中国算力基础设施高质量发展行动计划
算力是集信息计算力、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。算力基
础设施是新型信息基础设施的重要组成部分，呈现多元泛在、
智能敏捷、安全可靠、绿色低碳等特征，对于助推产业转型升
级、赋能科技创新进步、满足人民美好生活需要和实现社会高
效能治理具有重要意义。为加强计算、网络、存储和应用协同
创新，推进算力基础设施高质量发展，充分发挥算力对数字经
济的驱动作用，制定本行动计划。
一，主要目标：
至2025 年，计算力方面，算力规模超过 300 EFLOPS，智能算力占比达到 35%，东西部算力平衡协调发展。
运载力方面，国家枢纽节点数据中心集群间基本实现不高于理论时延 1.5 倍的直连网络传输，重点应用场所光传送网（OTN）覆盖率达到 80%，骨干网、城域网全面支持 IPv6，SRv6等创新技术使用占比达到 40%。
存储力方面，存储总量超过 1800EB，先进存储容量占比达
到 30%以上，重点行业核心数据、重要数据灾备覆盖率达到
100%。
应用赋能方面，打造一批算力新业务、新模式、新业态，
工业、金融等领域算力渗透率显著提升，医疗、交通等领域应
用实现规模化复制推广，能源、教育等领域应用范围进一步扩
大。每个重点领域打造 30 个以上应用标杆。
二，重点任务
完善算力综合供给体系
优化算力设施建设布局。按照全国一体化算力网络国家
枢纽节点布局，京津冀、长三角、粤港澳大湾区、成渝等节点
面向重大区域发展战略实施需要有序建设算力设施；贵州、内
蒙古、甘肃、宁夏等节点推进数据中心集群建设同时，着力提
升算力设施利用效率，促进东西部高效互补和协同联动。加强
数据中心上架率等指标监测，整体上架率低于 50%的地区规划
新建项目应加强论证。支持我国企业“走出去”，以“一带一
路”沿线国家为重点布局海外算力设施，提升全球化服务能力。
推动算力结构多元配置。结合人工智能产业发展和业务
需求，重点在西部算力枢纽及人工智能发展基础较好地区集约
化开展智算中心建设，逐步合理提升智能算力占比。推动不同
计算架构的智能算力与通用算力协同发展，满足均衡型、计算
和存储密集型等各类业务算力需求。
促进边缘算力协同部署。加快边缘算力建设，支撑工业制造、金融交易、智能电网、云游戏等低时延业务应用，推动
“云边端”算力泛在分布、协同发展。加强行业算力建设布局，
满足工业互联网、教育、交通、医疗、金融、能源等行业应用
需求，支撑传统行业数字化转型。
推动算力标准体系建设。加快制定面向业务需求的算力
设施、IT 设备、智能运营等方面的基础共性标准，完善相关技
术要求、测试方法等，充分发挥标准对产业发展的引领和推动
作用。同步探索算力计量、感知、调度、互通、交易等方面标
准建设，支撑算网融合产业化发展。
提升算力高效运载能力
优化算力高效运载质量。探索构建布局合理、泛在连接、灵活高效的算力互联网。增强异构算力与网络的融合能力，通过网络的应用感知和资源分配机制，及时响应各类应用需求，实现计算、存储的高效利用。针对智能计算、超级计算和边缘计算等场景，开展数据处理器（DPU）、无损网络等技术升级
与试点应用，实现算力中心网络高性能传输。
强化算力接入网络能力。推动城域光传输设备向综合接
入节点和用户侧部署，加快实现大带宽、低时延的全光接入网
络广泛覆盖，城区重要算力基础设施间时延不高于 1ms。提升
边缘节点灵活高效入算能力，满足企业快速、就近、灵活、高
效联接算力需求。
提升枢纽网络传输效率。推动算力网络国家枢纽节点直
连网络骨干节点，逐步建成集群间一跳直达链路，国家枢纽节
点内重要算力基础设施间时延不高于 5ms。推动超低损光纤部
署，优化光缆路由。加快 400G/800G 高速光传输网络研发部署
和全光交叉、SRv6、网络切片、灵活以太网、光业务单元等技
术应用，实现网络传输智能高效、灵活敏捷、按需随选。
探索算力协同调度机制。推动以云服务方式整合算力资
源，充分发挥云计算资源弹性调度优势。鼓励各方探索打造多
层次算力调度架构体系，建设可满足各类创新主体开展多元异
构算力调度、应用、研发、验证的平台环境。依托国家新型互
联网交换中心、骨干直联点等设施，促进多方算力互联互通。
信息来源：gov.cn
1 年前
华为昇腾推出的Atlas 900 SuperCluster成为国产AI算力的重要突破，标志着华为在超大规模AI训练集群领域的领先地位。 1. 技术突破与性能表现 超大规模算力支持：Atlas 900 SuperCluster 采用创新的超节点架构，支持超万亿参数大模型训练，单集群可管理数十万张昇腾AI加速卡（如昇腾910B），并实现高可用性设计，包括超高速互联、高效液冷散热和瞬时爆发供电。 性能对标英伟达A100：实测数据显示，昇腾AI集群在训练Meta Llama、BloomGPT等模型时，效率可达英伟达A100的1.1倍，并在部分场景实现10倍领先于其他国产方案。 国产化算力标杆：科大讯飞等企业已采用昇腾万卡集群，训练效率达到英伟达A100的0.8~1.2倍，证明其在国产大模型训练中的竞争力。 2. 架构与生态创新 全栈自主可控：从硬件（昇腾芯片、鲲鹏CPU）、架构（达芬奇架构）、软件（MindSpore框架）到开发工具（CANN异构计算），华为构建了完整的AI计算产业链。 昇腾910B芯片升级：相比前代昇腾910，910B在FP32性能上显著提升，支持多NPU模组互联，提供更高带宽和算力密度，进一步缩小与英伟达高端GPU的差距。 生态挑战与机遇：尽管昇腾算力已对标英伟达，但CUDA生态的成熟度仍是竞争短板。华为通过开源MindSpore、适配主流框架（如PyTorch、TensorFlow）及开发者扶持计划（如15亿美元生态投入）加速生态建设。 华为Atlas 900 SuperCluster的推出，不仅提升了国产AI集群的竞争力，也为全球AI算力格局注入了新变量。随着生态完善，昇腾有望在AI训练与推理市场占据更关键地位。 （根据资讯整理）
1 年前
从传统认知来看，算力、算法和数据被认为是人工智能的核心三大要素。当大模型出现后，大模型在当前人工智能发展中占据着极其重要的地位。 大模型与算法的关系：从属而非取代。传统算法的定位：算法本质是解决问题的步骤规则，如SVM、随机森林等，是AI的底层方法论。 大模型的本质：大模型是算法的一种高级形态，依托深度学习（尤其是Transformer架构）实现，其核心仍是算法逻辑的演进。例如，GPT的生成能力源于自注意力机制（算法创新），而非脱离算法的新存在。 大模型为何需要独立强调？ 尽管大模型属于算法范畴，但其独特性使其具备基础设施属性： 平台化能力：如GPT-4可作为基础平台，支撑多样下游任务（写代码、客服、科研），类似操作系统。 资源门槛：训练大模型需超算集群和千亿级数据，远超传统算法，成为独立的技术-资源综合体。 生态影响：催生模型即服务（MaaS），改变行业分工（如企业无需自研模型，调用API即可）。 AI的核心能力确实高度依赖于数据、算力和大模型，但这三者并非全部。它们是推动现代AI发展的基础设施，但真正的核心能力还需结合其他关键要素，以下分层次解析： 1. 数据、算力、大模型的角色 数据：AI的“燃料”，尤其是监督学习和自监督学习依赖海量标注或无标注数据（如GPT-4训练用了数万亿词元）。 算力：硬件（如GPU/TPU集群）支撑大规模训练和推理，例如训练GPT-4需数万块GPU和数月时间。 大模型：通过参数量的增加（如千亿级参数）实现更强的泛化和多任务能力，如Transformer架构的涌现能力。 2. 被忽视的核心要素 算法创新： 数据与算力的价值需通过算法释放。例如，Transformer（2017）相比RNN的突破、扩散模型对生成任务的改进，均源于算法设计。 小样本学习（Few-shot Learning）、强化学习的策略优化（如PPO算法）证明：算法效率可弥补数据或算力的不足。 工程能力： 分布式训练框架（如Megatron、DeepSpeed）、模型压缩（量化、蒸馏）等技术，决定大模型能否实际落地。 领域知识： 医疗AI依赖专家标注和病理学知识，自动驾驶需融合传感器物理模型，说明垂直场景的壁垒远超大模型本身。 3. 未来趋势：超越“大力出奇迹” 高效训练与推理： 低功耗芯片（如神经拟态计算）、MoE架构（如Mixtral 8x7B）正降低对算力的依赖。 数据质量 vs 数量： 合成数据（如NVIDIA Omniverse）、数据清洗技术逐步减少对纯数据量的需求。 可解释性与安全： 模型对齐（Alignment）、因果推理等能力将成为下一代AI的竞争焦点（如Anthropic的Claude 3）。 4. 总结：AI的核心能力是“系统级创新” 短期：数据、算力、大模型是入场券； 长期：算法设计、跨学科融合（如神经科学）、工程优化、伦理治理等系统性能力才是关键。 类比：如同火箭需要燃料（数据）、引擎（算力）、设计（模型），但真正的突破来自材料科学（算法）与控制系统（工程）。 未来AI的竞争将不仅是资源的堆砌，而是如何用更少的资源解决更复杂的问题，这需要多维度的创新能力。
1 年前
中美 AI 竞争已进入白热化阶段，技术差距的缩小、数据瓶颈的突破以及地缘政治的影响将成为未来 AI 发展的关键因素。
1 年前
海光处理器属于GPGPU架构，通用且场景支撑能力强，这是国内唯一具备全精度浮点数据计算能力的厂商。
1 年前
算力是集信息计算力、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各个行业提供计算能力服务。
21 天前
AiPPT: 一句话、一分钟、一键搞定
28 天前
Ralph 就是一个让 AI "自己干活直到做完"的循环机制，特别适合复杂的编程任务，解放人力。这里介绍具体怎么搭建和使用 Ralph 循环。 📋 前置准备 你需要准备以下内容： 工具 用途 Claude Code Anthropic 的 AI 编程助手 CLI Docker Desktop 提供隔离的沙盒环境 Anthropic API Key 调用 Claude API 🛠️ 搭建步骤 方法一：使用 Claude Code 插件（推荐） Step 1: 安装 Claude Code # 安装 Claude Code CLI npm install -g @anthropic-ai/claude-code Step 2: 初始化项目 mkdir my-ralph-project cd my-ralph-project claude init Step 3: 添加插件市场 claude plugins add-marketplace Step 4: 安装 Ralph Wiggum 插件 claude plugins install ralph-wiggum Step 5: 配置 Stop Hook 在 .claude/hooks/ 目录下创建 stop-hook.json： { "hook_type": "stop", "decision": "block", "conditions": { "check_tests": true, "check_type_errors": true, "check_git_changes": true }, "max_iterations": 20, "prompt": "任务未完成，请继续迭代修复问题" } 方法二：手动搭建（完全控制） Step 1: 创建项目结构 my-ralph-project/ ├── .claude/ │ ├── hooks/ │ │ └── stop-hook.sh │ ├── skills/ │ │ └── ralph-loop.json │ └── config.json ├── prd/ │ └── requirements.json └── workspace/ Step 2: 配置核心文件 config.json - 核心配置 { "max_iterations": 15, "auto_commit": true, "run_tests_after_each_iteration": true, "stop_conditions": { "all_tests_pass": true, "no_type_errors": true, "prd_completed": true } } skills/ralph-loop.json - 技能定义 { "name": "ralph-loop", "description": "自主迭代循环实现 PRD 任务", "trigger": "when_task_incomplete", "actions": [ "analyze_current_state", "identify_blockers", "fix_issues", "run_tests", "commit_if_passing" ] } hooks/stop-hook.sh - Stop Hook 脚本 #!/bin/bash # 检查测试是否通过 TESTS_PASS=$(npm test 2>&1 | grep -c "passed") # 检查是否有类型错误 TYPE_ERRORS=$(npx tsc --noEmit 2>&1 | grep -c "error") # 检查 PRD 是否完成 PRD_COMPLETE=$(node check-prd.js) if [ "$TESTS_PASS" -eq 0 ] || [ "$TYPE_ERRORS" -gt 0 ] || [ "$PRD_COMPLETE" = "false" ]; then echo "BLOCK: 任务未完成，继续迭代" exit 1 else echo "ALLOW: 任务已完成" exit 0 fi Step 3: 准备 PRD 文件 prd/requirements.json { "project_name": "My Feature", "tasks": [ { "id": 1, "description": "创建用户登录页面", "criteria": ["表单验证正常", "API 调用成功", "错误处理完善"], "status": "pending" }, { "id": 2, "description": "实现用户注册功能", "criteria": ["邮箱验证", "密码强度检查", "重复密码确认"], "status": "pending" } ] } 🚀 使用方法 启动 RALPH 循环 # 方法一：插件方式 claude run --skill ralph-loop --prd ./prd/requirements.json # 方法二：Docker 隔离环境 docker run -it \ -v $(pwd):/workspace \ -e ANTHROPIC_API_KEY=$ANTHROPIC_API_KEY \ claude-ralph:latest 监控循环状态 # 查看当前迭代次数 cat .ralph/iteration_count # 查看任务完成状态 cat .ralph/task_status.json # 查看日志 tail -f .ralph/loop.log 🔧 高级配置 1. 自定义 Stop Hook 规则 { "stop_conditions": { "all_tests_pass": { "enabled": true, "command": "npm test", "success_pattern": "all tests passed" }, "no_lint_errors": { "enabled": true, "command": "npm run lint", "success_pattern": "no problems" }, "coverage_threshold": { "enabled": true, "threshold": 80 } } } 2. 添加代码审查步骤 { "after_each_iteration": [ "run_tests", "run_linter", "code_review", "commit_if_passing" ], "code_review_prompt": "审查代码质量、安全性、性能问题" } 3. 设置成本控制 { "cost_limits": { "max_tokens_per_iteration": 50000, "max_total_cost": 50, "alert_at_cost": 30 } } 📊 典型工作流程 ┌─────────────────────────────────────────────┐ │ 1. Claude 读取 PRD 任务列表 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 2. 选择下一个待完成任务 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 3. 实现代码、编写测试 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 4. 运行测试套件 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 5. Stop Hook 检查是否完成 │ │ • 测试通过？ │ │ • 无类型错误？ │ │ • PRD 要求满足？ │ └─────────────────┬───────────────────────────┘ ↓ ┌───────┴───────┐ ↓ ↓ 未完成 完成 ↓ ↓ 返回步骤 2 结束循环 💡 最佳实践 建议 说明 PRD 要清晰 任务描述具体、可验证，避免模糊需求 设置最大迭代 防止无限循环消耗过多成本 使用 Docker 隔离环境，避免污染本地系统 定期检查 每 10 轮查看一次进度和日志 成本监控 设置预算警报，避免超支 ⚠️ 注意事项 成本控制：每次迭代消耗 tokens，长时间运行成本较高 质量检查：AI 可能"认为"完成但实际有 bug，需要严格测试 安全边界：在沙盒环境运行，避免 AI 误删重要文件 人工介入：复杂任务仍需人工审查结果
28 天前
Ralph Loop 是一种让 AI 自主迭代的机制，主要用于解决 AI 编程助手"半途而废"的问题。
Minimax（海螺AI）已由大模型名Minimax替换原海螺AI。现海螺AI为Minimax视频生成产品名。
海螺AI