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 术方案。结合行业业务及技术发展方向，将金融业 AI 智算网建 设演进划分为打造底座、构建系统、完善生态 3 个阶段，并给出 了新技术发展及创新方向，为金融机构开展 AI 大模型智算网络 规划及建设提供参考。 关键词：大模型训练、智算网络、负载均衡、流控技术、拥 塞管理 IV 目 录 一、研究背景 ................................................. 1 （一）AI 大模型发展趋势及挑战 AI大模型算力变化趋势 四是模型效率持续优化。随着AI大模型的规模和复杂性增加， 训练效率面临严峻挑战。业界通过并行通信算法优化、模型算法 优化、混合精度训练优化等技术在训练框架层、通信算法层持续 提升AI模型训练的效率。随着技术的不断进步，未来必定会有更 多高效训练AI模型的方法出现。 AI大模型持续加速演进，其庞大的训练任务需要大量服务器 节点通过高速网络互联组成AI算力集群协同完成。但AI算力集群

.....38 4.3 模型训练与优化........................................................................................................................................................41 4.3.1 训练数据准备............ 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 18%。与此同时，客户的平均生命周期价值（CLV） 也显著增加。这些数据充分证明了大模型技术在 CRM 领域的巨大 潜力。 然而，尽管大模型技术前景广阔，但其在实际应用中仍面临一 些挑战。首先，模型的训练和部署需要大量的计算资源和数据支 持，这对企业的技术基础设施提出了更高的要求。其次，如何在保 证数据隐私和安全的前提下，充分利用客户数据也是一个亟待解决 的问题。此外，大模型的可解释性和透明度也需要进一步提升，以

........................................................................................130 8.3 模型训练与优化................................................................................................ AI 大模型在保险行业中的巨大潜力。然而，要实现 这一目标，保险公司需要在技术架构、数据治理、人才培养等方面 进行全面升级。  技术架构：构建适用于 AI 大模型的高性能计算平台，确保模 型训练与推理的高效运行。  数据治理：建立完善的数据采集、存储与处理机制，确保数据 的完整性、安全性和合规性。  人才培养：加强 AI 技术人才的引进与培养，打造一支具备 AI 技术应用能力的专业团队。 据整合和分析工具，这些数据未能充分发挥其潜在价值。 在技术层面，尽管许多保险公司已经开始尝试引入人工智能 （AI）、大数据和区块链等新兴技术，但在实际应用过程中仍存在 诸多障碍。例如，AI 模型的训练需要大量的高质量数据，而保险公 司在数据采集和标注方面往往面临资源和技术上的限制。此外，如 何确保 AI 模型的可靠性和安全性，避免因算法偏差或数据泄露导 致的声誉风险，也是保险公司亟需解决的问题。

图优化组件 GraphRay 通用推理框架 ONNXRuntime/MIGraphx/� 融合算子库 LightOP 算子模板库 CUTLASS AI编译 Triton/XLA 大模型训练组件 大模型推理组件 通用训练组件 Apex Torchvision PyTorch Scatter MMCV ... Torchaudio PyTorch Cluster FlashAttention 预定义组件 MCP调用 DAP 大模型 平台 云原生AI平台 模型推理服务 大模型 推理加速 大模型 分布式推理 模型 纳管 模型微调 微调 算法 模型 评估 模型训练加速 大模型 训练加速 大模型 分布式训练 数据处理 模型微服务 数据 标注 多数据 源支持 数据 批处理 标准API 高效推理引擎 优化的模型 容器化部署 DAP人工智能应用平台定位于企业级大模型开发平台， 作”等优势，倾力打造“DCU-DTK-DAS-DAP”全栈软硬件技术生态体系，支撑各类大模型适配优化与应用创新，助力千行百业智能 化转型。 全尺寸、多形态、多场景适配各种大模型，从十亿推理到千亿训练灵活扩展 1.5B 7B/8B 14B 32B 70B 671B 小并发推理、单一场景推理 个人智能助手 多任务处理 部门/团队应用 复杂推理，小模型微调 中小企业服务 模型微调，大并发推理

作为一种先进的 AI 技术，具备强大的文本 分析与语义理解能力，能够自动化地处理海量简历数据，并从中提 取关键信息，辅助 HR 人员进行决策。 DeepSeek 的核心优势在于其高效性与精准性。通过训练大规 模数据集，DeepSeek 可以识别简历中的技能、经验、教育背景等 关键要素，并基于预设的岗位需求进行匹配评分。其算法不仅能够 处理结构化数据，还能对非结构化文本（如自我评价、项目描述） DeepSeek 在简历筛选中展现出显著优势，其实施过程中 仍需注意一些问题。例如，如何确保算法的透明性与可解释性，以 “ ” 避免 黑箱操作 带来的信任危机；如何结合企业文化与需求，定制 化的训练模型；以及如何与现有的人力资源管理系统无缝对接，确 保流程的顺畅性。这些问题需要在引入 DeepSeek 时统筹考虑，以 确保其在实际应用中的可行性与有效性。 1.1 背景介绍 在当今快速发 筛选效率：传统人工筛选每份简历平均耗时约为 3-5 分钟，而 DeepSeek 自动化筛选可将耗时降低至 10 秒以内。  筛选准确率：人工筛选的准确率通常在 70%-80%之间，而 DeepSeek 技术通过机器学习模型训练，可将准确率提升至 90%以上。  成本效益：引入 DeepSeek 技术后，人力资源部门的人均筛 选工作量减少约 60%，显著降低了招聘成本。 通过上述分析，本研究将为人力资源管理者提供科学依据和实

负载 均衡技术等，为1024卡规模的分布式集群提供大容量带宽，实现120公里千亿参数大模型分布式训练， 性能达到集中训练的95%以上，证实了分布式无损智算网技术方向的可行性，为智算互联构建坚实技术 底座。 案例亮点 case HigHligHts 1 本方案可实现跨百公里数据中心协同训练，为跨地域、跨层级、跨主体高可靠的算力协同调度奠 定基础。 2 根据实时网络状况动态调整 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 50ms技术可以在提供相同保护能力的情况下降低对资 2. 创新技术实际应用效果 本项目利用OTN网络零丢包、低时延、大带宽的承载特点，通过全局负载均衡、长距无损流控等技 术，使RDMA传输协议应用于广域网。目前，方案已在现网开展了百公里拉远对大模型训练的影响及稳定 性测试，并在全国率先完成基于高带宽、低时延的全光800G超高带宽传输。项目组从多拓扑、多模型、多 故障等维度积极开展主流方案摸底测试，并对仿真验证结果进行分析，积极探索优化创新。

应通过身体与环境的实时交互自然涌现。2025 年北 京亦庄人形机器人半程马拉松赛事中参赛机型展现 出的环境适应能力，在一定程度上标志着具身智能已 从实验室验证迈向产业化落地。 近年来技术突破逐渐形成多维进化格局，在大规 模预训练模型方面，深度求索发布的 DeepSeek 系列开 源模型显著降低了开发门槛 ［2］；在硬件创新领域，宇树 科技四足机器人全球市场占有率超 60%，上海智元开 源机器人灵犀 X1 构建起开发生态 题；在评测体系领域，中国人工智能产业发展联盟 （AIIA）具身智能工作组推出具身智能基准测试方法 （EAI Bench），涵盖五大类真实场景测试场；在产业生 态层面，人形机器人创新中心建成“麒麟”训练场，实 现“数据—模型—训练”的闭环迭代。但当前具身智 能发展仍面临硬件“非标化” “高成本”的高门槛、多模 态融合算法效率仍偏低、伦理责任界定模糊等挑战。 本文通过解析具身智能“技术演进—标准构建—评测 提升了具身智能系统的灵活性和可扩展性。 在评测基准建设方面，NVIDIA 推出的 Omniverse 平台为具身智能系统提供了高保真度的仿真环境，支 持多模态数据的生成与处理，广泛应用于工业仿真和 机器人训练等领域。Meta AI 发布的 AgiBot World 数 据集包含但不限于视频、音频和文本样本，为多模态 研究提供了丰富的数据资源，促进了具身智能系统在 感知与理解方面的能力提升 ［13］。

定工程化数据基础。 2.模型/Agent 开发：闭环式模型构建与智能体协同体系 构建AI模型与智能体系的核心在于打造“设计-训练-部署-监控” 的完整闭环流程。设计阶段融合多技术路线构建混合架构，并融入领 域知识指导模型生成，保障关键行业应用可控可靠。训练环节依托分 布式计算平台，结合隐私保护技术，确保数据安全下的高效学习。部 署阶段应用模型优化技术，实现模型跨计算环境的灵活适配。监控环 生成。这一转型的核心驱动力来自大型语言模型 （LLM）的突破性进展，推动开发模式从“人工编码”向“AI 生成+ 人工指导”转变。开发者角色逐步演变为 AI 训导师和架构设计师， 其核心职责从编写代码转向训练模型、设计系统架构、定义生成规则， 以及验证 AI 生成代码的准确性与安全性。这种角色重构不仅释放了 开发者的创造力，还通过人机协作模式显著提升了开发效率与质量。 软件工程智能化标准体系建设指南（2025 能范 围、目标用户群体以及核心业务场景，进行实现方案设计；开发阶段， 根据需求特点选择合适的机器学习或深度学习算法，完成模型的代码 实现和模块化设计。使用准备好的训练数据对模型完成训练，调整超 参数以优化模型性能，并监控训练过程中的损失变化。通过单元测试， 集成测试等方式测试各模块之间的协同工作能力，确保数据流和逻辑 软件工程智能化标准体系建设指南（2025 年） 24 的一致性；

等。通过对这些数据进行深度挖掘和分析，DeepSeek 能够迅速提 取出有价值的信息，为中医药的健康管理和个性化治疗提供支持。 其次，DeepSeek 在算法优化方面表现出色，特别是在深度学习模 型的训练和优化过程中，能够显著减少训练时间并提高模型的预测 精度。例如，在对中医药材的分类和识别任务中，DeepSeek 能够 通过自动化特征选择和超参数优化，达到超过 95%的准确率，远高 于传统方法。 此外，DeepSeek 中医药 相关数据。 2. 数据清洗：去除重复、缺失或异常数据，并进行格式标准化。 3. 特征工程：提取与中医药健康管理相关的特征，如药材成分、 患者病史等。 4. 模型训练：使用清洗后的数据进行深度学习模型的训练。 5. 结果输出：生成预测结果或建议，供决策者参考。 DeepSeek 的高效性和精准性使其在中医药健康产业中具有广 泛的应用前景。通过结合实际业务需求，DeepSeek 系统通过收集患者的电子健康记录 （EHR）、中医四诊（望、闻、问、切）数据、以及患者的日常健 康数据（如心率、血压、睡眠质量等），构建全面的个人健康画 像。这些数据经过预处理和清洗后，进入深度学习模型进行分析。 模型通过训练大量的历史病例数据，能够识别出潜在的疾病风险因 素和早期症状。 其次，DeepSeek 采用多模态数据融合技术，将中医诊断结果 与现代医学检查数据（如血液检测、影像学检查等）相结合，提高 诊

实施。该法案采用基于风险的方法，对高风险 AI 系统（CRM 系统中 的部分高级分析与自动化决策功能可能被纳入此范畴）的训练数据集 质量提出了极为严格的要求，涵盖了数据的相关性、代表性、准确性、 完整性及无偏见性等多个维度。该法案明确规定，高风险 AI 系统的 提供商必须建立完善的数据治理和管理实践，以确保训练、验证和测 试数据的质量与合规性。 同样，《网络安全法》、《数据安全法》和《个人信息保护法》等核 删除等权利。 进一步，在特定行业场景中，系统需满足特定性的合规要求。例如在 医疗行业，CRM 系统需要遵守《医疗机构病历管理规定》等，保护 患者数据；在应用 AI 技术分析病例数据时，相关模型训练与应用流 程还需通过医疗数据合规审查。 在 AI 技术的深度嵌入下，系统还需适应性满足场景化授权、最 小化数据收集、敏感信息检测与过滤等新的要求。由于 AI 可能基于 智能驱动增长：人工智能客户关系管理系统研究报告（2025 实时场景调用数据，场景化授权成为了细化授权颗粒度、优化用户信 息保护的新要求。场景化授权需要根据功能场景拆分授权项，以支持 用户按照功能模块选择相应授权。此外，虽然 AI 模型训练需要大样 本量数据，但系统需满足最小、必要的要求，以保证数据合规性。在 AI 应用中，训练数据及模型输出等环节还需要考虑违规、敏感信息 的检测与过滤，避免模型记忆并泄漏违规信息。 2.数据安全 在 AI 技术广泛应用的当下，数据流转速度与范围不断扩大，这