2025年智能IP广域网与AI训推技术研究报告

2026-1-27 08:25| 发布者: 何建秋56 0

摘要: 在人工智能加速发展的当下，企业对大模型训练与推理的算力需求呈爆发式增长。然而，如何在保障数据安全的同时降低算力成本，成为政企用户面临的核心难题。由中国信息通信研究院与华为联合发布的《基于智能IP广域网（ ...

在人工智能加速发展的当下，企业对大模型训练与推理的算力需求呈爆发式增长。

然而，如何在保障数据安全的同时降低算力成本，成为政企用户面临的核心难题。

由中国信息通信研究院与华为联合发布的《基于智能IP广域网（AI WAN）的存算分离与云边协同训推技术研究报告（2025年）》正是针对这一矛盾提出系统性解决方案。

报告指出，当前企业AI训推主要依赖自建算力、租赁算力服务器搬至本地、或通过网络远程租用云端算力三种模式。

但这些方式普遍存在数据泄露风险高、投资成本大、网络传输效率低等问题。

尤其是在金融、政务、医疗等敏感行业，“原始数据不出域”已成为硬性合规要求。

为此，报告创新性地提出“存算分离+云边协同”的双轨技术路径。

在模型微调训练场景中，采用“存算分离”模式：企业本地保留数据存储，仅将训练过程中的中间结果通过智能IP广域网传输至远端算力中心进行计算。

结合精准流控与自动流级调度技术，即使在100公里乃至400公里的拉远距离下，仍可实现97%以上的高算效，真正做到“数据不落盘、不出域”。

而在推理场景中，则采用“云边协同”架构。

通过模型拆分学习技术，将大模型的首尾层部署在企业侧，中间计算密集层部署在云端。

网络中仅传输无法还原原始数据的高维向量，从根本上杜绝了数据泄露风险。

实验证明，在200公里拉远场景下，Qwen-32B模型推理算效劣化不超过5%，边侧算力利用率仅为4%，大幅降低了企业本地部署成本。

支撑这两大场景的核心技术包括三项：一是模型拆分学习，实现数据与模型的物理隔离；二是精准流控技术，基于SRv6与租户级反压机制，避免拥塞扩散，保障多租户业务稳定；三是自动流级调度技术，通过控制器实时感知大象流并动态调优路径，提升整网带宽利用率，降低企业用网成本。

实验室验证结果显示，在LLAMA2、Qwen、ResNet、DeepSeek等主流大模型上，该方案均能实现接近本地训练的算效表现，同时网络抓包证实云边协同模式下传输内容完全加密，安全性远超传统方案。

展望未来，该技术有望在医疗、金融、能源等高安全要求行业率先落地。

随着标准体系的建立和试点推广，智能IP广域网将成为连接企业数据与云端算力的安全高速通道，推动AI真正实现“可用、可信、可负担”的普惠化发展。

出品方：信通院
发布时间：2025年
文档页数：24页