...........................................................................................23 3.1 传统简历筛选流程............................................................................................. 外，DeepSeek 还具备自我优化能力，能够根据 HR 的反馈不断调 整模型，提升筛选的准确性。 引入 DeepSeek 进行简历筛选的可行性主要体现在以下几个方 面： 1. 效率提升：传统简历筛选通常需要 HR 花费大量时间逐份阅 读，而 DeepSeek 可以在短时间内处理数千份简历，显著缩 短筛选周期。 2. 客观性增强：AI 系统基于数据驱动，避免了人为偏见的影 响，确保筛选过程的公平性与一致性。 自动化工具以提 高招聘效率和准确性。DeepSeek 作为一种先进的简历筛选工具， 能够通过深度学习和自然语言处理技术，快速分析和评估大量简 历，从而帮助企业更有效地识别和吸引高潜力人才。 传统的手动筛选简历方法不仅耗时，而且容易受到人为偏见的 影响，导致招聘效率和公正性大打折扣。相比之下，基于 AI 的简 历筛选工具能够客观、快速地处理大量申请，识别出与职位要求高 度匹配的候选人，

单向的流程，而演变为复杂、动态、多维的生态系统。在这一背景下， 客户关系管理（Customer Relationship Management，CRM）系统作为 企业销售、服务与营销运营的重要基石，亟需突破传统模式的局限， 迈向智能化、个性化和可持续的新阶段。同时，人工智能技术的飞速 发展，特别是以大语言模型为代表的生成式人工智能迅速崛起，为 CRM 注入了全新的动能，驱动其向智能中枢转型。 政 .... 59 （三）典型案例：构建智慧大脑，服务提质增效 ........................................... 60 表 目 录 表 1 传统 CRM 与 AI CRM 的核心维度对比 ............................................................ 7 表 2 AI CRM 技术路线对比 。 在此背景下，作为企业销售、服务与营销运营基石的客户关系管 理（Customer Relationship Management, CRM）系统，正日益显现其在 应对新需求时的固有局限性。传统 CRM 的核心使命是帮助企业通过 统一的平台，集中管理客户信息、追踪销售流程、执行营销活动并优 化客户服务，从而提升客户满意度与忠诚度，最终驱动业务增长。然 而，正是这些曾经赖以成功的核心功能，在新的商业环境下逐渐暴露

恢复能力的高可用网络，减少因网络故障中断、网络拥塞低效等 问题带来的算力资源浪费，保障分布式计算任务的稳定进行。 1.高可靠传输网络 相较于传统网络，大模型训练网络对丢包中断等异常情况的 容忍度更低，对故障敏感度更高，收敛时间要求更严，有更高的 可靠性要求。传统网络依赖控制面协议探测协商，故障中断时可 能产生百毫秒左右的短暂中断，但是这百毫秒中断若发生在数据 读取或模型更新等关键阶段，系统会丢弃这批数据或在恢复后重 故障远程通告：硬件生成故障远程通告报文，携带故障路 由/流，通告上游设备，解决本地设备无法保护切换。 3 故障快速自愈：远端设备基于远程故障通告，快切流量转 发路径，实现业务自愈。 使用数据面快速故障恢复技术网络收敛性能，相比传统网络 百毫秒的故障收敛时长，最快可提升至亚毫秒级，显著减少故障 场景对训练任务的影响。 2.高效率传输网络 在 AI 大模型训练环境中，算力服务器间需频繁通信做模型 参数交换，网络传输效率优劣直接影响分布式集群训练效率。因 一是流量负载不均衡。AI 大模型训练是同步模式的集群训 练，即一个训练迭代周期取决于处理最慢的流。网络拥塞概率越 大，通信时延越大，则 AI 大模型训练周期越长。负载均衡是避 免网络拥塞的关键手段，而传统 ECMP 技术无法解决大模型训练 场景诉求。有测试数据表明，即使在不产生拥塞情况下，ECMP 流 级负载均衡会导致约 10% 的应用流完成时间指标是理想状态下 的 1.5 倍以上，应用性能劣化明显。因此大模型业务负载不均，

适配周 期缩短50%。 携手海光DCU团队推出AI政务智能体 浙江算力科技 背景需求 / BACKGROUND 城市智能化升级需求迫切，需通过智能中枢实现跨部门数据融合 与决策协同，解决传统城市管理响应滞后、资源调度低效问题。 现有电子政务系统难以支撑智能化服务，亟需AI驱动的工作流 重构提升行政效能。 响应国家信创战略，需在政务领域实现从算力基础设施到应用系 统的全栈国产化替代。 海光DCU行业实战手册 方案亮点 / HIGHLIGHTS 实施效果 / IMPLEMENTATION RESULTS 海曦技术基于海光DCU与国产大模型打造心理筛查一体机，首创游 戏化多模态无感采集技术，突破传统心理筛查的局限，实现75%的病 症识别准确率，交付国内首个深度融合行为分析与AI诊断的心理健康 筛查平台。 数据长期跟踪与发展性评估：建立学生心理成长档案库，通过随 机截距交叉滞后模型分析学业成绩与心理状态的动态关联，识 关联，识 别心理健康问题的关键发展节点。 自动化报告生成：系统自动生成多维度可视化报告（如心理状 态雷达图、风险因子权重分析），并提供可操作建议（如推荐干 预课程、家校沟通话术）。 结束了传统心理检测技术（问卷、沙盘等）一统天下的局面， 在大模型和多模态技术的加持下，青少年心理筛查的手段变 得更加友善、更加科学。 帮助医院、学校及时发现和解决学生的心理问题，从而有效 预防校园抑郁

编者按 当前，全球正经历大国博弈与技术范式的深刻变革。面对中美战 略竞争加剧、传统产业亟待升级、地产与地方债务旧有逻辑亟待转变 等多重挑战，培育支撑中国经济长期高质量发展的“新质生产力”， 已成为一项紧迫的时代课题。 具身智能，作为人工智能与物理世界深度融合的典范，正步入以 “AI+高端制造”为核心的黄金发展期，有望成为驱动未来经济增长的 核心引擎。它不仅将重塑制造业价值链，更将催生“制造服务业”、“现 年，中国制造业增加值达 32.38 万亿元，已超过美、德、意、英制造 业增加值之和，并是日本制造业 GDP 总量的 5 倍以上。在传统制造 过剩和低附加值的背景下，“高端制造”成为转型必然，而具身智能 正是这一战略升级的底层支撑。 具身智能引领“自动化→智能化”的范式跃迁。传统机器人依赖 硬件与固定编程，而具身智能融合 AI 大模型、多模态感知、端到端 控制，实现感知—认知—决策—执行的动态闭环。应用场景有望从商 ............................................ 1 （一）全球大国博弈：中国高端制造崛起正当时...................... 1 （二）从传统机器人到具身智能：产业演化分析...................... 3 （三）未来具身智能产业：国家逻辑+市场逻辑双轮驱动..........8 二、影响具身智能产业变革的直接变量：技术

园区格局的变化...................................................................................7 1.1.1 传统安防面临的不足与挑战...........................................................7 1.1.2 园区安防未来的发展趋势.......... 国）的提出，企业生产园区的发展得到了空前的关注。在不断扩大规模、提高 产出的同时，企业关于智慧化安防的意识也不断提高。建设一套更安全、更高 效、更智能的安防系统已经成为市场普遍的呼声。 1.1.1 传统安防面临的不足与挑战 目前，大多数园区都有一定的安防建设，如基本的视频、录像、报警等， 满足了园区安防的基本需求，但是同时也面临着一些不足和挑战，例如信息孤 岛、智能化不够、设备多样化、大数据检索困难、设备维护难、系统稳定性低 理；  效果差 系统平台主要针对视频监控为主，缺乏对各子系统的统一整合管理。实现 安防管理业务单一，且智能识别准确率低下，实际应用效果很差。 1.1.2 园区安防未来的发展趋势 针对目前传统安防存在的问题，未来的园区安防发展必须要具备以下几个 条件：  更安全 安全是所有工作、生产的前提和必要保障。在高清监控全面覆盖的前提下， 未来的园区安防系统除了要求园区内部复杂的人员、车辆进行全面管控，还要

时代，新型业务需求如智能制造、机器视觉、 增强现实 AR 、虚拟现实 VR 等应运而生。这些业务场景对时 延和网络带宽有着强烈的诉求，而在传统的集中式云计算场景 中，所有数据都集中存储在大型数据中心。由于地理位置和网 络传输的限制，无法满足低时延、高带宽、数据不出厂等要求。  网络高时延：传统云计算无法及时处理和分析新型业务产 生的数据，导致应用终端获得的响应慢，体验差；  带宽高成本：新型业务的应用终端产生的数据回传云端将 带宽高成本：新型业务的应用终端产生的数据回传云端将 消耗更高的网络带宽带来高昂的网络成本；  数据合规性：新型业务数据存储在云端，无法满足企业对 敏感数据本地化存储的要求，知道影响企业数据上云策略。 面对传统集中式云计算的固有局限性，边缘计算成为应对 新型业务和数据据合规业务的较好选择。边缘计算通过在靠近 终端应用的位置建立站点，最大限度的将集中式云计算的能力 延伸到边缘侧，有效解决以上的时延、带宽及数据安全性问题。 时延范围，算力以 AI 推理为主，主要面向自动驾驶，工业互联网等实时性业务；  第二个“圈”是近场边缘，覆盖 5~20ms 时延范围，算力以渲染为主，同时还有一部分推理，主要面向视频场景；  第三个“圈”是传统的公有云（也称为中心云），覆盖 20~100ms 时延范围，用于承载未下沉到边缘的业务，例如海量的数据 存储，挖掘，训练等。 工业场景中的边缘计算主 要围绕现场边缘，面向工业边缘 场 景 ，

升企业的市场竞争力。而引入 DeepSeek 大模型应用方案，将使 CRM 系统的功能更加强大，为企业带来更大的商业价值。 1.2 大模型在 CRM 中的潜力 在客户关系管理（CRM）领域，大模型的引入为解决传统 CRM 系统中的痛点提供了全新的可能性。通过深度学习和大规模 数据处理，大模型能够从海量的客户交互数据中提取出有价值的信 息，进而优化客户体验、提高销售转化率和增强客户忠诚度。首 先，大模 出特定的浏览行为时，大模型可以实时预测其购买意向，并自动触 发相应的营销活动，如个性化推荐或限时优惠。这种基于数据驱动 的决策过程，不仅提高了营销效率，还显著提升了客户满意度。 其次，大模型在客户服务中的应用潜力巨大。传统的客户服务 往往依赖于人工客服或预设的自动化流程，难以应对复杂的客户问 题。而大模型可以通过自然语言处理（NLP）技术，理解客户的自 然语言输入，并生成符合语境的响应。例如，当客户在在线聊天中 加人性化的服务体验。此外，大模型还可以通过情感分析，识别客 户的情绪状态，从而在服务过程中采取更加恰当的策略，如安抚客 户情绪或主动提供补偿。 再者，大模型在客户细分和个性化营销中的应用也有显著优 势。传统的客户细分方法往往依赖于有限的变量，如年龄、性别或 购买历史，难以捕捉客户的深层次特征。而大模型可以通过对多维 数据的分析，识别出更加精细的客户群体，并为其提供高度个性化 的营销内容。例如，大模型可以结合客户的社交媒体行为、购物历

空间的环京算力资源统筹和调 度。在技术方面主要有3项创新突破。 （1）异构网络集合通信优化技术 在长距拉远场景下，网络不再同构，跨长距的GPU通信时延要显著高于DC内的GPU通信时延，因此 传统算法将不再最优。下表总结了Ring算法和HD算法在拉远场景下的跨长距通信次数和通信量。其中S 是集合通信数据量，N是参与集合通信的GPU数量。 表1 典型集合通信算法跨长距性能评估 集合通信算法 年度技术创新类（前沿技术突破） 图1 跨长距集合通信算法架构 （2）网络级负载均衡技术 智算业务流具有同步性高、流量大、周期性出现等特点。同一时刻，网络里每条等价路径上都有流 经过，传统基于ECMP哈希的负载均衡技术无法做到所有路径的完美均衡。 本方案采用网络级负载均衡技术可以通过统一规划整网流量，如图2所示，让所有路径之间完美均 衡无冲突，避免拥塞丢包。具体来说，首先网络设备 控制器根据拓扑、流量信息，运行全局选路算法，给每条流都选择合适的路径，做到整网完美均衡无拥 塞。最后，控制器将路径信息再下发给网络设备，由网络设备作出路径调节。 图2 网络级负载均衡技术 （3）高性能WSON技术 传统的WSON重路由时间为秒级到分钟级，现网测试中容易发生概率性训练中断事件，影响智算业 务。因此，需要进一步提升WSON的重路由能力，实现确定性的光层恢复能力。 针对智算百公里级互联场景，本方案利用WSON

挑战1：如何基于应用视角设计高可用 上云方案与高可靠运维保障方案 主机上云的最大挑战就是核心应用上云后的可用性管 理。随着原来运行在大机上的应用不断迁移上云，云 上的业务可用性等级要求被提升到了新的高度，传统 的运维手段已经无法满足核心业务N个9的可用性目 标。可用性管理前置到了系统设计乃至应用设计阶 段。 即便如此，可用性管理依然面临着成本、技术和管理 的三重挑战。 首先，无论是备份、主备、多活还是业务单元化改 随着主机上云和业务云化转型的持续深入，分布式数 据库、中间件、AI、大模型等各种云原生技术被广 泛应用。新服务、新技术的迭代加速，犹如一柄双刃 剑，在助力业务快速发展、快速创新的同时，也带来 了系统技术栈复杂度的急剧提升，给传统的IT运维方 式带来巨大冲击。 例如，应用的微服务化改造，带来微服务数量的指数 级增长，应用的调用层次和调用关系变得冗长；分布 式云原生的深度应用，使得业务链路更加复杂。当上 层业务应用出现故障时，排障过程可能涉及从应用到 物理主机 网元 存储池 云数据中心1 云数据中心2 传统数据中心 应用层通过在容器集群、弹性云服务器、裸金属 服务器上部署复杂的应用，实现某些业务功能； PaaS实例层主要是指云平台提供的容器集群、中 间件、数据库等实例资源； IaaS基础设施层主要指提供计算、存储、网络的 基础资源池，如云数据中心的存储池、虚拟网 元、计算资源池或者传统数据中心的服务器、网 络设备、存储设备等。 12