6月16日，广东省、广州市2025年"安全宣传咨询日"活动在广州举行，活动现场共设置应急装备展示 区、社会应急救援力量演练区、12350直播间等9大区域，集中展示广东新质能力应急装备以及安全宣传 教育、基层应急管理能力建设实践及成果。 AR头盔、四足机器狗、可以飞的救生艇……在设备展示区，一批批"高精尖"应急救援设备吸引众多观 众驻足观看。此次活动现场共有参展企业1017家，展示设备及器材多达4000多款。 今年现场还设立了"12350"安全生产非法违法行为现场举报点。"线索主要跟日常生活息息相关，比如消 防通道被占用、电动车违规进楼入户等。"负责接听举报热线的主播介绍，接到举报后，导播会详细记 录问题，形成问题清单，建立追踪档案，并与相关部门沟通，直到获得明确的处置回应。 启动仪式上，省市安委会相关负责人强调，要以开展"安全生产月""安全宣传咨询日"活动为契机，做好 安全宣传进企业、进农村、进社区、进学校、进家庭，普及应急管理法规政策和安全知识。要广泛发动 社会公众参与，鼓励企业职工报告内部的风险隐患，鼓励群众反映身边的安全问题，由"要我安 全"向"我要安全"转变。 16日上午，结合安全宣传进化工园区、进企 ...

大模型训推系统的效率挑战 - 超过60%的算力浪费在硬件资源错配与系统耦合上，传统优化方法难以解决芯片特性的"三角矛盾"（算力-带宽-容量失衡）[1] - 大规模训练集群存在利用率黑洞，MoE模型需要精准平衡计算与内存配比，极致压缩通信占比，否则效率骤降[3] - 动态实时推理系统任务两极分化，需同时满足高吞吐与低延迟，在不同任务场景实现动态效率最优[3] 数字化风洞技术 - 在虚拟环境中"彩排"AI模型训推，模拟不同参数、输入和资源分配方案，提前发现计算系统瓶颈点和逻辑漏洞[2] - 华为构建昇腾"数字化风洞"，能够小时级预演万卡集群方案，通过性能加速与高可用性实现大模型"又快又稳"运行[2] - 动静态融合的大规模训练集群建模仿真方法，通过有向无环图精准刻画模型对计算、内存、通信的需求[7] Sim2Train训练集群优化 - 通过全量部署空间搜索、动态性能感知调度优化等技术释放算力潜能，实现并行配置、内存管理等小时级自动寻优，支撑MFU达成41%[4] - 负载-软件-硬件协同优化范式发现最优设计与优化方案，包括模型结构智能搜索、全栈架构建模与策略联合优化等[7] - 实现毫秒级资源再平衡与故障容错，保障作业万级小时无间断运行[3] Sim2Infer推理系统优化 - 通过推理服务多层级量化建模、动态智能优化等技术，实现高性能动态专家激活、自适应混合精度推理等，端到端推理性能提升30%+[5] - 构建多层次推理系统建模仿真，集成负载特征建模、层次化系统架构分析等五大核心功能模块[10] - 通过多维代价模型建模实现软硬件协同推理加速创新，在昇腾平台上综合实现推理性能提升30%+[10] Sim2Availability高可用架构 - 通过随机优化搜索、灵敏度分析等技术实现集群硬件架构可靠性瓶颈定位及优化，支撑万卡集群分钟级快恢，可用度达成98%[9] - 硬件故障模式全栈监控，通过马尔科夫链刻画系统随机行为，构建状态转移模型[9][11] - 软件统一协同管控仿真，通过动态规划弹性调度、极致去冗余并行掩盖优化等技术提升算力系统可用度[11] 未来发展方向 - 随着新型应用快速变化和系统架构持续创新，算力基础设施的架构设计与优化空间持续激增[12] - 需要深化负载自动图化建模、多维架构耦合仿真等关键技术，在系统瓶颈分析、最优部署策略求解等领域发力[12] - 推动国产算力基础设施建设与AI计算技术创新，助力华为昇腾集群高效平稳运行[12]

大模型训推系统的挑战与优化 - 大模型训推系统面临硬件资源错配与系统耦合问题，超过60%的算力浪费在这些方面 [1] - 传统优化方法难以解决芯片特性的"三角矛盾"（算力-带宽-容量失衡） [1] - 动态负载需求下存在软硬件博弈的三大挑战 [2] 数字化风洞解决方案 - 采用"先模拟后实战"方式，在虚拟环境中预演复杂AI模型的表现 [3] - 华为构建昇腾"数字化风洞"，能小时级预演万卡集群方案 [3] - 通过Sim2Train实现训练集群架构仿真与设计空间自动寻优，支撑MFU达成41% [3] 训练集群优化 - 大规模训练集群存在利用率黑洞问题，MoE模型需要精准平衡计算与内存配比 [5] - 通过动静态融合的建模仿真方法，快速精准扫描模型对计算、内存、通信的需求 [6] - 实现负载-软件-硬件协同优化，达成模型性能与功能能力的最优均衡 [6] 推理系统优化 - 推理系统任务呈现两极分化，需同时满足高吞吐与低延迟 [5] - 通过Sim2Infer实现推理系统架构仿真与运行时在线自优化 [5] - 端到端推理性能提升30%+，实现高性能动态专家激活和自适应混合精度推理 [7] 高可用架构 - 通过Sim2Availability实现高可用架构仿真与统一协同管控 [9] - 支撑万卡集群分钟级快恢，可用度达成98% [9] - 采用随机优化搜索、灵敏度分析等技术实现集群硬件架构可靠性优化 [9] 未来发展方向 - 新型应用快速变化推动系统架构持续创新 [11] - 需要建模仿真方法支撑算力基础设施持续演进 [11] - 深化负载自动图化建模、多维架构耦合仿真等关键技术 [11] 多层级推理系统 - 构建负载生成-请求调度-推理引擎-硬件系统四层架构 [12] - 集成五大核心功能模块实现复杂推理建模仿真 [12] - 通过软硬协同实现推理性能提升30%+ [12] 故障监控与恢复 - 采用马尔科夫链刻画系统随机行为，构建状态转移模型 [13] - 通过蒙特卡洛分析硬件可靠性瓶颈 [13] - 实现动态规划弹性调度和极致去冗余并行掩盖优化 [13]

昇腾建模仿真平台 - 业界首次发布昇腾建模仿真平台，实现负载-优化策略-系统架构联动寻优，找到基础设施运行甜点 [1] - 华为研究团队发现超过60%的算力浪费在硬件资源错配与系统耦合上 [2] - 传统优化方法在芯片特性的"三角矛盾"（算力-带宽-容量失衡）前束手无策 [2] 大模型训推系统挑战 - 大规模训练集群利用率黑洞：大模型训练过程像"猛踩油门"，MoE模型需精准平衡计算与内存配比 [4] - 动态实时推理系统任务两极分化：需同时满足高吞吐与低延迟，在不同任务场景实现动态效率最优 [4] - 复杂万卡集群长稳运行需突破计算-内存动态博弈、异构任务资源争抢及硬件耐久性瓶颈 [4] 数字化风洞解决方案 - 在虚拟环境的"数字化风洞"中预演AI模型训推，提前发现计算系统瓶颈点和逻辑漏洞 [6] - 华为马尔科夫建模仿真团队构建昇腾"数字化风洞"，能够小时级预演万卡集群方案 [6] - 通过昇腾亲和的性能加速与训推系统极致高可用，助力大模型运行"又快又稳" [6] Sim2Train训练仿真系统 - 实现并行配置、内存管理、系统亲和通信策略小时级自动寻优，支撑MFU达成41% [7] - 通过有向无环图的算子组合，灵活表达大规模AI应用，快速精准扫描模型资源需求 [7] - 依托负载-软件-硬件协同优化范式，发现最优设计与优化方案 [7] Sim2Infer推理仿真系统 - 实现高性能动态专家激活、自适应混合精度推理等，端到端推理性能提升30%+ [8] - 构建负载生成-请求调度-推理引擎-硬件系统四层架构的复杂推理建模仿真系统 [10] - 通过软硬协同建模仿真驱动推理系统创新优化，综合实现推理性能提升30%+ [10] Sim2Availability高可用仿真 - 实现集群硬件架构可靠性瓶颈定位及优化，支撑万卡集群分钟级快恢，可用度达成98% [11] - 高效精准构建集群系统对计算、存储、网络的"状态监控"，通过马尔科夫链刻画系统随机行为 [13] - 通过动态规划弹性调度、极致去冗余并行掩盖优化等技术，实现算力系统可用度显著提升 [13] 未来发展方向 - 随着新型应用快速变化和系统架构持续创新，算力基础设施架构设计与优化空间持续激增 [16] - 华为将继续深化负载自动图化建模、多维架构耦合仿真等关键技术 [16] - 在系统瓶颈分析、最优部署策略求解、架构设计空间探索等领域发力 [16]

通用人工智能(AGI)发展路径 - 单点技术演进边际效应递减，系统性能天花板转向系统工程上限，需通过系统工程创新实现整体效能最优[1] - 华为推出《华为技术披露集》系列，首次全面详述技术细节，旨在构建开放协作生态系统助力昇腾生态发展[1][2] 大模型训推系统核心挑战 - 超过60%算力浪费在硬件资源错配与系统耦合上，传统优化方法难以解决算力-带宽-容量失衡的"三角矛盾"[3] - 大规模训练集群存在利用率黑洞，MoE模型需精准平衡计算与内存配比，通信占比压缩不当会导致效率骤降[5] - 动态实时推理系统需同时满足高吞吐与低延迟，万卡集群需实现毫秒级资源再平衡与故障容错保障长稳运行[6] 破局方案："数字化风洞"技术 - 采用虚拟环境预演技术，小时级预演万卡集群方案，通过性能加速与高可用设计实现大模型"又快又稳"运行[7][8] - Sim2Train训练仿真系统实现并行配置、内存管理等自动寻优，支撑MFU达41%，算力潜能释放显著[8][9] - 动静态融合建模仿真方法通过有向无环图精准刻画计算/内存/通信需求，结合硬件刻画能力实现效率优化[9][10] 推理系统性能优化 - Sim2Infer推理仿真系统实现动态智能优化，端到端推理性能提升30%+，支持低延迟高吞吐部署[12][13] - 多层级建模仿真系统集成负载特征建模、离散事件驱动仿真等五大模块，实现软硬件协同加速创新[12][13] 高可用集群保障技术 - Sim2Avaliablity高可用仿真实现万卡集群分钟级快恢，可用度达98%，硬件可靠性瓶颈定位精准[15][16] - 马尔科夫链构建系统状态监控模型，结合蒙特卡洛分析实现故障随机模拟与集群硬件可控[16] 未来技术演进方向 - 新型应用如细粒度MoE、Agentic AI等驱动系统架构创新，需建模仿真支撑算力基础设施持续演进[18][20] - 华为将持续深化负载自动图化建模、多维架构耦合仿真等关键技术，推动国产算力基础设施建设[20]

算力集群技术演进 - AI算力集群通过连接上万台计算机形成"算力航空母舰"，解决大模型训练中的协同工作、故障恢复等世界级难题 [3] - 万卡集群可用度达到98%，实现训练+推理场景下的秒级快速恢复 [1] 超节点高可用技术 - 采用系统层/业务层/运维层三级容错方案，将故障转为亚健康问题并通过运维手段消除 [5] - 系统层通过超时代答欺骗OS和网络路由切换防止超节点级故障 [5] - 业务层实现租户无感知的网络闪断重试，运维层通过主动感知技术削减亚健康事件影响 [6] 集群线性度优化 - 华为提出TACO、NSF、NB、AICT四项关键技术，实现算力规模与性能的近似线性增长 [8] - 实测Pangu Ultra 135B模型在4K卡集群线性度达96%，718B MoE模型在8K卡集群线性度95.05% [8] 万卡训练恢复技术 - 采用进程级重调度恢复技术将训练中断恢复时间缩短至3分钟内 [12] - 进程级在线恢复技术针对硬件UCE故障实现30秒内恢复，算子级在线恢复实现通信算子秒级重执行 [12] MoE模型推理容错 - 大EP组网架构下提出三级容错方案，实例恢复时间从20分钟降至5分钟 [14][15] - TOKEN级重试技术实现30-60秒实例恢复，减卡弹性恢复技术实现用户无感知的秒级恢复 [15] 故障诊断体系 - 构建全栈可观测能力，包含集群运行视图、网络链路监控等模块 [17] - 故障诊断覆盖全栈故障模式库、跨域诊断、计算节点诊断等维度 [17] 建模仿真平台 - 马尔科夫建模仿真平台实现训练吞吐提升4.5%-8.24%，通信暴露时间降低89.84% [20] - 推理建模仿真平均误差低至6.6%，高可用建模实现全周期故障场景仿真 [21] 框架迁移方案 - MindSpore通过MSAdapter工具覆盖90%以上PyTorch接口，实现第三方框架无缝迁移 [23] - 推理阶段支持HuggingFace权重一键部署，盘古72B模型实现推理性能提升 [23] 行业发展趋势 - 算力基础设施将形成"应用需求→硬件创新→工程反哺"的闭环演进路径 [25] - 未来方向包括算法驱动算力专用化、光电混合架构革新、AI智能化运维等 [25]

( 3 ) Sim2Av a il abilit y高可用建模仿真： 马尔科夫高可用建模仿真框架，通过离散时间步长 仿真，建模单步时长内的故障性能劣化影响与恢复耗时，模拟复杂系统训练任务中的故障场 景及运维响应，实现对训练过程性能表现与故障恢复状态的全周期监控仿真。 建模仿真：算力底座的"数字化风洞" 框架迁移：给模型跑车换更酷炫轮胎 总结与展望 你是否注意到，现在的 AI 越来越 "聪明" 了？能写小说、做翻译，甚至帮医生看 CT 片，这些能 力背后离不开一个默默工作的 "超级大脑工厂"——AI 算力集群。随着人工智能从简单规则判断 进化到能处理万亿参数的大模型，单台计算机的算力就像小舢板面对汪洋大海，而算力集群则是 把上万台甚至几十万台计算机像搭积木一样连接起来，形成一艘能承载巨量计算任务的 "算力航 空母舰"。 当我们把上万台计算机整合成一个有机整体时，需要解决一系列世界级难题：如何让它们像 精密钟表一样协同工作？如何在部分设备故障时依然保持高效运行？如何快速修复大规模训 练中的中断问题？接下来我们将逐一揭秘这些支撑 AI 算力集群的关键特性，看看华为团队如 何用工程智慧驯服这头算力巨兽。 超节点高可用 ...

具身智能产业概述 - 具身智能定义为基于物理身体进行感知和行动的智能系统，强调智能行为是身体与环境动态交互的结果[12] - 区别于传统AI，具身智能具备物理交互性、环境适应性和生产力型技能三大特征[13][14] - 主要形态包括类人机器人（如特斯拉Optimus）、仿生机器人（如波士顿动力Spot）和环境嵌入式系统（如达芬奇手术机器人）[15] 技术体系 - 核心技术框架为"感知-决策-行动-反馈"闭环： - 感知模块融合视觉/听觉/触觉等多模态数据，采用CNN等算法实现环境解析[19][20] - 决策模块依托GPT/RT-2等大模型进行任务规划，采用分层或端到端模型架构[21][22] - 行动模块结合机器人学与仿生学技术实现精密运动控制[22][23] - 反馈模块通过强化学习与物联网技术持续优化行为策略[23][24] 全球市场发展 - 2024年市场规模25.335亿美元，预计2033年达87.565亿美元（CAGR 15%）[35] - 美国主导技术生态（特斯拉/英伟达等），欧盟侧重伦理治理，日韩聚焦产业协同[1][37] - 商业模式包括软硬结合整机销售（特斯拉）、API接口收费（英伟达）和垂直领域解决方案（ABB）[36] 中国产业现状 - 2023年市场规模4186亿元，政策从国家到地方分层布局（北京/上海/深圳）[1] - 华为/优必选等企业在大模型和机器人本体领域取得突破[1] - 核心挑战包括高端伺服电机国产化率不足60%、数据采集成本高、标准不统一等[1] 技术发展趋势 - 多模态融合与数据生态标准化加速技术泛化[29] - 仿真平台（如"慧思开物"）重塑研发模式[30] - 场景商业化分阶段推进：工业优先（机械臂）、家庭长期培育（服务机器人）[30] - 材料革命推动柔性电子皮肤等新型产品形态[31] 产业链构成 - 上游：传感器/芯片等核心零部件[25] - 中游：机器人本体制造与系统集成[25] - 下游：工业/医疗/物流/家庭等应用场景[25] 安全挑战 - 数实融合攻击可能引发物理系统破坏[32] - 多维度数据采集存在隐私泄露风险[32] - 自主决策事故责任界定困难[33]

公司入选与背景 - 连云港虹洋热电有限公司入选《2025年江苏省先进级智能工厂名单》，成为全省能源行业智能化建设示范企业[1] - 公司为徐圩新区公用热源点，服务石化产业基地内多家企业，总投资超98亿元[1] - 已建成10炉9机，总供热能力3428.5吨/小时，是徐圩新区最大清洁能源热电联产项目[1] 智能化建设成果 - 以"数据驱动、智能赋能"为核心推进智改数转网联工作，采用人工智能、大数据、物联网等技术构建智能化生产管理体系[1] - 建立统一数据中台架构，实现全厂级数据互联互通，提升安全性和环保水平[1] - "智慧虹洋"一期项目开发煤场控制及皮带巡检智能系统，借助UWB技术构建智能化安全管理体系[2] - 引入高效节能设备和技术，优化生产工艺流程，使能源供给结构更高效环保[2] 行业发展趋势 - 徐圩新区实施智改数转网联行动，加速产业链与创新链、数字链深度融合[2] - 完善智能工厂梯度培育体系（基础级、先进级、卓越级、领航级），助推企业智能化绿色化转型[2] - 搭建专业辅导平台，对重点企业开展"一对一"诊断服务，指导智能装备应用和数据互联互通[2] - 近两年新区已有3家企业获批国家工业互联网试点示范、3家获批国家5G工厂、10家获评省级智能工厂[2]

上市进程 - 公司于2025年5月30日更新招股书，继续推进港交所主板上市进程，中金公司和华泰国际担任联席保荐人 [2] - 公司以18C章程赴港上市，曾两度考虑在境内交易所挂牌上市，分别于2020年12月备案科创板上市辅导和2023年12月备案北交所上市辅导 [2] 公司业务 - 公司成立于2015年，专注于中国数字孪生行业，聚焦3D图形、模拟仿真和人工智能三大领域技术 [2] - 公司形成三大核心业务：51Aes(数字孪生平台)、51Sim(合成数据与仿真平台)以及51Earth(数字地球平台) [2] - 51Aes是公司当前主要收入来源，提供包括AES、WDP、ISE三个核心产品和51CIM、51WIM、51XIM等行业解决方案 [3] - 51Sim于2017年孵化，核心产品包括SimOne、DataOne和TIM，已为数百家智能驾驶行业客户提供商业化服务 [3] - 51Earth于2022年孵化，截至2025年5月26日已吸引数以千计的建造者和开发者 [4] 行业地位 - 公司是数字孪生行业中首家提出并持续实施地球克隆计划的公司，也是行业唯一能够提供一站式数字孪生解决方案的公司 [4] - 公司是中国数字孪生行业中首家实现一年内收入超2.5亿港元的公司，2023年数字孪生行业中收入排名第一 [4] - 公司在中国数字孪生市场的融资金额排名第一 [4] 客户覆盖 - 公司已向覆盖19个国家及地区的超1000家企业客户提供产品及解决方案，涵盖10多个领域 [4] - 在智能驾驶和交通领域，公司已服务数百家客户，包括主机厂、一级供应商、智能驾驶人工智能公司和大学 [4] - 公司解决方案已提供给超过80家海外客户 [4] 财务数据 - 2022年至2024年，公司营收分别为1.70亿元、2.56亿元和2.87亿元 [5] - 同期公司毛利率分别为65.0%、54.2%和51.0% [5] - 2024年6月完成F轮融资后，公司估值为44亿元人民币 [5] 股东结构 - 公司获得光速光合、云九资本、StarVC、商汤科技等知名机构与上下游合作伙伴投资 [5] - IPO前，光速光合、云九资本以及商汤科技分别持有公司17.3%、3.4%以及2.3%的股份 [5] 募资用途 - IPO募集所得资金净额将主要用于研发计划、提供商业化能力以及用作营运资金及一般企业用途 [5]