思异电信（东方）有限公司

“算力”是个啥“力”？

Sun, 07 Sep 2025 10:35:39 +0800

海量知识随手查

你的AI小助理

为何越来越“丝滑”？

三两句文字

眨眼变身美图动画

是谁将你的奇思妙想逐一实现？

手机拍照秒出大片

行车导航精准选定最佳路线

是谁在为你的假日保驾护航？

轻轻一点，海量运算

在你每一次操作的背后

跃动着的是

同一个“超级心脏”

算力！

它驱动AI进化

重构智能工厂

革新政务民生

……

现在已成为数字经济时代

不可或缺的新型生产力

今天，让我们一起来认识算力。

什么是算力？

算力即计算能力（Computing　Power），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。

通俗来看，算力就像一个强大的“数字大脑”，以算力基础设施为载体，对海量数据进行计算、存储和汇聚分发，保障各类复杂程序算法、应用系统的高效稳定运行。

随着数字化转型加速推进以及各类数字应用场景的涌现，算力重要性不断凸显，成为激活数据要素潜能、推动科技创新、助推产业转型升级、引领数字经济高质量发展的新型生产力。

当前，工业和信息化部正按照“点、链、网、面”思路体系化推动算力网络高质量发展，加快构建全国一体化算力网络体系，为经济社会发展提供有力支撑。

如何衡量算力？

在计算科学领域，我们用一个专业指标来衡量计算设备的“脑力”——FLOPS（Floating－point　Operations　Per　Second），即每秒浮点运算次数。

这个指标就像衡量电脑性能的“心跳”，数值越大，计算能力越强。FLOPS采用国际通行的十进制单位体系：

• 基础单位：FLOPS（次／秒）

• 进阶单位：

MFLOPS（Mega）：百万次（10＾6）

GFLOPS（Giga）：十亿次（10＾9）——主流游戏显卡在此量级

TFLOPS（Tera）：万亿次（10＾12）——高性能GPU／服务器级CPU

PFLOPS（Peta）：千万亿次（10＾15）——顶级超算节点／集群

EFLOPS（Exa）：百亿亿次（10＾18）——当前最前沿超级计算机（如Frontier）

形象地来理解，一款高端游戏显卡可能拥有约80TFLOPS的算力，相当于每秒能完成80万亿次数学运算，支持复杂的3A游戏流畅运行。

超算“Frontier”，峰值性能突破1EFLOPS，即每秒能完成一百亿亿次运算，这个数字相当于1250万块RTX4090显卡同时工作。

若以普通人按计算器速度（1次／秒）计算：超算Frontier1秒的运算量，需要全球80亿人持续按键近40年才能完成。

EFLOPS是当今超级计算机追求的性能指标，代表着人类在模拟复杂物理现象、加速新药研发、训练巨型人工智能模型等领域的顶尖计算能力。

算力有哪些应用场景？

算力作为数字经济时代的新型生产力，正在加速应用到互联网、政务、金融、工业、医疗、交通、能源、教育等各个行业，覆盖人工智能、智能制造、金融交易、政务民生等众多场景。

算力正深刻重构各行业发展运营模式和创新路径，激发数据要素价值，驱动研发、生产、运营、维护全链路数智化转型，促进提质增效，引领产业向高端化、智能化、绿色化全面跃迁。

1 人工智能领域

通过大规模算力集群实现海量数据的学习训练，优化模型参数，并依托分布式算力和网络，满足大模型在智能问答、内容生成、图像识别等场景中的实时推理需求，推动AI技术从理论研究走向千行百业。

2 智能制造

通过云边端协同的算力设施架构对工业场景海量数据进行实时分析，实现智能检测、故障分析、人机协作和辅助决策，优化工艺流程，提高生产效率和产品质量。

3 金融交易

依托低时延、高可靠的分布式算力底座，实现高频交易数据实时处理、多节点数据动态备份、风险模型分析和市场趋势预测，保障金融系统的稳定运行。

4 政务与民生

在智慧城市建设中处理交通流量数据、环境监测数据等，实现智能调度；在远程医疗中辅助医学影像分析，提高诊断效率等，为社会治理和民生服务提供有力支持。

算力发展现状如何？

算力规模不断提升。我国已实现通算、智算、超算多元算力的协同发展，算力规模稳步提升，灵活满足各行业、各场景差异化的算力需求。为应对AI技术应用带来的大规模智算需求，我国加快推动智算设施建设，截至2025年3月底，我国智能算力规模达748EFLOPS（FP16）。

梯次布局初步形成。我国算力基础设施已初步形成枢纽节点、区域中心、本地边缘梯次化布局架构。依托“东数西算”工程，八大枢纽节点持续加强政策引领，完善配套保障，推动大型、超大型算力中心项目建设。

技术创新不断涌现。国产芯片架构、制造工艺持续演进，主流芯片制程达到7nm。软硬协同适配能力不断增强，推动计算性能不断提升。服务器、存储、网络设备整机制造能力位居全球前列，自主创新能力不断增强。算网融合不断深化。

算力赋能日益深化。豆包、通义千问、DeepSeek等大模型不断迭代升级，与国际大模型的差距持续缩小，且在中文理解、内容安全、数学运算等领域已具备较强能力。“华彩杯”算力创新应用大赛加速优秀算力应用项目孵化培育和推广，赋能教育、交通、医疗、能源等多个生产生活领域。

算力未来趋势如何？

我国算力规模总量位居世界第二，上下游产业链逐步健全，算力赋能日益深化。随着算力与大数据、人工智能等技术的深度融合，算力将加速形成“多元泛在、普惠共享、智能高效、绿色低碳”的发展格局。

结构布局

构建梯次发展的算力格局

全国一体化算力体系加速演进，通智超算有机协同，智算建设稳步迈向“十万卡时代”，通过架构创新与集群优化，在规模扩张与性能跃升上持续领跑国际前沿。全域统筹、梯次协同的优化算力布局，形成与区域发展战略相适配的层级体系，为我国数字经济高质量发展筑牢根基。

技术生态

锻造全球引领的创新底座

算力技术创新加速发展，推动算力技术实现从跟跑向并跑、领跑的跨越，算力强基揭榜行动等工作促进从底层架构到顶层应用的全链条创新。算力产业链不断完善，形成更具韧性与创新力的技术生态，为未来更复杂的计算任务奠定基础，巩固我国在全球算力竞争中的领先地位。

互联互通

助力即取即用的服务范式

和以往的网络互联互通不同，算力互联互通更加侧重供需之间的互联，其目的是实现人工智能、科学计算等计算任务在本地算力资源不足或随时随地随需使用算力时，计算任务及其数据可以流动到另一个算力池进行计算，实现算力资源智能感知、实时发现和随需获取，使算力像水、电一样便捷使用。

应用赋能

激活新质生产力的全域赋能引擎

算力与千行百业的融合进入纵深阶段，重塑产业运行逻辑与价值创造模式。普惠化的算力服务体系逐步成型，打破算力应用的层级壁垒，进一步加速生产要素配置效率，催生算力新业务、新模式、新业态，为经济社会数字化转型注入持续动能。

DeepSeek从入门到精通 - 清华大学版

Sat, 26 Apr 2025 17:22:36 +0800

DeepSeek从入门到精通-清华.pdf

DeepSeek的100个应用场景

Sat, 26 Apr 2025 17:20:26 +0800

DeepSeek的100个应用场景(1).pdf

一文读懂“生成式 AI”

Sat, 26 Apr 2025 15:57:05 +0800

一文读懂“生成式 AI”一、前言

本文基于谷歌的：《Introduction to Generative AI》并且借助 ChatGPT 整理而成，帮助大家理解生成式 AI 这个概念。

主要包括 4 个部分：

生成式 AI 的定义
生成式 AI 的工作原理
生成式 AI 模型的分类
生成式 AI 的应用

二、生成式 AI 介绍

2.1 生成式 AI 的定义

人工智能不等于机器学习

人工智能是关于赋予机器以模拟人类智能的能力的广泛领域。它涉及使计算机系统能够执行类似于人类智能的任务，如语音识别、图像识别、自然语言处理和决策制定等。

人工智能旨在使机器具备像人类一样的推理、学习、问题解决和决策能力。

机器学习是人工智能的一个分支，它是通过数据和统计模型来让机器自动学习和改进的一种方法。机器学习的目标是设计和开发算法，使计算机系统能够从数据中学习，而无需明确地编程。通过训练模型，机器学习使机器能够识别模式、做出预测和进行决策。

简而言之，人工智能是一个更广泛的概念，涵盖了使机器拥有人类智能的目标和技术。机器学习是实现人工智能的一种方法，通过让机器从数据中学习和自动调整模型来实现任务。因此，机器学习是人工智能的一个子集，但人工智能不仅限于机器学习，还包括其他方法和技术。

机器学习中的监督学习和无监督学习

监督学习和无监督学习是机器学习中两种不同的学习方法。

监督学习是一种通过使用带有标签的训练数据来训练模型的学习方法。在监督学习中，训练数据包含输入特征和对应的标签或输出结果。模型通过学习输入特征与标签之间的关系，从而能够对新的未标记数据进行预测。常见的监督学习算法包括线性回归、逻辑回归、决策树和支持向量机等。监督学习适用于需要进行分类、回归和预测等任务。

无监督学习是一种在没有标签的情况下从未标记的数据中自动发现模式和结构的学习方法。在无监督学习中，训练数据不包含标签信息，模型需要通过对数据进行聚类、降维或关联规则挖掘等技术来发现隐藏的结构和模式。无监督学习可以帮助我们理解数据的分布、发现异常点、进行数据可视化和特征提取等。常见的无监督学习算法包括聚类算法（如K均值聚类）、主成分分析（PCA）和关联规则挖掘等。

简而言之，监督学习使用有标签的训练数据来训练模型，并根据已知的输入和输出之间的关系进行预测。无监督学习则是在没有标签的情况下对未标记数据进行学习，通过发现数据中的模式和结构来获得洞察和理解。这两种学习方法在解决不同类型的问题和应用场景中发挥着重要的作用。

深度学习

深度学习是机器学习的分支。

机器学习是一种通过算法和模型让计算机系统从数据中学习的方法。它的目标是使机器能够自动从数据中发现模式、进行预测和做出决策，而无需明确地编程。机器学习算法可以根据给定的输入数据进行学习，并通过调整模型的参数来优化性能。常见的机器学习算法包括线性回归、决策树、支持向量机和随机森林等。

深度学习是机器学习的一个特定领域，它利用人工神经网络模型进行学习和训练。深度学习模型由多个层次（称为神经网络的层）组成，每一层都会对输入数据进行变换和表示。这些网络层通过一系列的非线性转换将输入数据映射到输出结果。深度学习模型的核心是深度神经网络（Deep Neural Network，DNN），它可以通过大量的标记数据进行训练，从而实现高度准确的预测和分类任务。

总的来说，机器学习是一种更通用的学习方法，可以使用各种算法和技术，而深度学习是机器学习的一个特定分支，使用深度神经网络来实现学习和预测。深度学习的主要优势在于它可以自动从原始数据中学习更高级别的特征表示，从而提供更准确和复杂的模型。然而，深度学习通常需要更大规模的数据和更高的计算资源来进行训练，相对于传统机器学习算法而言更为复杂。

生成式 AI 和深度学习的关系

生成式 AI 是深度学习的分支。

判别模型和生成模型

生成式模型主要包括判别模型（Discriminative Model）和生成模型（Generative Model）。

判别模型（Discriminative Model）和生成模型（Generative Model）是机器学习中两种不同类型的模型，它们的主要区别在于其对数据的建模方式和应用领域。

判别模型是一种直接对条件概率进行建模的模型。它主要关注的是给定输入数据，预测输出类别或标签的概率分布。判别模型通过学习输入和输出之间的关系来建立决策边界，从而对新的输入数据进行分类。常见的判别模型包括逻辑回归、支持向量机和深度神经网络等。判别模型通常用于分类、回归和标注等任务。

生成模型是一种对联合概率分布进行建模的模型。它不仅学习输入和输出之间的关系，还学习了生成输入数据的过程。生成模型可以通过学习数据的分布和特征之间的关系来生成新的样本数据。常见的生成模型包括高斯混合模型（Gaussian Mixture Model，GMM）和生成对抗网络（Generative Adversarial Network，GAN）等。生成模型通常用于生成新的图像、语言模型和数据增强等任务。

判别模型和生成模型的选择取决于具体的问题和任务需求。判别模型更关注分类和预测的准确性，可以直接对输入和输出之间的关系进行建模。而生成模型更关注数据的生成过程，可以模拟数据的分布和生成新的样本。生成模型可以用于生成新的数据，但在分类和预测任务上可能不如判别模型准确。

总的来说，判别模型关注输入和输出之间的关系，用于分类和预测等任务。生成模型关注数据的生成过程，可以生成新的样本数据。选择判别模型还是生成模型应根据具体问题的需求和任务目标来决定。

生成式 AI 的监督、半监督和无监督学习

传统的监督、无监督学习，将训练数据和标注数据喂给模型，可以作出预测、分类和聚类。

生成式 AI 的监督、半监督、无监督学习，将训练数据、打标数据和未打标数据给基础模型，然后生成新的内容，最终实现文本、代码和图片的生成。

生成式 AI 和传统的编程和神经网络的区别

传统的编程方式，需要硬编码来描述猫的一些特征。

神经网络算法可以通过学习是不是猫的样本，然后你给出一张图片它可以判断是否为一个猫。

LaMDA 、PaLM、GPT 等生成式模型在喂了大量内容后，可以直接问猫是什么？它讲给出它所知道的答案。

生成式 AI 的定义

生成式 AI 是什么？

生成式 AI 是人工智能的一个分支，可以根据已经学习的内容生成新的内容。
从现有的内容中学习的过程叫做训练，训练的结果是创建一个统计模型。
当用户给出提示词，生成式 AI 将会使用统计模型去预测答案，生成新的文本来回答问题。

生成式模型的分类

【生成式语言模型】是基于自然语言处理的技术，通过学习语言的规律和模式来生成新的文本。它可以根据之前的上下文和语义理解生成连贯的句子或段落。生成式语言模型的训练基于大规模的文本数据，例如新闻文章、小说或网页内容。通过学习文本中的单词、短语和句子之间的关系，生成式语言模型可以自动生成新的、具有逻辑和语法正确性的文本，如文章、对话和诗歌等。

【生成式图片模型】是基于计算机视觉的技术，通过学习图像的特征和结构来生成新的图像。它可以从之前的训练数据中学习到图像的特征表示和统计规律，然后使用这些知识生成新的图像。生成式图片模型的训练通常基于大规模的图像数据集，例如自然图像或艺术作品。通过学习图像的纹理、颜色、形状和物体之间的关系，生成式图片模型可以生成具有视觉真实感或艺术风格的新图像，如自然风景、人像或抽象艺术作品等。

生成式 AI 输入图片，输出可以是文本（看图说话、可视化问答、图片搜索）、图片（超分辨率，图片修改）和视频（动画）。

super resolution 是超分辨率的英文表达，它是指通过硬件或软件的方法提高原有图像的分辨率，通过一系列低分辨率的图像来得到一幅高分辨率的图像的过程。

生成式 AI 输入是文本，输出可以是文本（翻译、总结、问答、语法纠正）、图片（图片、视频）、音频（文本到发音）、决策（玩游戏）。

2.2 生成式 AI 的工作原理

生成式语言模型学习训练数据中的语言模式，然后给出一些文本，它们将会预测后面的内容是什么。

将用户的输入进入 Transformer 模型的编码器和解码器进行处理，然后在生成式预训练模型中进行处理，最终将结果输出给用户。

预训练：

海量数据
数十亿参数
无监督学习

模型通过学习大量的文本数据，尝试预测下一个单词或短语。然而，有时候模型会生成一些不符合语法规则或意义不明的词语或短语，这被称为"幻觉（hallucinations）"。

幻觉可以视为模型在生成过程中的错误或缺陷，可能由于训练的数据量不够、模型的训练数据质量差、没有给模型足够的上下文、没有给模型足够的约束导致的。

提示词是作为大语言模型输入的一段文本，它可以以各种方式用来控制模型的输出。

提示词设计是创建提示的过程，从而从大型语言模型中生成期望的输出。正如我们之前提到的，生成 AI 在很大程度上取决于你输入的训练数据。它分析输入数据的模式和结构，生成内容。因此输入的质量决定了输出的质量。

2.3 生成式模型的类型

文本到文本生成模型旨在接收一个文本输入，并生成一个相关的文本输出。这种模型可用于机器翻译、文本摘要、对话生成、故事生成等任务。生成模型可以学习从输入到输出的映射关系，以生成具有语义和语法正确性的新文本。

常见应用场景：

机器翻译：将一种语言的文本翻译成另一种语言。
文本摘要：从长篇文本中生成简洁的摘要或概括。
对话生成：生成自然流畅的对话，可用于虚拟助手或聊天机器人。
故事生成：自动生成连贯、有趣的故事或叙述。

文本到图像生成模型接收一个文本描述作为输入，并生成对应的图像输出。这种模型可以将自然语言描述转化为视觉内容，用于图像生成、图像标注、图像编辑等任务。通过学习文本描述和图像之间的语义关联，模型可以生成与文本描述相匹配的图像。

常见应用场景：

图像生成：根据文本描述生成与之相匹配的图像。
图像标注：将图像描述转化为自然语言标注。
图像编辑：通过文本指令实现图像编辑，如添加、修改或删除特定内容。

文本到视频或三维生成模型接收一个文本输入，并生成相应的视频或三维模型输出。这些模型可以用于视频生成、场景合成、三维模型生成等任务。模型可以学习从文本描述到视频序列或三维模型的转换过程，生成与文本描述相符的动态视频或立体模型。

常见应用场景：

视频生成：根据文本描述生成与之相符的动态视频。
场景合成：根据文本描述生成三维场景或虚拟现实体验。
三维模型生成：根据文本描述生成具有特定属性或形状的三维模型。

文本到任务生成模型旨在根据文本输入执行特定任务。这些模型可以接收自然语言指令或问题，并生成相应的任务执行结果。例如，问答生成模型可以接收问题，并生成相应的答案；代码生成模型可以接收自然语言描述，并生成相应的代码实现。这种模型能够将文本指令转化为任务执行的具体操作。

常见应用场景：

问答生成：根据问题生成相应的答案或解决方案。
代码生成：将自然语言描述转化为代码实现。
指令执行：根据自然语言指令执行特定的任务，如图像处理、数据操作等。

模型花园：Google Vertex AI 中有很多语言和视觉方面的基础模型可以选择。

2.4 生成式 AI 应用

生成式 AI 在文本（生成写作、AI 笔记、销售文案、聊天机器人、邮件编写等）、代码（代码生成、代码文档、文本转SQL、Web 应用构建等）、图片、发音、视频、3D 等领域都有大量的市场。

Bard 代码生成演示：

Bard 代码生成能力：

GenAI Studio 介绍：

生成式 AI App 构建器不需要任何编码就可以可以帮助你构建 AI 应用。

PaLM API 和 MakerSuite 可以简化生成式开发更容易。

什么是大语言模型（LLM）？

Sat, 26 Apr 2025 15:42:01 +0800

大型语言模型（LLM）是一种机器学习模型，能够执行各种自然语言处理（NLP）任务，如翻译文本、对话式回答问题、基于从不同数据集获得的知识对单词进行分类和生成。这里的“大型”指的是其架构中使用的参数数量，一些最常见的 LLM 拥有数十亿个参数。

定义 LLM 最简单的方式是将其视为一个在大量数据语料上训练的模型，以理解人类语言。该模型从互联网或专有企业数据中摄取数据，算法预测接下来最有可能的词语。因此，这些语言模型在各种 NLP 任务中变得越来越受欢迎。

LLMs 特点及原理

当前的大多数 LLM 都基于 Transformer 架构，并使用自注意机制来捕捉单词之间的依赖关系，从而使它们能够理解上下文。它还使用自回归生成来基于之前生成的词语（称为 Token）生成文本。让我们分解这些内容，以便更好地理解大型语言模型是如何工作的。

基于 Transformer 的架构

能够理解文本的机器通常使用基于递归神经网络（RNN）的模型。这种模型一次处理一个单词，并递归地捕捉序列中单词或“ Token ”之间的关系。然而，当它到达序列的末尾时，它通常难以记住序列的开头。这就是 Transformer 基础架构发挥作用的地方。与 RNN 不同，大多数语言处理模型核心的 Transformer 神经网络使用自注意力机制来捕捉关系。

注意力机制

与一次只看一个单词的句子或段落的递归神经网络不同，注意力机制允许模型同时看到整个句子。这使得模型能够更好地理解上下文。大多数语言处理模型遵循使用注意力机制的 Transformer 架构。一些 LLM 结合了这两者和自回归生成。

自回归生成

Transformer 模型通过将文本输入标记化为一系列单词来处理文本。然后，将这些标记编码为数字并转换为 Embedding 向量。可以将向量视为这些标记及其句法和语义信息的向量空间表示。

接下来，编码器（Encoder）通过分析输入并创建捕获其意义和上下文的隐藏状态，将输入向量转换为上下文向量。上下文向量是 Transformer 中的解码器（Decoder）用来生成输出的。解码器启用自回归生成，模型使用之前生成的标记来生成顺序输出。这个过程重复进行，以产生整个段落，以首句为起点。这就是大型语言模型的工作方式。

LLM 的作用

正如前面提到的，LLM 可以运用在各行各业和所用场景中，包括以下几个方面：

可以全天候回答常见问题的对话式聊天机器人，以提供更好的客户服务
用于文章、博客和产品描述的文本生成，尤其适用于电子商务商店
将内容翻译成不同语言，以触及更广泛的受众
情感分析，用于分析来自产品评论、社交媒体帖子和电子邮件的客户反馈，以及理解不同内容的意图
摘要和改写文本块
对文本进行分类和归类，以便更有效的分析和处理

一些最常见的大型语言模型包括以下内容：

BERT

由谷歌开发的 BERT 是一款著名的大型语言模型，拥有两种模型大小。BERT 基础模型拥有 1.1 亿个参数，而 BERT 大型模型拥有 3.4 亿个参数。像其他 LLM 一样，它可以理解上下文并产生有意义的回应。BERT 还可以用于生成文本的向量。

GPT-3

GPT-3可能是最受欢迎的大型语言模型之一，原因是 ChatGPT 是基于 GPT-3.5 和 GPT-4 的。这里的数字表示模型的版本，GPT-3 是第三版。这是最大的大型语言模型之一。它由 OpenAI 开发，拥有 1750 亿个参数。

RoBERTa

RoBERTa 是由 Meta AI（前身为 Facebook 人工智能研究，FAIR）开发的谷歌 BERT 模型的改进版本。得益于更高的参数数量，RoBERTa 在许多语言任务上表现更佳。就像 BERT 一样，RoBERTa 也有两种模型大小。基础版本拥有 1.23 亿个参数，而大型版本拥有 3.54 亿个参数。

BLOOM

开源大型语言模型（LLM）使开发者、企业和研究人员更容易免费构建使用这些模型的应用程序。其中一个例子是 BLOOM。这是第一个涉及 AI 研究人员在项目中最大规模合作且完全透明培训的 LLM。它在 1.6 TB 的数据上进行训练，拥有 1760 亿个参数，并且能够以 13 种编程语言和 46 种自然语言生成输出。

谷歌开发的另一个大型语言模型是 T5，它在各种语言任务上进行了训练。其基础版本拥有 2.2 亿个参数，而大型版本拥有 7.7 亿个参数。

LLM 常见问题

LLM 原理是什么样的？

大型语言模型基于 Transformer 架构，并使用自注意力来捕捉单词或“Token”之间的关系。它们计算输入的加权和，并确定输入中的 Token 如何彼此相关。然后使用注意力得分来计算 Token 之间的关系，并使用自回归生成根据给定输入产生输出。大多数 LLM 都是在互联网上可用的大量文本数据上训练的，但你也可以向它们提供专有的企业数据，以更好地服务于你的客户。

自然语言处理和大型语言模型之间有什么区别？

自然语言处理（NLP）是人工智能的一个领域，专注于处理和理解人类语言。与此同时，大型语言模型指的是在 NLP 中能够执行各种与语言相关的任务的模型，例如回答问题、总结文本和将句子从一种语言翻译成另一种语言。

如何创建一个大型语言模型？

从头开始创建一个大型语言模型包括在一个拥有数十亿参数的大量数据语料上训练它。这意味着你需要拥有一个支持并行和分布式计算的多 GPU 基础设施。设置这个可能非常昂贵，所以大多数研究人员开始制作一个 LLM 时会使用现有的 LLM 架构及其超参数，如 GPT-3。然后，他们调整超参数、数据集和架构以创建一个新的 LLM。

生成式 AI 与大型语言模型有什么区别？

“生成式 AI”是一个总称，指的是一系列能在训练后动态生成输出的算法。生成式 AI 的特点是它能产生复杂的输出形式，如图像、代码、诗歌等。生成式 AI 的例子包括 DALL-E、ChatGPT、Bard、Midjourney 和 MusicLM。大型语言模型是一种生成式 AI。与 DALL-E、ChatGPT 和其他生成式 AI 工具不同，大型语言模型是在文本数据上训练的，并产生可以用于各种目的的新文本。

AI大模型落地遭遇算力荒，算力基建龙头获“超线性增长”

Sat, 26 Apr 2025 14:31:21 +0800

IT新闻网 2025-04-24

近日，太平洋证券发布研报称AI模型进一步得到加强，得以推动产业链继续发展，AI 应用的发展也会促进基础设施的发展，重点推荐海光信息、智微智能、联想集团等企业。

随着生成式AI应用爆发，应用快速落地和迭代使得端侧部署算力的需求明显增长，对此，算力厂商联想集团基于“端-边-云-网”技术，发力AI导向的基础设施，通过提供有竞争力的AI产品和服务，在人工智能浪潮中抢占发展先机。

AI驱动算力需求高涨

今年以来，在 DeepSeek的带动下，AI 应用的落地速度和规模超出市场预期。近日多个大模型迭代，OpenAI 发布o 系列两款最新模型o3 和o4-mini。OpenAI 声称，o3 是其迄今推出的最强大推理模型，在编程、数学、科学、视觉理解等多个领域均取得了突破性进展；国内，豆包1.5·深度思考模型发布，性能提升，高并发低延迟，支持多模态，豆包1.5·深度思考模型在数学、代码、科学等专业领域推理任务中表现出色，已经达到或接近全球第一梯队水平。分析认为，随着技术迭代，AI 模型进一步得到加强，得以推动产业链继续发展。

政策层面，2025 年政府工作报告首次将“人工智能+”单独列为政策章节，明确提出要持续推进“人工智能+”行动，将数字优势与制造业基础、市场规模结合，推动大模型技术在更多领域落地应用。同时，报告明确将智能网联新能源汽车、AI 终端设备(如智能手机、机器人等)列为重点发展方向，加强全国算力基础设施建设，通过优化资源布局打造具有竞争力的数字产业集群。由此可见，人工智能在经济发展中的战略地位正进一步凸显，未来AI将深度渗透国民经济各领域。

IDC数据显示，2024年全球人工智能(AI)IT总投资规模为3,158亿美元，并有望在2028年增至8,159亿美元，五年复合增长率(CAGR)为32.9%。聚焦生成式AI(Generative AI)，IDC预测，全球生成式AI市场五年复合增长率或达63.8%，到2028年全球生成式AI市场规模将达2,842亿美元，占AI市场投资总规模的35%。　

DeepSeek大幅度降低了用户使用大模型的门槛，创造出更多的市场机会。Canalys认为，DeepSeek的爆发并一举成为AI领域的重要参与者，这进一步推动了中国在AI领域的前沿地位，联想集团等厂商已经在第一时间快速将DeepSeek集成到其内部的AI助手产品中，随着AI模型越来越高效，以及包括AI助手和代理在内的生态系统逐渐成熟，先行一步开发AI代理和平台的厂商将在抢占市场份额方面具有先发优势。

同时，大模型一体机市场有潜力实现快速增长。DeepSeek等开源算法的推出进一步降低了部署大型模型的门槛，使企业更倾向于在本地部署大型模型，使用模型供应商训练的基本模型通过微调私有域数据来增强业务能力。市场需求引发AI服务器爆量。IDC预测，到2029年中国加速服务器市场规模将超过千亿美元，其中非GPU服务器市场规模将接近50%。

Counterpoint Research的数据显示，GinAI热潮下服务器的需求增加，全球服务器市场急剧增长，其中AI服务器占三分之一。中信证券认为政府和企业会加快AI算力的部署速度，预计2025年全球AI服务器规模将超过2700亿美元，增速近70%。银河证券认为，AI服务器需求确定性强，多条技术路径齐头并进。国投证券研报认为，AI相关的资本开支仍处于上行周期，因此算力的投资机会或将长期延续，建议关注英伟达、台积电等海外算力厂商，以及浪潮信息、联想集团等国内算力公司。

龙头发力基础设施

随着大模型应用门槛的降低，加速了AI规模化的场景落地，驱动算力需求的持续攀升，大模型的广泛应用为算力的发展注入更加强劲的动能。作为中国科技七巨头之一，联想集团一直致力于在AI基础设施领域进行深耕，探寻DeepSeek等大模型的行业实践。作为全球领先的算力基础设施和服务提供商，联想集团在算力业务上有着深厚的布局和强大的竞争优势。

具体来说，联想集团的万全异构智算平台可助力客户自动完成AI计算并发布模型或发布推理服务。据悉，联想集团围绕算力好用，通过提供从芯片到应用的端到端整体算力优化，实现算力效率和算力性能的大幅提升，满足多样化复杂应用的升级需求。在“计算力”方面，联想致力于提供更强大、更全面的智能算力产品，目前已经构建了覆盖大模型训练、推理、训推一体、边缘推理在内的AI全场景服务器产品组合。在“存储力”方面，构造了全场景、高性能智能存储基座，包括大容量、高密度、绿色节能的存储产品，适用于小型规模、中大型规模再到超大规模的存储产品，针对推理场景的存储产品等等；在“运载力”方面，打造了多架构、低延迟的智能网络架构，为不同AI场景构建了高速AI网络方案。

在今年的MWC(世界移动通信大会)上联想集团展示了服务器、边缘计算设备及AI基础设施服务方面的成果。联想首款入门级AI推理服务器ThinkEdge SE100在MWC正式亮相，其兼具成本效益、可持续性和可扩展性。

当前，算力设施能耗问题日益突出，发展绿色算力已是行业必选项。联想集团的算力基础设施的优势还在于其绿色低碳的发展特征。具体来说，联想所推出的多款绿色算力产品，既能降低客户运营成本，又能为 AI 训练和数据处理提供强有力的算力支持。联想第六代海神液冷解决方案相比传统风冷减少40%电力消耗。

作为业界最全面的边缘计算基础设施供应商，联想全球边缘系统出货量已突破百万台，并连续13个季度实现边缘业务收入增长，持续拓展AI计算的应用边界。据IDC，服务器是联想集团算力基础设施布局的核心，近年来该业务通过深厚的技术积累和丰富的布局优势，实现了强劲增长。联想集团ISG基础设施方案业务集团在第三财季实现扭亏为盈：ISG营收同比大增接近60%至283亿人民币。摩根士丹利发表研报，表示长期看好联想集团，指出公司处于有利地位，于边缘AI及基础设施领域具有良好发展潜力，基础设施方案业务集团(ISG)于截至去年12月底止季度录得盈利，是一个不错的里程碑，乐观认为该业务在未来几个季度能够持续盈利。

随着DeepSeek等大模型持续迭代和广泛应用，算力基础设施的重要性日益凸显。联想集团作为领先的算力基础设施提供商，凭借智算底座承接技术红利，赋能行业发展，正在深度受益于AI市场的需求释放。

人工智能优化算力布局

Sat, 26 Apr 2025 14:28:08 +0800

光明网 2025-04-25

工作人员在中国移动（甘肃·庆阳）数据中心机房巡检。

新华社记者郎兵兵摄

中国移动日前宣布建成全国首个覆盖“通、智、超、量”（通算、智算、超算、量子计算）四算融合的算力网络，算力服务器规模超100万台，智算规模超43EFLOPS（每秒百亿亿次浮点运算），并网21家智算中心、3家国家级超算中心、3家量算中心，可调度算力资源占全国六分之一。

专家认为，以数智化为主要特征的新一轮科技革命和产业变革深入发展，数据成为新生产要素，算力成为新基础设施和基础能源，人工智能成为新生产工具，推动经济社会从“互联网+”“5G+”向“人工智能+”加速转变，对算网基础设施演进提出新要求，也带来新机遇。

算力规模不断扩大

作为人工智能发展的基石，算力已成为重要的基础设施之一，算力需求呈爆发式增长。数据显示，截至2024年底，我国算力总规模达280EFLOPS，其中智能算力规模达90EFLOPS，占比超过30%。同时，算力基础设施发展成效显著，梯次优化的算力供给体系初步构建，算力基础设施综合能力明显提升，算力产业不断创新发展，持续赋能千行百业。

国际数据公司（IDC）与浪潮信息联合发布的《2025年中国人工智能计算力发展评估报告》显示，DeepSeek带来的算法效率提升并未抑制算力需求，反而因更多用户和场景的加入，推动大模型普及与应用落地，带动数据中心、边缘及端侧算力建设，驱动算力需求增长。中国智能算力增速高于预期。预计未来两年，中国智能算力仍将保持高速增长。2025年，中国智能算力规模将达到1037.3EFLOPS，较2024年增长43%；2026年，中国智能算力规模将达到1460.3EFLOPS，为2024年的两倍。

在日前举办的2025中国移动云智算大会上，中国移动董事长杨杰表示，通用人工智能技术的创新突破、广泛应用，将大幅提升算力使用效率，释放算力服务新需求。算力总量将呈指数增长。未来3年，我国智能算力规模增长将超2.5倍，年均复合增速近40%。算力结构也将出现显著变化，推理算力需求将超过训练算力需求。未来3年，推理算力年复合增速将达到训练算力的近4倍；到2028年，推理算力规模将超过训练算力规模。这一进程将给算网发展注入新的动能，推动产业进入新一轮增长周期。

据介绍，中国移动建成13个全国性、区域性智算中心节点，打造多个超大规模智算中心。算网大脑已规模商用，在京津冀、长三角等4个枢纽级、区域级算力节点落地，特别是在长三角枢纽芜湖集群算力公共服务平台，打造了全国首个“四算合一”的国家枢纽算力调度平台。

日前新建的全国首个“四算合一”算力调度平台，可以支持每天最高上亿次的算力调用。中国移动云能力中心副总经理孙少陵告诉记者，算力网络的核心是用强大的网络将分散的算力资源汇聚联通，再通过算网大脑对资源动态全局智能调度和任务分发。算网大脑是算力网络的智能中枢系统，通过全局算网调度可以提供更低成本的算力服务，打造供需精准匹配的算力供给新生态，支撑全国一体化算力体系构建，赋能千行百业数字化升级。

算力结构优化重构

“人工智能的快速发展驱动算力布局优化重构。”国家数据局副局长夏冰表示，今年以来，DeepSeek等大模型问世，引发全球人工智能领域对算力需求发展变化的新一轮思考。从布局看，以需求适配的大规模集群仍是人工智能发展的战略重点，人工智能的规模法则依然有效。同时，“规模节点部署+热点区域优化+边端适配”的算力布局成为明确趋势。深刻洞察人工智能技术发展，深入细分应用场景类型，深度推进自主算力的芯片发展，对当前布局算力、优化算力结构愈加重要。

绿色化、智能化趋势推动算力供给方式重构。发展绿色节能、高效智能的算力已成为产业共识。要实现社会算力的最大化集约应用、普惠供给，需重点解决当前算力供给侧余缺并存、中小需求侧应用门槛偏高等问题。通过探索开展算网一体智能调度，为重点群体尤其是中小企业提供算力、运力和存力的最优适配方案，实现算力的泛在普惠应用。

场景化应用带动算力服务模式重构。在人工智能应用牵引下，算力的租赁逻辑和互联网数据中心商业模式将迎来重构，算网服务正在从传统的资源式服务向任务式服务、MaSS（模型即服务）服务拓展升级，并从互联网金融向工业、交通、自然资源等行业深度渗透。算力入户、入企、入园、入校的应用需求，推动算力服务泛在化、普惠化发展，形成人人可及、处处可用、按需服务的算力发展新生态。

《2025年中国人工智能计算力发展评估报告》认为，DeepSeek基于算法层面的极大创新，对中国乃至全球的人工智能产业带来深刻变革，算法成为驱动人工智能发展的核心引擎，正牵引着算力发展，也驱动了计算架构和数据中心变革。

其中，在计算架构方面，为了满足大模型对计算资源的高需求，提升单节点的计算性能变得至关重要。在数据中心方面，节点故障率随着集群规模增长而上升，数据中心需要更加高效的监控体系和先进的故障恢复机制。此外，部分智算中心出现了在实际运营中算力利用率未达预期的情况，智算中心发展需要解决算力资源利用率低的问题。

降低算力利用成本

企业应用人工智能大模型后，算力需求增长迅猛，需系统性规划以平衡性能与成本。360集团创始人周鸿祎认为，企业应用人工智能时，基座大模型的选择至关重要。应首选可专有化、私有化部署的大模型，既能防止数据泄露、响应迅速，又可定制对接企业知识库，且因为模型开源免费，成本近乎为零。在选好基座模型后就要规划算力。由于企业内通常是多个模型协同工作，所以一般采用分布式算力网络。大型企业可自建算力中心或购买一体机，中小企业则可在电脑上部署蒸馏模型，即减少模型的计算量和存储需求，同时保持较高的性能。

中央网信办信息化发展局副局长方新平表示，应加强通算、智算、超算多元算力的融合发展，进一步优化算力资源结构，提高算力利用水平，降低算力利用成本。

“国家数据局将持续深化数据要素市场化配置改革。继续开展先行先试，发挥市场在资源配置中的决定性作用，扩大公共传输通道试点应用范围，多路径降低中小企业算力使用成本，形成政府与市场高效协同配置资源的合力。”夏冰说。

杨杰介绍，中国移动将建设超大规模的“算力工厂”。推动万卡级、千卡级智算中心的倍增扩容，积极开展十万卡智算中心前瞻研究，建设“集中化+分布式”推理算力资源，形成“中心集约、边缘泛在、中训边推、训推一体”的智算体系。

方新平建议，加大算力高质量供给，夯实算力基础底座。加快算力核心软硬件研发，推动集成电路、并行架构、高速存储等关键技术突破，加快算力计算、算力调度、智能运营等技术发展，推动算力技术系统性创新，持续优化算力基础设施布局，促进东中西部联动互补。

“我们将坚持全国多元算力一体化、东中西部算力一体化等5个统筹，优化全国算力资源布局，推动算力布局与区域经济社会协调发展、算力基础设施建设与能源等的安全协同布局。”夏冰说。（黄鑫）

来源：经济日报

多模态大模型开启算力革命新篇章

Sat, 26 Apr 2025 14:26:42 +0800

光明网 2025-04-25

智算产业作为数字经济的核心引擎，正以前所未有的速度重塑全球经济版图。4月15日，在2025酒仙桥论坛上，中国信息通信研究院云计算与大数据研究所所长何宝宏以《智算产业的新发展与挑战》为题发表重要演讲，深入分享了智算产业现状与趋势展望。

何宝宏认为，人工智能的飞速发展已经突破了传统技术的边界，大模型训练对高性能算力的需求越发迫切。数据决定人工智能的上限，算力则决定了人工智能的底线。多模态大模型需要算力、存力、运力的深度协同，推理场景则更强调实时响应，这些都对智算产业的技术创新提出了更高要求，也开启了算力革命的新篇章。

近年来，中国算力政策经历了从早期聚焦算力中心布局与节能优化，到中期强化东西部协同与“东数西算”，再到现阶段重点转向自主可控与绿色低碳的深刻变革。工信部的“点链网面”战略更是明确了算力产业的发展路径，从单节点提质增效到多节点串珠成链，再到高速网络互联，最终全面赋能产业应用。

随着人工智能、大数据和云计算等新一代信息技术融合创新步伐加快，我国算力规模增长迅猛，智算产业呈现出蓬勃发展的态势。与此同时，也面临一系列严峻挑战：一是国产芯片在制程、算力和生态建设方面仍落后于国际先进水平，短期高效供给受限；二是存储架构面临多模态数据治理、存算效率及安全风险等挑战，无法满足海量数据资源增长对先进存力的需求；三是智算集群进入1/10万卡时代，技术、标准、生态方面亟待推动智算网络建设；四是基础设施能耗问题凸显，算电协同体系亟待深化；五是智算产业生态初建，行业垂直应用层面存在数据隐私敏感、高质量数据集匮乏等问题，上下游企业之间的协同机制有待进一步深化。

面对诸多挑战，智算产业未来发展趋势如何，破局路径又在何方？何宝宏认为，从技术演进方向来看，智算产业将从追求极致性能转向“高性能+普惠型”双轨并行。低成本算力模式的出现将推动AI大模型的算力需求从训练侧向推理侧倾斜。同时，存储技术也将迎来革命性突破，新型存储介质将成为未来存储领域的发展方向。网络架构也将全面升级，以满足不同场景下的性能需求。在绿色可持续发展方面，构建“算力—电力”协同模型将成为行业共识。构建“上游芯片厂商突破关键技术，中游智算服务提供商完善算力服务市场，下游则聚焦高价值场景”的新生态。（知文）

来源：人民邮电报

京东云AI算力平台助力企业快速构建大模型算力底座

Sat, 26 Apr 2025 14:25:09 +0800

央广网 2025-04-25

央广网北京4月25日消息随着海外AI算力供应链不确定性增加，面对强势的大模型训练推理需求，国产AI芯片迎来发展新机遇。而80%的算力需求正在向推理场景集中，由于推理场景对GPU峰值性能的要求相对放低，更多规格国产GPU已具备支持大模型应用的能力，推动海外AI芯片与国产芯片混合部署成为企业AI算力新常态。

然而，混合AI算力的构建面临诸多挑战，包括算力利用率低下、异构资源管理困难、国产化替代进程加速等现实问题，正成为制约大模型规模化落地的核心瓶颈。京东云vGPU AI算力平台，以创新性的GPU算力池化技术和异构算力统一管理，助力企业快速构建异构AI算力基础设施，重塑AI生产力。

大模型落地面临三重算力困局

当前，众多智算中心面临一个严峻的现实，购买了昂贵的GPU卡，但集群MFU（模型算力利用率）却很低。某头部证券公司AI负责人坦言：“我们的数百张GPU卡，实际利用率不足30%，但业务部门仍在不断要求扩容。”

行业普遍面临三大核心痛点。首先是GPU资源空转闲置：传统物理卡部署模式下，推理任务往往占用不到30%的算力，却需独占整张显卡。其次是异构资源管理困难：同时存在英伟达、昇腾等多类加速卡，不同芯片需要独立运维体系，资源池化率不足50%。第三是安全与性能难以兼得：部分机构采用开源vGPU方案，但用户态算力池化带来性能损耗高，且存在任务干扰风险。

京东云vGPU算力池化，破解AI算力困局

面对这些行业难题，京东云推出vGPU AI算力平台，支持算力资源统一纳管、精细化运维，具备内核级1%算力和MB级显存的细粒度切分与池化能力，损耗控制在0.1%，毫秒级任务优先级抢占，丝滑支持训推混部，并且全面适配十余家国产化算力资源，帮助客户低成本、高效率使用大模型。

第一，内核级精准算力切分：凭借创新的GPU算力切分技术，内核级1%算力和MB级显存的细粒度切分与池化能力，犹如"手术刀"般将单卡分割为多个虚拟实例，实现了资源的动态分配，GPU利用率最高提升70%。

第二，异构算力统一纳管：提供对多元异构算力资源的统一管理，有效屏蔽异构算力复杂性，并兼容国内外主流深度学习AI框架，帮助客户快速构建面向大模型的训推一体化高性能基础设施，降低运维复杂度。

第三，全栈自研算力平台：京东云全自研vGPU技术，通过内核态拦截和推理引擎加速构建产品核心竞争力，内核驱动级优化提升单台服务器推理性能50%，同时借助AI全密态机密容器能力，确保模型参数与训练数据双域零泄露，为用户提供金融级安全防护。

服务数十家头部客户构建异构AI算力基座

当前，京东云vGPU AI算力平台凭借内核级算力池化、全栈自研可控、金融级安全等差异化优势，已服务数十家头部银行、券商、基金、保险、运营商客户。

华夏基金积极拥抱AI技术，在GPU资源管理方面，华夏基金面临提升资源利用率和降低运行成本的双重挑战。通过采用京东云的vGPU算力池化技术，华夏基金将物理GPU资源进行了细粒度的切分，实现了资源的动态分配和优化利用。这一技术的应用，使得华夏基金的GPU利用率最高提升了70%，大幅降低大模型推理成本。

北京银行与京东云携手，上线银行业首个基于异构计算的DeepSeek满血版。依托京东云异构计算能力，北京银行创新性地采用vGPU弹性资源分配方案，实现了算力资源的高效复用与灵活调度，算力模式秒级供给，内核级1%算力和MB级显存的细粒度切分与池化能力，并全面适配国产算力资源。

某知名证券公司原有集群GPU资源分散，整体利用率长期徘徊在25%。部署京东云vGPU AI算力平台后，将分散在5个业务系统的GPU资源池化，形成统一AI算力池，AI算力分时复用实现多团队共享，推理任务资源满足率从65%提升至98%。

面向未来，京东云将持续投入技术自研，提供更高性能、更低成本的智算产品，助力企业快速构建落地大模型的算力基座，重塑AI生产力。

从零开始了解算力

Mon, 21 Apr 2025 18:48:40 +0800

什么是算力

算力即计算能力（Computing Power），狭义上指对数字问题的运算能力，而广义上指对输入信息处理后实现结果输出的一种能力。虽然处理的内容不同，但处理过程的能力都可抽象为算力。比如人类大脑、手机以及各类服务器对接收到的信息处理实际都属于算力的应用。

随着信息技术的不断发展，《中国算力白皮书（2022）》中将算力明确定义为数据中心的服务器通过对数据进行处理后实现结果输出的一种能力。当前行业中讨论的算力，狭义上可理解为CPU、GPU等芯片的计算能力，广义上可理解为芯片技术的计算能力，内存、硬盘等存储技术的存力，以及操作系统、数据库等软件技术的算法的三者集合。

算力的分类

随着数字经济时代的到来，算力发展迎来高潮，广泛应用于各个领域，其中包括但不限于日常消费领域、人工智能领域、半导体技术领域。不同应用场景对算力的需求各异，需要不同类型的算力支撑。目前算力主要分为通用算力、智能算力和超算算力。未来还会出现比传统计算更高效、更快速的新一代算力，例如量子算力等。

通用算力

通用算力主要以CPU为代表，即CPU芯片执行计算任务时所表现出的计算能力。不同架构的CPU计算能力不同，因为CPU算力受核心数量、主频、缓存大小等多种因素影响。目前可以根据DMIPS指标来衡量CPU性能。该指标表示CPU每秒能执行多少百万条Dhrystone指令。

通用算力计算量小，但能够提供高效、灵活、通用的计算能力。因为CPU的架构属于少量的高性能核心结构，即核心数量少，但核心频率高，更加擅长处理复杂的逻辑判断和串行计算的单线程任务，如操作系统的管理、应用程序的执行以及各类后台服务等。而这样的设计在面对大规模并行计算任务时则显得力不从心。

智能算力

智能算力主要以GPU、FPGA、ASIC芯片为代表。每种类型的芯片具有各自的特点和优势。

GPU（Graphics Processing Unit，图形处理器）：GPU在设计之初用于图形渲染，即同时处理大量简单的计算任务。不同于CPU的少量高性能核心架构，GPU拥有大量的核心数但较小的控制单元和缓存，能够完成高度并行的计算任务。GPU主要应用在机器学习的训练阶段，因为机器学习的操作并不依赖于复杂指令，而是大规模的并行计算。

FPGA（Field Programmable Gate Array，现场可编程逻辑门阵列）：FPGA是在PAL、GAL 等可编程器件的基础上进一步发展的产物。FPGA是半定制集成电路，具有可重配置的逻辑结构。其内部的电路不是硬刻蚀的，而是可以通过HDL（硬件描述语言）编程来重新配置。这种可编程灵活性使其可以完成人工神经网络的特定计算模式，轻松升级硬件以适应AI场景中新的应用需求。除此以外，FPGA的每个组件功能在重新配置阶段都可以定制，因此在运行时无需指令，可显著降低功耗并提高整体性能。

ASIC（Application-Specific Integrated Circuit，应用特定集成电路）：ASIC是专为满足特定需求而设计的全定制集成电路芯片。ASIC的优势在于其能够针对特定任务进行深度优化，从而实现更高的性能和更低的功耗。一旦量产，其单位成本会显著降低，尤其适合于大规模生产和应用。然而，ASIC设计周期长、成本高，一旦设计完成，很难进行修改或升级以适应新的应用需求。因此，在选择使用ASIC还是FPGA时，需要根据具体的应用场景和需求进行权衡。对于需要高性能、低功耗且应用场景相对固定的系统，ASIC可能是更好的选择；而对于需要快速适应新技术和市场需求变化的应用场景，FPGA则更具优势。

GPU、FPGA、ASIC能力对比表格：

超算算力

超算即超级计算，又称高性能计算 (HPC)，利用并行工作的多台计算机系统的集中式计算资源，通过专用的操作系统来处理极端复杂的或数据密集型的问题。超算算力则是由这些超级计算机等高性能计算集群所提供的算力，主要应用于尖端科研、国防军工等大科学、大工程、大系统中，是衡量一个国家或地区科技核心竞争力和综合国力的重要标志。目前，美国的Frontier以 1.206 EFlop/s的HPL性能位居全球超级计算机Top500榜第一，达到了E级计算。

中国信息通信研究院结合业内实践和设想，提出了超算参考架构，由计算系统、存储系统、网络系统、管理系统、安全系统五部分构成。

计算系统：由CPU和异构加速卡计算节点共同组成。
存储系统：采用分布式存储，可提供PB级别以上的容量来进行数据和算据存储。
网络系统：分为存储网络、业务网络以及监控网络等多个网络平面，实现超算系统间各个硬件设备以及子系统间的通信互联。
管理系统：包括资源与业务监控、告警监控、可视化等功能。
安全系统：由防火墙、负载均衡、堡垒机、抗DDoS、日志审计、漏洞扫描、DNS服务器等设备组成。

新一代算力

自人工智能加速应用后，算力需求激增，人们很难保证在未来经典计算能一直满足指数级的算力增长并应用于重大计算问题。于是在全球科技竞争加剧、数字经济快速发展以及新兴技术的推动下出现了以量子计算为代表的新一代算力。

量子计算运用量子态的叠加性，使得量子比特拥有更强的信息编码能力，并可实现多个量子比特的量子纠缠，性能上限远超经典计算。量子计算机使用亚原子粒子的物理学领域来执行复杂的并行计算，从而取代了当今计算机系统中更简单的晶体管。传统计算机中的字符，要么打开，要么关闭，要么是 1，要么是 0。而在量子比特计算中，计算单元是可以打开，关闭或之间的任何值。量子比特的“叠加态”能力，为计算方程增加了强大的功能，使量子计算机在某种数学运算中更胜一筹。

目前阿里巴巴、Google、Honeywell、IBM 、IonQ 和 Xanadu 等少数几家公司都运营着量子计算机，但仍存在退相干、噪声与误差、可扩展性等问题，处于硬件开发的早期阶段。根据专家预测，想要进入量子计算机真正有用的高保真时代，还得需要几十年。

数据中心算力组成

数据中心的计算能力主要依赖于服务器。目前CPU类型的服务器几乎部署在所有的数据中心中，而高性能算力GPU等更多的使用在AI应用场景中，小规模部署于部分数据中心中。然而随着机器学习、人工智能、无人驾驶、工业仿真等新兴技术领域的崛起，传统数据中心遭遇通用CPU在处理海量计算、 海量数据时越来越多的性能瓶颈。 在数据中心加快步伐部署48核以及64核心等更高核心CPU来应对激增的算力需求的同时，为了应对计算多元化的需求，越来越多的场景开始引入加速芯片，如前文提到的GPU、 FPGA、 ASIC 等。这些加速硬件承担了大部分的新算力需求。

然而实际上的数据中心是一个汇集大量服务器、存储设备及网络设备的基础设施，数据中心算力是服务器、存储及网络设备合力作用的结果，计算、存储及网络传输能力相互协同才能促使数据中心算力水平的提升。单独讨论服务器的算力水平并不能反映数据中心的实际算力水平。

总之，数据中心是人工智能、物联网、区块链等应用服务的重要载体。数据中心算力水平的提升将会在很大程度上推动全社会总体算力供给，满足各行业数字化转型过程中的算力需求。

数据中心网络设备

以实际情况来说，数据中心的算力水平不仅取决于服务器的算力，同时还会在很大程度上受到网络设备的影响，如果网络设备算力水平无法满足要求，很有可能引发“木桶效应”，拉低整个数据中心的实际算力水平。

星融元CX-N系列交换机可以帮助用户构建超低时延、灵活可靠、按需横向扩展的数据中心网络。

超低时延：所搭载的交换芯片具备业界领先的超低时延能力，最低时延达到400ns左右。
高可靠性：通过MC-LAG、EVPN Multihoming、ECMP构建无环路、高可靠、可独立升级的数据中心网络。
RoCEv2能力：全系列标配RoCEv2能力，提供PFC、ECN等一系列面向生产环境的增强网络特性。
RESTful API：支持REST架构的第三方平台和应用都能自动化地管理、调度星融元数据中心网络。

不论是在AI智算还是HPC高性能计算场景下，CX-N交换机都达到了媲美InfiniBand专用交换机的性能，以下是场景测试数据表:

表一：AIGC场景性能测试结果

表二：HPC应用测试（对比IB交换机）

参考文献：

https://13115299.s21i.faiusr.com/61/1/ABUIABA9GAAgqvv2nAYowLyGBA.pdf

https://13115299.s21i.faiusr.com/61/1/ABUIABA9GAAgk4DrjQYo76ziRQ.pdf

思异电信（东方）有限公司

“算力”是个啥“力”？

DeepSeek从入门到精通 - 清华大学版

DeepSeek的100个应用场景

一文读懂“生成式 AI”

什么是大语言模型（LLM）？

AI大模型落地遭遇算力荒，算力基建龙头获“超线性增长”

人工智能优化算力布局

多模态大模型开启算力革命新篇章

京东云AI算力平台 助力企业快速构建大模型算力底座

从零开始了解算力

京东云AI算力平台助力企业快速构建大模型算力底座