人等技术在物流场景的落地，有助于成本管控正从“经验式”向“智能化”跃迁，率先使用 AI 等科技 或具备技术基因的 ToB 物流商，有望在成本竞争中进一步扩大竞争优势。 “AI+ 物流”相较于“互联网 + 物流”：全链路深度融合，智能决策。我们认为， AI+ 物流以人工智 能 算法、机器人及自动驾驶技术为底层支撑，从被动响应转向主动预测与动态优化，通过自主决策与 自 动化执行提升物流全链路效率。 “AI+ 物流接入 DeepSeek ，在异常管控、智能交互、流程自动化三大板块落地使用。供应链领域，例如， 怡亚通的平台 · 运多星正式接入 DeepSeek ，将运用在智能风控体系、运力调度、数据价值深度挖掘 等 方面。 我们认为，大型语言模型时代下智能程度高速提升的 AI 模型，能够更高效地完成泛化社会 领 域中的复杂任务，为“ AI+ 物流”的发展模式提供现实背景与技术支持，“ AI+ 物流”的稳步发展与 正在推动物流行业向智能化、自动化与高效化方向 的产业能级跃进。 我们认为，在高度同质化竞争格局下，供应链行业护城河构建逐步从资源规模转向成本控制能力， 倒逼企业围绕全链路精益化管理展开深度变革。从业务特性看， ToB 物流服务链条长、定制化程度 高，且客户对成本诉求敏感，这些特性驱动物流企业加强两大核心能力：动态优化成本、精细化运 营。随着 AI 、机器人等技术在物流场景

主要功能：通过工地内部的监控系统采 集图像，分析工地内部的人员身份、人 员位置、人员行为等。 • 效益分析：解决工地内部他是谁？他在 哪里活动？他曾经在哪里活动？他做了 哪些工作等问题。 • 技术特点：采用先进的深度神经网络， 分析人员身份、人员位置、人员行为。 工地内部监控摄 像头 工地内部监控摄 像头 工地内部监控摄 像头 人员分析计算单元 智慧工地云平台 03 智慧工地解决方案 3.4 车辆身份关联起来，并根据摄像头 的位置，分析车辆的位置和轨迹 工地内部车辆分析 项次 分析名称 分析内容 分析方法 1 车辆类型 根据摄像头图像发现车辆 的具体类型，比如卡车， 工程车等 通过深度神经网络，自动分析车 辆类型 2 车辆身份 根据进门时车辆的图像和 拍照，关联工地内部的车 辆身份 通过图像匹配的方式，关联车辆 身份 3 车辆位置 和轨迹 分析出车辆在工地内部的 物品和设备检测出来，并给出在图 像中的位置 工地内部车辆分析 项次 分析名称 分析内容 分析方法 1 物体检测 根据摄像头图像，自动检 测出物品 通过深度神经网络，自动检测物 品 2 设备检测 根据摄像头图像，自动检 测出设备 通过深度神经网络，自动检测设 备 3 位置和轨 迹 根据摄像头位置，自动分 析物品和设备的位置，轨 迹 根据摄像头的位置，分析出物品 和设备的位置、轨迹

判断、业务理解、数据探查、写SQL能力 技术局限：时序特征提取；类别变量的编码；损失函数选 择有限；端到端学习能力有限；训练策略难以定制 第三代：深度学习算法 （CNN，RNN，Attention） 前景：轻松克服左边的全部技术局限；深度学习在CV、 NLP、搜索&推荐&广告等领域先后取得颠覆性突破 1. 准确性：较高 2. 稳定性：很低 3. 可调整性： 高 （特征、超参、模型结构、训练策略） 可解释性：低（黑盒算法，只能解释输入输出） 5. 执行效率：低（模型较重，GPU训练成本较高） 应用局限：炼丹工作重，训练时间长，摸索成本高 技术局限：模型重，数据量要求高；时序针对性低 自研深度学习时序预测算法--Falcon Falcon是什么 算法： • 多block叠加的残差链接主干网络，类似n-beats （右图）结构，实现时序成份分解 • 丰富的block库捕捉时序的各种成 数值特征），个性化按需 组装 • 参数规模：数千；训练时间：几小时 框架： • 一套相对通用的算法框架，方便算法研发&验证&沉淀（时序对齐、采样，类别变量embedding，多种训 练策略） 深度学习时间序列算法目标 1. 准确性：较高 => 高（显著、稳定地高于LGB） 2. 稳定性：低 => 高（达到统计方法的水准） 3. 可调整性： 高 （特征、超参、模型结构、训练策略） 4.

管理自动化与智能化，广泛应用于电商、制造、医药等领域。行业技术壁垒高，硬件与软件协同发展， 应用场景广泛。电商行业爆发式增长、政策红利加速行业智能化转型，推动市场规模扩大。未来，无人配送与智能仓储深度融合，产业链协同与全球化布局将进一步扩大市 场空间，重塑物流行业的效率与商业模式。 行业定义 行业分类 基于智能系统功能分类 仓储系统 分拣系统 搬运系统 信息管理软件 行业特征 成化 与智能化的物流系统。系统内物联网传感器与机器视觉技术的集成，实时收集并处理库存数据，实现货物的精准定位与高效分拣，而AI算 法与云计算平台的结合则优化路径规划、预测需求，这不仅要求技术上的深度协同，也是对系统稳定性和响应速度的极大考验。技术迭代 迅速，企业需不断升级维护，确保系统兼容性与创新活力，以适应不断变化的物流需求。 硬件与软件协同发展 上游硬件设备（如堆垛机、AGV、RFI 通过整合解决方案满足多行业需求；下游应用覆盖电商、医药、汽车等高要求场景。例如，京东物流第五代智能仓储系统结合3D视觉分拣 与自主移动机器人，顺丰通过“天网+地网+信息网”三网融合体系实现干线车辆厘米级监控，凸显技术对产业链各环节的深度赋能。 应用场景广泛 例如：【1】电商行业：具有“多品种、小批量、多批次、短周期”的特点，对仓储的分拣、包装、配送效率要求极高，输送带和分拣带需求 量大，AGV、智能分拣系统等应用广泛。【2】

治理、金融创新与产业转型的全面实践 ............ 12 3.2.2 哥本哈根：碳中和目标下的市政行动与旅游激励.....................14 3.2.3 迪拜自贸港：ESG 与绿色金融创新深度融合实践....................16 3.2.4 鹿特丹港：打造绿色港口与绿色航道....................................... 17 3.3 国内案例 设目标协同的关键抓手， 该体系可通过市场化方式引导资金、技术和人才向绿色低碳领域集聚，促进企 业和社会主体在环境责任、社会责任和治理效能方面的整体提升，最终推动经 济高质量增长与生态文明建设的深度融合。 为推动目标落地，本报告提出以下关键建议：一是构建自贸港特色 ESG 评级框架，立足海南自贸港、低碳岛及热带岛屿定位，在衔接国际标准保障兼 容性的同时，突出对开放型经济、热带生态保护、海洋资源利用等特色领域的 平 开放”与“生态保护刚性约束”，将“生态环境质量只能更好、不能变差”作为 核心要求，确立“生态友好型”自贸港定位。这一顶层设计要求海南在制度、政 策、项目全流程中前置生态保护，其发展路径必须深度融合高质量经济增长与 长期可持续性目标，在高水平开放与生态保护之间构建动态平衡，保障自贸港 建设的可持续性。 1.1.2 绿色发展目标需要 ESG 融入制度支撑 2025 年 7 月，海南省

工艺数据 管网数据 园区数据 排污许可 排污税费 危废 监督监测 例行监测 信访投诉 污染源 环境质量 监察执法 网络数据 纸质数据 01/ 公司概况 基于数据中心、深度学习的 AI 预测模型 ，通过神经网络 自 我学习及修正来构建空气预测模型 ，实现对未来空气 质量 的预测分析。 免去 CMAQ （第三代空气质量预报和 评估系 统） 的人为调整误差以及无法准确率的自我提升。 的人为调整误差以及无法准确率的自我提升。 通过神经网络模型 ，可对人脸 ， 车牌 ，渣土车辆、 工地 裸 土苫盖、露天焚烧、扬尘污染、漂浮物、污水排放等 场景 进行自动分析抓拍。构建水务、环保、 园区等垂直 行业的 深度场景应用 ，丰富的建设案例。 在非侵入式传感器、机器学习算法和预测维护解决方案的 帮助下 ，通过 AI 对于声波的分析和识别 ，提前预判机器 设 备的故障 ，彻底保障安全生产 ，最终实现外业作业无 问题发现、处理不及时 ，问题发生影响严重 • 引入物联网 、 大数据等技术建 立 数字化园区 ，实时掌控园区动 态 • 数字化信息化服务业务全流程， 提升运营监管效率 • 深度挖掘园区数据 ，为园区问题 寻根溯源 ，提供数据决策 技术升级 流程剖析 数据挖掘 解决方案 需求分析 02 / 规划设计 痛点 多维研判 辅助决策 综合处置 设计思路

田上避免过 度 建设。 • OneNE 饯持不同规约设备直接接入 1 系统更扁平 r 开发和部署效率高。 WT 0 3 深度学习引擎 云端 +aios BHMS 深度学习算法 智慧园区大数据可视化平台建设和运营一体化解: 师臻 S 3 盯 人工智能闭环 绿色节能 利用现代化信息技术手段 化” 1 将指挥中心建设成为一个智能、高效、实用的现 代化指 挥中心。 智慧管理 6. 综合指挥中心…运筹帷幄 决胜千里 功能强大的报表设计平台， 支持对所有前端采集数据的深度挖掘，可自定义报表类型，可对数 据 进行图表化显示， 为管理者提供决策支持。 智慧园区大数据可视化平台建设和运营一体化解 j 师臻 取 心 「 大数据、物联网、 AI 智能 总架构 建设好基础平台的同时，充分结合海航优势行业 ，打造优势云产品 AI 大数据 基于 " 听说看辨想”的基阻能力平 台、音能客服云 - 身份认证云、知识图潜、可能力开 放平台、刷脸考勤云 深度学习框架、超算中心 数据 决策 大数据原行理目平台（ API 市场） - 安维度数据源整合平台 ： 数据 决策 接入 & 节点管理 . 账本应用 + 状九 链 数据

环保 等进行一窗式的管理。实现工厂关键节点、核心要素、重大 危险源点等的一站式实时监控与预警。通过 3D 数字港口， 实现企业各型数据的实时展示，强化企业管理手段；实现企 业管理空间与时间的深度融合；实现管理对数据的实时反馈 及数据对管理的实时驱动。  通过项目三维数字化港口，为企业管理提供线上港口巡检、 设备巡检、用能信息查询、运行信息查询、危险源点管控等 管理手段，实现多车间、多设备、多要素一站式监测、预警、 2 可提供数字孪生双发 选收提 高可靠性并降 低切换 时延 * 当前华为终端支持 可提供增强无线 （“ QoS 调度 +RB 资 源预留 + 超级上行”） 提升用户接入，上行 容量和覆盖深度。 可提供基站和机房双 链路备份，提升定制 网系统链路可靠性 3 4 可提供企业专用 UPF 出 口，提供独享数据 通 道，保障数据安全 可 提 供 企 业 专 用 MEC 支持流量管理、 车道开放，车辆准备驶入 车辆进入车道，车道 设备进入工作状态。 车辆通过 AI 智能 识 别检测区 视 频 分 析 流 程 2 数据采集上传 3 道闸安装效果 ◼ 系统基于人工智能的视频分析技术研发，通过深度学习，利用计算机图像视觉处理、模式识别和机器学习等算法，分 析和识别运动目标信息，经实际案例检验本方案识别精度高、可靠信高。 5 、港区内机械人员定位 车端硬件： • UWB 定位模组

协调调度 AI 预测 电力交 易 AI 智 能终端 13 储能 - 亮点及优势 基于储能系统实现光储充节系统的整合，协同调度， 通过 AIot 技术，对能源运行数据进行采集 和 深度分析，让能源系统的运行更加经济、智能、高效，平稳。 • 直流电路安全管理， 快速熔断保护和电弧 保护； • 多级电池保护体系， 无可挑剔的安全性； • 智能漏液检测及补液系统 模型 DR 电池健康评估模型 储能系统控制模型 新能源发电模型 智能微电网模型 需求响应模型 AI 助力能源系统高效 运行 n 更高收益 基于深度学习和强化学习算法实现的 多目标寻优模型，使得能源调度在各 类场景下都能获得更高的经济收益 新能源发电量预测 虚拟电厂控制与调度优化 电力市场电力价格预测 储能充放电策略管理 电池寿命及健康度预测 算法，实 现 事前预测，安全故障提前感 知 n 更加灵敏 云边协同，模型部署迭代更 加灵活，指令下达更加灵敏 n 更加精准 海量运行数据与深度学习算 法构建完整运行画像 风能发电 电力交易市场 其他负载 储能系统 电池 充电桩 光伏发电 深度学习 统计分析 传统机器学习 强化学习 AI 大数据仓 库 MLP 高斯回归 (MBMF 、 MBVE ) 有模型学习

9 · 上 海 站 AIOPS趋势下智能监控系统的新挑战 AIOPS?  AI应用场景分散，成熟度不一致  业务多样化，算法工程化困难，大部分场景距离实际应用有一定的距离  监控指标深度，专业化程度不够  数据源不够全面  频繁变化的资产，不可靠的CMDB  运维专家匮乏  复合型人才匮乏：AI和算法工程师+运维开发 G O P S 全 球 运 维 大 会 2 0 · 上 海 站 技术架构 采集 决策 处理 agent jdos api zabbix api 通知 自动处理 人工处理 规则管理 规则匹配 回溯分析 预设规则 知识库 深度学习 决策树 异常反馈 …… 分析 使用率统计 预处理 过滤 实时告警 阈值判断 历史数据 业务分析 根因分析 趋势分析 故障预测 数据挖掘 大数据分析 dbs api G 日志分析； 预测 上报 故障 止损 异常检测 发现问题 解决问题 规避问题 api 主动检测 KPI聚类分析 故障树 根因分析 智能通知 智能处理 回溯分析 智能告警 知识库 深度学习 决策树 异常反馈 自动处理 人工处理 处理报告 容量预测 趋势分析 性能预测 扩容建议 故障预测 决策 支持 预算建议 故障快照 G O P S 全 球 运 维 大