1、12030數據中心構建萬物互聯的智能世界2序言科技發展的速度遠超我們的想象，就像一些學者提到的：指數型技術融合將打開下一個十年人類社會發展的新版圖，人們生產生活的方方面面都將在這個新版圖中變化和變革，最新的具備這一特征的指數型技術就是人工智能。預計我國在 2025 年人工智能產業規模將超過 4500 億元，帶動產業規模超過 1.6 萬億。人工智能產業的“三駕馬車”分別是數據、算法和算力。最近大家都比較關注 GPT 系列 AI 大模型的創新，業界稱為計算領域的“iPhone 時刻”。其背后主要依賴 AI 大集群算力基礎設施，大模型的 AI訓練集群NPU算力規模達幾千張卡，甚至上萬張卡。算力已經成

2、為人工智能、元宇宙的第一關鍵要素，在數字經濟中扮演著越來越重要的角色。算力集群主要是 3 類，即高性能計算算力集群（HPC/超算計算中心）、人工智能計算算力集群（AI計算中心或智算中心）以及通用計算算力集群（云與大數據 數據中心），過去這 3 類算力集群以煙囪化建設模式為主，未來將走向融合建設的模式。比如：HPC+AI可以極大的提升傳統HPC的計算效率，短期天氣預報就是一個融合 AI、大數據和科學計算的典型實例。未來，新型數據中心將是提供多樣性計算綜合能力的算力集群，以滿足千行百業智能化的需求。同時，未來數據中心的發展還要考慮不同地區能源結構的差異、同一地區不同行業的業務差異，提供更綠色的算力

3、，并滿足實時應用的需求。算力的互聯互通和統一調度是實現“東數西算”的一項基本條件，更是數據中心算力發展的必由之路。在當前的應用場景中，帶寬不足導致的延遲是算力互聯無從避免的局限性。按照目前的架構，舉例來說，如果要將 4TB 的原始數據從北京傳輸到無錫，即使使用目前最快的網絡，并保證網絡無故障的情況下，數據傳輸時間將高達5天。中國創新的提出了“算力網絡”的概念，旨在通過網絡將全國各個算力中心連接起來，形成一臺龐大的“網絡計算機”。一方面要提高算力輸送效率，通過并網實現高帶寬、低延遲的算力互聯；另一方面，需要團結領域內各大企業，可以屏蔽異構基礎設施的差異，通過統一編程框架和編譯的資源管理與調度軟件

4、實現算力的互通和資源的統一調度和管理，穩步推進“東數西算”的發展與預后工作。實現全社會算力資源的使用最優、效率最高。鄭緯民3本次，華為結合自身在 ICT 領域 30 多年的技術創新思考，以及 10 多年來幫助 IT 行業客戶構建數字基礎設施的實踐，組織內外部的技術專家進行了多輪的討論，編寫了這份數據中心 2030研究報告。圍繞 2030 年數據中心的應用場景及發展方向，系統性地闡述了未來數據中心的關鍵技術特征，并首次提出了未來數據中心是一臺滿足“能效、算效、數效、運效、人效”5 效的計算機，并指出了算、存、網融合創新的方向，最后還描繪了新一代數據中心的參考架構，對相關產業具有重要的參考意義！未

5、來十年，以大數據、AI、元宇宙等為代表的智能世界將加速到來，在邁向更美好的智能世界的征程中，數據中心基礎設施的建設和發展將越發重要。從多樣性算力的融合，到算力的互聯互通，都需要全行業的持續探索與創新，匯眾智、集眾力，讓我們大家齊心協力，助力全球計算產業的高質量發展和人類社會數字經濟的騰飛！中國工程院院士4序言Joe Weinman人工智能（AI）指機器具備執行通常需要人類智慧才能完成的任務的能力，如推理、學習、決策和創意。AI 可能會顛覆人類社會的方方面面，比如經濟、教育、健康、安全和文化等。上面這段話其實是由 AI 聊天機器人所寫，佐證了上述觀點。由此可見，人類的能力與新興數字技術之間的界限

6、越來越模糊。但不僅是 AI，幾乎所有技術的性價比似乎都在加速提高，亦或在數十年毫無進展或只有些許進展后，某項技術突然顛覆整個市場進化生物學家稱這種現象為“間斷平衡”。此類例子在信通技術行業不勝枚舉，包括大語言模型（LLM）、擴散模型、區塊鏈、Web3、量子計算、新通信協議、神經形態芯片、軟體機器人、群體智能、同態加密等。這些技術通過新的方式聯合應用，會變得更強大，而且會在現有的平臺和生態系統（如云計算、移動設備和互聯網）中加快普及應用。這些新興技術的用途無窮無盡，但根據其戰略性應用能創造的競爭優勢，我們可以將這些技術大致分為四大類，我稱其為“新動能，新法則”：信息優勢、方案領袖、親密聯盟和加速

7、創新。信息優勢指利用數字技術改進流程、資源利用和組織結構。例如，算法能規劃和修訂最優物流路線，基于 AI 的解決方案能更迅速、可靠且穩定地獲取更準確的放射診斷結果。方案領袖將智慧化、數字化、互聯的產品和服務在定制化和擴展性方面的潛能發揮到極致，應用到例如智慧家居、醫院、港口和城市中。親密聯盟利用數百萬或數萬億個數據點來創建高度個性化的服務。算法可以通過分析瀏覽數據來推薦內容，通過分析購買數據來推薦交叉銷售，或通過分析診斷、遺傳、表觀遺傳、微生物和藥理學數據為病人定制專屬療法。加速創新則是通過數字技術讓創新變得更快、更便宜、更好。例如，AI 能快速梳理幾十萬篇科研論文和實驗結果，確定蛋白質結構和

8、動力學，從而加速藥物研發。5然而，哪怕用最先進的算法處理最全面的數據集并用到最好的應用中，這個應用最終也必須在現實世界中執行。因此，架構集中型企業、云數據中心以及分布式邊緣計算和設備（包括處理、存儲、網絡、安全和管理模塊）必須協同工作，才能大規模高效運行這些應用。這些設施必須滿足成本、性能、實施計劃、可靠性、安全性、可視性、可管理性、隱私性和可持續性等一系列目標，并且必須具備靈活性和前后向兼容性，以適配目標的變動。當今世界競爭激烈，技術、產品和服務快速更新換代，各種經濟和自然因素的干擾以及善變的客戶都意味著企業必須不斷進行戰略評估并持續推進數字化轉型。方方面面的市場動態研究都表明，企業不能安于

9、現狀。有鑒于此，華為的數據中心 2030報告提供了未來十年技術與解決方案的寶貴路線圖，列舉了行業面臨的關鍵問題，同時以清晰易懂的語言總結了可供 IT 經理或 CIO 選擇的各種方案及其相關的權衡取舍。該報告涵蓋了網絡連接戰略和分布式計算結構，從水下數據中心到未來的太空數據中心，同時探討了綠色能源戰略和動態微電網，重點介紹了云-邊-端相關的選擇，并涵蓋了其他十幾個主題，對規劃當前或未來十年數據中心有重要的指導意義。雖然有些人可能會認為這些見解過于詳細，但不可否認的是，小到在車庫里成立的初創企業，大到整個國家，在經濟上的成功幾乎都與數字能力的成功實現和執行密不可分。今年，全球經濟規模將超過100

10、萬億美元。盡管各國的數字化程度不同，“數字化”的標準也各異，但據估計，從巴西的灌溉傳感器到尼日利亞的移動支付，從印度的魚市到中國的超級計算機，數字化的比例達到了 10%、23%和 65%不等。為了在數字經濟乃至全球經濟中更好地生存和發展，任何管理決策者都有必要明確其公司的戰略和競爭態勢，專注于發展數字優勢，并學習數據中心 2030報告，將這份報告的洞察付諸實踐，以最優地實施并調整公司的戰略、執行和路線圖。如何迎接未來？有效的規劃和迅速的調整是最好的準備。數字戰略家云經濟學、新動能 新法則作者XFORMA 首席執行官6序言Jerry Kaplan我初次邂逅云計算還是在 20 世紀 60 年代末的

11、一次夏令營。當時，其他一起參加夏令營的小伙伴們紛紛被多彩的活動吸引：各種體育運動、叢林遠足、或者在清涼的湖水中游泳，我卻被突然出現的 33 型電傳打字機吸引住了。這臺終端通過電話線連接到數百英里外一臺運行達特茅斯分時系統（Dartmouth Time Sharing System）的中央計算機上。在簡單了解了 BASIC 計算機語言的入門基礎后，我對計算機的興趣就一發不可收拾。那個暑假的大部分時間，我都呆在昏暗的地下室里，編寫一個玩“21 點”紙牌游戲的程序?？上М斚牧顮I收到電腦和電話賬單時，我的青少年程序員職業生涯便戛然而止了！我再次接觸云計算已是大約 10 年后，那時我還是賓夕法尼亞大學計

12、算機科學專業的研究生。我當時的 Apple II 個人電腦處理文字和電子表格還行，卻不具備高級人工智能程序（如我為寫博士論文開發的自然語言查詢系統）所需的處理能力。我的程序只能在大學里唯一的一臺大型主機上運行，而且幾乎占用了那臺主機所有的 CPU 運行時間和內存。很快，學校里的 IT 人員開始接到其他用戶的投訴，抱怨他們的程序運行太慢（或根本無法運行），于是我被迫只能在晚上工作，畢竟晚上機器還有可能是空閑著的！與那時相比，現在計算和數據存儲的成本已經下降了一百萬倍以上。(我現在的手表所擁有的計算能力和內存都超過當時整個大學的。）鑒于這一驚人的進步，你或許認為，在可預見的將來里，我們所擁有的算力

13、滿足所有的客戶需求根本不在話下，而且成本極低。然而，新一輪人工智能的浪潮再次提高了對計算基礎設施的要求，給供應商們帶來了巨大的挑戰。據估計，訓練一個生成式 AI 大模型（GPT-4）需要使用 2.5 萬個 GPU，耗時 90100 天，耗費超過 1 億美元。而這樣的一個程序只是目前全球正在開發的眾多此類程序的冰山一角！風趣的英格蘭溫莎公爵夫人華里絲辛普森（Wallace Simpson）在 1936 年時說過一句名言，“錢再多也不嫌多，人再瘦也不嫌瘦?！蓖?，我認為，計算資源永遠都不嫌多。不管數據中心的效率再怎么提升，GPU 和云計算設施的數量再怎么增多，在日益數據化驅動的未來，算力依舊會供不

14、應求。7作為全球數據中心產業的領導者，華為已經做好充分準備，去抓住這一趨勢帶來的機遇。華為在技術創新、擴大容量和降低成本方面的不懈努力，堪稱業界典范，充分彰顯了一家企業如何通過開發可靠、即插即用的基礎設施去賦能亟需算力的未來，從而服務社會。本報告的撰寫基于與客戶、多個研究機構及其他重要參與者的充分磋商，它提供了一份當下最迫切需要的路線圖，確保數據中心計算能長期保持快速增長。無論您是從事商業、研究、娛樂、制造還是任何其他數據密集型行業的工作，我都鼓勵您充分利用這次機會，了解華為的數據中心愿景，以助您所在的組織在大數據和 AI 時代篤定前行、脫穎而出。硅谷創新企業家作家人工智能專家8序言創新涌現，

15、擁抱智能時代汪濤在 AI 大模型訓練過程中，當模型大到一定規模之后，性能會發生突變，開始呈現指數級快速增長，科學界稱這個現象為“涌現”。正是這個性能的突變，讓人工智能的發展階段從感知理解世界到生成創造世界，這也造就了ChatGPT的火熱，催生了面向行業的數百個AI大模型的出現。今天，“百模千態”正走向每一個行業、每一個場景、解決客戶每一個問題，加速千行萬業的智能化轉型。人工智能的“涌現”時刻即將出現，人類社會也將迎來一個波瀾壯闊的智能時代。邁入智能時代，最大的需求是算力，最關鍵的基礎設施是數據中心。根據華為智能世界 2030報告預測，2030 年，人類將迎來 YB 數據時代，對比 2020 年

16、，通用算力將增長 10 倍、人工智能算力增長 500 倍，算力需求十年百倍的增長將成為常態。數據中心作為人工智能、云計算等新一代信息通信技術的重要載體，已經成為新型數字基礎設施的算力底座，具有空前重要的戰略地位，堪稱“數字經濟發動機”。一邊是算力需求以遠超摩爾定律的陡峭增長，而另一邊卻是多重的資源約束。單芯片摩爾定律的失效、以及全球可持續發展目標下對于碳減排的要求，將迫使未來的數據中心必須在更優的計算架構、以及更低的能耗下產生更大的算力?；仡櫺畔⑼ㄐ偶夹g產業的發展歷史，每一次躍升都是矛盾驅動的結果。過去三十年，超大寬帶與成本約束的矛盾推動了聯接產業的高速發展，5G、F5G 等改變世界；未來三十

17、年，將是超強算力與資源約束的矛盾推動計算產業的高速發展，AI、云計算等重塑世界?？梢灶A見，應對算力需求和資源約束的主矛盾，系統級和架構級的技術、產品和方案創新必將涌現，也將成為未來數據中心發展的主旋律。選擇方向和路徑已成為一種能力和智慧。站在 21 世紀第三個十年的起點，我們看到 ICT 產業正面臨巨大的發展機會，世界正全面進入數字化和智能化，那么，2030 年的世界將是一番怎樣的景象？2021 年 9 月份，華為發布了智能世界 2030主報告及相關系列報告，而數據中心 2030是最新的系列之一?；趯ξ磥淼牟恍柑剿?，過去三年間，與業界數百名學者、客戶伙伴及研究院機構等9深入交流，集業界專家和

18、華為專家的智慧，輸出了我們對數據中心下一個十年發展的思考數據中心 2030報告。該報告從算力需求與資源約束的核心矛盾出發，描繪了未來十年影響數據中心發展的五大未來場景，提出了圍繞“數效、人效、算效、能效和運效”等五效提升的發展方向；同時，該報告在業界首次定義了未來數據中心的技術特征，系統性闡述了數據中心所涉及到云服務、計算、存儲、網絡、能源等全棧技術可能的挑戰與創新方向，并明確提出了未來數據中心建設的參考架構。希望這份報告能為全球數據中心基礎設施的建設與發展、為全球數字經濟騰飛貢獻出積極力量。從萬物互聯到萬物智能、萬智互聯，一個更加美好的智能世界在向我們招手，但未來注定是不平凡的。吳軍在智能時

19、代中提到，在歷次技術革命中，一個人、一家企業、甚至一個國家，可以選擇的道路只有兩條，要么加入浪潮，成為前 2%的人；要么觀望徘徊，被淘汰。毫無疑問，未來 10 年將充滿根本性的突破和改變世界的驚喜，每一個主要行業很快將會被重塑。人們總是高估了未來一二年的變化，卻低估了未來十年的變革，而低估未來變革的影響是因為沒有“看見”，這正是數據中心 2030的意義所在。大膽假設和最好預測是創造未來的辯證關系，在邁向未來的道路上，仍有大量的挑戰需要跨越，讓我們攜起手來，勇于探索、持續創新，共同擁抱智能時代！華為常務董事ICT 基礎設施業務管理委員會主任企業 BG 總裁10目 錄未來場景與創新方向1902產業

20、趨勢1301AI for All，創造新生產力科研第四范式，以數據密集型計算探索未知空間互聯網，帶來多維虛實交互體驗行業數字孿生，推動智能升級普惠云原生，消除企業數字鴻溝系統化多流協同，提升能效多級化軟硬協同，提升算效無損化網業協同，提升運效社會化數據協同，提升數效智能化人機協同，提升人效20212222232324252527 11新型數據中心參考架構71發展與倡議810405愿景與關鍵技術特征2903新基礎設施，供電制冷走向全天候綠色零碳新算力底座，構建以數據為中心多樣算力系統新資源調度，應用為中心實現柔性調度新數據管理，數據全局可視助力高效流通新協同服務，開放架構融入社會化算力新智能管理

21、，AI 驅動實現 DC 自動運維愿景關鍵技術特征附：關鍵預測數據指標體系附：縮略語1.多樣泛在1)大集群 2)輕邊緣3)新型態4.柔性資源1)全池化 2)柔計算3)泛協作 31313234474750542.安全智慧1)高安全 2)高可靠 3)高智能 5.對等互聯1)超融合2)高性能 3)光內生 36364041565657593.零碳節能1)綠供電 2)新儲能 3)液制冷 6.系統摩爾1)大小芯 2)新算力 3)新存儲 424243456363646673747476767730318486 1213產業趨勢0114數據中心作為人工智能、云計算等新一代信息通信技術的重要載體，已經成為新型數字

22、基礎設施的算力底座，具有空前重要的戰略地位，堪稱“數字經濟發動機”。展望 2030，數據中心的未來發展將呈現如下幾個趨勢：根據華為智能世界 2030報告預測，2030 年，人類將迎來 YB 數據時代：對比 2020 年，通用算力增長 10 倍、人工智能算力增長 500 倍。全球數據中心產業正進入新一輪快速發展期，我們預測，未來三年內，全球超大型數據中心數量將如同農業經濟的核心競爭力是建立在從勞動力人口到大規模水利設施再到機械化持續提升生產效率的基礎上一樣，算力的規模和效率也已經成為發展數字經濟的核心競爭力。當前全球正處在千行萬業智能化轉型的新階段，“百模千態”的 AI 大模型成為發展焦點，據預

23、測 GPT5.0（Generative Pre-trained Transformer）訓練集群的算力需求將達到 GPT3.0 的 200-400倍。幾乎所有的基礎科學和大工業都朝著多維度、高精度的大規模數據分析方向發展：如石油算力需求十年百倍增長，算力分布進一步極化算力的規模和效率成為國家和企業的核心競爭力突破 1000 個，并將保持快速增長；同時，隨著自動駕駛、智能制造、元宇宙等應用的普及，邊緣數據中心將同步快速增長，根據第三方預測，2030 年部署在企業內的邊緣計算節點將接近1000 萬個?？碧筋I域深度偏移等場景下單位面積勘探區的算力需求將增長 10 倍以上。AI、區塊鏈等技術支撐的行業

24、智能化場景也將帶來算力需求的爆炸式增長，從數字化球拍每一次揮動的感知、記錄和處理，到普惠金融每一次微型交易的客戶畫像、信用評估，都需要高效算力的支持。未來各行業在算力領域的投資占比將快速增長，以銀行業為例，根據有關預測 2024 年中國銀行業技術投入總規模將超過 4000 億元，其中 AI 與云計算是重點投資領域，二者占比超過總投入的一半。15華為預測，到 2030 年全球 AI 計算算力將超過105 ZFLOPS(FP16)：AI 計算算力成為數據中心發展的最大驅動力和決定性因素。未來 5 到10 年通用大模型的發展有可能使 AI 對文字、音樂、繪畫、語音、圖像、視頻等領域的理解力超過人類平

25、均水平，并與互聯網和智能設備深度融合，深度改變全社會的消費模式和行為。AI 技術與生產率之間顯著的“擴散滯后”效應逐漸減弱，通用大模型能力將嵌入生產力和生產工具、AI 驅動數據中心發生全景式革命行業大模型和場景化 AI 等多路徑融合，AI 技術創新對商業價值的影響將變得更加廣泛和不可預測。通用大模型多模態泛化下的訓練算力需求將保持遠超摩爾定律的陡峭增長趨勢，需要數據中心在算力規模、架構、算法優化、跨網協同等領域持續創新和快速迭代。展望未來，AI 的發展將加速平臺型企業超級數據中心和國家級算力網絡的建設。數據中心總耗電量在 ICT 行業占比超 80%，為保障數據中心行業的可持續發展，首先需要提升

26、能源使用效率、實現綠色低碳。多個國家、國際組織發布數據中心相關政策，如美國政府通過 DCOI 數據中心優化倡議，要求新建數據中心 PUE 低于 1.4，老舊改造數據中心 PUE 低于 1.5。歐洲數據中心運營商和行業協會在歐洲的氣候中和數據中心公約中宣布 2030 年實現數據中心碳中和。中國出臺全國一體化大數據中心協同創新體系算力樞紐實施方案推動構建全國一體化大數據中心，啟動“東數西算”工程，促進數據中心綠色可持續發展，加快節能低碳技術的研發應用，要求到 2025 年新建大型數據中數據中心的產業標簽從高耗能轉變為綠色發展使能器心 PUE 低于 1.3。未來，隨著各國相關政策的陸續出臺和技術的持

27、續發展，越來越多的先進節能技術將更廣泛地應用到數據中心，推動 PUE的進一步下降，預計到 2030 年，PUE 將進入1.0 x 時代。未來隨著風光水等清潔能源占比的不斷增加，通過數據中心微電網“源網荷儲”的協同還可以進一步降低碳排放，實現數據中心的綠色零碳目標。其次除了自身降低碳排放之外，數據中心還可以為其他行業的智能化轉型賦能，成為全社會降碳的使能器，據全球電子可持續性倡議組織（GeSI）預測，到 2030 年 ICT 技術通過使能其他行業，將幫助減少全球總碳排放的 20%，是自身排放量的 10 倍。16一方面，規?；?、中長期需求預測困難、技術迭代加速等成為所有骨干數據中心運營企業和領先數

28、字化企業的共同挑戰。數百萬臺服務器的云數據中心、數十萬臺服務器規模的行業數據中心將在 2030 年之前出現，ChatGPT 等突發的巨型超高密度任務涌現，土地、能耗獲得的不確定性等因素使得基于超大單體、以 10 年為周期的數據中心規劃模式難以為繼。未來分階段、模塊化、集群化、服務化，邏輯上統一，物理上分布的數據中心新建設模式將逐漸普及。另一方面高性能計算的需求也隨之不斷提升，影視渲染、效果圖超出物理數據中心邊界，多流協同的數據中心普及化渲染等批量計算任務，基因測序、風機工況模擬等科學計算任務以及 AI 訓練等可并行的計算任務，往往需要消耗大量的算力資源和運算時間。這類任務往往具有計算成本敏感、

29、實時性不敏感、計算規?？勺儎拥奶攸c，針對這類需求可以通過實時傳遞價格信號，激勵用戶選擇電力價格較低的時間段進行整體運算；也可以通過斷點續訓、可續渲染技術，在計算任務執行的過程中暫停乃至對并行規模進行改變，來平移和升降電力負荷。通過任務流、信息流、能量流的精準關聯和多流協同，構建綠色低碳、算效領先的數據中心。螞蟻大腦一般只有 0.2 毫瓦的能耗，但是能夠做很多復雜的事情：可以筑巢、尋找食物、養蚜蟲等。相比之下，目前自動駕駛汽車還需要幾十瓦甚至幾百瓦來進行計算，在能效上與生物界相比還有很大的差距。應對十年百倍算力增長需求與能耗約束之間的矛盾，未來數據中心需要打破馮諾依曼架構，基于新架構、新部件發展

30、適應性與高效性的新計算模式。在信息計算領域，已經發展出了十幾種廣泛使用的計算模式，例如無線和光通信里大量使用基于快速傅里葉變換的蝶形計算模式；路由器里大量使用基于邏輯狀態轉移的有限狀態機計算模式;在智能計算領域，除了統計計算之外，業界正在研究數理邏輯計算、幾何流形計算、博弈計算等更高效的新計算模式，實現在特定場景下，計算能效的百倍提升。下一代數據中心還將構建“算存網安”多技術協同的全新系統，打破傳統計算設備面臨的功耗墻、I/O墻、存算墻的約束，從單設備到集群化、從單節點到系統級創新成為數據中心技術發展的主流網絡化，通過系統級創新、軟硬協同實現數據中心效率的大幅提升。17圍繞算力供給和資源約束挑

31、戰持續創新突破面向 2030，數字經濟加速發展對于算力的需求將呈現十年百倍的指數級增長；而與此同時，單芯片摩爾定律的失效，以及全球可持續發展對于碳減排的硬性要求，將成為制約數據中心未來發展的主要因素?？梢灶A見，圍繞算力需求和資源約束挑戰的創新將成為未來數據中心發展的主旋資源約束：摩爾定律，碳減排律。先進數字化企業和數字化國家，將在單個數據中心、數據中心集群、數據中心之間的“微中宏”觀、多層次進行系統化創新，實現企業級或者國家級的“一臺計算機”，通過整體效率的提升將算力供給和資源約束之間的剪刀差最大化，加速邁向智能世界。圖 1-1 算力需求與資源約束挑戰算力需求：十年百倍增長下一代數據中心181

32、9未來場景與創新方向0220過去，人類在科學的邊界之內，不斷發現萬物規律，并創造生產工具，推動社會從農耕文明、工業文明進入到數字文明的數字化階段。未來，AI以新的生產力形式出現，在人類定義的邊界之內，以更高的效率和更快的速度進行分析和創造，將數字文明帶入智能化階段。人類善于分析，但 AI 可能做的更好?！胺治鲂虯I”已經得到廣泛應用，可以分析一組數據，一組圖片，并在其中找到模式，用于多種用途，無論是預防欺詐或是目標識別。人類擅長創造，但 AI 可能做的更快。隨著“生成式 AI”的快速發展，AI 已經開始創造有意義和美麗的東西，如寫詩、繪圖，并且效率更高。生成式 AI 在圖像生成領域的進展來自擴

33、散模型（Diffusion model）的應用，是一種從噪聲中生成圖像的深度學習技術。在自然語言處理（NLP）領域的進展來自于 ChatGPT，這是一種基于互聯網可用數據訓練的文本生成深度學習AI for All，創造新生產力模型，用于問答、文本摘要生成、機器翻譯、分類、代碼生成和對話的 AI。在代碼生成領域的進展則來自代碼生成系統 AlphaCode 和 Copilot。2022 年 2 月，DeepMind 推出了他們的最新研究成果 AlphaCode。它是一個可以自主編程的系統，在 Codeforces 舉辦的編程競賽中，超過了 47%的人類工程師，這標志著 AI 代碼生成系統，首次在編

34、程競賽中，達到了具有競爭力的水平。數據中心幾乎涉及信息生活的所有方面，從科學研究的突破創新到生產生活的智能高效，都需要數據中心提供更強大的算力，處理更多的數據，算力需求將呈現遠超摩爾定律的陡峭增長。與此同時，為了應對算力需求和資源約束的主矛盾，圍繞效率提升持續創新，必將成為未來數據中心發展的核心方向。21AI 技術正加速進入千行萬業，如在氣象行業，利用 AI 大模型能夠在 10 秒內給出未來七天的天氣預測結果，對比傳統的 HPC 數值預報方法，在預測速度上提升了 10000 倍以上；在證券行業，某金融企業基于 AI 大模型實現了準確率達90%的企業財務智能預警，較傳統機器學習模型準確率提升了

35、11。AI 大模型正逐步從智能對話、短文創作、圖片生成等消費應用場景，擴展到辦公、編程、營銷、設計、搜索等商業應用場景，并將進一步擴展到金融風控、智能客服、輔助診斷、醫療咨詢等企業應用場景，為千行萬業注入新生產力。人類正在從分析型 AI 理解世界邁向生成式 AI 創造世界。面向 2030，具備認知能力的 AI 像我們熟悉的土地、植物、空氣、陽光一樣無處不在：“一輛會自己行駛的汽車、一個會自己做飯的機器人、一個會自己管理的通信網絡、一個會自我優化的軟件平臺”將會成為人們日常生活的一部分，并支撐著人類文明的持續進化。幾千年前科學以歸納為主，通過觀測和實驗來描述自然現象；過去數百年出現了理論研究分支

36、，利用數學模型進行分析；過去數十年出現了計算分支，針對復雜問題，使用計算機進行仿真分析；21 世紀初期，新的信息技術已促使新范式的誕生，即基于數據密集型科學研究的“第四范式”，通過將理論、實驗和計算仿真統一起來，由儀器收集或仿真計算產生數據、由軟件處理數據、由計算機存儲信息和知識、科學家通過數據管理和統計方法分析數據和文檔。數據密集型科學研究，將產生海量數據需要分析處理，如模擬腦神經網絡，探索人腦上億個科研第四范式，以數據密集型計算探索未知神經元之間如何連接與工作，將帶來每秒高達100TB 的數據吞吐量；自動駕駛車輛每天將產生數十 TB 數據用于訓練視覺識別算法；用電子顯微鏡重建大腦中的突觸網

37、絡，1 立方毫米大腦的圖像數據就超過 1PB；而天文專家需要從數十 PB 海量數據中分析發現新天體。PB 級數據使我們可以做到沒有模型和假設就可以分析數據，將數據丟進巨大的計算機集群中，只要有相互關系的數據，統計分析算法可以發現過去的科學方法發現不了的新模式、新知識甚至新規律?？茖W數據已成為科學研究的關鍵成果和重要的戰略性資源，面對噴薄而出的數據需求和數據量，分類第一范式：經驗科學18 世紀以前以歸納為主，帶有較多盲目性的觀測和實驗以演繹法為主，不局限于經驗事實對各個科學學科中的問題，進行計算機模擬和其他形式的計算利用數據管理和統計工具分析數據實驗模型第二范式：理論科學19 世紀以前數學模型第

38、三范式：計算科學20 世紀中期計算機仿真模型第四范式：數據密集型科學21 世紀初期大數據挖掘模型時間模型研究方法22面向千行萬業的數字孿生是數據中心的重要應用場景。根據第三方預測，全球數字孿生市場空間的年復合增長率將達到 40.1%，預計到 2030年將達到 1310.9 億美元。數字孿生涉及建模、感知、仿真、渲染、大數據、人工智能等新一代信息技術的綜合集成應用，是數字經濟發展的重點領域之一。行業數字孿生，推動智能升級伴隨各行業智能化的推進，城市、制造、交通、水利、能源的數字孿生應用需求快速增長，從端云兩側同時拉動數據中心算力需求。其中，基于WebGL 的數字孿生應用快速發展，帶來終端的升級需

39、求；基于云渲染的數字孿生應用，帶來云端算力的快速增長。應對算力快速發展的需求，應從加強算力供給、提升集約化利用水平、加強渲染算法研究等方面推動算力產業升級。如何存儲、管理、共享這些科學數據，成了全球科學家關注的熱點，也是下一代數據中心的重要應用場景。當這些規模計算的數據量超過 1PB時，傳統的存儲子系統已經難以滿足海量數據處理的讀寫需要，數據傳輸 I/O 帶寬的瓶頸愈發突出。而簡單地將數據進行分塊處理并不能滿足數據密集型計算的需求，并與大數據分析的初衷相違背。目前許多具體科學研究中所面臨的最大問題，不是缺少數據，而是面對太多的數據，卻不知道如何處理。當前的超級計算機、計算集群、超級分布式數據庫

40、、基于互聯網的云計算等并沒有完全解決這些矛盾，計算科學期待一次全新的革命！虛實融合是下一代互聯網發展的主要方向，一個具有高沉浸式交互體驗的虛實融合的多維空間，將極大地提高人與信息的交互體驗和經濟活動效率。虛實融合的發展包括兩個方向：一是由實向虛，基于虛擬世界對于現實世界的模仿，通過構建沉浸式數字體驗，增強現實生活的數字體驗，強調實現真實體驗的數字化。在移動互聯網時代，主要通過文字、圖片、視頻等 2D形式建立虛擬世界，而未來在元宇宙時代，將真實物理世界在虛擬世界實現數字化重造，建立虛擬化，具備多維交互能力的虛擬世界。二是由虛向實，超脫對于現實世界的模仿，基于空間互聯網，帶來多維虛實交互體驗虛擬世

41、界的自我創造，不但能夠形成獨立于現實世界的價值體系，還能夠對現實世界產生影響，實現數字體驗的真實化。如增強現實游戲通過設置與品牌聯動特定地點發放限量購物券的方式，幫助品牌方吸引消費者關注，實現數字體驗對真實消費的帶動。從技術層面來看，虛實融合的多維互動體驗離不開計算機圖形圖像的多維空間計算能力支持和低延遲網絡服務。同時，它還需要強大的人工智能認知能力的輔助，以及泛在通達的數據連接，計算和網絡的能力將直接決定了虛實融合的深度和廣度。23過去 10 年內，智能手機和移動互聯網重塑了人類生活方式和企業生產模式；今天，智能化和電氣化正在重構汽車行業的核心競爭力和生態。重塑和重構的背后是強大的算力、算法

42、和數據構成的數據智能，是敏捷迭代、彈性伸縮、韌性自愈的云原生的 IT 系統。未來隨著大模型 AI、萬物互聯、社會化數據協同和數字孿生的新技術推動，與現實世界結合更緊密的千行萬業也將快步進入云原生為基礎的智能世界。各行業的領先者和現有分工的顛覆者正在憑借前瞻性思維實現更深層次的智能化，推動云原生特征明顯的信息技術和運營技術的融合，賦予產品、在全球積極應對氣候變化目標下，綠色低碳成為數據中心的重要發展方向，大部分國家或地區均在單體數據中心領域相繼發布了相應政策。中國在充分論證研究基礎上，規劃布局了 8 大算力網絡國家樞紐節點，引導大規模數據中心適度集聚，通過實施“東數西算”工程，積極探索構建形成以

43、數據流為導向的新型算力網絡格局。圍繞綠色可持續發展，數據中心相關企業已經開普惠云原生，消除企業數字鴻溝系統化多流協同，提升能效流程、組織精細化、敏捷化的全新競爭力。隨著數字系統越來越復雜、發布變更頻度越來越高、算力越來越密集、分布越來越廣泛，企業將越來越依賴平臺能力，越來越多的企業將全面擁抱云原生技術。普惠化的云原生技術給傳統的企業甚至個體帶來將生產、經營活動現代化的機遇，消除數字化鴻溝，提供簡單、經濟而又專業、個性的智能化路徑。當云端算力、數據服務 API、涂鴉化的 IOT控制流程設計、商品化的行業 AI 算法組合時，每個擁抱變化的企業獲得與領先者同步的智能化能力。發了大量創新技術來實現基礎

44、設施建設與運營過程中的高效化和低碳化，并且已經在現有或新建的數據中心中實施。如蘋果公司在數據中心范圍內部署分布式太陽能、風能、沼氣等可再生能源發電設施，以及與可再生能源電站簽署長期采購協議，為自有數據中心供電，通過一系列措施實現 數據中心使用 100%可再生能源。微軟公司在智能云綠色數據中心建設時提出需要在選址、建設及運營的全流程將數據中心的“能源流”“數24據流”“業務流”有效協同起來，實現綠色高效。華為云貴安數據中心采用自然冷卻技術，包括直通風制冷和部分高密度服務器就近利用湖水散熱，并通過余熱回收利用技術等將數據中心的熱量進行采集，用于辦公區取暖，在設計中既充分結合了貴州自然條件的優勢，也

45、融入了綠色低碳算力的發展經歷了單核、多核、網絡化三大階段。綜合考慮技術和商業可行性，單核硅基芯片的計算能力將在 3 納米達到極限。由于經濟性原因，依靠增加核數換取算力提升的模式，也將在 128 核后迅速失效。這將推動算力架構從單設備多核向多設備網絡化演進。此外，受網絡技術發展及網絡帶寬成本約束，邊緣的算力部署也將成為數據中心新的場景，最終形成云邊泛在、多級化算力部署的新架構。過去半個世紀，集成電路產業在摩爾定律的指引下飛速發展，算力一直保持著大跨度提升。在硬件主導算力快速提升的時代，計算過于依賴底層算力，對架構和代碼優化重視不足，高級語言不斷出現，程序執行效率越來越低，而這恰恰為未多級化軟硬協

46、同，提升算效來從“軟硬協同”層面提升計算性能留下了優化空間。主流芯片和設備廠商已經紛紛開始通過軟硬聯合優化來提升整體計算性能。業界認為，硬件架構的每一個數量級的性能提升潛力，通過“軟硬協同”能帶來兩個數量級的整體性能提升。華為云的異構計算服務，通過軟件優化硬件直通能力，能夠顯著降低因計算資源虛擬化造成的性能損耗。圖靈獎得主 David Patterson 曾提出，在計算領域，未來十年，我們將看到比過去 50 年更多的架構優化和性能提升的創新。面向 2030，通過中心集群軟硬協同優化、云邊多級算力資源協作等提升算效是數據中心未來的重要發展方向。的可持續發展理念。實現“能源流”、“數據流”和“業務

47、流”的多流協同，是面向 2030 年構建高能效數據中心的關鍵。25生產要素反映了人類社會不同發展階段的生產力水平。數據作為新型生產要素，是數字化、網絡化、智能化的基礎，已快速融入生產、分配、流通、消費和社會服務管理等各個環節，深刻改變著生產、生活和社會治理方式。數據的規模爆發式增長，不僅在數字經濟發展中的地位和作用凸顯，而且對傳統生產方式變革具有重大影響：將催生新產業、新業態、新模式，成為驅動經濟社會發展的關鍵生產要素。在產業數字化方面，社會化將打破企業邊界，使獲取數據、運用數據的能力成為業務創新和提升用戶體驗的關鍵。銷售平臺可以根據買家的瀏覽記錄做出精準推送以提高銷量；制造企業可以通過分析生

48、產流水線數據對生產情況及時做出調整社會化數據協同，提升數效以提高生產效率；家居公司可以通過分析客戶的生活習慣數據創造“智慧家庭”以提高生活服務質量，種種應用展示出數據在被有效的挖掘、整合后可能產生巨大的價值。業界有觀點認為，數未來數據中心的發展對網絡將提出更高的要求。傳統網絡在業務配置和資源管理上不具備足夠的靈活性，造成數據中心內和數據中心之間的算力資源利用率低，從而產生巨大的浪費。尤其是在AI 大模型訓練的場景下，需要用到大量的數據，模型參數也會變得非常大，為了讓訓練效率更高，往往需要上百張 GPU 卡來放置一個大模型作為一個數據并行組，訓練大模型的時候往往需要很多個這樣的數據并行組來縮短訓

49、練的時間。當 GPU 數量擴展到成千上萬的時候，性能不僅取決于單一 GPU，也不僅取決于單一服務器，而是要取決于網絡的性能。構建高性能網絡，提高數據在計算、存儲之間的搬運效率（運效），除了帶寬和時延之外，最重無損化網業協同，提升運效要的是在數據包轉發過程中實現無損化，即不允許出現數據包的丟失。業界實驗發現，數據每丟失千分之一，計算性能就會下降 30%。為了實現網絡無損化，網絡和計算、存儲業務系統之間的協同越來越重要。在數據中心內，業界已有廠家在分布式存儲、集中式存儲、高性能計算等場景下實踐了“網存協同”和“網算協同”的創新方案。在數據中心之間，領先的電信運營商也提出了算力網絡的方案，在感知應用

50、、感知算力需求的基礎上，利用全光、端到端切片、彈性調度等技術，針對分布式存儲、跨節點分布式計算等場景，提供零丟包的業務保障能力，為算力之間構建全程全網高效的無損網絡。26據將逐漸成為與人、技術、流程同樣重要的第四大核心競爭力?？缙髽I邊界的數據共享和交換在當下已經比較流行，未來主要的變化是多領域數據匯聚、AI 集成、隱私保護和交易化。以普惠金融的農戶貸款為例，風險分析數據包括家庭信息、政府征信信息、關聯人信息、農田信息、農資信息，數據來源包括同行、政府、農資供應商、衛星遙感、互聯網等，數據的交易將從點到點的原生數據交易向中介型的多階數據交易轉變。在政府和公共事業數字化方面，社會化可以加速社會治理

51、精準化和人性化。以中國政府的城市一網通管為例，一方面需要構建政企一體、多源整合的政務數據和社會化數據平臺化對接機制，充分利用電信、供電、供水等公共數據；另外一方面需要豐富政府側的數據創建和數據共享能力，不同部門的攝像頭、傳感器、等成為 24 小時的全場景“工作人員”。與傳統生產要素相比，數據要素表現出一系列新特征：首先具有非稀缺性，數據海量且能夠重復使用；其次具有較強流動性，數據要素的流動速度更快、程度更深、領域更廣；第三具有非排他性，可以在一定范圍按照一定權限重復使用。未來社會數據將通過“可用又可見”與“可用不可見”相結合的方式形成常態化跨企業、跨行業對接機制，為數字經濟時代多元協同共治格局

52、提供支撐。數據社會化能夠在流動、分享、加工和處理的過程創造出新價值，但海量數據的匯集也將有可能帶來嚴重的安全風險，基礎設施一旦發生安全問題，將造成嚴重的后果，如 2021 年歐洲某云服務提供商的數據中心發生火災，造成 360 萬網站癱瘓，部分數據永久性丟失，社會損失巨大。如何有效利用和保護數據已經成為數字經濟安全穩定運行的關注點。只有不斷更新數據安全技術和管理方式，應對快速變化的安全需求，并加強數據中心及其相關的基礎網絡、云平臺、數據和應用的一體化安全保障能力，才可以確?；A設施和數據的安全。27傳統數據中心的運維模式以人為核心，人的能力將成為未來數據中心的運維瓶頸。根據中國信通院 2023

53、年最新研究顯示，數據中心故障宕機場景中，人為操作的事故占比超過 60%。隨著數據中心業務的增長，規模也越來越大，傳統以人為中心的運維模式難以為繼。中國團體標準數據中心基礎設施智能化運行管理評估方法中將數據中心自動化運行發展從全部人工運行的初級階段到全自動運行的高級階段分為五個等級，我們預測，到 2030 年，領先的智能化人機協同，提升人效數據中心運維水平將達到 L4 高度運行自動化階段。在這一級別將實現自動預測性排障和分析、全自動應急處置及 AI 能效管理，在運行態幾乎可以達到“無人化”。實現無人化的前提是數據中心全生命周期實現數字化、網絡化和智能化?；谥悄軄碇螖祿行牡囊巹t設計，建設實施

54、和運維運營。面向2030 年，隨著遠程監控、數據分析、人機界面、機器人技術的快速發展，極簡高效、人機協同的智能數據中心將成為產業發展的新方向。圖 2-1 數據中心自動化發展的五個階段NoNoNoNoYesYesYesYesYes沒有運行模式限制，完全執行運行操作任務和應急處置有運行模式限制時完全執行運行操作任務和應急處置有運行模式限制時完全執行運行操作任務，但不應急處置持續執行檢測，完全執行控制持續執行部分監測，部分執行控制L5 完全運行自動化L4 高度運行自動化L3 有條件運行自動化L2 部分運行自動化L1 運行輔助2829愿景與關鍵技術特征0330人類社會正加速邁向智能世界，跨越式發展已經

55、是全行業的共同訴求。數據中心是新型數字基礎設施的算力底座，也是加速數字經濟發展的“發動機”。未來十年，數據中心既要實現百倍算力提升，以滿足快速增長的智能化業務需求，還要實現百倍能效提升，以滿足綠色低碳可持續發展的長期目標。我們認為，未來新型數據中心將具備多樣泛在、安全智慧、零碳節能、柔性資源、系統摩爾、對等互聯六大技術特征。愿景圖 3-1 數據中心 2030 的關鍵特征柔性資源安全智慧零碳節能對等互聯全池化柔計算泛協作多樣泛在大集群輕邊緣新型態高安全高可靠高智能綠供電新儲能液制冷系統摩爾大小芯新算力新存儲超融合高性能光內生數據中心203031關鍵技術特征未來數據中心的發展將出現兩極分化，一方面

56、超大型集約化數據中心的建設將持續增長；預計到 2030 年，單個集群提供的有效通用算力將達 70EFLOPS，有效的人工智能算力將達100EFLOPS，配套的存儲規?？蛇_ EB 級；另一方面滿足各行業低時延、數據安全需求的輕量級邊緣計算節點將得到廣泛部署；預計到2030 年，通過輕邊緣采集和處理的數據將超過80%，企業生產設備通過物聯化和數字化后，接入輕邊緣的比例將超過80%。同時面向新場景，多種創新型數據中心也將出現，如太空數據中心、海底數據中心等。多種形態滿足不同場景部署需求的數據中心將為數字經濟的發展提供源源不斷的新動能。1)大集群集約化樞紐數據中心部署的服務器規模達到萬臺甚至十萬臺，對

57、服務器的部署運維效率提出了很高的要求。傳統的數據中心按照服務器為單位進行部署，服務器需要拆包裝，上機柜，接電源線，接網線/光模塊/光纖，資產錄入等一系列工序后才能部署上線。從運維來看，一個運維人員即使維護一千臺服務器，考慮班次等因素數據中心1.多樣泛在也需要配置近百人的運維團隊。傳統的部署和運維方式已經不能滿足未來超大數據中心的要求。從單服務器走向計算集群，以機柜為單位進行包裝、運輸、部署，以機柜甚至整個數據中心為單位進行運維，可以大幅提升部署效率，并降低運維人力成本。預制化交付：把服務器安裝工作從數據中心前移到生產線可以全流程的提高效率、降低成本。在生產過程中就可以按照實際配置進行拷機測試，

58、測試更完備，并可以增加溫度應力等現場不具備的測試項，更有利于發現器件早期缺陷，當出現故障時，維修效率也更高，同時整柜運輸比服務器單臺運輸，包裝成本、倉儲成本、運輸成本能降低約 70%。整機柜工程：機柜內采用集中供電，電源模塊全局池化的技術，根據負載動態調節電源始終工作在最佳效率區間。通過動態調節供電和儲能，應對算力峰值時的突發用電需求。如使用機柜內置水冷門或者使用液冷技術，將散熱能力提升到 60KW/柜。32 集群新背板：機柜采用線纜背板替代光模塊/光纖，實現服務器和 TOR 交換機的連接。線纜背板是無源部件，沒有功率消耗，可靠性更高。通過預制化交付、整機柜工程、集群新背板等創新，實現服務器全

59、盲插，杜絕手工接線錯誤，實現集群的自動化運維，滿足未來大型數據中心算力規模增加，部署和運維復雜度不增加的目標。2)輕邊緣隨著以云為底座的數字化、智能化從互聯網行業廣泛滲透到千行萬業，從非實時Web交易、社交、搜索及后端 IT 支撐業務，拓展到實時互動媒體、元宇宙 AR/VR，工業生產系統、機器人，乃至萬物智聯場景。超大規模集約化的數據中心承載的應用和數據已無法保障遍布任意位置的消費者智能終端、工業 IOT 終端及機器人對低延遲接入與處理需要，亟待將云的彈性資源、應用服務及智能推理能力從超大規模中心延伸到距離各類接入終端更近的輕邊緣系統。輕邊緣的形態包括“輕量級邊緣集群”與“輕量級邊緣服務與應用

60、”兩類。前者由云服務商提供小規模的硬件算力集群，并分布式部署在合適的網絡位置，將全棧云服務的部分核心能力如彈性虛機/容器、存儲、網絡，中間件、數據庫、媒體處理、流數據處理及 AI 推理等時延敏感類服務及應用軟件通過物理或邏輯專線從中心云服務區擴展到邊緣集群站點；后者則以更為輕量化的容器、函數形式，將中心服務區的中間件、數據庫、媒體處理、流數據處理及 AI 推理等時延敏感類服務及應用軟件部署在由云服務商、運營商、企業客戶、家庭客戶、個人消費者及任意第三方提供的硬件及 OS 環境上，并可通過開放互聯網及 HTTP/HTTPs 協議穿越防火墻建立與中心云服務區的連接。后者不與邊緣算力硬件及中心到邊緣

61、的物理專線綁定，因此更為輕量和靈活，而前者從全棧云中心服務區下沉，其云服務與應用能力則相對更豐富一些。輕量級邊緣集群按照是否具備 Internet 公網接入，輕量級邊緣集群可以分為兩類：第一類是具備公網 Internet 就近接入能力的開放式公共輕量邊緣。其特點是支持將公有云資源池、云服務及網絡接入能力下沉至城市 IDC、CDN 邊緣站點、5G 接入 MEC（Multi-access Edge Computing）等 相關位置，提供小規模（數臺服務器）起步，并可擴展（數千服務器）的大帶寬、低時延、高性能邊緣云能力。其核心技術特征在于：（1）低時延接入，具備 ISP 本地入口，可以將多家運營商網

62、絡接入，為城市區域提供W2W（Wafer to Wafer，晶 圓 片 對 晶 圓 片），uBump-Hybrid Bonding-Monolithic 3D 技 術 逐 漸 演進，應用場景將會廣泛覆蓋 3D Memory on Logic、Logic on Logic 及 Optical on logic 等，并且未來會逐步走向更多層異質堆疊。3D 芯片在堆疊工藝方面需要采用小于 10m 甚至更小 pitch 超高密 Bonding技術，3D 芯片相對于傳統 2.5D 封裝在帶寬及功耗性能優勢顯著，單 bit 功耗降低有望降低至 1/10。更小尺寸 TSV（Through Silicon V

63、ia，硅通孔）技術需要從材料、工藝基礎技術深入持續探索；同時 3D 堆疊帶來局部功耗密度和電流密度倍增，直接影響系統整體供電與散熱路徑。從發展節奏看，基于小芯片集成的 Chiplet技術將最先成熟應用，未來伴隨工藝和技術的成熟，3D 大芯片將逐漸嶄露頭角。2)新算力登納德縮放定律在硅基半導體上已經失效，如何延續或超越摩爾定律成為計算領域的重大挑戰，學術界、工業界都在尋找新的計算范式，通過探索模擬計算、非硅基計算等來提升計算能效。量子計算加速工程化量子計算硬件目前處于高速工程化的階段，量子比特數快速增長，預計未來五年將出現超過 10000 物理比特的量子芯片。在含噪聲的中等規模量子（NISQ）時

64、代，構建經典計算機與量子計算機混合的計算系統是最具可行性的技術方向。其中量子模擬、量子65組合優化算法及量子機器學習三大方向是業界主流的應用場景。量子模擬能為藥物研發與新型材料研發提供全新的計算范式；量子組合優化算法充分利用量子計算的并行計算能力，能更快更好的解決物流調度、行程規劃及網絡流量分配等問題，量子機器學習將成為人工智能計算加速的新路線。未來十年在硬件上需要不斷提升單量子芯片的物理比特規模，增強量子比特的相干時間和量子操作的保真度，并通過量子芯片互聯提升系統的擴展能力。在軟件和算法上一方面要完善量子軟件棧，另一方面需要結合應用場景優化量子算法，降低線路深度和復雜度，逐步推動 NISQ

65、量子計算走向商用。此外，還要逐步增強量子計算的容錯設計，提升量子系統可靠性。但要實現一臺通用量子計算機，道路更加漫長、更加充滿挑戰。模擬光計算構建光電混合加速器光的傳播速度快、能耗低，其干涉、散射、反射等物理現象背后，都有對應的數學模型，通過對光信號的調制、控制、探測，可完成某些特定的計算任務。同時光作為玻色子天然具有波分復用、模分復用、OAM（Orbital Angular Momentum，軌道角動量）復用等特性，通過模擬光計算實現多維度并行，是未來光計算發展的重要方向，有望在光信號處理、組合優化、AI 加速等場景的提供計算加速能力。光計算要實現規模應用，首先需要解決有源/無源器件在芯片上

66、的異質集成問題，提升光信號耦合效率、控制插損和噪聲、滿足特定應用場景的計算精度要求，并基于此構建光電混合系統，實現特定計算任務的加速。非硅基計算逐步走向規模應用二維材料晶體管具備溝道短、遷移率高、可2D/3D 異質集成的優勢，有望作為晶體管溝道材料延續摩爾定律至 1nm 節點。此外具有超低介電常數的二維材料：也可以用作集成電路的互連隔離材料，二維材料可能首先在光電、傳感等領域應用。當前二維材料及其器件仍處于基礎研究階段，未來五年首先需要解決工業級二維材料晶圓制備的良率問題，其次要不斷改善電極和器件結構，提升二維晶體管器件綜合性能；碳納米管具有超高的載流子遷移率、原子級的厚度，具有高性能、低功耗

67、的優勢，在尺寸極端縮減的情況下，碳管晶體管能效比硅基晶體管提升約10 倍，5 年內有望在生物傳感、射頻電路實現小規模商用。未來還要繼續改進碳管材料的制備工藝，降低表面污染和雜質，提升材料純度和碳管排列的一致性；優化器件接觸電阻和界面態，提升注入效率。當碳基半導體器件的尺寸能夠微縮到與硅基先進工藝相當水平時，在高性能、高集成度的應用場景中，將迎來規模應用的機會。663)新存儲隨著 Big Data 和 AI 的廣泛應用，數據驅動的計算受到高度重視，數據的價值得到廣泛認可。但數據存儲系統面臨兩大挑戰：一是如何快速滿足計算單元的數據處理需求；二是如何低成本長周期的保存數據。為了應對這些挑戰，新的數據

68、存儲有望通過多樣化的存儲介質和以數據為中心的體系架構，進一步發揮數據價值。多樣化的存儲介質預計到2030年，全球每年新增1YB的數據，其中有接近 50ZB 的價值數據需要存儲，相比 2020 年增長 23 倍，要求存儲介質必須具備大容量、高性價比、低能耗，要求存儲系統具備高可靠、高擴展、長壽耐用和高安全性，同時具有數據計算和分析能力，以便更快的獲取數據。圍繞著數據全生命周期的熱溫冷差異，未來介質將向高速高性能、中速大容量、低速低成本三個方向演進。（1）DRAM 仍是高速高性能介質主流選擇當前性能最好的存儲器依然是 DRAM，隨著制造工藝演進到 1 制程，單位面積存儲容量達到 0.315Gb m

69、m2。由于 DRAM結構中電容尺寸過大，平面微縮基本接近極限，業界開始研究 3D DRAM 工藝、晶圓減薄和混合鍵合技術，以期進一步提升存儲密度、降低功耗；與此同時，業界在新型非易失存儲器上的研究從未止步，FeRAM、MRAM、ReRAM、PCM、氧化物半導體存儲器等都取得了不錯的進展。FeRAM 已有 Mb 級產品，以及采用 1x nm DRAM 工藝的 8 Gb 陣列原型展示；MRAM 已有 Gb級獨立式、Mb 級嵌入式產品，當前面向SRAM/DRAM 緩存等場景進行研發；PCM已有 512GB 3D Xpoint 產品，用于持久化內存或 SCM（存儲級內存）；ReRAM 已有 Mb 級獨

70、立式產品及嵌入式量產準備，同時面向存算一體正在研究；氧化物半導體如IGZO 可構建 2T0C DRAM，有望通過 3D堆疊實現 70EFplops100EFlopsEB 級80%80%20%99.999%100%L4 級1.0 x80%60%80%90%80%50%0.5 L/kWh函數級2030年預測值指標指標定義85技術特征對等互聯系統摩爾光存協同滲透率全閃存存儲占比RDMA 存儲網絡滲透率近存/存內計算數據處理量占比采用全光直連 SSD 實現跨廣域高速傳輸數據，占總傳輸數據的比例全閃存存儲占數據中心總存儲容量的比例基于 RDMA 技術的存儲網絡使用比例采用近存/存內計算技術的數據處理量占

71、全部數據處理量的比例50%80%80%30%2030年預測值指標指標定義86附：縮略語縮略語英文全稱中文全稱3GPP5GABACAIAIGCAPIARARMASICBMSCDNCMDBCMOSCPOCPUCRIUCUDACXLDACDBRDCDCNDCOI3rd Generation Partnership Project5th Generation of Mobile CommunicationAttribute-Based Access ControlArtificial IntelligenceAI-Generated ContentApplication Programming Int

72、erfaceAugmented RealityAdvanced RISC MachineApplication-Specific Integrated CircuitBattery Management SystemContent Delivery NetworkConfiguration Management DatabaseComplementary Metal-Oxide-SemiconductorCo-Packaged OpticsCentral Processing UnitCheckpoint/Restore In UserspaceCompute Unified Device A

73、rchitectureCompute Express LinkDigital-to-Analog ConversionDistributed Bragg ReflectorData CenterData Center NetworkData Center Optimization Initiative第三代合作伙伴計劃第五代移動通信基于屬性的權限控制人工智能AI 生成內容應用編程接口增強現實高級精簡指令集計算機專用集成電路電池管理系統內容分發網絡配置管理數據庫互補型金屬氧化物半導體光電合封中央處理單元用戶態實現 Checkpoint/Restore 功能的軟件工具通用并行計算架構處理器、內存擴

74、展和加速器的高速緩存一致性互連協議數模轉換分布式布拉格反射器數據中心數據中心網絡數據中心優化倡議87縮略語英文全稱中文全稱DDRDFBDPDKDPUDRAME2EEAEBECEFLOPSETHETSIFeRAMFLOPSFPGAFSGeSIGPTGPUHAMRHDDHPCHTTPDouble Data RateDistributed Feedback Bragg gratingData Plane Development KitData Processing UnitDynamic Random Access MemoryEnd-to-EndElectronic AbsorptionExaby

75、teErasure CodeExaFLOPSEthernetEuropean Telecommunications Standards InstituteFerroelectric Random Access MemoryFloating-point Operations per SecondField Programmable Gate ArrayFusionSphere OpenStackGlobal e-Sustainability InitiativeGenerative Pre-trained TransformerGraphical Processing UnitHeat Assi

76、sted Magnetic RecordingHard Disk DriveHigh-Performance ComputingHypertext Transfer Protocol雙倍數據速率分布式布拉格光柵數據平面開發套件數據處理單元動態隨機存取存儲器端到端電子吸收艾字節糾刪碼每秒一百京（=1018）次的浮點運算以太網歐洲電信標準協會鐵電式隨機存取內存每秒浮點運算次數現場可編程門陣列華為云操作系統全球電子可持續性倡議組織生成式預訓練 Transformer 模型圖形處理單元熱輔助磁記錄機械硬盤高性能計算超文本傳輸協議88縮略語英文全稱中文全稱HTTPsI/OIBICTIDCIGZOIOIo

77、TISPITK-VKVMKWLRMAMRMCMEC MPLSMRAMmsMWMZNANDHypertext Transfer Protocol over Secure Sockets LayerInput/OutputInfiniBandInformation and Communications TechnologyInternet Data CenterIndium Gallium Zinc OxideInput/OutputInternet of ThingsInternet Service ProviderInformation TechnologyKey-ValueKernel-ba

78、sed Virtual MachineKilowattLongRangeMicrowave Assisted Magnetic RecordingMain ControlMulti-access Edge ComputingMulti-Protocol Label SwitchingMagnetic Random Access MemoryMillisecondMegawattMach-Zehnder modulatorNon-volatile Memory Device安全套接字層的超文本傳輸協議計算機系統輸入輸出無限帶寬信息與通信技術互聯網數據中心氧化銦鎵鋅輸入輸出物聯網互聯網服務提供方信

79、息技術鍵-值內核虛擬機千瓦長距離光接口微波輔助磁記錄主控多址邊緣計算多協議標簽交換技術磁阻式隨機存取存儲器毫秒兆瓦馬赫-曾德調制器非易失性存儲設備附：縮略語89縮略語英文全稱中文全稱NG DCOSNISQNOFNoSQLNPUNUMAOBOoDSPOSOXCPBPCIPCIePCMPUE QLCQoSRBACRDMAReRAMSATASCMSDNNext Generation Data Center Operating SystemNoisy Intermediate-Scale QuantumNVMe over FabricsNot only SQLNeural Processing Uni

80、tNon-Uniform Memory AccessOn Board Opticsoptical Digital Signal ProcessorOperating SystemOptical Cross-ConnectPetabytePeripheral Component InterconnectPeripheral Component Interconnect expressPhase Change MemoryPower Usage EffectivenessQuad-Level CellQuality of ServiceRole-Based Access ControlRemote

81、 Direct Memory AccessResistive Random Access MemorySerial Advanced Technology AttachmentStorage Class MemorySoftware-Defined Networking下一代數據中心操作系統嘈雜中型量子NVMe-oF 協議非關系型數據庫神經處理單元非一致性內存訪問板載光學系統光數字信號處理芯片操作系統光交叉連接拍字節外圍部件互連標準快捷外圍部件互連標準相變存儲器能源利用效率四層式存儲單元服務質量基于角色的訪問控制遠程直接存儲器訪問電阻型隨機存儲器串行高級技術附件存儲級內存軟件定義網絡90縮略語

82、英文全稱中文全稱SDSSLASNICSQLSRSSDswTPMTBTCOTCP/IPTEETORTPMUBUPIUPSVCSELVMVPCVRWebGLWORMWUESoftware-Defined StorageService Level AgreementStandard Network Interface CardStructured Query LanguageShortRangeSolid-State DriveSoftware Trusted Platform ModuleTerabyteTotal Cost of OperationTransmission Control Pro

83、tocol/Internet ProtocolTrusted Execution EnvironmentTop of RackTrusted Platform ModuleUnified BusUltraPath InterconnectUninterruptible Power SupplyVertical Cavity Surface Emitting LaserVirtual MachineVirtual Private CloudVirtual RealityWeb Graphics LibraryWrite Once Read ManyWater Usage Effectivenes

84、s軟件定義存儲服務水平協議標準網絡接口卡結構化查詢語言短距離光接口固態硬盤軟件 TPM太字節總運營成本傳輸控制協議/互聯網協議可信執行環境機架交換機可信平臺模塊靈衢總線超級通道互連不間斷電源垂直共振腔表面放射型激光部件虛擬機虛擬私有云虛擬現實Web 圖形庫一次性寫入多次讀出水使用效率附：縮略語91縮略語英文全稱中文全稱xPUXRYBZBZFLOPSA portfolio of architectures(CPU,GPU,FPGA and other accelerators)eXtended RealityYottabyteZettabyteZettaFLOPSCPU、GPU 等各種處理器的統

85、稱擴展現實堯字節澤字節每秒十萬京（=1021）次的浮點運算94免責聲明本文檔可能含有預測信息，包括但不限于有關未來的財務、運營、產品系列、新技術等信息。由于實踐中存在很多不確定因素，可能導致實際結果與預測信息有很大的差別。因此，本文檔信息僅供參考，不構成任何要約或承諾，華為不對您在本文檔基礎上做出的任何行為承擔責任。華為可能不經通知修改上述信息，恕不另行通知。版權所有 華為技術有限公司 2023。保留一切權利。非經華為技術有限公司書面同意，任何單位和個人不得擅自摘抄、復制本手冊內容的部分或全部，并不得以任何形式傳播。商標聲明 ，是華為技術有限公司商標或者注冊商標，在本手冊中以及本手冊描述的產品中，出現的其它商標，產品名稱，服務名稱以及公司名稱，由其各自的所有人擁有。華為技術有限公司郵編：