统电交换采用队列存 储-转发方式，根据报文 头信息将不同的数据包 转发至不同的输出端口 内部采用MEMS技术（或压 电陶瓷等其他技术），直 接将光信号折射到对应 的输出端口 工艺制程 要求高，依赖先进工艺， 51.2T需要3nm制程 要求低，180nm成熟工艺

模数据处理和高并发事务的挑战。操作系统则专为这类主机设计，具备强大的资源管理能力和并行处理性能。 主要特点： 高性能：采用多处理器集群架构，实现大规模并行计算，处理器集成专用加速单元，通过硬件级加密引 擎实现加密运算的加速处理 高可靠：硬件组件（处理器、内存、存储）普遍采用冗余设计，不会因单点硬件故障而引起系统中断 高安全：主机通常采用内置硬件加密模块，实现数据的加密处理与密钥管理，从而保障数据在存储、传 输及处理过程中具备机密性与完整性 级和功能迭代依赖原厂支持，流 09 程繁琐且周期长，难以及时响应业务变化（主机厂商硬件升级周期通常为 3~5 年），远滞后于业务对敏捷创 新的需求（如互联网业务的周级迭代）。此外，主机技术架构采用专属协议与接口，新应用或第三方工具难以 接入集成，与云平台、分布式数据库的集成需开发专用接口，集成成本高且易形成“技术孤岛”。 (2) 扩展性不足无法应对大规模业务挑战 传统主机技术栈主要依赖 大数据、AI、区块链等技术，但主机技术栈对此支持 有限：一方面，传统主机的编程语言（如 COBOL、PL/I）与现代开发工具及编程语言兼容性不足，原有开 发环境与工具链较为陈旧，且与云原生开发所采用的 Java、Go、Python 等语言存在明确的兼容壁垒；另一 方面，主机系统通常依赖传统的数据存储格式和协议（如 VSAM、IMS 等），而现代的大数据技术框架（如 Hadoop、Spark）使用分布式文件系统（如