二、申报和推荐

（一）申报单位须为在中华人民共和国境内注(zhu)册、具有独立法人资格、具有较强技术创(chuang)新和产业(ye)化应(ying)用能力的企事业(ye)单位。申报单位根据《算力强基揭榜行动任务榜单》（见附(fu)件(jian)）选择揭榜任务，并需承诺揭榜后能够在指定期限内完成相应(ying)任务，每个(ge)单位申报不超过3个(ge)项目。有关企业(ye)、高(gao)校、科研机构等以联合体方式申报的，牵头单位为1家，联合参与单位不超过4家。

（二）各省、自治区、直辖市工业(ye)和信息化主管部门、通信管理局以及有关中央(yang)企业(ye)按照政府引导(dao)、企业(ye)自愿的原则，组织有关单位积极申报揭榜，并作为推荐单位，遵循公开、公平(ping)、公正的原则，审(shen)核遴选推荐创(chuang)新能力突出、产业(ye)化前景(jing)好、行业(ye)带动作用明(ming)显的项目，报工业(ye)和信息化部（信息通信发展司）。

三、工作程序和要求

（一）申报单位通过申报系统(tong)进行申报，完成注(zhu)册后填写申报所需材料。申报截(jie)止时间为2025年3月15日。

（二）各省、自治区、直辖市工业(ye)和信息化主管部门、通信管理局以及有关中央(yang)企业(ye)作为推荐单位，应(ying)于2025年3月31日前登录系统(tong)并确认(ren)推荐名单（账号密码请通过联系人获取）。推荐单位在每个(ge)方向推荐项目数量(liang)原则上不超过3个(ge)，所有方向累计推荐项目总量(liang)不超过20个(ge)。鼓励各推荐单位结合实际情(qing)况，对推荐项目单位在政策、资金、资源配套等方面加大扶持(chi)力度。

（三）工业(ye)和信息化部组织遴选并公布入围(wei)揭榜单位名单。入围(wei)揭榜单位完成攻关任务后（名单公布之日起不超过2年），工业(ye)和信息化部委托第三方专业(ye)机构开展测评(ping)工作，择优确定揭榜优胜单位（每个(ge)揭榜方向原则上不超过3家）。工业(ye)和信息化部将统(tong)筹利用各类(lei)资源对揭榜入围(wei)、优胜单位予以支持(chi)，推动优秀成果(guo)示范应(ying)用推广(guang)。

工业(ye)和信息化部办公厅

2025年2月21日

附(fu)件(jian)

算力强基揭榜行动任务榜单

一 计算

（一）云边端算网协同管理系统(tong)

揭榜任务：面向云边端多层级(ji)算力环境，研发算网协同应(ying)用管理系统(tong)，设计面向不同应(ying)用软件(jian)架构的管理机制，支持(chi)对不同架构应(ying)用软件(jian)的统(tong)一管理；研发应(ying)用软件(jian)在算网协同中的自动化构建部署能力，支持(chi)应(ying)用软件(jian)的自动构建和分发部署；研究算网协同应(ying)用系统(tong)的一体化观测能力，降低运维(wei)复(fu)杂(za)度，提高(gao)复(fu)杂(za)应(ying)用软件(jian)运行的稳定性和可靠性。

预期目标：到2026年，研制应(ying)用软件(jian)管理系统(tong)，支持(chi)对传(chuan)统(tong)应(ying)用软件(jian)、云原生应(ying)用软件(jian)、AI应(ying)用软件(jian)、大数据应(ying)用软件(jian)等不少于5种应(ying)用软件(jian)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(chi)上述应(ying)用软件(jian)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(ying)用一体化观测功(gong)能，具备(bei)白(bai)盒化动态(tai)分析以及智能故障根因定位能力。在不少于3个(ge)行业(ye)完成试点验证(zheng)。

（二）支持(chi)超大规模参数模型的训推一体化异构智算平(ping)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(chi)超大规模参数模型的训练、推理一体化智算平(ping)台，包括资源调度策略、训推加速套件(jian)等，并可支持(chi)多种硬件(jian)架构，屏蔽底(di)层硬件(jian)差(cha)异，提升(sheng)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(chi)万(wan)亿参数模型的超大规模训推一体化智算平(ping)台，万(wan)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(ping)提升(sheng)不低于30%，推理效率提升(sheng)不低于50%。支持(chi)主流深度学习框架，兼容多种硬件(jian)架构，并提供统(tong)一的编程接口和开发环境，实现不低于10个(ge)行业(ye)用户的落地验证(zheng)。

（三）异构算力跨域(yu)任务编排系统(tong)

揭榜任务：针对跨域(yu)异构算力协同，研发跨域(yu)异构算力管理系统(tong)，实现跨域(yu)异构算力的管理和应(ying)用。研发针对多样性算力的规范化开放互联功(gong)能，支持(chi)对不同类(lei)型的异构算力模型统(tong)一抽象封装；研发跨域(yu)异构算力的管理功(gong)能，支持(chi)对跨域(yu)异构算力的统(tong)一管理和协同；研究跨域(yu)多主体算力的安全认(ren)证(zheng)和控制方法，保障跨域(yu)协同安全。

预期目标：到2026年，研发不少于6种跨域(yu)协同调度算法，支持(chi)数据处理、函数计算、机器学习等不少于3个(ge)场景(jing)的计算任务部署，完成不少于5个(ge)跨域(yu)算力中心(xin)的统(tong)一管理。研发跨域(yu)多主体算力的安全认(ren)证(zheng)方法，支持(chi)云边端等不同层级(ji)算力协同的安全要求。在不少于2个(ge)行业(ye)完成试点验证(zheng)。

（四）训推算力一体机

揭榜任务：面向人工智能训练、推理场景(jing)，研发基于基础设施即服务（IaaS）和平(ping)台即服务（PaaS）的高(gao)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(bei)、模型训练、模型评(ping)测和模型部署。同时，支持(chi)大模型加密、攻击(ji)防御等能力，解决针对大模型数据泄露、指令攻击(ji)等安全问(wen)题和风险。

预期目标：到2026年，研发支持(chi)至少3种指令集芯片的训推一体机，针对至少5个(ge)行业(ye)开展人工智能训推一体机应(ying)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(jing)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(cong)而支持(chi)更大的模型、更长的上下文、更高(gao)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(ying)用。

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

二 存储

（六）磁光电融(rong)合存储系统(tong)

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(gong)耗等方面的差(cha)异化特性，将磁、光、电存储技术进行融(rong)合，研发磁光电融(rong)合存储系统(tong)，构建基于固态(tai)硬盘（SSD）、机械硬盘（HDD）和光存储的多级(ji)存储架构。根据业(ye)务特征，将数据保存在不同级(ji)别的存储设备(bei)中，实现海量(liang)数据的集中、统(tong)一存储管理，支撑算力中心(xin)高(gao)效、低碳、安全持(chi)续发展。

预期目标：到2026年，研发磁、光、电融(rong)合存储系统(tong)，支持(chi)适(shi)配分布式文件(jian)、分布式块和分布式对象等至少3种存储类(lei)型，系统(tong)可以根据数据的访问(wen)时间、访问(wen)频率、文件(jian)属性等自定义分级(ji)策略，根据业(ye)务负载动态(tai)调整迁移。系统(tong)可通过介质安全、系统(tong)安全、软件(jian)安全等夯实底(di)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(rong)合存储应(ying)用示范，完成至少20个(ge)业(ye)务系统(tong)应(ying)用，实现至少4个(ge)东部地区数据流动至西部磁光电存储系统(tong)，且数据存储量(liang)不少于10PB。

（七(qi)）存储调度管理及应(ying)用技术

揭榜任务：针对海量(liang)数据存储和算力孤岛问(wen)题，研发跨域(yu)多算的存力调度、存网编排和存算网一体化系统(tong)，实现数据的智能冷热分级(ji)、应(ying)用的跨域(yu)无(wu)感访问(wen)等能力，有效降低成本、提高(gao)性能和支撑业(ye)务。系统(tong)具备(bei)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(shi)应(ying)。

预期目标：到2026年，研制具备(bei)高(gao)效、可扩展性的存储系统(tong)，基于智能算法，对数据进行分析和调度，实现应(ying)用无(wu)感访问(wen)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(kuan)利用率提升(sheng)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(chi)存算网一体化调度，在算力中心(xin)资源池落地应(ying)用。

三 网络

（八）高(gao)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(jian)一体DPU芯片技术研究，支持(chi)算力中心(xin)、智算中心(xin)、超算中心(xin)场景(jing)所需的超高(gao)带宽(kuan)和超低时延，突破Chiplet异构芯片封装技术、高(gao)速Serdes通信、大规模无(wu)损网络拥塞算法、硬件(jian)密码算法、高(gao)性能虚拟化、硬件(jian)可编程等技术，实现基于ARM、X86、RISC-V等异构核心(xin)的DPU应(ying)用，提升(sheng)算力中心(xin)基础设施处理能力和数据传(chuan)输能效比。

预期目标：到2026年，完成超高(gao)性能DPU芯片研发工作，吞吐能力达到400Gbps，单向流量(liang)时延不高(gao)于30us，支持(chi)与国内外(wai)主流CPU、GPU芯片平(ping)台的适(shi)配，支持(chi)主流操作系统(tong)兼容，支持(chi)数据报文硬件(jian)处理逻辑可编程。

（九(jiu)）基于RoCE的智算网络

揭榜任务：面向RoCE网络开展设备(bei)及管控系统(tong)研发，通过提高(gao)设备(bei)带宽(kuan)、优化负载均(jun)衡算法、强化网络流量(liang)规划及运维(wei)能力等方式，提升(sheng)RoCE网络的吞吐量(liang)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(wei)度的可视化运维(wei)。在网络波动、业(ye)务变更、故障等情(qing)况下，网络参数自动调整，流量(liang)快速切换(huan)，从(cong)而达到提升(sheng)网络效率和降低运维(wei)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(sheng)10%以上。通过智能化管控及运维(wei)工具，网络部署难度大幅降低，运维(wei)效率提升(sheng)50%以上，可支撑更大规模部署和应(ying)用。

（十）光交换(huan)智算网络技术研究与验证(zheng)

揭榜任务：面向智算集群低功(gong)耗、高(gao)带宽(kuan)、低延迟技术需求，开展智算集群光交换(huan)组网关键技术研究与验证(zheng)，重点突破智算集群光交换(huan)组网、路由协议适(shi)配等关键技术。针对智算集群的功(gong)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(jun)衡等技术。

预期目标：到2026年，实现支持(chi)智算集群的易操作、高(gao)可靠、可平(ping)滑过渡升(sheng)级(ji)的光网络，支持(chi)人工智能等关键业(ye)务承载；光交换(huan)设备(bei)单端口速率支持(chi)100GE/400GE/800GE，交换(huan)容量(liang)弹性可扩展，可支持(chi)不少于3种异构算力资源互联，在不少于2个(ge)智算集群完成验证(zheng)，并完成不少于3种智算业(ye)务承载验证(zheng)。

（十一）面向分布式智算中心(xin)的网络关键技术研究与验证(zheng)

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

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

四 应(ying)用

（十二）智算中心(xin)跨域(yu)互联应(ying)用

揭榜任务：优化人工智能算力基础设施布局，构建跨地域(yu)互补(bu)、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(shi)配，构筑大规模高(gao)性能异构算力池，提供面向大模型训推场景(jing)深度优化的弹性调度、弹性容错、高(gao)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(ge)以上全国重点算力枢纽节点的人工智能算力中心(xin)，支持(chi)跨地域(yu)、跨云的算力需求感知和动态(tai)调度，完成3款以上算力芯片适(shi)配，聚(ju)焦大模型训练和推理场景(jing)，构建大规模、高(gao)性能、弹性调度、高(gao)容错的训推一体算力资源池，具备(bei)分钟(zhong)级(ji)断点续训能力，支持(chi)万(wan)卡级(ji)别并行训练。

（十三）算力电力协同应(ying)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(ping)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(xin)应(ying)用落地，提升(sheng)整体资源利用率，基于新能源、新型储能系统(tong)开展算力负荷与电力系统(tong)的协同优化，实现精准、动态(tai)、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(jing)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(dao)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(sheng)25%以上，智算中心(xin)整体集群资源利用率提高(gao)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(sheng)，实现基础设施用能决策精准度85%以上，响应(ying)时效性达到提前15分钟(zhong)响应(ying)级(ji)别，智算中心(xin)整体算力能效水平(ping)提升(sheng)30%，算力中心(xin)用电成本降低5%以上。

（十四）大规模通信业(ye)务场景(jing)中的算力应(ying)用

揭榜任务：围(wei)绕网络功(gong)能虚拟化（NFV）系统(tong)架构，针对NFV中网络性能、资源利用和灵活(huo)展性等方面的挑战，研发面向NFV架构的高(gao)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(tong)，突破虚拟化层与硬件(jian)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(ping)台系统(tong)中实现对虚拟化网络功(gong)能的智能调度，支持(chi)异构集群部署、动态(tai)扩展，资源动态(tai)分配，虚拟化资源利用率提升(sheng)20%以上；支持(chi)GPU、FPGA等硬件(jian)加速器的虚拟化调度，加速网络处理性能至Tbps以上；支持(chi)智能化网络虚拟化功(gong)能管理，提升(sheng)NFV系统(tong)的自动化运维(wei)能力和管理效能，故障修复(fu)时间缩减不低于30%。

五 绿色低碳

（十五）绿色算力技术研究及应(ying)用

揭榜任务：围(wei)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(jun)衡要求等关键要素，研发适(shi)应(ying)于绿色计算的动态(tai)资源调度算法、能耗优化管理系统(tong)，以及面向多场景(jing)的协同节能机制，突破节能算法的智能化程度，提升(sheng)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(tong)实现对算力中心(xin)和网络节点的实时监控与节能调度，通过计算节点支持(chi)动态(tai)调频、动态(tai)电压调节，单节点平(ping)均(jun)能耗降低30%以上，满足AI推理等应(ying)用需求。

（十六）企业(ye)绿色计算碳感知平(ping)台

揭榜任务：建立企业(ye)算力中心(xin)碳排放度量(liang)体系，能够实时、精准地统(tong)计企业(ye)各个(ge)算力中心(xin)碳排放，并能将碳排放量(liang)分摊到不同的业(ye)务部门、应(ying)用场景(jing)和工作负载，实现精细化的碳排放的管理。同时，基于碳排放的数据，实现碳感知调度能力，通过在保证(zheng)业(ye)务体验和连续性的情(qing)况下将工作负载调度到更加低碳的算力中心(xin)，进一步降低碳排放。

预期目标：到2026年，围(wei)绕千万(wan)核级(ji)别跨域(yu)的算力中心(xin)，构建企业(ye)级(ji)绿色计算碳感知平(ping)台，形成一套行业(ye)通用的、可精确度量(liang)不同类(lei)型工作负载碳排放的技术方法和指标体系，通过生态(tai)共建形成绿色度量(liang)衡标准体系。构建碳感知调度能力，达到算力中心(xin)可再生能源比例30%的目标。

（十七(qi)）冷板式液冷原生整机柜服务器

揭榜任务：面向新一代液冷算力中心(xin)，研发冷板式液冷整机柜，包括液冷服务器节点、无(wu)源液冷门等，突破高(gao)密算力、多样性算力的散热技术及架构要求，实现支持(chi)供电总线、网络互联总线、液冷管路可盲插运维(wei)的液冷设备(bei)，具备(bei)液冷机柜及液冷服务器等多级(ji)漏液检测能力，有效降低业(ye)务中断范围(wei)与损失。

预期目标：到2026年，液冷整机柜实现100%液冷散热，制冷PUE低于1.15。整机柜服务器内部实现全盲插设计，管理模块可实现整机柜功(gong)耗管理、漏液检测、资产管理等功(gong)能；通用算力单柜功(gong)率不低于20kW，智能算力单机柜功(gong)率不低于30kW，实现不少于500台液冷节点的规模落地应(ying)用。

（十八）算力中心(xin)节能调优平(ping)台

揭榜任务：研制高(gao)精确度、高(gao)仿真效率、多场景(jing)覆盖的算力中心(xin)PUE仿真平(ping)台，突破物理机理模型构建、仿真引擎集群、模型自动生成等关键技术，实现对算力中心(xin)不同运行状态(tai)下细分时间颗(ke)粒度PUE的快速、精准评(ping)估。研发基于大数据分析技术的算力中心(xin)制冷系统(tong)AI节能优化系统(tong)，通过自动化数据治理、自动推理等关键技术，准确匹配制冷需求，在满足可靠性要求条件(jian)下实现算力中心(xin)制冷系统(tong)整体动态(tai)实时优化，优化算力中心(xin)PUE。

预期目标：到2026年，支持(chi)液冷、水冷等至少2类(lei)典(dian)型制冷场景(jing)进行能效优化，支持(chi)制冷系统(tong)和配电系统(tong)联合仿真，系统(tong)可输出不同负载及运行工况条件(jian)下的PUE运行曲线、系统(tong)设备(bei)运行模拟工况等参数，PUE仿真精度达到97%以上。基于能效优化平(ping)台，支持(chi)AI自动推理，小时级(ji)策略自动下发，实现对算力中心(xin)能耗的可视、可管、可控。通过AI能效优化，实现算力中心(xin)PUE降低5%以上，通过算力中心(xin)基础设施与IT联动节能，实现总能耗降低5%以上，在5个(ge)以上算力中心(xin)落地应(ying)用。

（十九(jiu)）新型制冷系统(tong)

揭榜任务：研发人工智能节能系统(tong)，针对算力中心(xin)基础设施的运行调控和环境监测。提出全新自适(shi)应(ying)算法，突破原有常(chang)见算法的局限性，提升(sheng)数据的分析和处理效果(guo)，搭建基于专家经验的人工智能算法数据库(ku)，提升(sheng)包括能耗管理、能源调度、安全监测、故障诊断、辅助运维(wei)等功(gong)能的节能性、可靠性、经济性。

预期目标：到2026年，在满足制冷要求的基础上，提高(gao)冷却系统(tong)的可靠性和自适(shi)应(ying)性，提高(gao)能源使用效率、水资源使用效率和运维(wei)效率，其中节电率提升(sheng)10%以上。支持(chi)冷却系统(tong)数据采集、标注(zhu)、治理、存储，具备(bei)系统(tong)运行异常(chang)告警、告警收敛、自动诊断、远程通信、自动控制等功(gong)能，支持(chi)冷却系统(tong)智能化调优、智能化控制的核心(xin)能力，并开展不少于5个(ge)实际业(ye)务场景(jing)所提供的AI节能调优案例。

六 安全可靠

（二十）算力中心(xin)智能运维(wei)机器人

揭榜任务：研发算力中心(xin)智能运维(wei)机器人以及智能机器人管理平(ping)台，基于云边端三层架构，实现智能机器人在多层、多房间楼(lou)宇机房内的设备(bei)设施识别、多模态(tai)环境感知、精准空间定位、智能人机协同、多任务联合调度等方面的技术与算法优化。支撑机器人在算力中心(xin)设施运维(wei)和IT运营等典(dian)型场景(jing)的应(ying)用，提升(sheng)巡检质量(liang)，促进算力中心(xin)运维(wei)、运营的降本增效。

预期目标：到2026年，实现大型算力中心(xin)内智能机器人的多机房、多楼(lou)层协同应(ying)用部署；机器人巡检任务成功(gong)率不低于95%，设备(bei)识别准确率达到97%，环境巡检召回率不低于90%，保障算力中心(xin)巡检业(ye)务持(chi)续运行。实现云边端协同调度，支持(chi)不同场景(jing)下的自主作业(ye)，提高(gao)任务并发执行效率，促进稳定、安全、可靠、可控的算力中心(xin)智能运维(wei)体系建设。

（二十一）云边端一体化智能监测平(ping)台

揭榜任务：开发高(gao)性能云边端一体化系统(tong)，研发以智能化终端或机器人为硬件(jian)载体、以多算法模型融(rong)合和平(ping)台工具为软件(jian)载体的软硬结合的集中监测管理与运维(wei)巡检方案。突破多层级(ji)自动化运维(wei)、多维(wei)度诊断、多平(ping)台覆盖、多模型量(liang)化等关键技术。构建综合运维(wei)健康(kang)度数字化评(ping)估体系与模型，实现算力设施从(cong)规划、设计、建设、部署、运行、维(wei)护的全生命周期数字化管理。

预期目标：到2026年，建立大规模集群的智能化运维(wei)能力，设备(bei)实现跨平(ping)台及系统(tong)稳定性风险和安全风险识别能力，综合视频识别技术等，结构化告警收敛推送(song)，准确率超过98%。算力设施全生命周期数字化联动，平(ping)台自动化流程推进，实现云端直控覆盖超10栋(dong)算力中心(xin)，落地数字化算力中心(xin)健康(kang)度评(ping)估，智能化终端或机器人的自驱动巡检，视频流识别与告警的联动，系统(tong)的智能化运维(wei)问(wen)答，并保障业(ye)务服务级(ji)别协议（SLA）达标率99%以上。

七(qi) 其他

（二十二）其他算力领域(yu)的特色化技术、产品、服务和平(ping)台等，应(ying)具有技术先进性，技术成熟度较高(gao)，产业(ye)化前景(jing)较好。

责(ze)编:史健 | 审(shen)核:李震 | 监审(shen):万(wan)军伟

【免责(ze)声明(ming)】本文仅(jin)代表作者本人观点，与和讯网无(wu)关。和讯网站对文中陈(chen)述、观点判断保持(chi)中立，不对所包含内容的准确性、可靠性或完整性提供任何明(ming)示或暗示的保证(zheng)。请读者仅(jin)作参考，并请自行承担全部责(ze)任。邮箱：news_center@staff.hexun.com