二、申报和推荐

（一）申报单位须(xu)为(wei)在中华人民共和国境内注册、具有独立法人资格、具有较(jiao)强技术创新和产(chan)业化应用(yong)能力的(de)企事业单位。申报单位根据《算力强基(ji)揭榜行动任务榜单》（见附件）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任务，每个单位申报不超过3个项目。有关企业、高校、科研机(ji)构等以联合体方式申报的(de)，牵头单位为(wei)1家，联合参与(yu)单位不超过4家。

（二）各省、自治区、直辖(xia)市工业和信息化主(zhu)管部门、通信管理局以及(ji)有关中央企业按(an)照政府引导、企业自愿的(de)原则，组(zu)织(zhi)有关单位积极申报揭榜，并作为(wei)推荐单位，遵循公开、公平(ping)、公正的(de)原则，审核遴选推荐创新能力突出、产(chan)业化前(qian)景好、行业带动作用(yong)明显的(de)项目，报工业和信息化部（信息通信发(fa)展司）。

三、工作程序和要求

（一）申报单位通过申报系统（https://gs.hcp.ac.cn）进行申报，完成注册后填写申报所需材料。申报截止时间为(wei)2025年3月(yue)15日(ri)。

（二）各省、自治区、直辖(xia)市工业和信息化主(zhu)管部门、通信管理局以及(ji)有关中央企业作为(wei)推荐单位，应于(yu)2025年3月(yue)31日(ri)前(qian)登录系统并确认推荐名(ming)单（账号密码请通过联系人获取）。推荐单位在每个方向推荐项目数量原则上不超过3个，所有方向累(lei)计推荐项目总量不超过20个。鼓励各推荐单位结(jie)合实际情况，对推荐项目单位在政策(ce)、资金、资源配套等方面(mian)加大扶持力度。

（三）工业和信息化部组(zu)织(zhi)遴选并公布入围(wei)揭榜单位名(ming)单。入围(wei)揭榜单位完成攻关任务后（名(ming)单公布之日(ri)起不超过2年），工业和信息化部委托第三方专业机(ji)构开展测(ce)评工作，择优(you)确定揭榜优(you)胜单位（每个揭榜方向原则上不超过3家）。工业和信息化部将统筹利用(yong)各类资源对揭榜入围(wei)、优(you)胜单位予以支持，推动优(you)秀成果示范应用(yong)推广。

附件：算力强基(ji)揭榜行动任务榜单

工业和信息化部办公厅

2025年2月(yue)21日(ri)

附件

算力强基(ji)揭榜行动任务榜单

一、计算

（一）云边端算网协同管理系统

揭榜任务：面(mian)向云边端多层级算力环(huan)境，研发(fa)算网协同应用(yong)管理系统，设计面(mian)向不同应用(yong)软件架构的(de)管理机(ji)制，支持对不同架构应用(yong)软件的(de)统一管理；研发(fa)应用(yong)软件在算网协同中的(de)自动化构建(jian)部署能力，支持应用(yong)软件的(de)自动构建(jian)和分发(fa)部署；研究算网协同应用(yong)系统的(de)一体化观测(ce)能力，降低运维复杂(za)度，提高复杂(za)应用(yong)软件运行的(de)稳定性和可靠性。

预期目标：到2026年，研制应用(yong)软件管理系统，支持对传统应用(yong)软件、云原生应用(yong)软件、AI应用(yong)软件、大数据应用(yong)软件等不少于(yu)5种(zhong)应用(yong)软件的(de)全生命(ming)周期管理。研究基(ji)于(yu)算网协同的(de)分布式构建(jian)和部署技术，支持上述应用(yong)软件的(de)自动分发(fa)和跨(kua)算力节点部署，实现零人工介入。研发(fa)算网应用(yong)一体化观测(ce)功能，具备白盒化动态分析以及(ji)智能故障根因定位能力。在不少于(yu)3个行业完成试点验(yan)证。

（二）支持超大规模参数模型的(de)训推一体化异构智算平(ping)台

揭榜任务：面(mian)向人工智能大模型训练和推理对计算资源的(de)需求，研发(fa)支持超大规模参数模型的(de)训练、推理一体化智算平(ping)台，包括资源调度策(ce)略、训推加速(su)套件等，并可支持多种(zhong)硬(ying)件架构，屏(ping)蔽(bi)底层硬(ying)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(yong)率和运行效率。

预期目标：到2026年，研发(fa)一套支持万亿参数模型的(de)超大规模训推一体化智算平(ping)台，万卡环(huan)境下稳定训练时间不低于(yu)30天，有效训练时长不低于(yu)95%，训练效率较(jiao)当前(qian)主(zhu)流水平(ping)提升不低于(yu)30%，推理效率提升不低于(yu)50%。支持主(zhu)流深度学习框架，兼容多种(zhong)硬(ying)件架构，并提供统一的(de)编程接口和开发(fa)环(huan)境，实现不低于(yu)10个行业用(yong)户的(de)落地验(yan)证。

（三）异构算力跨(kua)域任务编排系统

揭榜任务：针对跨(kua)域异构算力协同，研发(fa)跨(kua)域异构算力管理系统，实现跨(kua)域异构算力的(de)管理和应用(yong)。研发(fa)针对多样性算力的(de)规范化开放互联功能，支持对不同类型的(de)异构算力模型统一抽象封(feng)装；研发(fa)跨(kua)域异构算力的(de)管理功能，支持对跨(kua)域异构算力的(de)统一管理和协同；研究跨(kua)域多主(zhu)体算力的(de)安全认证和控制方法，保障跨(kua)域协同安全。

预期目标：到2026年，研发(fa)不少于(yu)6种(zhong)跨(kua)域协同调度算法，支持数据处理、函数计算、机(ji)器学习等不少于(yu)3个场景的(de)计算任务部署，完成不少于(yu)5个跨(kua)域算力中心的(de)统一管理。研发(fa)跨(kua)域多主(zhu)体算力的(de)安全认证方法，支持云边端等不同层级算力协同的(de)安全要求。在不少于(yu)2个行业完成试点验(yan)证。

（四）训推算力一体机(ji)

揭榜任务：面(mian)向人工智能训练、推理场景，研发(fa)基(ji)于(yu)基(ji)础设施即服务（IaaS）和平(ping)台即服务（PaaS）的(de)高性能训推一体化解决方案，覆(fu)盖对大模型开发(fa)训练和部署推理的(de)全流程，包括数据准备、模型训练、模型评测(ce)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(feng)险。

预期目标：到2026年，研发(fa)支持至少3种(zhong)指令集芯片的(de)训推一体机(ji)，针对至少5个行业开展人工智能训推一体机(ji)应用(yong)，为(wei)用(yong)户提供多元化训推一体化服务，并在至少10种(zhong)不同的(de)场景进行人工智能训推一体机(ji)落地。

（五）大规模异构算力集群推理加速(su)技术

揭榜任务：研发(fa)存储(chu)、网络、计算的(de)协同优(you)化技术，通过模型加速(su)、调度加速(su)等方法实现大规模异构算力集群在大模型推理方面(mian)的(de)加速(su)，从而支持更大的(de)模型、更长的(de)上下文、更高的(de)性能及(ji)更低的(de)能耗，促进算力芯片在大模型推理方面(mian)的(de)更好应用(yong)。

预期目标：到2026年，实现集群有效吞吐量5倍(bei)以上提升，实际应用(yong)场景中可处理的(de)请求数提升1倍(bei)以上，首字延迟性能提升1倍(bei)以上，芯片利用(yong)率提升50%以上。通过优(you)化算力中心计算、存储(chu)、网络的(de)配比以及(ji)拓扑结(jie)构和系统调度策(ce)略，实现千卡以上异构集群在推理加速(su)领域的(de)突破(po)。

二、存储(chu)

（六）磁(ci)光电(dian)融合存储(chu)系统

揭榜任务：针对单一存储(chu)介质(zhi)难以满足多样化数据存储(chu)需求的(de)现状(zhuang)，依托磁(ci)、光、电(dian)存储(chu)在性能、寿命(ming)、功耗等方面(mian)的(de)差异化特性，将磁(ci)、光、电(dian)存储(chu)技术进行融合，研发(fa)磁(ci)光电(dian)融合存储(chu)系统，构建(jian)基(ji)于(yu)固态硬(ying)盘（SSD）、机(ji)械硬(ying)盘（HDD）和光存储(chu)的(de)多级存储(chu)架构。根据业务特征，将数据保存在不同级别的(de)存储(chu)设备中，实现海量数据的(de)集中、统一存储(chu)管理，支撑算力中心高效、低碳、安全持续发(fa)展。

预期目标：到2026年，研发(fa)磁(ci)、光、电(dian)融合存储(chu)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(zhong)存储(chu)类型，系统可以根据数据的(de)访问时间、访问频率、文件属性等自定义分级策(ce)略，根据业务负载动态调整迁移。系统可通过介质(zhi)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(jian)控、光存储(chu)预警检测(ce)等增强数据安全能力。打造磁(ci)光电(dian)融合存储(chu)应用(yong)示范，完成至少20个业务系统应用(yong)，实现至少4个东部地区数据流动至西部磁(ci)光电(dian)存储(chu)系统，且数据存储(chu)量不少于(yu)10PB。

（七(qi)）存储(chu)调度管理及(ji)应用(yong)技术

揭榜任务：针对海量数据存储(chu)和算力孤岛问题，研发(fa)跨(kua)域多算的(de)存力调度、存网编排和存算网一体化系统，实现数据的(de)智能冷热分级、应用(yong)的(de)跨(kua)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(ce)略调整能力，可优(you)化和调整全网数据存储(chu)布局，实现对不断变化的(de)需求的(de)适应。

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

三、网络

（八）高性能数据处理器（DPU）

揭榜任务：开展基(ji)于(yu)芯粒（Chiplet）和第五代精简(jian)指令集（RISC-V）技术的(de)软硬(ying)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(de)超高带宽和超低时延，突破(po)Chiplet异构芯片封(feng)装技术、高速(su)Serdes通信、大规模无损(sun)网络拥塞算法、硬(ying)件密码算法、高性能虚拟化、硬(ying)件可编程等技术，实现基(ji)于(yu)ARM、X86、RISC-V等异构核心的(de)DPU应用(yong)，提升算力中心基(ji)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(fa)工作，吞吐能力达(da)到400Gbps，单向流量时延不高于(yu)30us，支持与(yu)国内外主(zhu)流CPU、GPU芯片平(ping)台的(de)适配，支持主(zhu)流操作系统兼容，支持数据报文硬(ying)件处理逻辑可编程。

（九）基(ji)于(yu)RoCE的(de)智算网络

揭榜任务：面(mian)向RoCE网络开展设备及(ji)管控系统研发(fa)，通过提高设备带宽、优(you)化负载均衡算法、强化网络流量规划及(ji)运维能力等方式，提升RoCE网络的(de)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(jian)化RoCE网络的(de)部署和配置工作，实现全局、多维度的(de)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(su)切换，从而达(da)到提升网络效率和降低运维成本的(de)目标。

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

（十）光交换智算网络技术研究与(yu)验(yan)证

揭榜任务：面(mian)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(zu)网关键技术研究与(yu)验(yan)证，重点突破(po)智算集群光交换组(zu)网、路由协议适配等关键技术。针对智算集群的(de)功能、性能、可靠性和扩展性等要求，研究光拓扑映射、光电(dian)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(de)易(yi)操作、高可靠、可平(ping)滑过渡(du)升级的(de)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(su)率支持100GE/400GE/800GE，交换容量弹性可扩展，可支持不少于(yu)3种(zhong)异构算力资源互联，在不少于(yu)2个智算集群完成验(yan)证，并完成不少于(yu)3种(zhong)智算业务承载验(yan)证。

（十一）面(mian)向分布式智算中心的(de)网络关键技术研究与(yu)验(yan)证

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

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

四、应用(yong)

（十二）智算中心跨(kua)域互联应用(yong)

揭榜任务：优(you)化人工智能算力基(ji)础设施布局，构建(jian)跨(kua)地域互补、协同算力调度的(de)超大规模人工智能算力服务能力。加强与(yu)人工智能芯片厂商的(de)兼容适配，构筑大规模高性能异构算力池，提供面(mian)向大模型训推场景深度优(you)化的(de)弹性调度、弹性容错、高资源利用(yong)率的(de)人工智能算力服务。

预期目标：到2026年，形成覆(fu)盖5个以上全国重点算力枢纽节点的(de)人工智能算力中心，支持跨(kua)地域、跨(kua)云的(de)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(jian)大规模、高性能、弹性调度、高容错的(de)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(dian)力协同应用(yong)

揭榜任务：研发(fa)基(ji)于(yu)算力调度技术与(yu)能源大模型的(de)多云异构算电(dian)协同管理平(ping)台，构建(jian)基(ji)于(yu)数据驱动的(de)算力集群用(yong)电(dian)负荷特性模型、基(ji)于(yu)计算任务的(de)时空转移特性的(de)能源大模型，推动算力预测(ce)与(yu)调度技术在智算中心应用(yong)落地，提升整体资源利用(yong)率，基(ji)于(yu)新能源、新型储(chu)能系统开展算力负荷与(yu)电(dian)力系统的(de)协同优(you)化，实现精准、动态、实时的(de)能源调度与(yu)交易(yi)，实现算力与(yu)电(dian)力等能源的(de)深度协同。

预期目标：到2026年，实现智算场景下能源与(yu)算力全链路的(de)数据穿透及(ji)流程整合，构建(jian)“算”随“电(dian)”动的(de)直接控制及(ji)间接引导机(ji)制，实现算力需求预测(ce)精准度达(da)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(yong)率提高10%。结(jie)合算力集群用(yong)电(dian)数据、时间周期、气象数据、工作负载等多种(zhong)因素(su)，实现“电(dian)”随“算”用(yong)的(de)能源效率优(you)化与(yu)算效提升，实现基(ji)础设施用(yong)能决策(ce)精准度85%以上，响应时效性达(da)到提前(qian)15分钟响应级别，智算中心整体算力能效水平(ping)提升30%，算力中心用(yong)电(dian)成本降低5%以上。

（十四）大规模通信业务场景中的(de)算力应用(yong)

揭榜任务：围(wei)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(yong)和灵活展性等方面(mian)的(de)挑战，研发(fa)面(mian)向NFV架构的(de)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(po)虚拟化层与(yu)硬(ying)件加速(su)器（如FPGA、DPU、GPU）之间的(de)协同能力。

预期目标：到2026年，NFV算力平(ping)台系统中实现对虚拟化网络功能的(de)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(yong)率提升20%以上；支持GPU、FPGA等硬(ying)件加速(su)器的(de)虚拟化调度，加速(su)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(de)自动化运维能力和管理效能，故障修复时间缩减不低于(yu)30%。

五、绿色低碳

（十五）绿色算力技术研究及(ji)应用(yong)

揭榜任务：围(wei)绕算力的(de)绿色节能技术突破(po)，面(mian)向算力中的(de)任务调度特性、能源使用(yong)模式、负载均衡要求等关键要素(su)，研发(fa)适应于(yu)绿色计算的(de)动态资源调度算法、能耗优(you)化管理系统，以及(ji)面(mian)向多场景的(de)协同节能机(ji)制，突破(po)节能算法的(de)智能化程度，提升算力网络中多节点的(de)能源利用(yong)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(de)实时监(jian)控与(yu)节能调度，通过计算节点支持动态调频、动态电(dian)压调节，单节点平(ping)均能耗降低30%以上，满足AI推理等应用(yong)需求。

（十六）企业绿色计算碳感知平(ping)台

揭榜任务：建(jian)立企业算力中心碳排放度量体系，能够实时、精准地统计企业各个算力中心碳排放，并能将碳排放量分摊到不同的(de)业务部门、应用(yong)场景和工作负载，实现精细化的(de)碳排放的(de)管理。同时，基(ji)于(yu)碳排放的(de)数据，实现碳感知调度能力，通过在保证业务体验(yan)和连续性的(de)情况下将工作负载调度到更加低碳的(de)算力中心，进一步降低碳排放。

预期目标：到2026年，围(wei)绕千万核级别跨(kua)域的(de)算力中心，构建(jian)企业级绿色计算碳感知平(ping)台，形成一套行业通用(yong)的(de)、可精确度量不同类型工作负载碳排放的(de)技术方法和指标体系，通过生态共建(jian)形成绿色度量衡标准体系。构建(jian)碳感知调度能力，达(da)到算力中心可再生能源比例(li)30%的(de)目标。

（十七(qi)）冷板式液冷原生整机(ji)柜服务器

揭榜任务：面(mian)向新一代液冷算力中心，研发(fa)冷板式液冷整机(ji)柜，包括液冷服务器节点、无源液冷门等，突破(po)高密算力、多样性算力的(de)散热技术及(ji)架构要求，实现支持供电(dian)总线(xian)、网络互联总线(xian)、液冷管路可盲插运维的(de)液冷设备，具备液冷机(ji)柜及(ji)液冷服务器等多级漏液检测(ce)能力，有效降低业务中断范围(wei)与(yu)损(sun)失。

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

（十八）算力中心节能调优(you)平(ping)台

揭榜任务：研制高精确度、高仿真(zhen)效率、多场景覆(fu)盖的(de)算力中心PUE仿真(zhen)平(ping)台，突破(po)物理机(ji)理模型构建(jian)、仿真(zhen)引擎集群、模型自动生成等关键技术，实现对算力中心不同运行状(zhuang)态下细分时间颗(ke)粒度PUE的(de)快速(su)、精准评估。研发(fa)基(ji)于(yu)大数据分析技术的(de)算力中心制冷系统AI节能优(you)化系统，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下实现算力中心制冷系统整体动态实时优(you)化，优(you)化算力中心PUE。

预期目标：到2026年，支持液冷、水冷等至少2类典型制冷场景进行能效优(you)化，支持制冷系统和配电(dian)系统联合仿真(zhen)，系统可输出不同负载及(ji)运行工况条件下的(de)PUE运行曲线(xian)、系统设备运行模拟工况等参数，PUE仿真(zhen)精度达(da)到97%以上。基(ji)于(yu)能效优(you)化平(ping)台，支持AI自动推理，小时级策(ce)略自动下发(fa)，实现对算力中心能耗的(de)可视、可管、可控。通过AI能效优(you)化，实现算力中心PUE降低5%以上，通过算力中心基(ji)础设施与(yu)IT联动节能，实现总能耗降低5%以上，在5个以上算力中心落地应用(yong)。

（十九）新型制冷系统

揭榜任务：研发(fa)人工智能节能系统，针对算力中心基(ji)础设施的(de)运行调控和环(huan)境监(jian)测(ce)。提出全新自适应算法，突破(po)原有常见算法的(de)局限性，提升数据的(de)分析和处理效果，搭建(jian)基(ji)于(yu)专家经验(yan)的(de)人工智能算法数据库，提升包括能耗管理、能源调度、安全监(jian)测(ce)、故障诊断、辅助运维等功能的(de)节能性、可靠性、经济性。

预期目标：到2026年，在满足制冷要求的(de)基(ji)础上，提高冷却系统的(de)可靠性和自适应性，提高能源使用(yong)效率、水资源使用(yong)效率和运维效率，其中节电(dian)率提升10%以上。支持冷却系统数据采集、标注、治理、存储(chu)，具备系统运行异常告警、告警收(shou)敛、自动诊断、远程通信、自动控制等功能，支持冷却系统智能化调优(you)、智能化控制的(de)核心能力，并开展不少于(yu)5个实际业务场景所提供的(de)AI节能调优(you)案例(li)。

六、安全可靠

（二十）算力中心智能运维机(ji)器人

揭榜任务：研发(fa)算力中心智能运维机(ji)器人以及(ji)智能机(ji)器人管理平(ping)台，基(ji)于(yu)云边端三层架构，实现智能机(ji)器人在多层、多房间楼宇机(ji)房内的(de)设备设施识别、多模态环(huan)境感知、精准空间定位、智能人机(ji)协同、多任务联合调度等方面(mian)的(de)技术与(yu)算法优(you)化。支撑机(ji)器人在算力中心设施运维和IT运营等典型场景的(de)应用(yong)，提升巡(xun)检质(zhi)量，促进算力中心运维、运营的(de)降本增效。

预期目标：到2026年，实现大型算力中心内智能机(ji)器人的(de)多机(ji)房、多楼层协同应用(yong)部署；机(ji)器人巡(xun)检任务成功率不低于(yu)95%，设备识别准确率达(da)到97%，环(huan)境巡(xun)检召回率不低于(yu)90%，保障算力中心巡(xun)检业务持续运行。实现云边端协同调度，支持不同场景下的(de)自主(zhu)作业，提高任务并发(fa)执行效率，促进稳定、安全、可靠、可控的(de)算力中心智能运维体系建(jian)设。

（二十一）云边端一体化智能监(jian)测(ce)平(ping)台

揭榜任务：开发(fa)高性能云边端一体化系统，研发(fa)以智能化终端或机(ji)器人为(wei)硬(ying)件载体、以多算法模型融合和平(ping)台工具为(wei)软件载体的(de)软硬(ying)结(jie)合的(de)集中监(jian)测(ce)管理与(yu)运维巡(xun)检方案。突破(po)多层级自动化运维、多维度诊断、多平(ping)台覆(fu)盖、多模型量化等关键技术。构建(jian)综合运维健康度数字化评估体系与(yu)模型，实现算力设施从规划、设计、建(jian)设、部署、运行、维护的(de)全生命(ming)周期数字化管理。

预期目标：到2026年，建(jian)立大规模集群的(de)智能化运维能力，设备实现跨(kua)平(ping)台及(ji)系统稳定性风(feng)险和安全风(feng)险识别能力，综合视频识别技术等，结(jie)构化告警收(shou)敛推送，准确率超过98%。算力设施全生命(ming)周期数字化联动，平(ping)台自动化流程推进，实现云端直控覆(fu)盖超10栋(dong)算力中心，落地数字化算力中心健康度评估，智能化终端或机(ji)器人的(de)自驱动巡(xun)检，视频流识别与(yu)告警的(de)联动，系统的(de)智能化运维问答，并保障业务服务级别协议（SLA）达(da)标率99%以上。