强解 释性但泛化 能力 弱。 基于海量数据与 大规模预训练； 代表算法： DeepSeek 系列 Qwen 系列 GPT 系列 通过模型组合提升 预测精度； 代表算法： 随机森林 梯度提升决策树 神经网络 ) 深度学习机器学习人工智 能 4/37 在人工智能领域，数据、算力与算法构成发展基石——数据驱动模型训练，算力支撑复杂计算，算法优化 技术路径，三者协同推动人工智能向更高阶形态演进。 利用模型、仿真生成 虚拟现实 自动驾驶 生态 PyTorch TensorFlow MindScope 训练算法 无监督预训练 强化学习 前沿探索阶段 底层计算库： CUDA 、 CANN( 华为 ) 有监督微调 对比学习 * 互联网爬取、规模大 LLM 预训练 多维并行算法 状态监测、任务调度 语言通用模型： 通用模型是当下研究热点与未来趋势； 研究高效训练算法具有重要创新意义。 如何提高数据的规模与质量 是当前人工智能领域的关键问题。 5/37 早期的深度学习受限于计算能力和数据规模，难以发挥优势。随后多层感知机与卷积神经网络结合反向传 播算法，显著提升了模型的学习能力。随后，基于注意力机制的 Transformer 架构改变了自然语言处理 的范式，使大规模预训练成为可能。近年来，大模型凭借

技术生态与市场格局 正在加速重构。 生成式人工智能基于海量数据训练、推理生成新的输出，并能以文本、音频和图像等形式创建新内容。 智算中心是支持生成式AI工作负载的新型数据计算中心，基于AI计算架构，提供AI应用所需算力服务、数据 服务和算法服务的算力基础设施，它融合高性能计算设备、高速网络以及先进的软件系统，为人工智能训练 和推理提供高效、稳定的计算环境。据测算，2023年全球生成式AI市场规模，包括硬件、软件以及服务等， 长到2028年1436EFLOPS（图1-2）。全球算力基础设施高速发展，而以支持AI/LLM为目标构建的新型智算 中心成为数字新基建的重要底座。 趋势洞察 01 图1-1 生成式人工智能市场 趋势洞察 02 随着大模型训练参数以及GPU集群规模的不断提升，智算中心网络组网规模持续扩展，接入速率从 200Gbps升级至400Gbps/800Gbps乃至1.6Tbps，无损、低时延性能要求严格，推动智算中心网络以及智 放等，提升用户体验与商业价值。DeepSeek算法与芯片深度适配，不仅降低对高端GPU的依赖，也推动算 力供应链自主化。高效的算法一方面减缓了AI训练的算力需求，另一方面AI应用的普及导致AI训练与推理的 侧重点发生转变，预计未来几年推理算力占比将远超训练部分。 1.2 技术破局：从GPU集群到分布式协同一体 建设和运营智算中心需要巨大的资本投入，包括购买昂贵的AI芯片、建设高密度机房等。AI工作负载对

与金融的结合主要有两条技术路径：①通用模型 + 金融语料训练金融大模型 ，②金融垂类大模型。 1 ）双方优劣具有相对性。通用大模 型 优势：泛用性强、灵活性和利用率高、可迁移性强。劣势：特定领域深度较浅、模型复杂、训练时间长；金融垂类模型优势：领域专业性、针 对 性的解决方案、高精度和合规性。劣势：适应性限制、更新和维护复杂度、数据利用率低。 2 ）通用大模型通过金融语料训练超越金融垂类模 型 可能性较小。通用大模型在行业数据量 Grok ，模型通过 X 平台实时了解世界 ， GrokV1.5 或于 2024 年 3 月发 布。 2 ） 国内通用百度先行 ，多家企 业推出相关产品。百度推出“文心大模型” ，是目前国内预训练大模型应用端生态最好的大模型之一； 阿里 发布通义千问 2.0 ，专业维度能力较 强； vivo 发布 BlueLM 大模型 ，应用的场景广泛；月之暗面发布 Moonshot 大模型， 目前位于第一梯 GPT 系列、文心一言、通义千问、腾讯混元以及科大讯飞表现较好。 金融垂类模型国外发展先行 ，国内成品问世。 1 ） 国外彭博 BloombergGPT 率先登场。 BloombergGPT 的混合训练方法使其模型在金融任务上 的表 现大大超过了现有的大语言模型 ，而在通用场景上的表现则与之相当 ，甚至优于现有模型。 AI4Finance Foundation 开发 FinGPT ，为金融大

.........................................................................................39 5.3 模型训练与优化模块.............................................................................................. .........................................................................................56 7.2 模型训练与验证................................................................................................ 的应用还可以显著提升模型的自适应性，使其能够 更好地应对市场变化，从而在长期交易中实现更稳定的收益。本文 将详细探讨如何将 DeepSeek 框架引入股票量化交易的具体方案， 包括数据预处理、特征工程、模型训练与优化、策略回测及风险控 制等关键环节，为金融机构和投资者提供一套切实可行的应用方 案。 1.1 股票量化交易概述 股票量化交易是一种通过数学模型和计算机技术来执行交易策 略的方法，旨在通

塑着各行各业的发展蓝图。在此背景下，算力资源已成为支撑AI技术持续进步不可或缺的基石，而算力中心，作为算力资源的核心承载平台，正迎来 崭新的发展机遇。其中，定制批发业务凭借其高效整合算力资源的能力，为大模型训练提供了稳定、可靠的算力支持，成为推动AI技术革新与应用拓 展的关键力量。 • 鉴于此，本报告将聚焦于算力中心行业定制批发业务的研究，特别是在中国不同地域市场供需关系的深度剖析上，力求提供更为详尽的数据支持与深 限制，这些地区的算力中心服务资源或将率先面临供不应求的局面。算 力中心定制批发业务在不同地理区域的供需格局存在一定差异，为行业参与者带来了多元化的市场机遇与挑战。 ➢ 以环京地区为典型，得益于AI训练需求的持续增长，行业下游需求迅速扩张。在各地区中，环京地区有望率先步入供不应求阶段。预计到2025年， 环京地区将率先迎来区域性价格拐点，为算力中心行业的高质量发展注入新动力。 资料来源：灼识咨询 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

性等问题，以及对数据隐私和安全问题的担忧。本文主要探讨医疗大模型在医疗领域 的应用及其面临的挑战。 大模型技术在医疗领域的应用 （一）医疗大模型的逻辑框架 医疗大模型一般指在医疗健康领域应用的大规模预训练语言模型（LLM），其训练数 据集包含大规模的医疗科研文献、电子病历、医学图像等，参数量通常在百万级到亿 级，远超过普通深度学习模型，因而能够获取更强的特征提取和学习能力等。 医疗大模型的典型运作逻辑主要包含三个层面： 模化的医疗语料库。 从模型层看，可使用Transformer、BERT等框架，输入大规模医疗语料，通过Masked LM、Next Sentence Prediction等方式进行无监督预训练。 从应用层看，预训练模型微调，结合医学知识图谱、规则库等知识源增强医学专业 性，使用知识蒸馏、参数剪枝等技术压缩模型并在真实临床环境中评估、调优。经验 证的模型可部署到医疗信息系统、移动设备等，提供智能服务。 在准确度方面，模型仅学习单词间概率关联，缺乏真正的理解能力，且训练数据质量 参差不齐，准确性有待提升。大模型训练过程中需加强数据验证、增加不确定性指 标、优化医疗精度，并通过智能提示等方式自我改进。医疗大模型要求更高的准确 度，且医疗领域数据相对稀缺。 在透明度与可解释性方面，模型如何从输入查询和数据结构生成答案（“黑箱”问题） 尚不明确，也不清楚训练数据集中哪些部分在结果响应中使用。解决这一问题需在模

逐包负载均衡技术 24 23 目录 4.2.3 拥塞控制技术 26 4.2.3.1 端网协同拥塞控制技术 4.2.3.2 FlexBuffer拥塞控制技术 28 26 4.2.3.3 拉远训练精准流控技术 29 4.2.3.4 AI ECN 2.0技术 30 4.2.4 在网计算技术 31 4.2.5 在网存储技术 31 4.2.6 高稳韧性技术 33 4.2.6.1 故障恢复技术 的目标， 2.1 数据中心网络产业发展趋势 2 3 并阐述了算力内网络高性能传输调度要求，以及无损网络技术应用要求。数据中心 网络连接算力，其性能直接决定了整个数据中心的实际算力水平。以大模型训练为 例，需要同时协调数千张甚至数万张算力卡资源，数据吞吐量成为AI计算的关键瓶 颈，需要高效的数据流水线支持，对网络的带宽、时延和可靠性都提出了极高要求。 因此，要提升数据中心算力服务能力，就必须进一步提升数据中心网络性能。根据 性运营枢纽”的跃迁，谁就将在未来激烈的数字化和智能化竞争中占据先机。 2.3 智算数据中心网络发展趋势与挑战 AI产业正迎来前所未有的快速发展期，呈现出几大显著趋势变化。 1）大模型规模指数级增长，头部OTT大模型持续摸高，大模型训练带动网络发展 模型性能竞赛白热化: 2025年上半年，OpenAI的GPT-4.5、Google的Gemini 2.5 Pro、Anthropic的Claude 4等模型在复杂推断能力上持续突破。例如，Gemini

算法，可自动读取实时和历史数据，实现对关键设备的精准诊断。 ■ 算力与算法优化：硬件采用全国产 GPU 算力集群，提升大模型训练效率；软件层面构建 电 力行业调度知识库，采用“大小模型”协同机制，即“大模型 + 机理模型”融合方式，发挥 二者优势。 ■ 物理 - 数据混合驱动：将电力系统物理方程嵌入大模型训练，提升可解释性和泛化能力。 ■…… 模型技术不断创新和突破 中国南方电网 CHINA SOUTHERN ，具备意图识别、多轮对话等能力。 应用场景日益丰富 中国南方电网 CHINA SOUTHERN POWER GRID 24 1. 行业专用大模型 · 从通用大模型向电力垂直领域深化，构建“预训练 + 微调”的行业底座 ( 如“电力 GPT”) 。 2. 多智能体协同 · 大模型作为调度中枢，协调发电、储能、用户等多元主体，支撑新型电力系统“源网荷 储”互动。 3. 数字孪生集成 源的“无条件”接入创造无限可能。 电力人工智能的研究和思考 中国南方电网 CHINA SOUTHERN POWER GRID 28 关键技术 电力系统 高维向量表征 ( 数字数据系统 ) 电力大模型 训练和推理 多领域知识融合的 电力智能应用 电力人工智能系统 AI EPS 核心成果 电力人工智能系统 技术挑战 信息 表征 算法 基础 知识 融合 智能 决策 电力人工智能的研究和思考

......................................................................................61 3.3 模型选择与训练................................................................................................... .......................................................................................64 3.3.2 数据训练与验证................................................................................................ 顾客体验的关键策略。DeepSeek 大模型作为一种前沿的人工智能 解决方案，以其强大的数据处理能力和高效的算法优化，为餐饮行 业带来了全新的变革机会。DeepSeek 大模型基于深度学习框架， 能够通过海量数据进行训练，从而在多个场景中实现智能化操作。 其核心优势在于自然语言处理（NLP）、图像识别和推荐系统的深 度融合，能够精确理解顾客需求、优化菜单设计、提升服务质量， 并实现精准营销。 DeepSeek

编写组成员：孟清超、钟志成、郑航、兰泽勇、张惠乐、蓝超文、谭浩明、 谭升太、左瑞君、黄劲安、宋为民 - 1 - 前言 随着数字经济的蓬勃发展，算力已成为支撑社会信息化建设与产业数字化转型的 核心生产力。从海量数据处理到人工智能训练，从云端服务支撑到边缘场景落地，算 力基础设施的规模与复杂度呈指数级增长，其稳定运行与高效管理已成为关乎企业核 心竞争力与社会数字化进程的关键命题。在此背景下，传统 IT 运维模式面临着从硬件 通用算力场景：面向日常计算需求，涵盖个人终端、通用服务器计算能力，应用 于消费互联网、行业互联网等领域的常规计算能力，通常在云计算及分布式计算中， 以 CPU 为代表。 智算算力场景：支撑人工智能算法训练与推理的专用计算资源，应用于人工智能 计算领域，处理自然语言、图像识别、语音识别等任务，以 GPU 为代表。 超算算力场景：面向科学研究、工程仿真等高性能计算场景的集群化计算能力， 应用于需极 基础设施的稳定运行，侧重 高可用性以确保业务连续性；服务对象多为企业内部业务系统或基础网络服务； 算力运维核心目标高效释放算力资源，侧重算力密度最大化与能耗比最优；服 务对象主要是高性能计算、人工智能训练/推理、云计算等对算力需求极强的 场景。 （2）. 传统运维管理模式标准化，流程成熟，侧重流程合规与故障快速恢复；团 队需掌握服务器部署、网络排障等基础技能，对硬件底层原理深入理解要求较 低