一、算力底座：AI芯片的架构原理与选型逻辑
1.1 AI计算的核心硬件：从CPU到专用加速器
1.1.1 为什么通用CPU难以满足大模型算力需求——并行计算与内存带宽瓶颈
1.1.2 AI芯片主流架构概览：GPU、ASIC、FPGA、NPU的技术分野
1.1.3 Scaling Law与Chinchilla Law对算力需求的指数级驱动逻辑
1.2 国内AI算力芯片三大技术路线对比
1.2.1 推理专用SRAM架构：片上存储、低延迟优势与适用场景（曲速科技为代表）
1.2.2 全栈自研架构：端到端自主可控、训推全场景（华为昇腾为代表）
1.2.3 通用GPGPU架构：生态兼容性与训推兼顾（寒武纪、海光信息为代表）
1.3 运营商视角的芯片选型考量
1.3.1 训练 vs 推理场景的芯片需求差异——算力密度、显存带宽与能效比
1.3.2 国产化要求与供应链安全对选型决策的影响
1.3.3 万卡集群场景下的芯片协同与异构计算挑战
二、智算中心：架构设计与运营商实践
2.1 智算中心与传统数据中心的本质差异
2.1.1 从“通用算力资源池”到“AI专用算力集群”的架构跃迁
2.1.2 大模型训练对算力密度、网络带宽、存储性能的刚性需求
2.1.3 运营商智算集群布局的独特优势：网络资源+机房资源+属地化服务
2.2 智算中心核心架构组件
2.2.1 计算层：AI服务器选型与GPU/NPU集群设计
2.2.2 网络层：高速互联组网方案与无损网络技术
2.2.3 存储层：分级存储架构与PB级数据吞吐能力
2.3 运营商智算中心建设实践
2.3.1 中国移动（哈尔滨）算力中心：1.8万架机架、100%国产AI芯片、天池SDN与GSE自主组网
2.3.2 芜湖智算集群：全国首个“五算合一”调度平台、6.4万P智算规模与“三券联动”模式
2.3.3 三大运营商智算布局比较：算力规模、组网方案与商业模式差异
三、模型部署：云边端协同与工程实践
3.1 云边端协同部署架构
3.1.1 云侧：大规模模型训练与重推理——集中化算力池与弹性伸缩
3.1.2 边侧：低时延响应与数据本地化——边缘节点部署与自治服务
3.1.3 端侧：轻量化推理与功耗约束——模型压缩与芯片级优化
3.2 关键技术实践
3.2.1 PD分离架构：Prefill与Decode任务分离部署，提升推理效率
3.2.2 长距跨DC分布式推理：百公里级拉远场景下保持SLA的工程方案
3.2.3 云原生与容器化部署：K8S编排、GPU共享与任务调度
3.3 运营商特有的部署场景
3.3.1 数据不出园区的企业级推理方案——园区部署少量算力+云端弹性扩展
3.3.2 网络即算力：OTN全光网络支撑下的算力调度与协同
3.3.3 从“智算中心建设者”到“智算服务运营者”的角色升级
四、成本与选型：模型落地的经济性分析
4.1 部署模式的成本对比
4.1.1 公有云API模式 vs 开源托管服务 vs 私有化部署的经济性推演
4.1.2 不同推理规模下的TCO（总拥有成本）分析——从轻量应用到重度场景
4.1.3 Dell ESG研究结论：本地化推理经济性较公有云IaaS提升2.1~2.6倍
4.2 推理成本的关键决定因素
4.2.1 模型参数规模 vs 推理延迟 vs Token成本的三角权衡
4.2.2 硬件采购摊销、电力与能耗、专业运维人力的隐性成本
4.2.3 开源模型 vs 闭源模型的成本差异——GLM-5.2推理成本约为Claude Opus 4.8的三分之一
4.3 运营商决策框架：如何为不同场景选择最优方案
4.3.1 场景识别：面向ToC、ToB、ToG的差异化算力需求
4.3.2 决策四维度：性能要求、数据安全、成本预算、国产化合规
4.3.3 运营商的核心竞争力：算力+连接+信任的叠加优势
授课专家：北京前沿未来科技产业发展研究院院长 陆峰博士
联系电话13716300228（微信同号）
（信息来源：北京前沿未来科技产业发展研究院）
北京前沿未来科技产业发展研究院
【重磅推荐】《前沿未来科技产业发展 : 前沿与基础》（人民出版社，2026年6月）
热门跟贴