HYGON 07 08 HYGON 海光DCU行业实战手册 DCU：国内唯一全精度通用AI加速卡 DCU人工智能软件栈 / AI SOFTWARE STACK 通用架构 采用GPGPU大规模并行计算架构设计，通用性好，全面兼 容CUDA、ROCm软件生态，迁移成本低 开源生态 支持主流AI框架和工具链，覆盖全部开源大模型，支持主 流AI、AI for Science和科学计算等各类应用软件 DCU：全面兼容主流生态 / FULL ECOSYSTEM PROFILE 类CUDA API的 开源软件开发平台 原生支持多种加速库 及各类深度学习框架 提供完整的开发、 迁移、编译、调试工具 支持容器化工具 大规模部署 支持Kubernetes 和Slurm调度系统 功能健全的DCU软件栈 性能分析工具 主流HPC应用 Gromacs/VASP etc 人工智能框架 TensorFlow/PyTorch/ 云平台的整体性能表现。 安全可信：海光国密、可信计算及CSV技术，助力移动云打造 机密云主机等安全产品，为行业客户数据提供全链路防护。 全场景覆盖：移动云在公有云、边缘云、智能云等多种云模型 中大规模使用海光CPU+DCU，智算、通算场景全覆盖。 移动云 打造“海光芯”国产化算力底座 HYGON 25 26 HYGON 海光DCU行业实战手册 中电信无人科技 依托海光芯打造低空经济智能飞控平台

效率低下：手动筛选简历耗时耗力，尤其是在面对大量求职者 时，HR 人员的工作负担较重，筛选效率较低。  主观性强：由于筛选过程依赖于 HR 人员的个人判断，容易受 到主观因素的影响，可能导致筛选结果的不一致性。  难以处理大规模数据：在招聘高峰期，面对成千上万的简历， 传统筛选方式难以高效处理，容易出现遗漏或错误。 为了应对这些挑战，引入基于深度学习的简历筛选工具（如 DeepSeek）成为了一种可行且高效的解决方案，能够显著提升简 客观评估候选人的某些能力，但往往忽略了个体的综合素质和实际 工作环境的适配性，无法全面反映候选人的真实潜力。 此外，现有筛选方法在数据处理和分析方面也存在不足。例 如：  数据处理效率低，无法快速应对大规模简历的筛选需求；  缺乏对候选人多维度信息的整合分析，难以全面评估候选人的 综合能力；  筛选结果的可解释性不强，难以提供明确的反馈和改进建议。 针对这些问题，引入先进的计算机视觉和自然语言处理技术， 决策。综上所述，提升简历筛选的智能化水平，已成为人力资源优 化和提升招聘效率的关键路径。 3.2.1 人力成本 在传统的人力资源筛选流程中，人力成本占据了相当大的比 例。简历筛选通常需要投入大量的人力资源，尤其是在面对大规模 招聘时，招聘团队需要投入大量时间进行初步筛选、分类和评估。 以一家中型企业为例，每年的招聘需求可能达到数百甚至上千份简 历，而每份简历的初步筛选平均耗时约为 5 分钟。这意味着，仅简 历筛

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，大模型能够实现对客户行为的精准预测。通过分析历史数据， 模型可以识 。 1.3 DeepSeek 大模型的简介 DeepSeek 大模型是一种基于深度学习的人工智能模型，专为 客户关系管理（CRM）领域设计，旨在提升企业客户互动的智能化 水平。该模型通过在大规模数据集上的预训练，能够理解和生成自 然语言，具备强大的文本分析、情感识别和对话生成能 力。DeepSeek 大模型的核心优势在于其高度可定制性，企业可以 根据自身业务需求，对模型进行微调，从而更精准地服务于特定的 无缝集成，确 保方案的落地实施更加顺畅，为企业带来切实的业务价值。 2.1 当前 CRM 系统的局限性 当前客户关系管理（CRM）系统的局限性主要体现在以下几个 方面。首先，现有系统在处理大规模数据时表现不佳，尤其是在面 对复杂的客户数据集时，往往出现响应速度慢、数据处理效率低的 问题。例如，某大型零售企业在进行月度客户行为分析时，系统需 要超过 24 小时才能完成数据处理，严重影响了决策的时效性。

力+金融”加快算力在金融领域的创新应用，为金融业务发展提 供更为精准、高效的算力支持。 AI大模型智算网络技术是算力集群的重要基础底座，是新型 算力中的网络运载力，是助力大模型实现跨节点分布式训练，提 升大规模训练效率的重要支撑。 本文深入分析 AI 大模型技术在模型能力、结构、算力、效 率等方面的技术发展趋势，提出作为底座的智算网络所面临的新 问题和新挑战。围绕 AI 大模型智算网络“高性能连接、高效率 Google提出Timely/Swift，基于端侧精准测量RTT的拥塞控制机 制；Google/SRD/UEC通过逐报文对IPv6 Flowlabel/Entropy等字 段修改，结合现有网络设备已具备的ECMP技术，对大规模单流进 行逐报文的多路径喷洒，以提升网络流量负载。从近期发展看， 该技术路线也慢慢从端侧延展到网络侧，如Google提出的CSIG， 以及阿里巴巴提出的HPCC，均希望充分利用网络设备的实时测量 其硬件传输协议Falcon，基于以太网基础实现高带宽、低延时、 大规模工作负载的性能和效率提升。AWS推出SRD数据报文协议， 即基于Nitro芯片，为实现高性能计算而开发的一种高性能、低 延时的网络传输协议，以解决AWS的云性能挑战。整体上各新型 网络协议总体思路类似，即在以太网完善的生态和兼容性基础上， 为应对大规模高性能、低延时的计算负载诉求，优化乃至重构传 输协议，例如多路径和报文散传、支持灵活传递顺序、端到端遥

。为解决 智算中心单点算力规模建设受限的问题，中国电信提出“以网强算”的技术路线，通过将IP技术与光传输 技术的协同创新，将相距百公里的多个智算中心连成一个更大规模的智算集群，补齐单点算力规模不足 的差距。针对跨智算中心构建超大规模智算集群过程中遇到的问题和挑战，中国电信成立攻关项目组， 聚焦研究长距无损智算网络技术。 本方案依托中国电信的全光运力网，基于800G C+L技术、异构网络集合通信优化技术、全局负载 法上均实现了全国产、全自研突破E2E国产化。同时，分布式智算中心无损网络测试验证及相关创新研究 将助力多方小规模智算中心并联成虚拟的大型智算中心节点，实现区域内智算中心协同计算模式，解决 临时性的大规模算力需求，推动端网算协同创新，解决供给与需求区域发展不平衡问题，促进京津冀战 略协同，快速推进智算中心建设，夯实新一代算力底座，为区域算力互联网的建设打下坚实基础。 未来，该技术将进一步推进千行 纤、精准流控等前沿技术，实现了百 T大带宽、毫秒级时延的全光底座，优化了异构网络通信、负载均衡和高性能WSON技术。根据 所提供的现网测试显示，该技术在多拓扑、多模型下均表现出高效稳定，能支持大规模智算任 务。未来可推动端网算协同创新，促进京津冀战略协同，快速推进智算中心建设，为千行百业 的数字化和智能化转型提供高效、稳定的算力服务，推动整个产业链的发展。 comments from eDitorial

创新供应链解决方案 助力北京奥运会 UrOVO 优博讯 二十年锐意进取的创新史，持续引领行业发展 业内第一款安卓 PDA 和 POS 面世 2016 POS 大规模应用于电商 COD 2012 2019 联合高通推出 国内首款 5G 旗舰产品 UEE 行业生态平台 为物联网跨平台、跨终端 提供数据协同能力 2016 持续研发创新 各行各业全面发展 2020 构建至善至优的物联世界 推出国内第一款 PDA 推动物流行业大规模数字化转型 国内市场份额连续排名第一 海外业务高速增长 作为国内以 AIDC 为主 业 的企业率先于深交所 上市 中国唯——家 PDA 行业全球 TOP 10 企业，国内排名蝉 联第一

现了对能源数据的实时采集、分析和管理。通过该系统， 园区能够精准掌握能源消耗情况，及时发现能源利用效率 低下的环节，并采取针对性措施进行优化。 在分布式能源供给方面，园区充分利用当地丰富的风能和 太阳能资源，规划建设了大规模的风电和光伏项目。其中， 风电装机容量达到 440MW ，光伏装机容量为 60MW ，并 配 备了 80MW/4 小时的储能系统。这些分布式能源项目的 建 设，使园区能够实现能源的自给自足，减少对传统化石 虽然可再生能源技术和能源存储技术不 断发展，但目前仍存在一些技术瓶颈。 例如，太阳能光伏发电的效率还不够高， 储能技术的成本仍然较高，碳捕获与封 存技术尚未完全成熟，这些技术问题限 制了零碳园区的大规模推广和应用。 针对这些挑战，需要加大对可再生能源 技术、能源存储技术、碳捕获与封存技 术等关键技术的研发投入，鼓励科研机 构和企业加强合作，共同攻克技术难题。 建立技术创新平台，促进技术交流和共

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。 云计算 Cloud Computing  大规模集中式计算形式  面向对数据处理量大和周期 长的业务，使能 ICT 变革  将可伸缩、弹性、共享的物 理和虚拟资源池以按需自服 务的方式供应和管理 边缘计算 Edge Computing Onepower 基线平台部 署的资源需求，为工业应用提供数据分析、 AI 算法能力等服务，打造数字化运维能力，包括数据采集、建模分析、故障告警、 反向控制等核心功能；  用： N 个应用方案指大规模数据采集、机器视觉质检、云化 AGV 、 AR 点检及培训、视频监控、调度指挥、企业上云等应用。 端 网 云 用 工业传感器 工业相机 工业边缘网关 SD-WAN 终端 RTU 其他智能联网设备 分析， 定位不合格设备，发现生产线瓶颈；  基于设备报警分析，制定有针对性的维修保养计划与备品备件计划。  基于 5G 网络大带宽、高可靠等特点，实现如数控机床、 PLC 、焊接设备等生产资源的大规模采集；  在数据实时采集的基础上，实时感知制造资源的能力和使用状态，通过分析加工设备的运行状态、报警信息等， 辅助生产管理人员快速定位异常，优化生产计划、机床维修保养计划等。 可视化生产 设备管理

布 了《具身智能标准化研究报告》《具身智能数据集及评 测研究报告》等白皮书，梳理了国内外相关标准，并提 出了后续标准研制路线。同时，北京具身智能机器人 创新中心联合北京大学计算机学院发布了大规模多 构型具身智能数据集及测试基准“RoboMIND”，并牵 头立项了国内首个具身智能数据集标准《人工智能 具 身智能 数据采集规范》，推动数据标准化和开源共享。 1.2 国际标准化动态 随 Habitat 平台由 Facebook AI Research 开发，提 供逼真的室内三维环境和高效的物理引擎，支持导 航、抓取等任务的训练和评估。BEHAVIOR-1K 是斯 坦福大学等提出的大规模评测基准，涵盖 1 000 项日 常生活活动 ［23］，定义在 50 种不同家庭和办公场景中， 强调多样性和现实性，评估家用服务机器人在复杂连 续任务下的表现。国内的桃源 2.0（GRUtopia

信息的高利用，从而提高经济效益；2）.通过物联网技术可以实时化、最大化地感知 和获取园区内的数据，从而为最终决策信息的生成奠定基础；3）.通过云计算平台和 大数据平台可以实现海量数据的存储、分析和大规模数据的共享，将原有的独立的 信息系统和同构、异构数据统一到平台上来，实现园区内各组成部门间信息的实时 有效连通、协同等等；4.通过智慧园区的信息化建设，可以实现信息的客观、高效、 科学和多平台 个功能子系统的共享调用有利于管理者的集中管理和决策指挥，同时这些摄像头还 可以部署在不适宜于人类去的区域，但另一方面，完全依赖于人眼去发现视频画面 中的问题是不可能的，因此，如何采用人工智能的视频分析技术实现“智慧视频”， 利用大规模存储和计算能力实时完成视频分析，帮助管理者实时发现“行为异常”， 利用深度学习技术不断提高视频分析能力是文章拟解决的另一个关键技术。 本论文共分为 7 章，主要内容如下： 第 1 章：绪论，提 Vedio Server, DVS）的工作方式，完成了真正的数字化视频 监控系统的转换。 该技术可以支持 IP 网络化的访问，因此可以容纳更多的摄像采集设备进入网络， 这使得监控的范围和监控用的摄像头大规模增加，同时数据的存储量也实现了海量 的提高。此外，通过使用坚固冗余数字存储器（可同时利用 RAID、SCSI 等备份存 储技术）实现视频数据的永久保护，同时不会受到因硬盘驱动器故障带来的影响。