先进计算技术发展研究报告

先进计算技术发展研究报告(2025）目 录一、先进计算技术发展背景 1（）先计算术体概述 1（）先计算术成计算术发关键破点 2（）先计算术产发展临的际形势 2（）发先进算技是国发展略需求 4二、先进计算技术总体发展现状 5（）计处器与键部件 5（）计架构体系 5（）计设备系统 6（）计设施安全 7三、先进计算重点技术发展情况 8（）计处理与关部件 8（）计架构体系 16（）计设备系统 27（）计设施安全 45四、先进计算技术发展推进建议 50（）加关键心技研发 50（）打产业方协生态 50（）推先进算标制定 51（）持探索沿技落地 51一、先进计算技术发展背景（一）先进计算技术体系概述CPU、GPU、ASIC、FPGA、DPU等，并计算架构与体系计算设备与系统件及人工智能系统软件与开发框架。该部分直接面向实际部署与应统完整性保护、可信执行环境以及关键部件防篡改与隔离防护等能（二）先进计算技术成为计算技术发展关键突破点先进计算能力正成为支撑数字经济发展的核心基础。（三）先进计算技术产业发展面临的国际形势2Tbps节点带宽、自研互联技术及液冷方案，引领全球算力建AI与量子计异构架构、能效优化及AI-HPC融合的支持力度，同时以LUMI、Leonardo战略持续投入，在超级计算、类脑计算和光量子计算等方向开展ICTK-Cloud《国家AIAI等龙头企业协同，在HBM、CXL互联及AI服务器系统集成方面加快创新布局。（四）发展先进计算技术是国家发展战略需求发展先进计算技术是保障国家安全和实现高水平科技自立自强发展先进计算技术是提升我国在全球科技竞争中话语权和规则软件生态和应用范式正加速演进，发达国家和头部企业通过技术标二、先进计算技术总体发展现状（一）计算处理器与关键部件态势。CPU在先进制程带来的性能提升逐步放缓背景下，正通过多核多线程设计、微架构优化和异构计算能力增强来提升通用计算效GPU、NPU、DPU等专用处理器形成协同分工，支撑高性能计算与人工智能等复杂负载；AI加速芯片则围绕更高算力密度、更低精度计算和更强系统级扩展能力快速演进，计算精度持续向FP8、FP4等方向发展，单芯片算力与集群级性能同步提升，软硬件二是存储部件正由单DDR5持续演进，HBM已成为高端算力系统中的关键资源，直接影响模型3DNAND三是互联部件OIO等新（二）计算架构与体系分离推理、异构混合加速器和可重构数据EB三是新AI任务，国内外企CPU主导转向融合GPUNPUDPUPCIe5.0、CXL等高速互联，实现资源池化与灵活调度，夯实数据中心基二是端侧设备成为AI计算的重要延伸载体。AI手机、具身机器人、智能汽车与无人机等推动计算向端边侧下沉。SoC集成NPU及专用单元成为主流，结合模型压缩、量化与主化升级。三是存储与高速互联从系统瓶颈环节转变为架构创新重AIPBScale-upScale-out双路径持续升级，在高带宽、低时延与内存语义互联方向加速突破，并与在网计算、DPU卸载等融合，减少数四是软件体系向AI强化异构资源调度与内生安全，数据库与中间件加速智能化与自动（四）计算设施与安全围绕GPU/AICPU二是超算中心在持续提升计算”融合三是芯片安全从单点防护走向全生命周期TEE四是整机安全成为算力BMC三、先进计算重点技术发展情况CPU围绕先进制程、多核化和异构计算、微架构优化等多技术CPU2nm，但随着后摩尔时代到来，依靠制程工艺进步方式带来的性能提升已相对有限。通过多核、多线程架构设计提升并行处理能力，CPU可同时执正逐步结合GPUNPURISC-VCPU设计提供了新路径，其开放指令集特性降低了研发门CPUAI的自适应调CPU年全球CPU国际阵营方面，英特尔发布了新一代Xeon系MCM并行能力和AI加速单元提升云与边缘计算性能；AMD的第三代EPYC优化AIArmArm架构产品在移动与笔记本端实现AI生态在全球范围快速发展，多家国际厂商推出针对RISC-V产业以自主可控与本土生态构建为核心推进路径，实现多技术路线协同发展。龙芯中科持续迭代基于LoongArch架构的龙芯5000/6000CPUAI与虚芯与海光等x86CPU则围绕国产操作系统与关键行业应用推进RISC-VRISC-V以GPU、TPU、NPU等为代表的AI加速芯片作为AI核心硬件支撑，正朝着高性能、高能效、低功耗和可定制化方向快速发展。GPU将向更高算力、更优功耗比方向发展，并通过集群互联实现系统计算性能提升，同时GPU将更加注重与AI软件生态的深度融合，CUDA、等工具链实现算法优化，提升模型推理和训GPUCPUNPU等TPU是Google为深度学习任务专门设计的专用AI一方面通过提升内存带宽和计算密度，支持更大规模的模型并行训练，并结合更先进制程工艺实现更高的浮点运算性能和张量计算效AI生态多样化，TPU、JAX等框架的支持，并进一步增强对多种AI模型和任务的兼容性，提升通用性和灵活性。NPU主要面向终端侧应用，正朝着高性能、低功耗、高AI推理效率。未来将加CPUGPU台，推动AI2025AIAMD、谷歌等持续推动计算精度由FP16/FP32向FP8FP4P2025B30015PFLOPS的FP4算力，并规划RubinRubinUltra中持续跃升；AMDMI355X首次引入FP4算力，谷歌TPUv7pFP8HBM3E进入HBM43nm制程正成为新一代高端AI昇腾在2025昇腾910B为核心的算力平台升级，重点强化FP16/FP8混合精度训练能力与集BRGPU的工程化落全功能GPU为基础，面向图形与AI图一英伟达B300/AMDMI355XDPU作为面向数据中心基础设施卸载的新型处理器形态，正从随100GbE200GbE400GbECPU侧占用的算力比例持续攀升，3DPU以专用硬件方式卸载网络、DPU正向高带宽接口集成、多核异构架构、可编CPUGPUDPU技术主要由头部芯片厂商和云服务商推动，并已在超大规BlueField系列DPU200GbEAIAMD通过并购Pensando进入DPU在云数据中心中支持分布式防火墙、负载均衡等网络与安全服务卸载。IntelIPU技术路线布局超大规模云和电信网络场景，重点探索基础设施功能与主机计算资源解耦的部署模式。在国内方面，DPU技术正围绕数据中心自主可控和行业应用需求加快落地，逐步CIPUDPU/100GbE及以上环境下实现多类基础设施功能卸载，并在部分行业场景中验证了对CPU负载和系统时延的优化效果。同时，相关厂商正加强与国产服务器、操作系统和虚拟化软件的适配，推动形成软硬件协同发展的DPU2025年核心存储介质类部件围绕更高带宽、更低功耗与算存协DRAM技术沿着DDR5HBM作为AI与高GPU、AI加速器和先进封装中的应用持续扩大。NANDFlash方面，3D堆叠层数不断提升，QLC技控制算法与缓存机制改善写入性能和寿命表现。新型存储器如MRAM、ReRAMPCM在嵌入式和特定加速场景中持续推进工程与数据中心及AIDRAM与HBM海力士和美光构成第一梯队，持续围绕制程微缩、堆叠工艺和带宽提升展开竞争。其中，HBM已成AI加速器和智算服务器的关键瓶颈资源，产品迭代节奏与GPU平台升级高度协同，带宽、容量与能效指标不断提升。DDR5NANDFlash200层以上3DD/CSSD的大容量需AI与HPCNANDFlash储持续推进XtackingSSDDRAM方向，合肥长鑫围绕DDR4与DDR5产DRAM在通用服务器和行业应用中的导入比例提升。与此同时，应用中的稳定性。在新型存储方面，多家企业和科研机构布局MRAMReRAMPCM续向更高端口速率和更大单芯片交换容量发展，单芯片能力由25.6Tbps51.2Tbps100TbpsGPULeaf-Spine通过将光引擎与交换ASIC51.2Tbps102.4Tbps级产品，广泛应用于云与AI数据中心；Marvell、英伟达等亦在高端交换与加速互联方向持续投入。交换机市场由思科、Arista、英伟达等主导，在系统设计、网CPOCPO达规划面向AICPOIntel、AMD等形成较成熟产品体系，在超大规模云环境中实现规模部署。AI算力需求驱动的高速迭代阶段，技术为丰富的工程经验。交换芯片方面，盛科通信已实现12.8Tbps、25.6Tbps400G光模块逐步进CPO在运营商云和行业数据中心推进试点应用。总体看，国内产业正依托庞大的算力基础设施建设需求和丰富应用场景，持续推动互联技术、系统集成与工程化能力协同发展，带动产业链各环节加快迭代升级。键方向。一方面，以超节点为代表的新型异构系统加快发展，通过NVLinkMatrixLink等高速互联，将大量GPU、CPU成为大模型推理的重要架构思路，将不同阶段映射到差异化硬件资GPU、专用加速器及低精度计算单元组合，实现性能与GPU为核心的CES2026Rubin平台及NVL72GPU/CPUNVLink互联，面向大AMDIntelCPU+GPU+专用AIHPC融合能力。在推理侧，PD分离与分布式推理架构成为产业共识，vLLM、SGLang等开源与商如针对大上下文和高吞吐推理优化的GPU型号，推动形成多层次算图二Scaleup超节点扩展国内异构计算在智算基础设施建设和行业大模型应用需求带动ICTCloudMatrix厂商也在推进多GPU高密度整机与整柜级方案，结合液冷、总线优PDAI芯片企业持续推进CPU、GPU及国产服务器平台的适配，支持在训练或推理场景中存算一体正由前沿探索技术逐步演进为面向高能效计算的重要与处理单元之间的频繁搬运，从体系结构层面提升能效比与吞吐能力，正成为面向AI与数据密集型计算的重要方向。当前技术路线呈RRAMPCM等过与AI模型结构协同设计，在特定负载中实现显著能效优势，整体全球范围内，存算一体仍处于由研发验证向初步产业化过渡阶分企业推出面向AI推理的近存计算或存内加速芯片，在低功耗视觉算理念引入HBM-PIM国内在政策支持和AIRRAM、MRAMAI和低功耗推理场景的存算一体或近存AI计算平台协同使用，用于特定算子加速与能效优化。同时，国内也在推进相关EDA建模、可重构计算正由特定领域加速技术演进为面向多样化AI负载的AI芯片发展逐步由单纯依赖工艺升级和算力CGRA（）行探索，部分企业在体系结构创新与系统级产品化方面推进较快。SambaNovaRDUCGRAGroq的LPU采TPU持续强化脉动阵列与Chiplet、先进封装及高速互连结合，用于构建面向特定AI负载优化的系统级平台。总体看，全球可重构重构能力真正服务主流AI国内在政策支持与AI进的格局。CGRA理念引入AI加速器设计。清微智能较早布局可重构数据流架构，在语音AI芯片企业，虽以FPGA厂商持续推进高性能FPGAAI平台，用于特定负载卸载与4540IBM2025105比特超导芯片并验Majorana1作为美国光量子1020252规模化。Quantinuum公司聚焦离子阱路线，在容错量子计算、量子纠错以及量子－人工智能融合方面取得前沿突破。加拿大的Xanadu2025年初推出了可扩展、网络化和模块化的光量子计算机20QuantumMotionIBM、50台。国内科研院所与初创企业为核心，在超导与光量子等特定路线上3000光TuringQ离子阵列原型机HYQ-B100AI探索。无锡建成国内首条光子芯片中试线，具备晶圆级可编程光量子芯片量产能40作为新型加速资源纳入异构算力体系，形成“量超融合”“四格局。IntelHalaPoint被视为代表性系统之一，基于Loihi2在特定SNN任务上展现出相对传统GPUIBM早期的TrueNorth架构基础，近年来研究重心更多转向与AI算法结合的低功耗智能系HumanBrainProject国内类脑计算近年来从单点芯片研究逐步迈向系统级集成与平研力量在神经形态芯片、脉冲神经网络模型及系统架构方面持续推（PIC）的大规模化与材料体系的多样化，片正从单一的功能单元向具备数千个可调谐组件的超大规模片上系国外光计算研究已进入从原型机验证向数据中心级部署跨越的半导体产业链，重点攻克高性能AI推理加速难题。在学术层面，以MIT性激活函数的物理局限，试图构建从计算到存储完全由光子驱动的与产业生态。LightmatterCelestialAI等领军企业已进入大规模商Envise与Orion（SiPh）AI2025NVIDIABroadcomIntelCXLAI+学2025LightGenAIGPUAI框架的光电（三）计算设备与系统通用服务器技术态势呈现出由传统通用算力向异构协同与智能调度融合演进的趋势。x86CPU仍是数据中心IntelXeonAMDEPYC系列为高性能通用负载提供了稳定的基础算力平台，其中AMDEPYC自Zen器正逐步集成异构计算资源，包括GPUAI加速卡和推理、训练、大规模并行计算和网络卸载等复杂任务。例如，国际厂商戴尔的PowerEdgeXE96808块高端GPU，AI与数据密集型工作负载性能；HPEProLiant系列通PCIe5.0、DDR5Xeon可扩展处理器，在性能与能效上实现较大提升。互连技术也在加速升级，CXL（ComputeExpressAIOps平台正成为基全球通用服务器产业表现出多架构并行与细分场景定制的特征。2026年预计规模持续增ARMAIProLiant性，支持新一代Xeon处理器与PCIe5.0标准的应用优化。戴尔PowerEdgeXE9680强调面向AIGPUAI优化及边缘部署能力演进。整体来看，全球通用服务+AI20267–8%（Inspur）的服务器系列在国内市场和行业应用中份额领先，其产品线包括GPU优化服务器、机架式服务器与多节点计算节点，支撑云计算与大数据场景。超聚变FusionServer系列是华为服务器产品的重要代表，近期推出的G5500V74U双路AI10块双宽GPUAIHPC变还持续更新如FusionServer5298V7等机架服务器产品，满足分布式存储、大数据与企业级应用需求。联想问天等品牌也推出如WR5220G3等模块化通用服务器产品，通过灵活组态与高扩展性满足企业计算与数据中心建设需求。在国内生态建设方面，国产操作系统如EulerOSCPU为核心的通用服务器不同，智算服务器通常以GPUNPUCPUAI应用需求牵引、GPUPowerEdgeXE系列智算服务器面向AIGPU国际市场中广泛部署的AI的ProLiantCrayPCIe5.0向企业级AI训练和科研计算场景提供高性能算力节点。超微GPU国内智算服务器产业在人工智能发展战略和算力基础设施建设GPU加速和GPUAIFusionServer器面向AI训练、推理及HPC场景进行系统级优化，其中G5500V7GPU、高带宽内存和灵活存储配置，适用于高密度智算部署。联想问天系列亦推出面向AI负载优化的智算服务器腾AI芯片与服务器平台的软硬件协同，在国超算服务器技术态势呈现出由以通用处理器为主的高性能节点，向大规模并行、异构协同与系统级优化并重的方向演进。与以AI负CPU为主、加速器协同的异构架构，通过高速+AI在节点设计中更加注重内存带宽、I/O能力与存储层级优化。在系统引、系统工程能力驱动的发展特征。E级计算和HPECray系服HPC市场亦占据重要份额，其高性能服务器平台在气国内超算服务器产业整体呈现出整机厂商主导、国产软硬件逐步HPC服务器平台，为科研和工业用户提供高性能计算节点；端侧设备正成为先进AI三是交互方式由被动响应转向具备上下文理解与任务规划能力的智推动NPUChipletAI框架和统一调CPU、GPU、NPU及传感器资源，实现AIAI域，苹果在A系列与MSoC中提升端侧AI算力并完善AIFigureAIAgilityRobotics等推动VLA模型与机器人控制系统结合，在物流分拣、仓储搬运等Driveolee等企业依托视觉AIAI从早期“把模型放进设备”阶段，进入软硬件深度协同优化阶段，系统级体验与生态整合成为差异化关AIAIOPPOvivo型中强化端侧AI能力，将本地大模型与影像、语音助理、办公与系AI计算平台与解决AI视觉在AI时代数据存储的作用从数据保险箱转向使能器，数据存储边AI数据平台跃升。AI应用爆发，驱动超大规模、超高速量正面临千倍增长。数据存储成为AI记忆与思考的基石，其存取效的AI数据平台。这一转变是数据存储产业在技术架构与商业模式上AIAI全球厂商与产业联盟对数据存储系统的战略升级。AI大模型的AI算力集群，形成计算－存储－网络NVIDIACES2026上正式发布新一代AI计算Rubin。其核心变革在于重构存储层级，引入HBM4、LPDDR5XDPUNANDAI推理5倍，解决内存墙瓶颈。20258月，SNIA（全球网络存储工业协会）启动“Storage.AI”开放标准项目，旨在联合行业成员为AI工作负载制定高效、非专有的数据服务标准，优化数据管道中最棘手的数据访问和管理挑战。上述事件揭示了美国统不再被视作被动存放数据的静态仓库，存储层正积极融入计算架GPU“AI算AI工作负载不确定性3DNANDDRAM储通过其创新的晶栈3DNANDIDC报告，在企业级外置存储市场，全球格“DELLNetApp等20%着AI大模型对高吞吐、低延迟存储需求的持续提升，中国厂商在技AI随着数据量指数级增长和AI应用普及，计算数据已成为核心生产要素，传统存储架构已难以满足“语料库+知识库”升级需求。大PB储带宽提出TB/s100微秒，同时支持数据预处理与模型加载。AI存储架构需在处理海量数据、跨域CheckPointTBAI存储系统不仅满足超大规模训练与推理需求，也为构建高效、安全、可持续的AI先进计算领域正经历从传统单点计算向大规模异构集群的深刻AI和HPC/Scaleout（ScaleupChipletScaleoutRoCEv2InfiniBand双轨并行中寻求性能与成本的平衡。Scale-up高Scaleup图三高速互联技术英伟达在NVLinkNVLink72GPU全互联，单链路通信速率达1.8TB/sNVLinkFusionCPUXPU通过UCIe接口或NVLink-C2CIP与NVLink化AI是由AMD41.0（Pod）1024200Gbps，该规范还基于内存语义优化，实现AILoad/Store等内20255月推出单机柜XPU互联的性能瓶颈，实现了高密度集成。SUE实例体积仅为传统1/56.4Tb/s~12.8Tb/s。操作抽象为GPU标准的内存读写和原子操作，并结合统一总线寻址UB了传统数据中心中PCIeCXLNVLink、TCP/IPCloudMatrix384UB技术OlinkUALink协议为基础的ALS，推动UALink歌在TPU集群中长期采用高维等规则化直连拓扑，通过在芯片与加速器层面构建多维点对点互联网UB-Mesh架构同样体现了分层局部化与直连优先的设计思路。UB-Mesh采用nD-FullMesh的可靠性。相较于传统Clos网络，UB-Mesh在成本效率、网络可用性和大模型训练线性扩展能力方面均展现出明显优势。在网计算（In-NetworkComputing，INC）的核心理念是将原本由主机CPU/GPU执行的数据聚合、梯度同步、数据预处理等通信密集型任务下沉至具备算力的智能交换机、DPU或可编程网络设备中完成，SHARPAllReduce并在新一代服务器与网络系统中进一步强化计算与通信路径的协同构建了以NitroNitro存储和虚拟化功能下沉至专用DPU与训练与高性能计算场景中，DPU侧的协议卸载、数据CPU介入度和通信抖动，为大INC在云级如利用P4DPU加速通信卸载，以及通过SmartNICINC操作系统、数据库和中间件作为数字基础设施的三大核心底座，心的协同进化。这一变革主要由云原生与人工智能两大技术力量驱操作系统逐步演进为AICPU、GPU、NPU等异构资源的动态优化配置，并通过系统级智能体重塑人机交互范式。数据库领域形成“AIforDatabase”和“DatabaseforAI优，另一方面以向量数据类型和高效相似性检索为代表，原生支撑AIAIOps和低代码技术，推动运维与开发模式AI础软件的未来形态。操作系统领域，竞争已升级为“AI原生操作系统+智能体生态”之争。微软通过AIFoundry整合系统级AIAPI和本地模型优化能力，使AI应用深度融入Copilot升级为多智能体系统，推动操作系统从工具平台AppleIntelligenceAI能力；谷歌则持续增强Android数据库领域，国际厂商加速融合云原生与AI原生架构。OracleAIDatabase26aiAI代理框架直接嵌入内核，SnowflakeGoogleSpanner代表Serverlessurra和zureoosB与向量能力上持续演进。中间件方面，IBMOracle正将集成平台升级为企业AI智能体的编排中枢，通过自然语言驱动集成配置，打通传统系统与AIUOSIntel、AMD及飞腾、兆芯、CPU的同源支持，并兼容、Android有效降低国产化替代成本。同时，国产操作系统积极引入系统级AIOceanBaseseekdbAIAIAIOps和智能体平台，构建/自动并行、训推一体与云原生深度融合成为框架演进主线。从整体技术趋势看，深度学习框架正加速向“高自动化分布式+训推一体+云原生协同”方向演进。其中，动态与静态统一的自动并行机AIAI在国外产业层面，依然保持在研究与产业界的主导地2025年发布的v2.8.0重点强化了PipelineParallel一步巩固其在大模型研究与训练中的优势。与此同时，InteloneAPI2025.1CPU、GPU、NPU的无缝切换，开发2025AIGitHubCopilotX等AIAI赋能软件工程”图四深度学习框架3.03.2版本推出动静统FP8MFU率上形成明显优势。在训推一体方面，飞桨依托高可扩展中间表示（PIR）架构，实现从训练、压缩到推理和服务部署的全链路优化，53个