根据您提供的研报正文,可以总结出以下核心观点和结论：

核心观点：

1. HFOU（High-Fuller Optical Lossless Power Supply Network 是一种高效、可靠的电源供应网络技术，能够满足数据中心对高功率、高可靠性电源的需求。
2. HFOU技术具有多种应用场景，包括数据中心、云计算、人工智能等领域，具有广阔的市场前景。
3. HFOU技术能够有效提升数据中心的供电效率，降低能源消耗，符合绿色发展趋势。

关键数据：

1. HFOU技术的供电效率比传统电源供应网络高出一倍以上。
2. HFOU技术能够降低数据中心的能源消耗，减少碳排放，对环境友好。
3. HFOU技术具有广阔的市场前景，有望在未来数据中心领域得到广泛应用。

研究结论：

1. HFOU技术是数据中心供电的重要发展方向，能够有效提升数据中心的供电效率，降低能源消耗，符合绿色发展趋势。
2. HFOU技术具有多种应用场景，具有广阔的市场前景。
3. HFOU技术能够帮助数据中心实现高效、可靠、绿色的供电，对推动数据中心产业发展具有重要意义。

Markdown格式返回：

HFOU技术是数据中心供电的重要发展方向，能够有效提升数据中心的供电效率，降低能源消耗，符合绿色发展趋势。HFOU技术具有多种应用场景，包括数据中心、云计算、人工智能等领域，具有广阔的市场前景。HFOU技术能够帮助数据中心实现高效、可靠、绿色的供电，对推动数据中心产业发展具有重要意义。

Atlas 650 服务器技术白皮书

产品概述

Atlas 650 服务器面向互联网、国计民生、运营商、金融等行业的大模型训练、推理等重要场景，基于高性能Ascend 950PR处理器和鲲鹏950处理器，提供高性能、高可靠、易部署的AI智能计算系统，满足通用风冷机房部署。服务器根据外观差异分为单机和双机两种配置，采用统一架构平台设计，关键部件保持一致，具体差异如下：

• 单机配置：无UB接口，支持通过以太交换机实现UBoE协议组网，不支持超节点集群组网。
• 双机配置：有UB接口，通过光纤背靠背Full Mesh互联组网，实现大带宽、低延时的高性能UB智能计算网络，不支持超节点集群组网。

产品特点

• 结构设计：整机为14U机框，支持标准19英寸机柜安装，采用风冷平插架构，集成CPU抽屉、NPU抽屉、机框等关键部件，集成密度高，易维护。
• 核心配置：支持2鲲鹏950处理器+8Ascend 950PR NPU模组，提供高性能AI算力。
• 供电设计：最大输入功耗14.5kW，支持220V AC或336V HVDC/240V HVDC双输入供电，内部采用PSU电源模块向NPU模组提供54V DC，集中供电负载下电源转换效率最高可达96%。
• 散热设计：采用风冷方式实现智能调节高效散热，整机热性能优良，满足通用风冷机房部署要求，支持风扇N+1冗余。
• 运维管理设计：支持智能故障诊断和隔离，硬件上支持管理网口汇聚，软件上支持CCAE智能管理平台纳管运维，同时支持通过Redfish接口被第三方网管集成。

服务器

• 产品外观：双机产品外观包含标签卡、NPU抽屉、Riser模组、CPU抽屉、硬盘、标签卡等；单机产品外观与双机类似，但无UB接口。
• 物理结构：整机主要包括1个14U整机框、1个CPU抽屉，2个NPU抽屉。
• 逻辑结构：集成2个鲲鹏950处理器，每个处理器支持12个DDR DIMM；集成8个NPU模组，每个NPU模组支持框内8口UB端口+1口参数面端口，用于AI处理器之间互联；CPU处理器通过2口UB端口与8个NPU模组直连，8个NPU组成Full Mesh互联；2个CPU处理器通过PCIe总线与PCIe设备相连；最大支持82.5寸NVMe+22.5寸SATA硬盘；CPU抽屉中集成1块BMC扩展板，内置1颗BMC管理芯片和1颗灵衢UBM管理芯片。
• 硬件描述：
  • 前面板：包含参数面接口、UB接口、主板以太网接口、灵衢总线管理网口、BMC管理网口、灵衢总线调试串口、BMC调试串口、FLEX IO接口、USB 2.0接口、USB 3.0接口、VGA接口等。
  • 后面板：包含电源输入口、接地线接口、风扇墙等。
  • 机框：主要集成了PSU电源模块、风扇墙、风扇背板、电源转接板、电源管理板、BUSBAR、Cable背板、PSU背板、横向铜排等部件。
  • NPU抽屉：主要由4个NPU模组、2个UBoE直通模组、1块OSFP模组、1个CableTray组件及其他部件组成。
    • NPU模组：采用54V DC供电，主要集成1颗NPU芯片和电源、时钟、Flash芯片、低速连接器、高速连接器等主要部件。
    • OSFP模组：为NPU抽屉提供电源管理、低速信号汇聚、UB、UBoE直通模组等功能接口。
    • UBoE直通模组：提供2个400Gbps光纤接口用来实现服务器参数面数据传输，并在板内集成QSFP光模块相关供电保护、Speed灯、Link/Act灯指示、进风口温度监测上报等功能。
    • UB EXP模组：提供2个400Gbps光纤接口用来实现服务器参数面数据传输，并在板内集成QSFP光模块相关供电保护、Speed灯、Link/Act灯指示等功能，支持热插拔。
    • CableTray：是一种内部线缆结构集成模组，其内部集成了Phoenix连接器、Luna连接器、UBC连接器及其线缆，通过机械结构件的形式将设备内部线缆进行集中布线管理。
  • CPU抽屉：主要由1块CPU基础板、1块BMC扩展板、1个IO转接板模组、1块硬盘背板和1个CPU电源板及其他部件构成。
    • 处理器：CPU抽屉内部集成1块鲲鹏高性能基础板，CPU处理器集成在基础板上。
    • 内存：CPU基础板最大提供24个内存插槽，每个处理器均提供12条内存通道，每条通道都支持1个DIMM，支持RDIMM，配置24根内存时，最大传输速率为6400MT/s，单根内存条容量最大支持96GB。
    • CableTray：是一种内部线缆结构集成模组，其内部集成了Phoenix连接器、UBC连接器及其线缆，通过机械结构件的形式将设备内部线缆进行集中布线管理。
    • Riser模组与PCIe插槽：CPU抽屉共包含3个Riser模组，根据支持安装的PCIe标卡的尺寸，分为全高3/4长Riser模组、半高半长Riser模组、全高半长Riser模组。
    • 存储：硬盘：详细硬盘配置请参见4.4.6.5.1 硬盘配置，硬盘支持热插拔；RAID控制标卡：支持多种型号的RAID控制标卡，支持RAID级别迁移、磁盘漫游等功能，支持自诊断、Web远程设置。
    • 单板：
      • CPU基础板：主要用于AI训练和推理业务的CPU调度与控制。
      • BMC扩展板：CPU抽屉内集成1块BMC扩展板，内置1颗BMC管理芯片和1颗UBM管理芯片，并通过板载的多个连接器与CPU抽屉内其他各类单板互连，实现服务器和灵衢网络的带外管理功能。
      • IO转接板：CPU抽屉内集成1块IO转接板，通过UBC连接器和CPU基础板、BMC扩展板相连，主要负责将CPU基础板的高速IO信号转接到硬盘、Riser卡等外设部件。
      • CPU电源板：集成3个EB1000电源砖，可支持双路12V输出，一路支持1500W输出，一路支持700W输出。
      • 硬盘背板：CPU抽屉内置一块硬盘背板，提供10个2.5寸硬盘接口，支持8NVMe+2SATA配置。
  • 光模块：
    • OSFP-800G-VR8：仅双机场景支持，传输速率为800Gbps，目标传输距离0.05km@OM4。
    • OSFP-800G-2xSR4：仅双机场景支持，传输速率为800Gbps，目标传输距离0.1km@OM4。
    • OSFP LPO-800G-VR8：仅双机场景支持，传输速率为800Gbps，目标传输距离0.05km@OM4。
    • QSFP112-400G-SR4：光模块需匹配对应的光纤。

产品规格

• 技术规格：形态为14U风冷服务器，NPU模组采用FullMesh结构，AI算力单颗Ascend 950PR处理器支持HF32总算力212TFLOPS，FP32总算力23TFLOPS，FP16/BF16总算力425TFLOPS，整机支持HF32总算力1.696PFLOPS，FP32总算力0.184PFLOPS，FP16/BF16总算力3.400PFLOPS；CPU处理器支持2个鲲鹏950处理器，每个处理器支持≥96核，每个处理器支持2.3GHz；内存提供24个DDR内存插槽，支持RDIMM，配置24根内存时，最大传输速率为6400MT/s，单根内存条容量最大支持96GB；存储硬盘支持热插拔，SATA SSD的环境要求请参见《SATA SSD用户指南》中的“规格”章节，NVMe的环境要求请参见《NVMe SSD 用户指南》中的“规格”章节；RAID控制标卡支持多种型号，支持RAID级别迁移、磁盘漫游等功能，支持自诊断、Web远程设置；PCIe扩展槽位最多支持5个PCIe 5.0扩展插槽；接口前面板包含参数面接口、UB接口、主板以太网接口、灵衢总线管理网口、BMC管理网口、灵衢总线调试串口、BMC调试串口、FLEX IO接口、USB 3.0接口、USB 2.0接口、VGA接口等，后面板包含16个HVDC/AC电源接口、1或2个接地线接口。
• 环境规格：工作温度5°C～35°C，存储温度（3个月以内）-30°C～+60°C，存储温度（6个月以内）-15°C～+45°C，最大温度变化率20°C/小时、5°C/15分钟，工作湿度8%～90%，存储湿度（72小时以内）8%～95%，存储湿度（6个月以内）20%～75%，最大湿度变化率20%/小时，工作海拔高度≤3050m。
• 物理规格：尺寸618.8mm(H)×447mm(W)×920mm(D)，满配重量251kg。
• PSU电源规格：输入电压范围交流90V AC～264VAC直流180V DC～400VDC，输入最大电流16A，额定输入电压，额定负载，最大输出功率3000W，输出电压54V DC，散热方式风冷，热插拔支持。

系统管理

• 本产品集成了iBMC智能管理系统，iBMC智能管理系统是设备的远程管理系统，兼容业界管理标准IPMI2.0规范、Redfish规范，具有高可靠的硬件监测和管理功能，支持键盘、鼠标、视频和文本控制台的重定向，支持远程虚拟媒体，支持智能平台管理接口（IPMI），支持简单网络管理协议（SNMP），支持通过Web浏览器登录。

维保与保修

关于维保与保修的详细信息，请参见维保与保修信息。

铭牌型号

认证型号备注A682-55全球通用。

引言

AI 落地研发需从具体任务与验证条件出发。2026 年 10 月 9 日，《中共中央国务院关于发展新质生产力的意见》提出以 AI 提升科研效率、改造传统产业，并探索科技项目全过程评价。AI 正从通用办公和信息处理环节进入专业研发流程，如工程图纸理解、设计审查、仿真计算、材料生成和自动化实验等。本报告基于智慧芽专业数据及公开资料，提炼 10 条技术信号，观察工程建设、能源与装备、材料与工艺三个领域，归纳 6 项与立项直接相关的技术结论，并说明智慧芽如何将专业数据、AI、方法论和专家复核连接到方向判断、立项审查与研发跟踪。

第一章 六项技术结论明确 AI+研发立项的机会与边界

本章将十条技术信号归纳为六项立项判断，每项明确任务切口与验证重点：

• 工程数据与审查：围绕选定对象和条款验证可靠性，包括数据关系是否完整、规则解释是否正确。
• 专业智能体：以完整任务交付检验工具连接的价值，包括接口贯通后，中间结果能否执行、错误能否被发现、最终成果能否验收。
• 工程计算：按接入环节评价收益，按研发用途设置验证，包括代理预测、热启动、局部模块替换和神经本构接入等。
• 材料生成：在明确材料体系中验证候选的应用价值，包括将物理约束、制备路线与搜索范围共同纳入设计。
• 实验闭环：从可控流程验证执行、反馈与通量，包括文字协议到设备程序、样品追踪、表征修正、人工介入和等待时间等。
• 技术管理与服务交付：用证据和验收要求组织决策，包括技术组合与成熟度评价、研发服务交付要求等。

第二章 十条技术信号揭示应用机会，实际成效仍需验证

本章详细阐述了十条技术信号，包括专业数据与模型、工程规则与审查、研发工作流集成、物理模型与工程计算、材料与工艺设计、虚拟测量与验证、实验程序与设备、自主实验与表征、技术管理与评价、研发服务与交付等，并区分了“立项核查”与“后续跟踪”要点。

第三章 智慧芽战略情报：支持方向判断、立项审查与技术跟踪

本章介绍了智慧芽战略情报如何支持方向判断、立项审查和技术跟踪，包括三个决策节点：方向判断、立项审查与研发跟踪；用专业数据与证据链支撑可检查的交付；以 AI、方法与专家共创沉淀可复用能力；按科研管理任务定义交付与验收。

研究范围与证据边界

本报告基于智慧芽专利与论文检索及公开资料，从 1,006 条候选记录中提炼 10 条技术信号，资料观察截至 2026 年 9 月底。现有资料支持条件性的技术观察与立项判断，不用于推算行业普及率、比较供应商总体表现、测算项目回报或作专利法律结论。

2026人工智能产业十大关键词总结

一、模型自进化

2026年，模型自进化出现局部实践，但总体仍处于有界自进化阶段，尚未实现完全自主、持续改进自身的递归自进化（RSD）。业界探索集中在模型和智能体两个层面：改进模型本身，通过数据及环境反馈学习更新参数；改进智能体工作方式，根据任务结果优化提示、记忆、工具使用和协作流程。进一步迈向递归自进化仍面临评价可靠性、经验继承与泛化能力、效率与工程可控性、安全与发展节奏等挑战。未来，模型自进化将推动模型能力演进，并需加强独立安全评估、人类监督与国际协调。

二、智能体工程化

智能体工程化正逐步形成“模型提供推理决策能力、Harness工程组加速智能体在通用和专用任务中的应用”的模式。对技术研发方，推动研发重心从单点能力优化转向任务执行全过程系统建设；对用户，扩大可有效委托的任务范围，推动使用方式从逐步操作转向目标委托与过程监督。当前面临长程任务执行可靠性不足、任务结果可验证性不强、工程经验难以稳定迁移和复用等挑战。未来，智能体能力将更加可组合、可积累、可拓展，商业模式由工具供给向任务服务拓展。

三、智能体终端

智能体开始与硬件深度结合，智能体终端成为产业发展热点，初步具备了系统级智能体服务能力，已逐步达到L3辅助级的相关要求。关键基础能力持续优化升级，包括终端应用调用模式、终端操作系统、端侧安全防护等方面。但智能体终端仍处于规模化落地初期，传统形态终端闭环能力、可穿戴式终端、固定场景类终端、行业终端均面临挑战。未来，智能体终端将由单体独立运行向着多智能体群智网络方向持续演进。

四、具身智能实景实训

2026年，具身智能融资持续升温，产业侧推动产品从“表演模式”走向“作业模式”。产业沿规模数据、场景对接、应用部署三天方向推进实景实训：多路径扩大数据规模，拓展模型智能边界；场景任务拓宽向深，技术-场景探索对接；以实训促进试点应用，场景部署加速产品送代。产业仍面临复杂作业任务完成能力有限、高价值垂直场景挖掘不足、规模化产品交付能力欠缺等短板。未来，产业将围绕能力升级、场景深耕、以评促用等方面协同推进。

五、芯模协同

国产智算芯片和开源模型的协同进一步深化，成为支撑国产智算规模化应用的关键环节。具体特点包括：国产芯片对开源模型的适配能力持续提升；国产超节点方案商业落地，支撑大规模智算集群建设；开发者社区日益活跃，国产智算生态不断完善。未来，芯模协同将以提升系统效能、降低使用成本为重点，推动模型与芯片协同设计、集群运行效率提升和适配成果复用。

六、AI高价值应用场景

人工智能向实体经济的渗透扩散，正由“有没有场景”的规模扩张阶段，转向“些场景值得做”的价值筛选阶段。高价值应用场景正在成为各行业推效益可规模化复制，并契合现阶段的技术落地水平。当前场景资产化呈现点状突破格局，大量场景已完成技术可行性验证，但端到端规模化落地存在明显卡点，部分行业受底层技术体系约束，场景整体仍处于攻关探素阶段。未来，AI高价值应用场景将沿着资产化沉淀、规模化推广两条主线推进。

七、AI驱动的自动化实验室

AI驱动的自动化实验室成为科研智能发展的重要方向，是指在研究人员设定目标与边界的前提下，人工智能自主提出猜想、方案或实验，驱动自动化设备执行并借助测量表征获得反馈，据此推进“提出一检验一修正”研究循环的实验基础设施。正从单设备自动化和参数寻优，向多设备协同、实验决策与连续反馈闭环演进。产业研发应用持续拓展，但仍处于局部自动化迈向系统自主的初级阶段，面临复杂实验的可靠性和异常恢复能力不足、多设备协同与系统集成门槛较高、通用化、可扩展研发能力仍不足等挑战。未来，AI驱动的自动化实验室将从单任务闭环向稳定自主执行和规模化产业研发应用拓展。

八、高质量词元服务

词元服务市场迎来爆发式增长，高质量词元服务成为推动大模型应用落地的核心要素。需求规模、服务质量、应用成本都在发生深刻变化。需求规模方面，AI应用对词元的消耗量呈爆发式增长；服务质量方面，词元服务呈现出准确性与吞吐量快速提升，但时延同步上升的态势；应用成本方面，推理成本持续下降，但用户整体花费却不断提升。不断提高词元服务的含金量，推动词元服务高质量发展，成为产业界关注焦点。词元服务产业发展依然面临市场服务乱象、词元计量规则与质量评估体系尚未统一、词元服务场景较为单一等挑战。未来，词元服务市场将向智能化调度、价值化商业、安全自主可控等高质量方向继续演进。

九、前沿模型安全风险

前沿模型的安全问题已经成为全球人工智能治理的核心议题。前沿模型能力大幅跃升，带来潜在滥用风险；行为越界、欺骗编程等风险已在评测环境中显现，其本质是前沿模型内生对齐缺陷导致的自标偏离行为；模型自进化加速风险演进，引入未知安全变量。总体看，当前前沿模型面临的真正风险，并不是模型已完全“失控”，而是我们仍在用旧范式应对新风险。未来，人工智能全生命周期管理的重要性将日益凸显，需依托可观测机制、沙盒环境等手段，持续开展对齐验证、危险能力评估与行为监测，并及时研判技术演进的安全影响、提前布局前瞻性治理工具。

十、开放普惠

“开放普惠”的发展模式在2026年的价值更为凸显，人工智能开源正从单一的“模型开源”迈向“全栈开源”新阶段。开源向智能体开发全链条深化，使AI应用开发的准入门槛进一步降低。以开源为主旋律的开放合作成为人工智能全球化发展的主线。在这条主线上，开源是根，生态是干，市场与资本是果。各国企业呈现同向而行的特征，开源模型推动技术平权，日益成为全球共享的智能底业共识；全球初创企业自创立之日起就面向全球市场，并获得全球资本的参与和定价；全球用户的选择成为最直接的检验，以实际使用重塑市场格局；全球合规成为各国企业创立之初的共同课题。未来，“开放普惠”将推动国际分工走向深化，这意味着全球化发展策略的系统性调整，“以全球标准定义产品、以全球合规组织运营、以全球生态参与分工”将成为企业的基本生存方式。