网络，承担系统业务调度与带内管 理流量，采用多层CLOS组网，通常部署为TCP/IP有损网络。几类网络通过逻辑或物理隔离，确保智算中心 高效协同，同时降低跨流量干扰。 为满足智算中心内部网络超大规模、超高吞吐、超低时延、超高可靠性的性能需求，构建智算网络的技 术体系如图2-2所示，包括智算网络基础设施层、拥塞控制层、流量调度层、网络协议层和集合通信层以及高 可靠性保障和智能化运维等功能模块。 业联盟正积极自主创新 全向智感互联OISA技术，Gen1支持800GB/s，相关标准和芯片已发布；智算中心网络主要传输协议是IB和 RoCEv2，这两者都是基于RDMA旁路卸载低时延技术。面对超大规模智算集群网络的更高要求，基于 RoCEv2进一步技术演进，中国移动提出全调度以太网（GSE）技术架构，超以太网联盟（UEC）提出新一代 UET传输协议，业界还创新发展分布式解耦DDC新架构，同 过自动化部署降低集群配置时间，提高网络管理效率；通过带 内遥测（INT）与自动化采集技术，构建全链路数字孪生；通过AI驱动故障预测、根因分析以及自愈动作闭环等。 2）智算网络演进与创新 随着超大规模智算集群建设的新需求以及技术创新的迭代进步，智算网络技术从硬件基础设施到网络架 构和协议，到网络无损和流量控制等，持续快速演进。根据业界的发展状态和趋势，如图2-4，规划梳理了其 大致的技术发展脉络：

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， 全参微调 局部微调 算力需求 超大规模 千卡~万卡 大规模 数百卡~千 卡 较小规模 单卡~8卡 起步 小规模 单卡1卡起 步 工程难度 很高 TP/DP/PP并 行，海量数据 高 基模选择、 高质量数据 较高 十万~百万 条指令集 一般 <万条指令 集 推理 To C推理 To B中心 To B边缘 算力需求 超大规模 千卡以上 大规模 数百卡 小规模 中国各行业智能算力应用分布，2023 ➢ 互联网头部厂商大量采购智算芯片 相较海外，国内智算中心正处于高速增长期，中国各行业对智算的需求急剧上升，其中互联网行业是最大需求方， 互联网巨头积极投身AI领域并大量采购智算服务器，促使超大规模算力中心迎来上架率激增，市场库存快速消化。 注：1. AI服务器是指基于GPU、FPGA、ASIC等加速芯片，专门提供人工智能训练和推理所需计算能力的服务器系统。 DeepSeek的出现推动

V/50 V 电压域转换至 6 V 的中间总线。图 10 显示了该模块及其实测效率曲线。 12 二、AI 服务器机架的供电 预测三：AI 服务器机架的功耗将超过 1 兆瓦 在针对拥有万亿级参数的超大规模AI模型进行训练时，需要将数千颗GPU集成在同一台机器中，并以同步模式运行。 机架之间的数据通信通常通过光通信实现，而 IT 机架内部的高速互连则依赖专用处理器，通过铜缆将每个 GPU 与 其他 到数百兆瓦级别。 在未来几年内，为满足规模日益庞大的 AI 模型对算力的无限需求，预计将出现专门的“AI 工厂”。在同一数据中 心园区内，此类设施的用电量将达到吉瓦级，甚至可能超过数吉瓦。多家超大规模数据中心运营商已发布了相关 建设计划 [2,3]。在训练过程中，大型 GPU 集群的负载剧烈波动，所引起的电力供应与电网稳定性问题，成为确保 这些数据中心安全运行的重大挑战。要应对这些挑战，必 率转换环节上，实施瞬态负载的主动缓冲。 此外，在设施层面部署大型电池储能系统（BESS）也将成为必需措施，以确保整个数据中心保持近乎恒定的负载 曲线。 英飞凌致力于沿着整个功率转换链路，支持超大规模数据中心运营商及系统供应商，共同实现可持续、高效且具 经济可行性的电力解决方案。功率半导体正是这些工作的核心所在，其目标包括： 17 • 将任意能源形式转换为处理核心电压所需的负载电流 •

I Fabric）需要具备超大规模组网、 1 引自《新质互联网智鉴报告 V1.0》 2 引自《新质互联网智鉴报告 V1.0》 新质互联网智鉴报告（2025） 05 06 无损高吞吐，以及智能容错能力，满足单数据中心算卡从千卡到万卡、十万卡的超大规模集群连接，网络速率从 Gb 级别迈向 400GE/800GE/1.6TE 高速时代，对数据中心网络提出了超大规模扁平化组网、网络级负载均衡、 间维度上看，联算网络由智算中心网络和智能 IP 广域网组成，二者正日益成为业界关注的重点领域。 智算中心网络是支撑 AI 训练和推理的核心载体，承担着在智算中心内提升算力利用率、实现资源动态调度 的重要使命，正向超大规模集群扁平化组网、算网协同、设备液冷等方向演进。一方面，AWS、Meta 等科技巨 头推动智算集群向百万卡级扩展，面临技术和能源双重挑战。当前两层盒式 51.2T 的盒子通过光 shuffle 或者多芯 要对飞行环境的无盲区感知，增强低空飞行的安全性，这带来了通感一体需求。同时，需要提供高速、可靠的通 新质互联网智鉴报告（2025） 13 14 （一）网络体系架构创新 一是智算网络向“单点超大规模”与“多点跨域协同”双轨并进发展。当前智能算力普遍存在“小而散”的格局， 难以支撑未来万亿参数级以上大模型的训练与推理需求。为此，亟需从两个维度协同突破：一方面，构建支持超 大规模智算集群的新型组网架构，加快推进

了GPU计算的软件生态；开源社区如Hugging Face则提供了丰富的模型库与工具集，加速 了AI应用落地。数据服务与管理、中间件与平台软件等环节也发挥了重要的辅助和连接 作用。数据中心作为算力的物理承载中心，其发展呈现出超大规模化、绿色低碳化、智 能化运维以及为满足低延迟需求而部署边缘节点的显著趋势，绿色低碳化具体表现为广 泛应用液冷和自然冷却技术，并积极利用可再生能源。中国的“东数西算”战略是推动 数据中心区域协 大力扶持本土先进制造，力图维 持其技术领导力。中国在国家战略驱动和巨额投入下，正全力推进半导体产业链涵盖设 计、制造、设备和材料的自主可控，在成熟制程扩张、人工智能或网络等专用芯片设计 以及超大规模数据中心部署方面取得明显进展，成为重塑格局的重要力量，但也持续面 临供应链脱钩风险。欧盟通过欧洲芯片法案雄心勃勃地提升本土先进制造能力，吸引台 积电、英特尔、三星等巨头建厂，并强化其在汽车芯片、工业半导体及量子计算等领域 美国算力基础设施供给规模快速增加，智算中心建设进入高速发展期，多元化投资 格局进一步丰富了美国算力供给生态。微软宣布投资110亿美元建设新一代AI数据中 心，单集群规模达到数万张GPU，支持超大规模模型训练任务。亚马逊AWS在俄勒冈州部 署的AI算力集群配备2万颗自研Trainium芯片，专门针对大模型训练场景进行优化。谷 歌在俄克拉荷马州建设的液冷数据中心支持10万张TPU同时运行。新兴算力供应商快速

攻克数字孪生水利建设技术方面的难点 1. 算据方面 ( 底板 ) 应对思路 主要是满足数字孪生水利算力需求。 一是扩充计算资源， 针对相控阵雷达、 区域气候模式预报、 分布式 水 文模型、 格网化水力学模型等超大规模方程团迭代解算， 以及精细化时 空 分析、 海量数据挖掘分析、 大场景渲染展示等情景所需的高性能海量计 算 需求， 按照 “集约高效、 共享开放、 按需服务”的原则， 采用自建云、

际经济贸易秩 序遇到严峻挑战，世界经济增长动能不足；大国博弈更加复杂激烈。从国内看，我国经济基础稳、 优势多、韧性强、潜能大，长期向好的支撑条件和基本趋势没有变，中国特色社会主义制度优势、 超大规模市场优势、完整产业体系优势、丰富人才资源优势更加彰显。同时，发展不平衡不充分 问题仍然突出；有效需求不足，国内大循环存在卡点堵点；新旧动能转换任务艰巨；农业农村现 代化相对滞后；就业和居民收入 ——高质量发展取得显著成效。经济增长保持在合理区间，全要素生产率稳步提升，居民消费率 明显提高，内需拉动经济增长主动力作用持续增强，经济增长潜力得到充分释放，全国统一大市 场建设纵深推进，超大规模市场优势持续显现，新型工业化、信息化、城镇化、农业现代化取得 重大进展，发展新质生产力、构建新发展格局、建设现代化经济体系取得重大突破。 ——科技自立自强水平大幅提高。国家创新体系整体效能显著提升，教育科技人才一体发展格局

户各 类核心业务在任意位置发生，都能由最优计算节点响应处理。这就要求异地数据中心间具备 全局流量调度能力，可根据链路延迟变化动态切换支付结算类关键业务路径，实现用户“零 感知”切换。 2）超大规模与智能韧性协同演进挑战加剧 伴随通用计算服务器迈向50万乃至百万级规模，单数据中心网络的物理规模与逻辑复杂 性激增。传统依赖人工策略管理的模式已无法满足需求。带宽对等化、毫秒级切换等硬性要 求，迫使网络架构向深度智能化演进： 谱与AI算法，提前发现5 大类40多种高频风险隐患，覆盖70%场景，让网络管理从 “被动应对” 转向 “主动预 判”。 AI Fabric 2.0为数据中心网络发展指明了方向，也成为应对未来超大规模算力集群高 性能算力需求的重要解决方案。以实现数据中心网络融合充分释放算力为目标，实现算力 网络融合。 AI联接：协同级算力调度的“高效枢纽” AI联接打破传统网络被动传输的局限，以 “端网协同、全网可靠、智能调度”

局的关键在于找到兼顾效率、成 本与准确性的技术路径。 中国联通聚合顶尖科研力量与行业头部资源，打造家电行业首个“AI+视觉大模型”， 经过超亿张工业缺陷图片的训练，构建起包含 13 亿参数的超大规模神经网络，这一突 破彻底打破传统小模型在泛化能力上的局限，使模型能够更精准、高效地识别各类工 业缺陷。 在训练范式方面，大模型实现了少样本学习的重大革新。每类目标仅需 1-5 个样本， 即 向“算力供给者”转型升级，需要创新布局算力网、数据网，推动基础设施向算力智 联网、数据智联网等新型数智形态演进。 35 知行合一 中国联通数智化转型标杆实践 转型价值 示范园自建设以来，已成为全国超大规模、弹性适配、算电协同的绿色发展智算 标杆园区，并成功入选中国信通院首批“算力电力协同典型案例”。示范园创新采用“风 光储充 + 算力中心”协同模式，将光伏、风电、储能等清洁能源系统与算力基础设施

10 亿吨 / 年。 2030 年高峰负荷日电力平衡 2060 年高峰负荷日电力平衡 》二、新型电力系统演进路径 CCUS mu 新型电力系统关键影响技术——零碳路径下演进方向 2( 超大规模新能源 + 储能 + 需求侧响 应 ) 口 在方向 1 的基础上，如考虑到 CCUS 技术的成熟度和经济性问题，以及高调节性能、低利用小时数 煤 电的技术经济性和生存机制等问题，导致煤电无法保