2035年企业竞争的新高地 实现自主智能供应链 实现自主智能供应链 2 大中华区业务联系人 作者 埃森哲大中华区战略与咨询事业部董事总经理、 供应链与运营业务主管 jane.zheng.pan@accenture.cn 潘峥 麦克斯·布兰切特（Max Blanchet） 埃森哲资深董事总经理、全球供应链与运营战略主管 克里斯·麦迪威特（Chris McDivitt） 埃森哲供应链与运营董事总经理、自主智能供应链全球主管 流程的企业，将能更快地规模化应用技术，更迅 速地适应变革，并加速AI的学习周期。在当今的市 场格局中，这些无疑是一种核心的竞争优势。 我们对全球1000名企业高管的调研进一步 印证了这些关键战略举措的必要性。调研表明， 自主智能供应链正是价值创造的新高地。近三分 之二的受访企业计划在未来十年内大幅提升供应 链的自主化水平。 由此产生的财务效益十分可观。本次调研的 受访企业预计，息税及摊销前利润（EBITA）有望 受访企业预计，息税及摊销前利润（EBITA）有望 增长5%，已动用资本回报率则有望提高7%。在运 营层面，企业有望将订单交付周期大幅缩短27%， 生产力提升25%，碳排放量降低16%，同时，从运 营中断事件中恢复所需的时间也能缩短约60%。 在打造自主智能供应链的进程中，领军企业 通过三项关键举措脱颖而出。首先，通过安全的数 字核心构建坚实的数据基础，并以此为依托实现 平台与治理框架的标准化。其次，对AI赋能技术进

基于大模型的企业架构建模助 力银行数字化转型应用方案 目录 CONTENTS • 数字化转型背景与必要性 • 银行数字化转型现状与痛点分析 • 大模型驱动的企业架构建模方法论 • 技术架构设计与模型融合方案 • 数据治理与知识图谱构建 • 智能业务场景应用规划 • 大模型训练与优化策略 目录 CONTENTS • 风险控制与合规管理 • 实施路径与阶段目标 • 标杆案例与同业实践 化产品设计和精准营销，增强市场竞争力。 推动业务创新 大模型技术对金融业变革的推动作用 企业架构建模在转型中的核心价值 • 企业架构建模通过将战略目标分解为具体的业务和技术路径，确保银行数字化转型战略的有 效实施。 • 帮助企业明确业务能力和技术需求，推动战略目标与业务执行的紧密结合。 实现战略落地 • 通过企业架构模型，银行能够打通业务与技术的壁垒，实现业务流程与 IT 系统的高效协同。 • • 提升业务敏捷性，使银行能够快速响应市场变化和客户需求，增强竞争力。 促进业技融合 • 企业架构建模帮助银行梳理和整合各项业务能力，形成全面的能力地图，为数字化转型提供 清晰的方向和路径。 • 支持资源优化配置，提升运营效率，降低转型成本。 构建全能力地图 02 银行数字化转型现状与痛 点分析 传统银行系统多采用集中式架构，模块化程度低，导致系统灵活性不足，难以快速响应市场需

在当今快速发展的商业环境中，人工智能（AI）技术的应用正 逐渐成为企业提升效率、优化决策和增强竞争力的关键策略之一。 商务 AI 智能体作为一种集成先进算法和数据分析能力的工具，不 仅能够自动化处理复杂的业务流程，还能通过深度学习和大数据分 析提供精准的商业洞察。因此，设计一套切实可行的商务 AI 智能 体应用服务方案，对于企业在数字化转型中保持领先地位显得尤为 重要。 首先，商务 AI 智能体的应用不仅限于单一的业务环节，而是能 够贯穿整个企业价值链。从市场营销到财务管理，从人力资源管理 到产品研发，AI 智能体都能够通过智能化的数据处理和分析，帮助 企业实现精细化管理和创新驱动。例如，在市场营销中，AI 智能 体可以通过社交媒体数据分析，识别潜在客户群体，并精准投放广 告，从而提高市场推广的效率和效果。 在设计和实施商务 AI 智能体应用服务方案时，需要充分考虑 企业的实际需求和资源条件。以下是一些关键的设计原则和实施步 原则和实施步 骤：  需求分析：明确企业在业务流程中的痛点和需求，确定 AI 智 能体的应用场景和目标。  技术选型：选择适合企业需求的 AI 技术和工具，如深度学习 框架、自然语言处理引擎等。  数据准备：收集和整理企业历史数据，确保数据的质量和完 整性，为 AI 智能体的训练和优化提供基础。  系统集成：将 AI 智能体集成到企业现有的 IT 系统中，确保其 能够与其他业务系统无缝对接。

以计算加速迈进智能化未来 ⸺IDC新一代云基础设施实践报告 趋势：云服务能力持续跃升，加速企业数智化转型与创新 01 目录 1.1 技术全面升级，为复杂的企业在线业务提供保障 1.2 软硬一体协同优化，应对AI时代激增的数据冲击 1.3 持续的融合创新，助力企业的国际化布局 挑战：企业多元业务需求与海量AI数据的冲击 02 2.1 在线业务面临性能与效率的极限挑战 �.� AI数据处理与计算协同的复杂度激增 打造极致性能体验，为传统计算业务打开新空间 3.2 技术和架构创新，提升AI时代的向量数据处理和协同计算效率 3.3 强化硬件安全设计，持续增强安全保障能力 3.4 全球一致的云服务能力体系，全面助力企业国际化战略 优秀实践分析 04 4.1 小鹏汽车 4.2 微帧科技 4.3 嘎嘎射击 4.4 蚂蚁集团ZOLOZ 前言 IDC分析师认为：全球AI基础设施革新的浪潮中， 算力需求的爆发正在驱动云计算与边缘计算深 。 越来越多的企业核心数据正在向云数据中心迁移，计算密集型任务处理能力与弹性资源供给能力 正成为云服务商的核心竞争力。面对企业客户的数字化转型需求，减少延迟和工作负载可移植性 将是客户的关键优先事项，为垂直特定数据类型提供量身定制的云服务将创造有利的竞争优势。 云提供商须为跨行业数据采集、存储和计算需求的大幅增长做好准备。 在AI高速发展和在线业务快速膨胀的时代，企业用户对云基础设施的性能、成本、稳定性、安全

金融资讯功能模块 企业搜索 舆情监测 用智慧发现信息价值 Discover information 系统管理 专题分析 简报 资讯 用智慧发现信息价值 Discover information 首页搜索 热点信息个性推荐，搜索结果统计分析 热点新闻 : 推送行业最新热点资讯 个性推荐：根据用户喜好定向推送最新热 门资讯 热搜词：实斲展示最新癿企业热点热搜词 统计分析：对搜索癿结果进行图表统计分 及取消。 推送信息管理：管理推送信息展示及设置。 个人喜好管理：自由定制个人癿喜好，实现 信息癿个性化喜好配置。 个人收藏管理：管理个人癿收藏信息，取消 及查看。 案例：某国有银行企业风险预警 关系图谱风险预警：通过互联网采集平台，整合行内外客户关联不交易信息，通过 OEC 平台进行深度挖掘不加工，识别 4 类客户关联关系，如：投资关系、担保关系、 管理关系、股权关系四维度图谱。 • 中文分词 / 词性标注 • 实体识别 / 时间短语识别 • 关键词抽取 • 句法分析 / 语法分析 • 关系识别 担保关系 人工智能构建 企业风险知识图谱 门户 RSS 论坛 采集平台 分析结果 用智慧发现信息价值 Discover information 百度 搜狗 公众号 公众号

解决方案。 智能软件研发企业显现出鲜明的地域集聚特性，高度集中于特定区域并形成集群效应。 截至2023年末，中国软件百强榜单上的企业大多坐落于北京、广东、浙江、江苏、山东、福建及上海等省市。其中，北京以37家企业独占鳌头， 广东与浙江紧随其后，分别有14家与12家企业上榜。从城市分布来看，这些企业广泛遍布全国25个省会及经济繁荣的城市。尤为值得关注的是， 百强企业主要植根于京津冀、长三角、 产业链中游环节分析 中游分析 智能软件研发企业显现出显著的地域集聚特征，呈现高度集中与区域集群态势。 截至2023年底，中国软件百强企业高度集中于北京、广东、浙江、江苏、山东、福建及上海等省市。其中，北京、广东、浙江稳居前 三，分别坐拥37家、14家、12家入选企业。在城市维度上，这些企业广泛分布于全国25个省会及经济发达城市。尤为突出的是，百强 企业主要扎根于京津冀、长三角、珠三角三大经济区 ，占比分别达到40%、31%、20%。这些区域凭借强大的经济实力与浓厚的科技创 新氛围，为软件企业的蓬勃成长提供了得天独厚的环境。 下 产业链下游环节分析 6 招商银行股份有限公司 中国工商银行股份有限公司 中国农业银行股份有限公司 浙江网商银行股份有限公司 中国银行股份有限公司 山东第一医科大学附属省立医院（山东省立医院） 爱尔眼科医院集团股份有限公司 北京和睦家医院有限公司 中国国家铁路集团有限公司

在过去几年中，人工智能（AI）技术的飞速发展及其在各行各 业的广泛应用，推动了企业对大型模型（大模型）解决方案的日益 需求。随着深度学习和自然语言处理技术的突破，许多企业意识 到，通过利用大模型，可以显著提高产品的智能化水平，提升效 率，降低人力成本。与此同时，作为一种新兴的商业模式，软件即 服务（SaaS）平台的兴起，为企业提供了灵活、可扩展的解决方 案，使其能够在传递人工智能价值的同时，降低技术门槛。 大模型 SaaS 平台的核心在于能够将复杂的人工智能模型转化 为易于使用的服务。这种服务不仅允许企业根据自身的需求定制化 模型功能，还能保证其在数据安全、隐私保护等方面的合规性。通 过云端计算资源，企业无需投入大量资金进行基础设施建设，即可 获得强大的 AI 能力，这极大地促进了中小企业的创新和发展。 此外，市场调研显示，大模型的应用前景非常广阔。根据 Precedence Research 运营和支持：提供优质的客户支持和技术保障，确保用户在使 用过程中能迅速获得帮助，最大化服务价值。 通过这些考虑，我们可以构建一个切实可行的人工智能大模型 SaaS 平台，满足市场需求，并帮助企业实现数字化转型。接下来 的章节将详细展开各个模块的设计思路及实施方案，为建设这样一 个平台提供可操作的指导。 1.1 背景 近年来，人工智能技术的迅猛发展为各行各业的数字化转型注 入了强大的动力。在这一背景下，大模型（如

2025年开年，当中国AI初创企业发布的DeepSeek-R1模型以"1/10训练成本实现 OpenAI同级推理性能"的表现震动全球时，教育行业率先成为这场AI技术平权浪潮 的"风暴眼"。各大细分赛道头部企业如学而思、网易有道、中公教育、希沃等纷纷 抢滩接入DeepSeek-R1大模型，并围绕DeepSeek能力开启软件与硬件业务方向的 智能升级、创新，推动行业走向AI原生教育的新生态。 一、教育企业快速拥抱DeepSeek，以其思维链、高性价 发的同时，网易有道、学而思、希沃、中公教育等头部企业先后宣布拥抱 DeepSeek，或将已有AI教育产品接入DeepSeek进行能力/功能升级、或以 DeepSeek为基座发布新AI教育应用和智能学习硬件，快速抢占DeepSeek模型带 来的AI创新机遇。 代表性教育企业围绕DeepSeek的布局总览 相较于其他通用及垂类大模型，DeepSeek能够得到头部教育企业广泛青睐、激起 抢滩布局，主要得益于其几大特点： 开源与低成本：DeepSeek作为开源大模型，开放模型架构、模型参数、技 术报告等，企业以其为基座可直接进行二次开发。此外，DeepSeek API调用 成本显著低于其他主流商业大模型及自研教育大模型成本，降低教育企业发展 AI业务的门槛。 在以上能力优势之下，DeepSeek为AI教育的突破发展带来了核心推动力。月狐分 析选取学而思、网易有道为代表，进一步分析教育企业基于DeepSeek开展的新一 轮AI教育革新。 二

。 1.引言 1.1 大模型技术近一年的发展演变 资料来源：集微咨询（JW Insights）整理绘制，本图谱仅列举全球典型企业及相关大模型， 排名不分先后 图1 大模型产业图谱 �� 大模型训练数据通常来自网络获取数据、外部付费/开源数据集、企业自有数据以及AI 合成数据。大模型训练和微调所需数据量快速增长，真实世界数据将在数年内被用尽。研 究机构Epoch估计，机器学习可 为了突破算力“卡脖子”的问题，并抓住新技术带来的机遇，我国正加快国产GPU芯片 生态体系的建设，包括从芯片设计、制造到封装测试的全流程加速推进。华为、寒武纪、摩 尔线程、景嘉微、海光信息、沐曦科技、壁仞科技、燧原科技等企业通过加大研发投入、优化 生产工艺、提升测试水平等措施，在GPU设计、制造和封装等环节均取得显著进步，国产芯 片在性能、功耗、成本等方面不断取得突破，与国际巨头的差距不断缩小。 软件、系统、框架 算法上超越传统计算机的潜力。 （4）云计算资源的扩展 云计算平台如AWS、Azure和Google Cloud不断扩展其计算资源，提供了更灵活、更 强大的计算服务。这些平台的支持使得研究人员和企业能够更容易地访问到高性能的计 算资源，加速了大模型的研发和应用。云计算的弹性扩展能力也使得资源的利用更加高效， 降低了研发成本。例如，AWS推出的基于Blackwell GPU的Amazon EC2实例，将为用户提

大模型产业生态图 大模型产业链上的生态，根据大模型生态上不同企业的定位，分成了四个等级的企业： • 自研大模型结构的企 业 • 不用训练，直接调 用大模型 API 的企业 • 研发预训练模型的企业 • 基于自己数据 SFT 做自己模型的企业 • 基于开源或者基于国内预训练模型结 合自己数据进行微调的企业 B 算法 算力 项目周期长 业务系统 C 对外出入口 C 应用逻辑 C 算法 算力 统一出入口 应用模板（ A/B/C… ) 算法池（ A/B/C… ) 算力池 大模型时代企业 AI 项目“烟囱式 ”建设痛点越发严重 智能化趋势下：多品牌多场景下的重复造车轮，导致模型算法和镜像等 AI 资产管理分散，无法沉淀复用和统一运用。 底层统一 上层统一 中层异构 AI 治理 纳管资源组 按量计费算力池 大模型专属 GPU 算力 包月独享 核心收益 长上下文 (64~128K) 超大模型启动加速 独享 GPU 算力集群 私有 API 服务调用 高并发、高可用 企业级鉴权流控 算力投入持续降低 DeepSeek 全系 列 R1 、 V3 满血版 R1-Distill-Llama-70B R1-Distill-Qwen-32B R1-Distill-Qwen-14B