附件

算力强基揭榜行动任务榜单

（一）云边端算网协同管理系统

揭榜任务： 面向云边端多层级算力环境，研发算网协同应用管理系统，设计面向不同应用软件架构的管理机制，支持对不同架构应用软件的统一管理；研发应用软件在算网协同中的自动化构建部署能力，支持应用软件的自动构建和分发部署；研究算网协同应用系统的一体化观测能力，降低运维复杂度，提高复杂应用软件运行的稳定性和可靠性。

预期目标： 到2026年，研制应用软件管理系统，支持对传统应用软件、云原生应用软件、AI应用软件、大数据应用软件等不少于5种应用软件的全生命周期管理。研究基于算网协同的分布式构建和部署技术，支持上述应用软件的自动分发和跨算力节点部署，实现零人工介入。研发算网应用一体化观测功能，具备白盒化动态分析以及智能故障根因定位能力。在不少于3个行业完成试点验证。

（二）支持超大规模参数模型的训推一体化异构智算平台

揭榜任务： 面向人工智能大模型训练和推理对计算资源的需求，研发支持超大规模参数模型的训练、推理一体化智算平台，包括资源调度策略、训推加速套件等，并可支持多种硬件架构，屏蔽底层硬件差异，提升超大规模模型在训练、推理过程中稳定性、资源利用率和运行效率。

预期目标： 到2026年，研发一套支持万亿参数模型的超大规模训推一体化智算平台，万卡环境下稳定训练时间不低于30天，有效训练时长不低于95%，训练效率较当前主流水平提升不低于30%，推理效率提升不低于50%。支持主流深度学习框架，兼容多种硬件架构，并提供统一的编程接口和开发环境，实现不低于10个行业用户的落地验证。

（三）异构算力跨域任务编排系统

揭榜任务： 针对跨域异构算力协同，研发跨域异构算力管理系统，实现跨域异构算力的管理和应用。研发针对多样性算力的规范化开放互联功能，支持对不同类型的异构算力模型统一抽象封装；研发跨域异构算力的管理功能，支持对跨域异构算力的统一管理和协同；研究跨域多主体算力的安全认证和控制方法，保障跨域协同安全。

预期目标： 到2026年，研发不少于6种跨域协同调度算法，支持数据处理、函数计算、机器学习等不少于3个场景的计算任务部署，完成不少于5个跨域算力中心的统一管理。研发跨域多主体算力的安全认证方法，支持云边端等不同层级算力协同的安全要求。在不少于2个行业完成试点验证。

（四）训推算力一体机

揭榜任务： 面向人工智能训练、推理场景，研发基于基础设施即服务（IaaS）和平台即服务（PaaS）的高性能训推一体化解决方案，覆盖对大模型开发训练和部署推理的全流程，包括数据准备、模型训练、模型评测和模型部署。同时，支持大模型加密、攻击防御等能力，解决针对大模型数据泄露、指令攻击等安全问题和风险。

预期目标： 到2026年，研发支持至少3种指令集芯片的训推一体机，针对至少5个行业开展人工智能训推一体机应用，为用户提供多元化训推一体化服务，并在至少10种不同的场景进行人工智能训推一体机落地。

（五）大规模异构算力集群推理加速技术

揭榜任务： 研发存储、网络、计算的协同优化技术，通过模型加速、调度加速等方法实现大规模异构算力集群在大模型推理方面的加速，从而支持更大的模型、更长的上下文、更高的性能及更低的能耗，促进算力芯片在大模型推理方面的更好应用。

预期目标： 到2026年，实现集群有效吞吐量5倍以上提升，实际应用场景中可处理的请求数提升1倍以上，首字延迟性能提升1倍以上，芯片利用率提升50%以上。通过优化算力中心计算、存储、网络的配比以及拓扑结构和系统调度策略，实现千卡以上异构集群在推理加速领域的突破。

（六）磁光电融合存储系统

揭榜任务： 针对单一存储介质难以满足多样化数据存储需求的现状，依托磁、光、电存储在性能、寿命、功耗等方面的差异化特性，将磁、光、电存储技术进行融合，研发磁光电融合存储系统，构建基于固态硬盘（SSD）、机械硬盘（HDD）和光存储的多级存储架构。根据业务特征，将数据保存在不同级别的存储设备中，实现海量数据的集中、统一存储管理，支撑算力中心高效、低碳、安全持续发展。

预期目标： 到2026年，研发磁、光、电融合存储系统，支持适配分布式文件、分布式块和分布式对象等至少3种存储类型，系统可以根据数据的访问时间、访问频率、文件属性等自定义分级策略，根据业务负载动态调整迁移。系统可通过介质安全、系统安全、软件安全等夯实底层安全能力，通过防勒索、加密算法、远程监控、光存储预警检测等增强数据安全能力。打造磁光电融合存储应用示范，完成至少20个业务系统应用，实现至少4个东部地区数据流动至西部磁光电存储系统，且数据存储量不少于10PB。

（七）存储调度管理及应用技术

揭榜任务： 针对海量数据存储和算力孤岛问题，研发跨域多算的存力调度、存网编排和存算网一体化系统，实现数据的智能冷热分级、应用的跨域无感访问等能力，有效降低成本、提高性能和支撑业务。系统具备资源规划、策略调整能力，可优化和调整全网数据存储布局，实现对不断变化的需求的适应。

预期目标： 到2026年，研制具备高效、可扩展性的存储系统，基于智能算法，对数据进行分析和调度，实现应用无感访问和智能流动。研究存力调度策略，使数据召回率控制在30%以下；研究基于潮汐网络调度算法，实现网络带宽利用率提升50%以上，达到存网一体的目标。集成存储、计算和网络的能力，支持存算网一体化调度，在算力中心资源池落地应用。

（八）高性能数据处理器（DPU）

揭榜任务： 开展基于芯粒（Chiplet）和第五代精简指令集（RISC-V）技术的软硬件一体DPU芯片技术研究，支持算力中心、智算中心、超算中心场景所需的超高带宽和超低时延，突破Chiplet异构芯片封装技术、高速Serdes通信、大规模无损网络拥塞算法、硬件密码算法、高性能虚拟化、硬件可编程等技术，实现基于ARM、X86、RISC-V等异构核心的DPU应用，提升算力中心基础设施处理能力和数据传输能效比。

预期目标： 到2026年，完成超高性能DPU芯片研发工作，吞吐能力达到400Gbps，单向流量时延不高于30us，支持与国内外主流CPU、GPU芯片平台的适配，支持主流操作系统兼容，支持数据报文硬件处理逻辑可编程。

（九）基于RoCE的智算网络

揭榜任务： 面向RoCE网络开展设备及管控系统研发，通过提高设备带宽、优化负载均衡算法、强化网络流量规划及运维能力等方式，提升RoCE网络的吞吐量和时延性能。研制新一代智能化管控工具，引入AI大模型能力，简化RoCE网络的部署和配置工作，实现全局、多维度的可视化运维。在网络波动、业务变更、故障等情况下，网络参数自动调整，流量快速切换，从而达到提升网络效率和降低运维成本的目标。

预期目标： 到2026年，实现新型RoCE网络整体方案的商用部署，网络性能提升10%以上。通过智能化管控及运维工具，网络部署难度大幅降低，运维效率提升50%以上，可支撑更大规模部署和应用。

（十）光交换智算网络技术研究与验证

揭榜任务： 面向智算集群低功耗、高带宽、低延迟技术需求，开展智算集群光交换组网关键技术研究与验证，重点突破智算集群光交换组网、路由协议适配等关键技术。针对智算集群的功能、性能、可靠性和扩展性等要求，研究光拓扑映射、光电混合路由、多路径负载均衡等技术。

预期目标： 到2026年，实现支持智算集群的易操作、高可靠、可平滑过渡升级的光网络，支持人工智能等关键业务承载；光交换设备单端口速率支持100GE/400GE/800GE，交换容量弹性可扩展，可支持不少于3种异构算力资源互联，在不少于2个智算集群完成验证，并完成不少于3种智算业务承载验证。

（十一）面向分布式智算中心的网络关键技术研究与验证

揭榜任务： 针对智算集群从集中式向分布式部署探索的趋势，攻关算力中心间网络技术，研发面向智算中心间的高可靠传输设备，构建智算中心间超大容量、超低时延、超高可靠光电协同网络，实现智算中心高速、可靠互联。

预期目标： 到2026年，突破智算中心间超大容量、超高可靠网络传输关键技术，研制面向智算中心间网络的传输设备，单波速率不低于1.6Tbps，设备时延不超过30us，支撑分布式智算中心间业务的高可靠传输。

（十二）智算中心跨域互联应用

揭榜任务： 优化人工智能算力基础设施布局，构建跨地域互补、协同算力调度的超大规模人工智能算力服务能力。加强与人工智能芯片厂商的兼容适配，构筑大规模高性能异构算力池，提供面向大模型训推场景深度优化的弹性调度、弹性容错、高资源利用率的人工智能算力服务。

预期目标： 到2026年，形成覆盖5个以上全国重点算力枢纽节点的人工智能算力中心，支持跨地域、跨云的算力需求感知和动态调度，完成3款以上算力芯片适配，聚焦大模型训练和推理场景，构建大规模、高性能、弹性调度、高容错的训推一体算力资源池，具备分钟级断点续训能力，支持万卡级别并行训练。

（十三）算力电力协同应用

揭榜任务： 研发基于算力调度技术与能源大模型的多云异构算电协同管理平台，构建基于数据驱动的算力集群用电负荷特性模型、基于计算任务的时空转移特性的能源大模型，推动算力预测与调度技术在智算中心应用落地，提升整体资源利用率，基于新能源、新型储能系统开展算力负荷与电力系统的协同优化，实现精准、动态、实时的能源调度与交易，实现算力与电力等能源的深度协同。

预期目标： 到2026年，实现智算场景下能源与算力全链路的数据穿透及流程整合，构建“算”随“电”动的直接控制及间接引导机制，实现算力需求预测精准度达到70%、集群有效负载率提升25%以上，智算中心整体集群资源利用率提高10%。结合算力集群用电数据、时间周期、气象数据、工作负载等多种因素，实现“电”随“算”用的能源效率优化与算效提升，实现基础设施用能决策精准度85%以上，响应时效性达到提前15分钟响应级别，智算中心整体算力能效水平提升30%，算力中心用电成本降低5%以上。

（十四）大规模通信业务场景中的算力应用

揭榜任务： 围绕网络功能虚拟化（NFV）系统架构，针对NFV中网络性能、资源利用和灵活展性等方面的挑战，研发面向NFV架构的高性能虚拟化、智能化网络管理和资源编排算法等技术和系统，突破虚拟化层与硬件加速器（如FPGA、DPU、GPU）之间的协同能力。

预期目标： 到2026年，NFV算力平台系统中实现对虚拟化网络功能的智能调度，支持异构集群部署、动态扩展，资源动态分配，虚拟化资源利用率提升20%以上；支持GPU、FPGA等硬件加速器的虚拟化调度，加速网络处理性能至Tbps以上；支持智能化网络虚拟化功能管理，提升NFV系统的自动化运维能力和管理效能，故障修复时间缩减不低于30%。

（十五）绿色算力技术研究及应用

揭榜任务： 围绕算力的绿色节能技术突破，面向算力中的任务调度特性、能源使用模式、负载均衡要求等关键要素，研发适应于绿色计算的动态资源调度算法、能耗优化管理系统，以及面向多场景的协同节能机制，突破节能算法的智能化程度，提升算力网络中多节点的能源利用效率。

预期目标： 到2026年，能耗管理系统实现对算力中心和网络节点的实时监控与节能调度，通过计算节点支持动态调频、动态电压调节，单节点平均能耗降低30%以上，满足AI推理等应用需求。