....................................34 2.4 推理服务层..............................................................................................36 2.4.1 推理引擎........................................... 数据安全与隐私保护机制的设计 为了更好地明确方案的实现路径，以下列出了主要的技术指标 和预期成果： * 数据整合效率：实现 90%以上跨部门数据资源的实时共享与 调用，处理延迟不超过 1 秒。 * 模型训练与推理能力：支持每天 10TB 级别的数据训练任务，推 理速度达到毫秒级响应。 * 系统可用性：确保 99.99%的系统全年无故障运行时间，保障关 键业务连续性。 * 安全性：实现全链路数据加密和访问控制，符合国际及国家信息 数据支持。同时，引 入数据安全和隐私保护机制，确保数据在采集、存储和传输过程中 的安全性。 计算层是大模型底座的核心，主要负责模型的训练、推理和优 化。采用高性能计算集群和分布式计算框架，支持大规模并行计 算，提升模型训练效率。为了提高模型推理的速度和准确性，引入 边缘计算和云端协同机制，实现实时数据处理和分析。此外，计算 层还支持动态资源调度，根据业务需求自动分配计算资源，确保系

（二）日韩加速布局智算基础设施，力争缩小与全球头部梯队的差距。 .......6 （三）我国从应用牵引和普惠服务发力，全面推动智算产业高质量发展。 ..7 2、智算需求持续高涨，核心驱动力由“训练”转向“推理”............................................................8 3、AI 应用加速规模落地，带动智算产业发展向深向实.......... ....... 18 （一）英伟达主导全球 AI 芯片市场，国产替代加速追赶。.........................................18 （二）芯片架构多元化愈加明显，推理需求加速 ASIC 普及。.................................... 19 （三）单芯片算力逼近极限，系统级创新成重点方向。...................... 2、智算需求持续高涨，核心驱动力由“训练”转向“推理” 推理模型快速普及并从纯文本走向多模态。OpenAI 于 2024 年 9 月发布的 o1-preview 模型拉开推理模型帷幕。推理模型基于 基础模型开发，其通过在推理过程中引入长思维链，实现了与普 通模型截然不同的问题解决方法，即在输出答案前先进行“思考”， 因此更为擅长处理谜题、高级数学和高难度编程等需要多步骤逻 辑推导的任务。推理模型的“思考过程”可以向用户展示，如

2 Few-shot (Zero-shot) ，在少甚至无标注样本的 条件下支持推理（自监督学习）。 将模型在下游各种自然语言处理任 务上的小规模有标注数据进行微调 得到适配模型 预训练语言模型 从海量数据中自动学习知识 将模型在大规模无标注数据上进 行自监督训练得到预训练模型 Agent To B 特定行业类 Language 特定行业类 超长文本 Agent 道德责任 Knowledge Reason Other Math Code 知识 其他 代码 推理 语言 数学 IDC 测试题目分为基础能力和应用能力两个大类共 7 个维度 IDC 采取实测的方式，成立产品测试团队，通过多个维度对基础大模型及相关产品进行评测，并邀请外部专家团队深入分析各个产品答案准确性、合理性等，在 法律 : 智能法律助手，法律咨询 医疗 : 问诊，用药咨询 科研 问答理解类 常识、专业知识、多语言、多模态、角 色扮演 + 多轮对话、安全陷阱 推理类 情感推理、演绎推理、逻辑推理、归纳 推理、类比推理 创作表达类 文字创作 & 创意、内容改写 / 续写、修改 / 润色、文字处理、编辑 / 语义匹配、摘 要提取、关键、字提炼、标题生成、文

大语言模型的训练 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.4 采样和推理 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3 型实现了 “认 知工作的自动化”（Automation of cognitive work）(Korinek, 2023)，它们直接触及知识生产的核心，能够理 解复杂概念、生成连贯文本并进行多步推理。如果说上一轮自动化取代了蓝领工人并催生了德鲁克所谓“知识 工作者”的兴起，那么大语言模型就直接击中了知识工作者任务的核心。 经济学家作为知识工作者，毫无疑问处在这次变革的中心。经济学家的日常工作，包括数据分析、编程和 从人工智能概念提出到现在，其发展大致分为三个阶段：早期基于符号和预定规则推理为主的阶段、统计机器 学习，以及近年来迅速发展的生成式人工智能，而后两者又同样基于数据驱动。随着技术的演进，人工智能变 得越来越像人类智能，其与社会科学的关系也不断发生变化。其背后的驱动因素，在于人工智能的数据表达能 力和泛化性能逐步增强。 最早期基于符号推理的人工智能对于社会科学的影响可以说是微乎其微。这主要是因为知识必须由人类

生成式人工智能由基于大量数据进行预训练的大型模 型提供支持，这些模型通常称为 FM。 机器学习（ML）： 机器学习是一种开发算法和统计模型的科学，计算 机系统使用这些算法和统计模型，执行任务时所根 据的是规律和推理（而非明确的指令）。机器学习属 于人工智能的一部分，也是生成式人工智能的基础。 基础模型（FM）： 基础模型是一种基于大量数据进行预训练的机器学 习模型，可能包含数以十亿计的变量，因此能够学 Amazon Bedrock IT 数据 客户数据 11 亚马逊云科技 生成式人工智能堆栈 利用 LLM 和其它 FM 的应用程序 用于构建 LLM 和其它基础模型的工具 用于基础模型训练和推理的基础设施 Amazon Bedrock 防护机制 | 代理 | 定制功能 Amazon Q Business Amazon Q 开发人员 Amazon 层，我们让客户可以轻松获得构建和扩展生成式人 工智能应用程序所需的所有模型和工具，并且具备了 客户可从亚马逊云科技服务中获得的相同的安全防御 能力、访问权限控制等功能/特色。底层是用于训练 LLM 和其它基础模型来生成推理或预测的基础设施。 凭借企业级的安全性和隐私性、可供选择的优秀基础模 型、数据优先的方法以及性能卓越、成本合理的基础设 施，制造企业相信亚马逊云科技能够加速发展生成式人 工智能技术，从而减少将新产品和服务推向市场的成本

所示。 2.3 人工智能辅助工艺决策与执行控制技术 2.3.1 基于知识挖掘与混合智能推理的工艺快速设计 针对卫星产品制造与装配过程海量工艺数据 挖掘、按需智能推送与工艺智能生成需求，提出基 于知识挖掘与智能推理的工艺快速设计方法，实现 基于文本挖掘的工艺知识提取标注、知识按需自动 推送、基于混合智能推理的工艺内容快速生成，如 图 12 所示。采用基于文本挖掘的工艺知识提取与 标注方法，对海量文本类工艺数据进行预处理，多 库。系统自动感知工艺设计情境，获取产品/专业/ 过程/工艺/工序等信息，描述知识需求并自动检索 工艺知识库及工艺实例库，推送相关工艺知识及实 例。采用混合智能推理方法，对自动推送的装配工 艺知识相似度评估排序、工序实例自动筛选、工艺 流程合理性/参数正确性/引用规范性/风险识别正 确性等规则推理，实现装配工艺的快速生成。 图 9 面向批产的卫星模块自动化集成装配技术 Fig.9 Automatic integration technology for complete sets of factory equipment based on the industrial Internet platform 图 12 基于混合智能推理的装配工艺智能生成原理 Fig.12 Intelligent generation principle of the assembly process based on hybrid intelligent

数据是智能驾驶发展的核心 06 第二章 智能驾驶技术架构与关键能力 08 2.1 车端硬件 09 2.1.1 感知硬件 09 2.1.2 域控制器 13 2.1.3 执行硬件 18 2.2 车端推理 19 2.2.1 算法架构演进 19 2.2.2 算法场景应用 20 2.3 云端训练 20 2.3.1 训练数据 21 2.3.2 训练芯片 22 第三章 智能驾驶行业赋能与场景创新 车云协同；车端算法层整合管理域、算法、应用及安全 域，实时解析传感器数据生成决策指令；云端提供全导 航、数据管理和模型训练等功能，通过 OTA 向车端推 送更新。系统通过“传感器数据反馈、车端实时推理、 云端模型训练”闭环，实现环境感知、动态决策与精准 执行的全链路智能化驾驶。 第一章 智能驾驶概念与发展辨析 05 图 1-2 智能驾驶整体技术架构图 车端传感器层包含摄像头、激光雷达、毫米波雷达、车 低时延的极致要求。车控操作系统支持 MCU 的轻量化 部署与运行要求，安全隔离引擎、μs 级硬实时任务调度， 实现智能驾驶对执行器命令的高安全、高实时下发。芯 片提供 AI 算力支撑神经网络推理，域控制器集成多源 数据处理，操作系统实现硬件资源调度与任务管理。该 层作为算法层的硬件载体，负责将传感器层采集的数据 进行预处理并传输至算法层，同时将算法决策转化为具 体的控制信号，是连接传感器、算法与执行机构的神经

数字化能力下沉场站，提升巡检智能化，降低生产运营风险，推动新能源减员增效 智能运检系统 算法模型库 第三方算法 模型 Tencent AI 中 心 版 监视数 据 标 准 推理结果 场 站 2 Tencent AI 边缘版 形成智能场站标准适配 标准化云边运行环境、数 据 接 入、应用接 入、 API 接口、身份认证、安全管理规范 云边协同 边缘侧与总部一致的数字化能力，实现巡检 据 治理平台 创新 科技 3 3 1 7 8 智能化 自动化 组 织 战 略 20+ AI 质检项目 边缘设备管理、数 据 存储、边缘推理训 练 设备监控、数 据 采 集 、 模型应用 XX 创新实验室 电池材料筛选研究 AI 电池寿命预测 项目 / 人才 / 生态 智能制造部 • • 机房 面：云边端协同智能云平台 体：联合创新、人才与生态合作 AI 平台 数 据 管理 推理训 练 模型应用 私有云 计算 存储 网络 管控 硬件 GPU

提高 了最终产品的质量。 2.1 汽车设计AIGC基础技术 通用语言大模型通过使用上百亿个参数和庞大的语料库进行训练，使得大模型可以理解并生成更自然、 更丰富的文本内容，在通用领域具备了知识推理能力，初步实现了“人的孪生”。 然而，通用语言大模型也存在一些潜在的问题和挑战，在严肃的专业产品领域应用还存在很多问题： 2.1.2 模型技术——AI模型 01 ChatGPT的知识来源于公域知识，对于企 、地点的地理 坐标等；关系则表示实体之间的相互作用和联系，如属于、位于等。通过建立知识图谱，能够将复杂 的非结构化数据以网络等形式表达成结构化信息，便于计算机进行处理和分析。 将知识图谱强大的推理能力和大模型强大的自然语言处理能力结合，取长补短，是确保汽车设计 AIGC系统生成内容符合严肃专业领域的有效手段。具体方案为：首先采用自然语言处理和文字识别 技术，将自然语言书面文件转化为计算机 帮助用户生成文 本，或将文档集汇总等。在制造行业， “大模型+工具”的研发设计模式能有效提升芯片设计、机械设 计、工程仿真等精度和效率。大模型与工业研发设计软件融合，借助云计算，进行超大数据量的推理 训练，进一步优化软件工作效率，简化研发流程和复杂度，帮助企业提升研发效率。 2.2.3 汽车开发AI Agent 大模型 工具 汽车开发 AI Agent 汽车产业 AIGC 技术应用白皮书

在智能座舱领域，车企希望从“被动响应”转变为“主动理解”，为用户提供一个真正懂自己的“私人助理”。 阿里云通过端云协同的智能架构，端侧利用车内摄像头、传感器和语音交互持续学习车主习惯并识别潜在意图， 云端则依托通义大模型的强大认知与推理能力，调用多个专业智能体，并联合阿里生态服务（如支付、物流、电商、 地图等），生成个性化的服务策略。 此外，大模型的价值还逐渐渗透到车企内部经营提效中。例如，在智能客服和用户运营中，通义大模型 该系统依托阿里云基础算力、通义底模和百炼平台共同构建，包括阿里云提供的基础算力为其运行提供强大计算支 持，通义千问 140 亿参数大模型作为基础模型，百炼平台助力模型训练与优化，形成了 “应用端提问、大模型推理、数 据中台查询、应用端可视分析” 的端到端链路，让数据价值挖掘更快。 一汽 GPT-BI 来源 ：公开材料和数据收集整理 23 汽车行业 AI 应用白皮书 总体篇 场景篇 保系统的稳定性和可靠性，云计算对于海量的数据处理和实时分析至关重要，使其能够处理复杂多变的道路信 息，实现精准导航与智能驾驶等功能，从而不断优化驾驶体验。 车载芯片的性能也在不断提升，为车载模型的推理提供更加实时高效的计算能力。例如，NVIDIA 的 DRIVE Orin 芯片具备每秒 254 万亿次运算的能力，支持多种高级驾驶辅助功能和智能驾驶任务。这种高性 能芯片的应用，使得车辆能够在本