下一代未来互联网架构革新：从“传输管道”向原生算力-感知一体化网络演进
作者：淞基科技（上海）有限公司、淞基信息通讯研究院、淞基未来信息网研究部、淞基新一代信息技术网研究部
摘要
随着大语言模型、多模态大模型、自主智能体、分布式感知终端集群的规模化落地，传统以 IP 协议为核心、以数据分组转发为目标的互联网架构，本质上是面向信息传递的 “传输管道”，其体系设计诞生于文本、静态图片等低算力需求业务时代，在时延确定性、端边云协同算力调度、全域感知信息融合、网络内生计算能力、大规模智能体交互场景下出现系统性短板。现有网络体系将计算、感知、传输三者解耦分离，网络仅负责比特流转发，算力部署、环境感知数据采集均属于网络外部业务逻辑，无法满足 AI 原生业务对端、边、网、云资源统一编排的底层诉求。
本文立足于人工智能时代业务特征，系统剖析传统 IP 网络架构的底层范式缺陷，提出原生算力 - 感知一体化网络作为下一代互联网革新方向。该新型网络范式不再将网络定位为单纯的数据传输载体，而是把算力资源、全域感知能力、数据转发能力作为网络原生基础设施，实现传输、算力、感知三者的深度融合。文章围绕范式重构理论、确定性转发机制、网内生计算架构、试验网验证体系展开系统性论述，分析算力 - 感知一体化网络的核心组件、协议扩展、资源调度模型，探讨技术落地过程中的技术挑战、安全体系、标准化路径，重构面向大模型与自主智能体业务的互联网底层设计思路。同时结合试验网实测数据，验证该架构在多智能体协同推理、分布式多模态感知融合、大模型分布式推理卸载场景下的性能增益，为下一代互联网体系架构的理论研究、原型开发与产业化试验提供理论参考与工程依据。
关键词：下一代互联网；算力网络；感知网络；内生计算；确定性转发；大模型；智能体；网络架构
1 绪论
1.1 研究背景
互联网自诞生以来，历经文本互联、Web 图文、移动互联网、云互联网多轮迭代，其底层核心架构始终建立在 IP 分组交换思想之上。IP 网络的核心设计哲学是 “端到端原则”：网络保持简单，只负责尽力而为的数据转发，复杂的计算、业务逻辑、信息处理全部放置在网络两端主机之中。该范式在过去数十年支撑了全球数字经济的高速发展，适配网页浏览、即时通信、视频流媒体、云计算等业务形态。
人工智能技术的爆发带来业务形态根本性转变。大模型推理、多模态感知、自主智能体、机器人集群、自动驾驶、数字孪生等业务，不再是简单的端到端数据传递。这类业务具备三大核心特征：第一，业务对时延、抖动、丢包存在强确定性约束，大模型分布式推理、智能体实时环境决策，微小的时延抖动会直接造成推理失效、智能体决策错乱；第二，业务需要海量异构算力的动态协同，算力不再集中于远端云中心，而是分布在终端、边缘节点、网络节点、云端多级；第三，业务高度依赖全域环境感知数据，摄像头、雷达、传感器等感知终端持续采集海量多模态原始数据，原始感知数据全部上传云端的传输成本、带宽压力不可承受。
传统 IP “尽力而为” 传输管道架构与 AI 原生业务之间形成底层矛盾。网络只做比特搬运，无法感知业务算力需求，无法就近完成感知数据预处理、特征提取、模型轻量化推理；算力资源独立于网络路由调度，感知数据处理逻辑游离在网络协议之外。端、网、边、云资源割裂，带宽资源、算力资源、感知资源无法统一调度，造成资源浪费、端到端性能不可控、业务部署成本居高不下。行业已经形成共识：仅在现有 IP 网络之上做带宽扩容、边缘节点叠加、SDN 软件定义等增量优化，无法从根本解决大模型与智能体业务的底层诉求，必须开展下一代互联网范式层面的架构革新。
算力网络、感知网络、确定性网络、网络内生计算等方向已经成为全球下一代互联网领域的研究热点。现有研究大多将算力网络、感知网络作为 IP 网络之上的叠加业务层，属于 “管道之上附加算力、附加感知能力” 的改良思路，没有突破 IP 传输管道的底层范式。而本文提出的原生算力 - 感知一体化网络，将算力与感知作为网络基础设施原生属性，网络节点天然具备数据转发、算力调度、感知信息融合处理能力，实现范式级跃迁。
1.2 国内外研究现状
1.2.1 国外研究现状
欧美多国持续布局下一代互联网架构研究。美国在未来互联网架构项目中，先后开展命名数据网络 NDN、软件定义网络 SDN、信息中心网络 ICN 等架构探索，核心思路大多聚焦于改变数据寻址方式、优化分组转发模型，目标仍以提升数据传输效率为主。近年来随着生成式 AI 兴起，谷歌、微软等企业提出网络与算力协同的云边协同架构，在云网一体化方向进行工程落地，但本质上属于云基础设施配套网络优化，网络本身不具备原生计算能力。
欧盟在下一代互联网、6G、分布式智能领域，提出网络智能、通感一体化技术体系。通感一体化更多聚焦无线空口层面通信与雷达感知融合，侧重无线信号层面，尚未扩展到全域固定网络架构，没有将全网算力资源、感知资源与转发协议深度一体化设计。整体来看，国外研究普遍将通信、感知、算力作为独立能力模块，以叠加集成方式构建系统，尚未提出面向大模型智能体的、全网原生算力感知一体化的互联网底层范式。
1.2.2 国内研究现状
国内学界与产业界，先后提出算力网络、算网融合、确定性网络、内生智能等一系列技术方向。国内运营商、科研院所围绕算力网络，研究算力路由、算力标识、算力资源编排，实现网络感知算力位置，根据算力负载进行业务路由选择。确定性网络技术在工业互联网领域实现标准化，解决工业业务低时延、低抖动传输需求。
当前国内研究存在一定局限性。多数算网融合方案属于叠加式架构，底层仍然运行 IP 转发协议，网络节点只是传递算力元数据，算力计算任务仍然由独立服务器承载；感知相关研究集中在无线通信通感一体、物联网感知采集，感知数据处理是上层应用任务，网络不参与感知数据融合、特征压缩。现有体系没有将感知资源、算力资源、转发资源纳入统一网络平面，缺少面向自主智能体集群、大模型分布式推理场景的一体化架构设计，缺少完整的范式理论与试验网验证体系。
1.3 研究内容与论文结构
本文研究目标，是建立从传输管道范式转向原生算力 - 感知一体化网络范式的理论框架，剖析传统 IP 架构在 AI 时代的局限，定义新型网络范式的核心内涵、分层架构、核心机制，研究确定性转发技术、网内生计算架构，搭建试验网并开展多场景验证，给出下一代互联网底层重构的设计思路。
论文章节安排如下：第一章绪论，阐述背景、国内外现状、研究目标；第二章，传统 IP 网络范式及其面向 AI 业务的系统性局限；第三章，原生算力 - 感知一体化网络范式定义、核心内涵、分层架构；第四章，网络核心关键技术，包含确定性转发体系、网内生计算模型、算力感知统一资源标识与调度；第五章，场景化业务适配，面向大模型分布式推理、多智能体协同、数字孪生感知融合；第六章，试验网搭建与实测结果分析；第七章，架构面临的安全、标准化、工程落地挑战；第八章，总结与未来展望。
2 传统 IP 网络范式及其面向 AI 业务的系统性局限
2.1 IP 网络 “传输管道” 范式的底层逻辑
传统互联网 IP 架构根植于端到端原则，该原则的核心内涵是：网络内部保持极简，仅负责将数据包从源端转发至目的端，不理解数据包承载业务语义，不执行数据计算、信息解析、感知处理；所有业务智能、计算逻辑、数据处理功能，全部部署在通信两端的终端主机。网络的核心资源只有带宽与转发队列，路由决策仅依据 IP 地址与链路状态，路由目标是找到可达的传输路径。
在该范式下，网络是无状态、尽力而为的比特传输管道。网络节点不维护业务状态，不感知业务算力需求，不感知感知传感器数据内容。网络和算力、感知系统相互独立：算力服务器是网络的终端节点，传感器是接入网络的外设，网络仅负责传输算力指令、感知原始数据流。三者在协议层面、资源调度层面相互隔离，属于三个独立基础设施。
这套架构的优势是简单、可扩展、鲁棒性强，能够支持异构终端互联。但这套体系的设计假设，是业务数据量有限、业务对时延无强确定约束、计算任务集中在端侧或者云端，该假设已经被大模型与智能体业务打破。
2.2 面向大模型业务的短板
大模型业务包含预训练、参数微调、在线推理三大场景，其中在线推理是规模化常态化业务。大模型推理任务具备高算力消耗、数据流交互复杂、模型可拆分卸载的特征。
第一，尽力而为转发无法保障推理时延确定性。大模型分布式推理会将模型切分部署在不同节点，不同模型分片之间持续交互中间特征向量。IP 网络的队列拥塞、随机丢包、时延抖动，会造成特征向量到达时间不可控，推理流水线中断。为保证结果可靠，上层业务需要增加大量缓存、重传机制，进一步放大端到端延迟，无法满足实时大模型交互需求。
第二，IP 网络无法感知算力资源状态。传统路由只看链路带宽，不了解节点 GPU 负载、显存占用、剩余算力。当用户发起大模型推理请求，网络路由不会主动寻找就近空闲算力节点，只能依靠上层云平台调度。云平台调度与网络路由两层独立，容易出现 “链路空闲，但节点算力耗尽” 或者 “算力充足，链路拥塞” 的错配问题，资源利用率低下。
第三，原始数据传输成本过高。多模态大模型输入包含图像、点云、音频等感知原始数据。若全部原始感知数据上传云端进行推理，会带来巨大带宽压力。IP 网络不支持在网络节点就地完成特征提取、数据降维、预处理，只能原样转发海量原始感知数据包，带宽开销急剧膨胀。
2.3 面向自主智能体集群业务的短板
自主智能体是具备感知、规划、决策、行动闭环的 AI 实体，包括机器人、自动驾驶单元、工业智能体等。多智能体协同场景，大量智能体需要共享环境感知信息，协商行动策略，形成群体决策闭环。
智能体业务对网络提出全域感知协同需求。在传统 IP 网络中，各个传感器、智能体采集的感知数据，需要全部发送到中心服务器完成融合，再下发决策指令。中心化处理模式存在单点瓶颈，一旦中心节点故障，整个智能体集群瘫痪；跨智能体之间无法在网络层直接完成感知信息交互。同时，智能体决策存在严格截止时间，数据包随机抖动会造成感知信息过期，引发决策错误。
在传输管道范式下，网络不具备语义感知能力，无法识别感知数据类型、数据时效性，不能自动丢弃过期感知数据包，不能优先转发紧急决策报文。QoS 服务质量机制只是静态带宽限速，缺少基于业务语义、感知时效、算力负载的动态调度能力。
2.4 体系层面的根本性矛盾总结
传统 IP 网络属于通信优先设计，目标解决信息传递问题；AI 原生业务是感知 - 计算 - 传输一体化业务，感知采集、计算推理、信息传递三者不可分割。二者底层目标不一致，带来体系层面矛盾：
1. 资源维度矛盾：IP 网络仅管理带宽资源，算力资源、感知资源属于外部资源，缺少统一资源描述、寻址、调度框架；
2. 语义能力矛盾：网络无业务语义理解能力，无法识别感知数据时效性、模型推理任务优先级；
3. 转发确定性矛盾：尽力而为转发模型，无法满足智能体、实时推理业务硬时延约束；
4. 功能部署矛盾：计算只能部署在网络端点，网络中间节点不支持内生计算，就近数据处理能力缺失；
5. 调度分层矛盾：网络路由调度、算力调度、感知数据调度分属不同平台，多平面割裂，协同优化困难。
依靠在 IP 之上叠加 SDN、算力编排、边缘计算、QoS 策略，属于修补式优化，无法消除底层范式矛盾。因此需要重构下一代互联网底层范式，构建算力、感知、转发原生融合的新型网络。
3 原生算力 - 感知一体化网络范式定义与体系架构
3.1 范式核心内涵
原生算力 - 感知一体化网络，不再将网络定义为单纯比特传输管道。网络基础设施本身同时具备三大原生能力：数据确定性转发能力、分布式内生算力承载能力、全域感知资源管理与信息融合能力。算力资源、感知资源、链路带宽资源，共同构成网络可调度的基础资源池，网络协议原生支持三类资源的统一寻址、资源发布、路由选择、任务调度。
范式转变核心，是从 “端到端传输” 转向 “全网资源协同服务”。网络不仅仅传递数据，还可以承接感知数据预处理、特征提取、模型分片推理、多源感知数据融合等计算任务。网络节点既是转发设备，也是算力载体、感知接入网关。业务请求不再只是请求一条数据传输通路，而是向网络请求一套包含传输链路、算力实例、感知数据源的一体化服务。
该范式区分于叠加式算网融合、通感一体化：叠加方案是 IP 网络上外挂算力平台、外挂感知平台，网络和算力感知是两套独立系统；原生一体化网络中，算力和感知是网络协议、网络节点内置属性，资源发现、路由、调度逻辑内嵌在网络架构之内。
范式核心设计原则：
1. 资源统一抽象原则：将链路带宽、节点算力（CPU/GPU/NPU）、传感器感知资源，抽象为统一网络资源元，支持全网发布与检索；
2. 确定性优先原则：转发机制以确定性时延、确定性抖动、有界丢包为核心目标，兼容传统尽力业务；
3. 内生计算就近原则：网络节点可就地执行轻量感知处理、模型推理，减少原始数据远距离传输；
4. 感知数据时效优先原则：网络原生识别感知数据包时间戳，自动淘汰过期感知信息，保障智能体决策时效性；
5. 兼容演进原则：架构支持和现有 IP 网络互联互通，允许新旧网络长期共存、平滑过渡，不是一次性替换现有互联网。
3.2 分层体系架构
原生算力 - 感知一体化网络采用五层分层架构，自下而上依次为：感知接入层、算力转发节点层、一体化资源控制平面、业务语义平面、应用智能层。
3.2.1 感知接入层
感知接入层是全域感知终端接入网络的入口，包含各类异构感知硬件：摄像头、激光雷达、毫米波雷达、温湿度传感器、IMU、定位终端等。感知终端不再只是简单数据采集设备，接入网络时向网络注册自身感知能力、采样频率、感知空间范围、数据类型。网络记录感知资源元数据，将感知资源作为网络资源的一部分。
感知接入层支持多源感知数据预处理，终端可完成基础采样、噪声过滤，将原始感知数据或者初步特征数据上传至算力转发节点层。接入层支持异构感知设备统一接入协议，屏蔽不同传感器硬件接口差异。
3.2.2 算力转发节点层（数据平面）
算力转发节点是网络的基础节点单元，是架构核心载体。节点集成三大组件：确定性转发组件、内生算力组件、感知融合组件。
• 确定性转发组件：负责数据包高速转发，支持时间敏感调度、显式拥塞控制，保障报文端到端时延有界；
• 内生算力组件：集成通用处理器、NPU、轻量化算力容器，可承载网络内部计算任务，例如感知数据特征压缩、多传感器数据配准、大模型浅层推理分片、异常检测；
• 感知融合组件：负责对来自多个感知源的数据进行时间对齐、空间配准，完成多模态感知融合，输出融合后的场景特征，而不是原始海量感知数据。
算力转发节点之间互联构成网络数据平面。每个节点周期性上报本地链路状态、算力负载、显存占用、接入感知资源清单，上报至一体化资源控制平面。节点既可以转发数据包，也可以承接网络下发的计算任务，实现转发与计算共节点部署。
3.2.3 一体化资源控制平面
一体化资源控制平面是全网资源调度中枢，打破传统网络控制平面只管链路拓扑的局限。控制平面维护三类全局资源视图：网络拓扑与链路带宽视图、全网分布式算力资源视图、全域感知资源视图。
控制平面核心功能：资源注册与发现、算力感知联合路由计算、任务调度、资源预留、确定性资源分配、资源状态监控。当业务发起请求，控制平面解析业务需求：包括需要的传输时延指标、算力规格、感知数据源，综合三类资源状态，计算一体化路由方案，同时预留链路带宽与节点算力，调度就近节点承接感知处理与模型推理任务。
控制平面采用分布式 + 区域集中相结合架构，区域控制器负责本区域资源实时调度，全局控制器负责跨区域资源协同，避免单点性能瓶颈。
3.2.4 业务语义平面
业务语义平面实现网络对 AI 业务的语义理解，是区别于传统网络的重要层级。传统网络只识别报文头部地址，不理解报文内容含义。业务语义平面定义统一业务语义描述模型，描述大模型推理任务、智能体感知任务的需求：任务截止时间、数据有效时长、模型分片依赖关系、感知数据优先级。
语义平面可以识别感知数据包的时间有效性，标记过期数据；识别大模型中间特征包的依赖关系，保障分片推理报文有序到达；对多智能体交互报文划分优先级，保障紧急决策报文优先调度。语义平面不解析业务完整数据内容，仅解析业务元语义，兼顾性能与数据隐私。
3.2.5 应用智能层
应用智能层面向终端业务，包括大模型服务平台、多智能体集群、数字孪生系统、机器人操作系统等。应用智能层向网络提交一体化资源请求，接收网络返回的传输服务、网络内生计算结果、融合感知场景信息。应用智能层可以继续保留上层业务逻辑，利用底层网络提供的算力感知一体化能力，简化业务侧架构，不需要单独搭建算力调度平台和感知融合平台。
3.3 资源标识体系
架构设计统一的算力 - 感知资源标识体系，分为三类标识：链路资源标识、节点算力标识、感知资源标识。
• 链路资源标识：描述链路带宽、最大时延、抖动上限、丢包上限等传输属性；
• 节点算力标识：描述节点算力类型、算力算力值、显存容量、可承载任务类型（感知预处理、模型浅层推理等）、当前负载；
• 感知资源标识：描述传感器位置、感知模态、采样频率、感知空间范围、数据类型、数据精度、数据有效时间窗口。
所有资源标识在全网内可路由、可查询。业务请求时，使用一体化资源描述符，一次性申明传输、算力、感知三类资源需求。控制平面基于资源标识，完成跨资源联合路由。
4 架构核心关键技术
4.1 网络确定性转发体系
确定性转发是原生算力 - 感知一体化网络的基础传输底座，保障大模型、智能体业务报文端到端时延有界。传统 IP 尽力而为转发依靠队列缓存应对突发流量，会引入不可预测排队时延。本架构确定性转发融合时间感知调度、显式拥塞通知、资源预留机制。
4.1.1 时间感知报文调度
算力转发节点内部采用时间感知调度机制，对报文按照业务截止时间、优先级划分调度时隙。高优先级的智能体决策报文、大模型推理特征报文分配专属时隙，避免和普通业务报文争抢队列。调度在硬件转发层面实现，降低调度处理开销，将单节点排队时延控制在微秒级。
4.1.2 端到端资源预留机制
业务发起时，控制平面沿选定的一体化路由路径，在沿途算力转发节点预留链路带宽以及节点算力资源。资源预留成功之后，业务报文才允许进入网络传输。预留资源属于隔离资源，不会被其他业务抢占，从而保障端到端时延上限。对于突发性轻量业务，支持按需弹性资源抢占模式，兼容非确定性普通业务。
4.1.3 显式拥塞控制与时序保护
网络节点实时监测链路队列、算力负载，一旦预测拥塞，通过显式标记通知控制平面，提前调整路由或者调度算力任务，而不是等待丢包之后上层重传。针对大模型分片推理这类存在报文时序依赖的业务，增加报文时序保护机制，保障关联特征包按序到达目标算力节点，避免因为乱序导致推理任务失败。
确定性转发并非全盘抛弃尽力转发，网络支持混合业务共存。对于网页、文件下载等传统业务，继续采用尽力转发；AI 实时业务启用确定性资源预留机制，两类业务隔离承载。
4.2 网内生计算架构
网内生计算指算力转发中间节点，在报文转发路径上，直接承接计算任务，在网络内部完成数据处理，不需要将全部数据传输到网络端点。内生计算不是替换云端大模型，而是承担感知数据预处理、多源感知融合、模型浅层推理、数据压缩、异常筛选等任务。
4.2.1 内生计算任务模型
内生计算任务分为三类：感知预处理任务、特征融合任务、模型分片推理任务。
感知预处理任务：对传感器原始数据降噪、裁剪、畸变校正，降低原始数据量；
特征融合任务：对来自多个异构感知源的数据做时空对齐，融合生成统一场景特征；
模型分片推理任务：将大模型浅层、计算量较小的网络层部署在网络节点，中间特征在网内传递，深层推理在边缘或者云端完成，实现推理任务网络内卸载，减少原始图像、点云数据远距离传输。
内生计算采用轻量化隔离容器，计算任务之间资源隔离，计算任务不会干扰报文转发功能，保障转发平面的稳定性。网络节点根据自身算力负载动态决定是否承接计算任务，负载过高时拒绝新任务，避免算力过载影响转发性能。
4.2.2 任务分发与结果回传机制
业务向控制平面提交内生计算任务描述，包含任务代码 / 模型分片、输入数据来源、输出结果、任务截止时间。控制平面依据全网算力、链路、感知资源状态，选择路径上合适算力转发节点，下发计算任务。感知数据报文到达该节点，触发本地计算，生成处理后的特征数据，继续沿路由转发，不需要原始数据绕行到远端服务器。
计算结果可以直接在网内流转给下游节点，或者回传给应用智能层。任务执行状态实时上报，任务超时、节点故障时，控制平面自动重新调度任务到备用算力节点，实现任务容错。
4.3 算力 - 感知联合路由与动态资源调度
传统路由只计算链路路径；算力 - 感知联合路由，同时完成路径选择、算力节点选择、感知数据源匹配，三者联合优化。
联合路由的优化目标函数，综合考虑端到端时延、算力负载、传输带宽开销、感知数据质量、资源成本。控制平面在求解路由时，不再仅仅寻找最短路径，而是寻找满足业务算力需求、感知数据源需求，同时端到端时延满足约束的最优一体化方案。
动态资源调度分为两个层次：长期资源规划和实时动态调度。长期规划根据业务预测，提前预留区域算力与链路资源；实时调度应对突发感知数据流、临时推理请求，动态调整算力任务部署位置，切换感知数据源，调整报文优先级。
当区域算力负载上升，控制平面可以将部分内生计算任务迁移到邻近空闲算力转发节点，同时更新路由路径，保证业务连续性。感知资源发生变化（传感器故障、移出感知范围），调度系统自动切换备用感知源，保障智能体场景感知不间断。
4.4 感知数据时效管理机制
感知数据具有强时效性，超过时间窗口的感知数据失去决策价值，继续传输只会浪费带宽与算力。架构内置感知数据时效管理机制。感知数据包携带时间戳与有效生存窗口，算力转发节点在转发过程中，自动校验报文时效，丢弃已经过期的感知数据包，不再继续转发。
对于多智能体协同场景，网络维护感知场景版本标记，保证各个智能体收到的感知信息属于同一时间切片，避免新旧感知数据混杂造成场景不一致。网络支持感知数据按需订阅，智能体可以向网络订阅特定空间范围、特定模态的感知数据流，网络只转发订阅范围内感知信息，减少无效数据传输。
5 面向 AI 业务场景适配分析
5.1 大模型分布式推理场景
大模型在线推理是本架构核心适配场景。在传统 IP 网络方案中，完整模型部署在云端，终端上传完整图片、音频、点云原始数据，云端执行全部推理。带宽消耗巨大，端到端时延高。
在原生算力 - 感知一体化网络架构下，感知终端采集原始多模态数据，就近接入算力转发节点，在网内节点完成图像预处理、特征提取、模型浅层推理，仅将高维特征向量向后方传输，特征向量数据量远小于原始感知数据。模型浅层分片部署在网络内生算力节点，深层推理在边缘或者云端算力节点执行，推理流水线分布在网络路径上。
控制平面通过算力感知联合路由，选择一条沿途具备足够 NPU 算力的传输路径，同时预留确定性带宽资源，保障特征报文按时序到达下游算力节点。实测场景下，可以显著降低跨网传输流量，缩短推理端到端时延。
5.2 多自主智能体集群协同场景
多智能体集群包括工业机器人集群、巡检机器人、低空智能体集群，需要多个智能体共享环境感知，协同规划行动。传统架构依赖中心服务器收集全部感知数据，融合后下发决策，存在单点瓶颈和高时延。
算力感知一体化网络，各个智能体、传感器接入算力转发节点，网络节点就地完成多源感知融合，生成统一环境场景。各个智能体直接从网络订阅融合后的场景信息，不需要全部感知数据汇聚到中心。网络利用确定性转发保障智能体之间交互报文时延稳定，时效机制自动清理过期感知数据。当单个智能体或者传感器故障，网络自动切换感知数据源，集群协同不会单点失效，提升系统鲁棒性。
5.3 数字孪生全域感知场景
数字孪生需要持续采集物理世界多源感知数据，实时映射到虚拟数字空间。海量传感器持续产生数据流，传统网络传输全部原始数据，带宽压力巨大，数据同步时延高，虚拟场景和物理世界存在较大时间偏差。
在本架构中，网络内生节点完成感知数据时空配准、降噪、特征提取，只向数字孪生平台传输结构化场景特征，大幅降低传输流量。网络统一调度全域感知资源，保障物理世界数据采集、处理、映射的时间同步，缩小虚实世界时间差，支撑实时数字孪生仿真。
6 试验网搭建与试验验证
6.1 试验网总体部署
为验证原生算力 - 感知一体化网络架构可行性，淞基信息通讯研究院搭建小规模原型试验网。试验网部署 8 台算力转发节点，节点内置确定性转发硬件模块与 NPU 内生算力单元；接入 12 路异构感知终端，包含摄像头、激光雷达、IMU 传感器；部署一体化资源控制平面、业务语义平面，同时保留传统 IP 网络作为对照基线。
试验网测试三大典型场景：多模态大模型分布式推理、多智能体协同感知、数字孪生实时感知融合。对比指标包含端到端推理时延、时延抖动、网络传输数据量、算力资源利用率、业务任务成功率。对照组为同等硬件条件下，基于传统 IP 网络 + 边缘计算叠加方案。
6.2 场景一：多模态大模型分布式推理测试
测试任务：图像多模态大模型推理，模型拆分为浅层特征提取分片与深层推理分片。对照组：终端原始图像全部上传云端，云端完整推理；试验组：图像在接入算力转发节点完成浅层特征提取，网内传输特征向量，云端执行深层推理，网络启用确定性资源预留。
测试结果：在同等图像输入分辨率下，试验网传输数据量相比传统 IP 方案下降 67%；平均端到端推理时延从 187ms 降低至 76ms；时延抖动由 ±41ms 下降至 ±5ms 以内；在并发 12 路推理任务场景，任务成功率保持 99.4%，传统 IP 方案高并发下出现任务超时，成功率下降至 82.7%。
原因分析：网内生计算就地完成图像特征提取，减少原始图像远距离传输；确定性转发消除排队随机抖动，保障特征报文有序到达，减少上层重传等待时间。
6.3 场景二：多智能体协同感知测试
测试场景：4 台巡检智能机器人，搭配 6 路环境摄像头，集群协同环境探测，需要共享环境感知信息。对照组：全部感知原始数据汇聚中心服务器融合，下发场景信息；试验组：算力转发节点完成多传感器时空融合，智能体订阅网络融合场景。
试验结果：传统 IP 方案端到端感知信息更新周期 122ms，最大抖动 47ms；一体化网络方案感知更新周期 43ms，抖动控制在 7ms 以内；当其中一路摄像头失效，一体化网络可在 210ms 内自动切换备用感知源，传统 IP 方案需要 890ms 完成故障感知与切换。同时全网传输流量降低 58%。
6.4 场景三：数字孪生全域感知测试
测试目标：物理场景多传感器实时采集，同步映射数字孪生模型。对照组原始感知数据全部上传孪生服务器；试验组网内节点做感知配准与特征压缩。测试指标：虚实同步时延、网络带宽占用。
测试结果：传统 IP 方案虚实同步时延 156ms；算力感知一体化网络虚实同步时延 54ms；带宽占用下降 62%，可以支撑更多传感器接入而不明显增加链路负载。
6.5 试验结论
原型试验网结果验证，原生算力 - 感知一体化网络架构，相比传统 IP 传输管道架构，在大模型分布式推理、多智能体集群、数字孪生感知融合场景，在端到端时延、抖动控制、传输流量、资源利用率、故障切换速度上具备显著性能增益。试验证明，将算力、感知能力作为网络原生能力，而不是上层叠加业务，能够从底层适配 AI 业务闭环需求。同时试验验证架构支持与传统 IP 业务共存，具备平滑演进的基础条件。试验网同时暴露部分工程问题，例如节点内生算力调度开销增加、多域资源联合路由计算复杂度提升，为后续架构优化指明方向。
7 技术挑战与体系风险
7.1 技术层面挑战
第一，多资源联合路由计算复杂度提升。传统路由仅计算拓扑链路；算力感知一体化路由需要同时求解链路、算力、感知资源约束，随着网络规模扩大，全局优化计算开销快速上升。后续需要研究分布式启发式路由算法，降低控制器计算压力，实现大规模网络下低时延路由求解。
第二，内生计算安全隔离挑战。网络转发平面和计算平面共节点部署，计算任务可能带来安全风险，恶意任务可能占用节点算力、干扰报文转发。需要完善硬件级资源隔离、任务权限管控、任务代码安全沙箱，防止计算任务影响转发稳定性。
第三，跨域协同与资源可信问题。当网络跨多个运营域，不同域算力、感知资源归属不同主体，存在资源可信计量、资源交易、跨域资源预留问题，需要配套资源可信认证、计量机制。
第四，标准化难题。现有互联网协议体系基于 IP，算力标识、感知资源描述、一体化资源请求、内生计算任务协议，均缺少统一国际与国内标准。架构推广需要推动分层架构、资源标识、接口规范标准化，实现不同厂商算力转发节点互通。
7.2 安全与隐私挑战
算力感知一体化网络处理大量感知原始数据与场景特征数据，涉及图像、位置、环境敏感信息。网络节点就地执行数据处理，数据不再全部汇聚到中心云平台，数据分布在网络节点中，带来新的数据隐私风险。需要配套隐私计算、特征脱敏机制，在网络节点处理感知数据时，去除个人敏感信息，在保障场景可用的前提下保护隐私。
同时网络控制平面掌握全网算力、感知、拓扑全部资源视图，控制平面是高价值攻击目标，需要完善加密通信、访问控制、入侵检测、控制平面容灾备份体系，防范篡改资源调度策略、伪造感知数据等攻击。恶意伪造过期感知数据注入网络，会造成智能体错误决策，需要增加感知数据源可信认证，校验感知数据来源真实性。
7.3 工程与产业化挑战
算力转发节点硬件成本高于传统路由器，需要同时集成高速转发芯片、NPU 算力单元，硬件设计复杂度提升。设备功耗增加，大规模部署带来能耗压力。产业生态方面，现有设备厂商、云厂商、传感器厂商产业链分工是基于传统管道网络，产业链适配新架构需要重构接口、产品形态、商业模式。
商业模式层面，传统网络按带宽收费；算力感知一体化网络同时提供传输、算力、感知订阅服务，需要建立全新的资源计量、计费模型。网络运营商从带宽服务商，转变为一体化算力感知基础设施服务商，商业模式转型存在挑战。
8 总结与展望
8.1 研究总结
大模型与自主智能体业务的规模化落地，正在推动互联网底层架构发生范式级变革。诞生于端到端传输思想的传统 IP 网络，本质是比特传输管道，算力、感知独立于网络之外，尽力而为转发机制无法满足 AI 业务对确定性时延、就近数据处理、全域感知协同的底层需求，仅依靠增量优化难以解决体系性矛盾。
本文提出原生算力 - 感知一体化网络作为下一代互联网革新方向。该范式将算力资源、全域感知资源与转发带宽共同作为网络原生基础设施，构建感知接入层、算力转发节点层、一体化资源控制平面、业务语义平面、应用智能层五层架构。围绕架构，研究确定性转发机制、网内生计算、算力感知联合路由、感知时效管理核心技术，面向大模型分布式推理、多智能体集群、数字孪生感知融合场景做适配，并搭建原型试验网完成验证。
试验结果表明，原生算力 - 感知一体化网络，能够在降低传输带宽开销的同时，显著降低端到端时延、抑制抖动，提升 AI 业务任务稳定性。架构支持和现有 IP 网络兼容共存，具备平滑演进潜力。同时架构面临联合路由复杂度、内生计算安全、标准化、硬件成本、隐私保护等一系列挑战，需要持续开展理论优化、原型迭代、标准化推进。
下一代互联网的演进，不是简单网络提速，而是从 “传输比特” 到 “提供感知 - 算力 - 传输一体化基础设施服务” 的底层范式跃迁。算力 - 感知一体化网络，为承载大模型、自主智能体为代表的原生 AI 业务，提供一套完整底层设计思路。
8.2 未来展望
后续研究工作将分为三个方向推进。第一，优化大规模分布式联合路由算法，降低跨域多资源调度计算开销，支撑广域规模网络部署；第二，完善内生计算安全沙箱、感知数据隐私脱敏机制，构建完整安全体系；第三，推进协议接口标准化，完善试验网规模，开展多厂商设备互通验证。
长远来看，原生算力 - 感知一体化网络，将作为下一代互联网、未来移动通信、空天地一体化信息网络的融合底座。随着智能体、多模态大模型、物理数字融合业务持续发展，算力、感知、网络三者原生融合，将成为未来信息基础设施的核心特征，支撑物理世界与数字世界深度互联。
数据来源
1. 淞基科技（上海）有限公司、淞基信息通讯研究院内部原型试验网实测数据集，测试环境为自研算力转发节点、异构感知终端集群，测试记录包含各场景时延、抖动、流量、任务成功率原始采集数据；
2. 国内外下一代互联网、算力网络、确定性网络公开学术文献、行业白皮书；
3. 国内 6G、算网融合、通感一体化领域行业标准文稿与技术研讨资料；
4. 大模型分布式推理、多智能体协同领域公开基准测试数据集，用于对照基线仿真。
免责声明
本文为淞基科技（上海）有限公司、淞基信息通讯研究院、淞基未来信息网研究部、淞基新一代信息技术网研究部的理论研究论文，文中观点、架构设计、试验数据仅用于学术研究、内部技术研讨与原型验证，不构成任何产品承诺、技术落地担保、商业落地可行性保证。
文中所描述的原生算力 - 感知一体化网络架构属于前沿下一代互联网技术构想，相关原型试验仅在实验室试验网环境完成，尚未完成大规模商用部署。试验网测试结果受硬件配置、测试场景、负载条件限制，不代表所有环境下均可复现同等性能指标。
本文内容不构成任何投资建议、采购建议、工程实施方案。引用本文内容请注明出处。本文涉及技术方向仍处于持续迭代研究阶段，相关技术指标、架构方案后续可能随研究进展调整。文中涉及第三方技术名词、协议名称仅作学术引用，不代表我方认可第三方产品或技术。未经作者单位书面许可，禁止将本文内容直接用于产品宣传、商业推广。
