面向人工智能时代的城域网络白皮书

人工智能发展态势

• 全球人工智能市场快速增长，预计到2030年将达到18117.5亿美元，CAGR为37.3%。
• 中国人工智能产业规模预计将从2025年的3985亿元扩张至2035年的17295亿元，CAGR为15.6%。
• 人工智能技术全面进步，呈现“双轨推进与多元繁荣”的发展趋势。
• 大型人工智能模型技术进入飞快开发阶段，参数数量不断增加，多模态融合成为重要发展方向。
• 软件工程优化成为突破人工智能硬件瓶颈的关键途径，推动大型人工智能模型走向低成本高效开发。
• 多边缘智能体的交互反映了人工智能技术从集中式系统向分布式系统的转变。
• 大型人工智能模型可以通过模型蒸馏等技术实现轻量化部署，推动基于边缘的小型智能设备的发展。
• 人工智能将从追求响应速度转变为强调深度推理的范式转变，计算需求从预训练转向推理。

人工智能驱动下的 MAN 需求

• 人工智能应用创新持续推进，涵盖AItoH、AItoC和AItoB等场景，并渗透到多个垂直行业。
• 人工智能应用展现出多样的部署模式，包括云部署、联盟部署、混合部署、本地部署、联邦部署和边缘部署。
• 人工智能应用对MAN提出新要求，包括超大规模数据传输、存储和计算分离的模型训练、跨AIDCs的协同模型训练、云边协同模型训练/推理、推理交付、联邦学习和多智能体系统/A2A。
• 人工智能应用驱动MANs面向下一代进化，需要支持弹性、敏捷、灵活和高效的网络架构和技术。

人工智能时代的MAN架构

• MANs设计目标：构建计算与网络深度融合的下一代网络基础设施，具有智能、高效、安全、可靠的特点。
• 整体MAN架构：由以计算能力为导向的POD区域、以计算能力为导向的POP区域和以计算能力为导向的互联区域组成。
• 以计算能力为导向的POD区域：为用户终端、企业分支机构和家庭用户提供集中接入，支持深度和浅度算力池化和跨POD度。
• 以计算能力为导向的POP区域：作为云网与承载网的互联互通节点，实现计算能力资源的按需调度和弹性分配。
• 以计算能力导向的互联区域：连接MAN到骨干网、其他MAN和计算能力导向的POPs，实现高速互联与智能调度。

人工智能时代的关键技术

• 集成计算和网络，融合承载网络：基于SRv6和EVPN的融合架构，实现统一服务承载网络，提供方便的服务提供和提升网络敏捷性。
• 计算资源智能调度：基于任务的调度、弹性带宽、高带宽链路和网络级负载均衡，实现供需的动态匹配，并提升算力资源的协作效率。
• 精确控制和动态收敛：大象流智能识别与调度、流级精确流量控制、高收敛比网络和确定性服务，提高网络资源利用率，并确保关键人工智能服务的高效传输及整体网络性能。
• 智能运维、安全和可靠性：智能运维能力、租户级网络切片隔离、端到端安全保证和绿色低碳网络，应对人工智能时代对网络提出的挑战。

典型部署场景

• 场景1：向AIDC传输海量样本数据：租户级切片隔离和RDMA广域无损传输。
• 场景2：存储和计算解耦的模型训练：租户级切片隔离、RDMA广域无损和数据处理加密。
• 场景3：跨多个AIDCs的协同模型训练：高收敛网、网络均衡和数据加密。
• 场景4：云边协同模型训练/推理：RDMA广域无损和网络均衡。
• 场景5：推理交付：RDMA广域无损和网络均衡。
• 场景6：联邦学习：RDMA广域无损、网络均衡和安全加密。
• 场景7：多智能体系统/A2A：安全加密和网络可靠性。

结论与未来展望

• MANs正面临高能耗和低效率的挑战，需要运用技术创新革命性地提升网络能效。
• 构建高效节能低碳的新型计算网络，为高质量发展数字经济提供绿色基础设施支撑。