AIGC的爆发影响的不仅是产业智能化进程，其更为深远的意义在于，各行业开始思考如何加速应用创新。网络联接作为重要的数字化基础设施，成为搭建上层智慧应用、发挥算力价值的重要一环。超高带宽、智能无损、智算能力升级、算网融合成为网络进化的重要方向。

曾富贵表示，在新华三看来，网络领域的重要发展趋势包括：业务快速迭代、AI驱动算力加速、全业务云化、IPv6全面应用、以及网络与业务应用深度融合，对此新华三集团坚持以“应用驱动网络”为核心理念，提升网络的随需应变与迭代创新能力，为园区、数据中心、广域网三大场景应用打造智能、融合、极简、可信、超宽的网络底座。

生成式AI需要多大算力规模？

具体到AIGC领域，曾富贵表示，AI模型的训练和推理需要大量数据和计算结果的传输和存储，这对于基础底座的网络性能要求极高，将直接决定用户能够最终获得多少算力，网络成为算力体系的关键要素。

中国的算力规模达到多大体量？IDC预测，2022年中国智能算力规模将达到268.0 EFLOPS（EFLOPS，即每秒百亿亿次浮点运算），超过通用算力规模，预计到2026年智能算力规模将达到1271.4 EFLOPS。2021年-2026年，预计中国智能算力规模年复合增长率达52.3%，同期通用算力规模年复合增长率为18.5%。

算力网络成为新的基础设施。根据国家信息中心发布的《智能计算中心创新发展指南》显示，目前全国已有超过30个城市在建或筹建智算中心。4月，科技部表态，正在推动算力网建设，打造智算的算力底座。

而随着AI技术的创新迭代，除了AIGC，数字人、多模态、智能决策等应用场景亦为人工智能市场的增长带来了更多想象空间和可能性。IDC预计，2026年中国AI市场将实现264.4亿美元市场规模，2021年-2026年的复合增长率将超20%。

作为面向行业的ICT服务商，人工智能场景的进一步落地、算力规模高速增长，无疑是新华三的新机遇。

“大模型训练需要海量的数据，联接的服务器越来越多，意味着提高网络联接能力的需求越来越强，客户对数据中心交换机处理能力提出了更高的要求。”曾富贵表示。

作为ICT的关键设施，交换机具有网络互联功能，能为子网络提供更多的连接端口，提高网络效率和安全性。大模型训练对交换机网络联接能力的要求主要体现在两个方面：其一是高吞吐量，AIGC训练过程中，大规模数据需要无阻塞地传输；其次是低时延，数据中心内部数据流量极大，AIGC训练过程中，AIGC集群进行分布式深度学习训练时，不同节点间需频繁同步模型参数，一旦出现网络延迟问题，将会对训练效率和结果产生严重影响，因此对网络时延有着极高要求。

协同创新促算网发展

如今，大模型吹响了生成式人工智能的号角，无数服务器运转不息对算力提出了新的需求。同时，智慧城市、智慧工业等人工智能应用场景的涌现带动智能算力和超算算力需求日渐增加，单一算力已难以满足业务多样需求，亟需异构算力的融合支撑。可见，算网融合是大势所趋，异构算力需求渐增。

算网融合发展还需实现设施升级、培育应用场景，促其蓬勃发展。近年来，中国电信基于在算力网络领域的积累与实践，实现了对自身网络能力的提升，支撑了多个案例成功落地开花。

例如中国电信中部云计算大数据中心、青海的全国首个零碳绿色大数据中心……在这些算力基础设施建设中，可展示出中国电信的两个核心思路：一是始终坚持绿色低碳原则，二是强化全网调度能力，有效促进算力流动，实现业务性能和成本的优化。

不仅如此，中国电信还建设了大量算力“发电厂”——数据中心机架规模达到数十万个；通过天翼视联网建设实现网络可感知云资源负载、链路使用率，为用户选择最合适的云，视频云资源利用率可提升30%。

各国抢占算力制高点

数字经济大潮涌来，企业数字化转型，期望算力和水电一样，无所不及、按需所取。算力的发展和算力的重要性与日俱增，引起各国的关注。纷纷制定算力发展战略、出台相应的政策，抢占算力发展的制高点。

国务院发布的《“十四五”数字经济发展规划》提出“推进云网协同和算网融合发展、有序推进基础设施智能升级”。张新生表示，根据对算力的需求、算力技术的发展趋势，以及算力发展呈现的产业性、服务性(商业性)和社会性，我国将算力定义为重大基础建设，制定算力发展规划，推出一系列的政策。在大力推动算力产业和服务发展的同时，促使基础设施在形态、布局和供给方面持续演进。

算网融合，形成强大的、泛在的算力基础设施，成为算力发展的主要趋势。依靠网络实现算力基础设施的互联，才能更好的完成算力基础设施的高效协同，实现算力基础设施全面的赋能。提供泛在接入、按需定制、灵活获取、高效敏捷成为对算网服务的期待。网络云化，云网一体，算力按需所取是满足应用多元化和供需不平衡的关键。

与此同时，张新生表示，在算网融合发展中存在的一些需要关注的问题。例如，提高超大计算中的利用率，提高计算效率以及大型计算碳排放带来的挑战。芯片和软件是算力的底层，也存在很多不确定性、甚至“卡脖子”的问题，要加大创新力度，使算力效用最大化，调度最优化，碳排放最小化，将芯片带来的不确定性降到最低。