合算力协同发展 潜力尚待充分挖掘，亟需通过深化一体化算力网建设，强化统筹协 同与动态优化能力；全面提升算力供给质效，加速推动结构的迭代 升级；夯实存力运力底座，促进“算存网”协同演进；构建绿色低碳 体系，加速基础设施绿色升级；深度开展融合创新实践，助力产业 生态繁荣发展。 《2025 综合算力指数》全面呈现了我国综合算力发展现状，挖 掘各地区综合算力发展问题，并给出发展建议，为我国算力产业“点、 ............. 37 （三）夯实存力运力底座，促进“算存网”协同演进.......................................38 综合算力指数 （四）构建绿色低碳体系，加速基础设施绿色升级...................................... 38 （五）深化融合创新实践，助力产业生态繁荣发展..................... 相对不足，存在兼容性、安全性和效能发挥等问题。此外，软硬件 的协同适配性也有待提升。三是节能降碳水平亟待进一步提高。算 力中心的高速发展，带动我国能耗和碳排放水平进一步攀升。在“双 碳”战略背景驱动下，亟待加强算力中心“绿色化低碳化”转型，提升 节能降碳水平。四是产业生态亟待进一步完善。我国算力产业生态 建设虽有进展，但仍存在基础设施建设不均衡、算力应用深度广度 不足、产业链各环节

结合人工智能算法，自动提 取设备 特 征 ，识别潜在异常，构建以专家 经验为核心的诊断体系，为故障根 源定位和问题处理提 供有力建议 智慧 能耗与碳排管控 依托大模型和数字孪生，实时监控、 动态仿真与智能调控，形成能耗预 测、碳排溯源与节能优化的闭环 辅 助 决 策 与 趋 势 预 测 大模型驱动的数据预测能够提 前预 警 潜在风险，为决策层提 供精准、科学 像隔着一堵高墙；如今，人工智能正成为所有科学家都能听懂的通用语言 " 。 自动化 工程热物理 新能源 化工 软件 工程 人工 智能 范式困境主要原因三：周期长、链条多、人员配合难度大效率低 18/80 口需要多个 团队 深度长期协作，难度大成本高 口从经济性角度而言，大部分项目支撑不起如此开销 迭代 需求分析 运维算法设计 Al 模型开发 测试 强大的计算能力，推动算法复杂性提升 · 算 法 ：更加精准、高效的智能算法，支持决策优化 · 数据： 数据规模和质量驱动模型训练与性能优化 传统模式的局限性： · 靠经验驱动，无法快速适应复杂变化 · 难以扩展，效率低，智能化程度受限 1. 人工智能民主化： Al 技术触手可及 · 简化使用：通过用户友好的界面和预训练模型，大语言模型使得 Al 技术更加易于获取和使用，即 使是没有深厚编程背景的能源专业人士也能轻松应用。

业信息智能分析提出重大需求，呈现广泛、持续增长的发展态势。 产业发展决策：广阔的社会需求 关键核心技术突破 创新链产业链融合 科技创新体系优化 产业创新生态营造 技术创新路径规划 数字化转型方案 智能制造升级 绿色低碳发展 技术竞争态势分析 市场机遇识别 产品创新方向 竞争优势构建 产业发展战略规划 新兴产业布局指导 产业能级提升路径 未来产业培育方向 产业链风险预警 供应链韧性提升 产业链补链强链 5A 模型 • 企业创新力评价模 型 慈溪智能家电科技大脑 特色 创新 特色 创新 1. 新一代大模型的推理能力正在不断增强 2. 基于高质量小数据集即可训练得到某个专业领域的高性能低成 本 推理模型 3. 通过智能体 (AI Agent) 可以基于大模型实现各种较为复杂的 智 能应用系统 4. “ 推理大模型 + 知识图谱（知识库） + 智能体”是否会成为未

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 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 企业应对中断的反应时间与恢复时间 敏捷性 4天 11天 从中断或变更中 恢复的时间： - 60% 应对中断的 反应时间： - 62% 1至5个月（视具体问题而定） 此外，企业预计通过自主化运营能缩减约16% 的碳排放，这将直接帮助企业达成其可持续发展 目标。 再者，自主化运营能够增强企业韧性，以更好 地应对网络攻击、人才短缺、地缘政治动荡、极端 天气事件以及原材料稀缺等风险。我们发现，企业 预计应对中断的反应时间和恢复时间将分别缩短

道、信 号、桥梁、隧道等多种结构，周围环境也包括居民区、商业区等， 这些因素对铁路的安全运营和服务品质有直接影响。传统的人工巡 检与监控方法已无法满足快速发展的铁路需求，且人力成本高、效 率低，而新兴的人工智能与三维建模技术为我们提供了新的解决方 案。 其次，现有的铁路监测系统多为单点或局部监控，缺乏全局观 与综合效益的分析。通过引入实景三维大模型技术，可以实现对铁 路沿线的全面可 铁路运输的重要性还体现在其安全、环保的特性上。铁路作为 固定轨道交通，具有较高的行驶稳定性及安全性，事故发生的概率 较低。此外，铁路运输相较于公路交通能够有效降低碳排放，有助 于实现可持续发展目标。根据相关研究，铁路运输每运输一吨货物 所产生的碳排放量仅为公路运输的五分之一，这无疑为应对全球气 候变化提供了重要支持。 在日益复杂的全球物流和供应链体系中，铁路运输不仅可以满 足国内市场的需求，还可以作为国际贸易的重要运输通道，通过连 区的经济联系更加紧密。 总结而言，铁路运输的重要性体现在多个方面，包括：  便捷的空间连接促进区域经济发达与平衡  大宗货物的高效运输能力支撑工业发展  人员流动的高效性推动社会联系与城市化进程  低碳环保的运输模式支持可持续发展战略 在这种背景下，开发铁路沿线实景三维 AI 大模型的应用方案 显得尤为重要。该方案不仅将提高铁路运输的安全性与效率，还将 通过智能化服务为旅客提供更加便捷的出行体验，为货运企业提供

...................................................................................176 9.2.2 用户接受度低.................................................................................................... 55%。下表展示了典型新兴业务 领域的传统审计盲区： 业务类型 传统程序覆盖率 主要盲点 加密货币交易 38% 链上交易追溯缺失 跨境云服务收入 45% 服务器地理位置验证困难 ESG 衍生品 29% 碳足迹数据链校验空白 审计资源分配存在结构性低效。约 70%的审计时间消耗在基础 数据核对等低价值工作（Deloitte 2023 年审计效率报告），导致 关键风险领域的分析深度不足。某会计师事务所试点数据显示，将 DeepSeek 智能体的架构设计采用分层模块化结构，通过审计 领域知识增强与大模型能力融合实现任务闭环。系统核心由数据接 入层、智能处理层、应用服务层三层组成，通过 API 网关实现各模 块间的低耦合交互。数据接入层支持多模态输入处理，包括结构化 财务数据（如 SAP、Oracle ERP 系统导出的凭证数据）、非结构 化文档（扫描版合同/发票）以及语音记录（审计访谈录音），通 过自适应解析引擎将异构数据统一转化为

100TB，确保海量数据能够无缝接入。 3. 网络设备：部署支持高速度与高带宽的交换机，并确保网络设 备能承受高并发数据传输，采用万兆以上的网络环境，以确保 训练和推理时数据的快速传输。 4. 边缘计算设备：在需要低延迟处理的场景中，部署边缘计算设 备，利用 FPGA 或 ASIC 处理特定类型的数据，减少传输延 迟。 接下来，在软件环境方面，本方案将综合考虑操作系统、中间 件、开发工具与 AI 框架： A100 系列 GPU，至少配置 4 个 GPU，以提 供所需的计算能力。每个 GPU 应配置较大的显存，比如 16GB 或 更高，以支持复杂模型的训练过程。 网络连接方面，选择可提供高带宽和低延迟的网络接口，如 10G 光纤网络，以保证在多个服务器之间高效的数据传输，这对于 分布式计算尤为重要。 对于软件环境，建议采用 Linux 操作系统，特别是 Ubuntu 或 C 期就应考虑各子系 统之间的兼容性和接口设计，确保在实施阶段能够顺利对接。 管理风险则与项目计划的执行以及资源的配置密切相关。制定 详细的项目实施计划，并设定明确的里程碑和责任人，能够有效降 低项目延误的风险。定期召开项目进展会议，确保各环节协调一 致，信息传递畅通。 合规风险主要涉及法律法规的遵循情况。在项目实施过程中， 应定期进行合规性审查，确保 AI 大模型的应用不违反相关法律法

率，这对于保障在线业务的体验至关重要。 存储方案升级应对大数据量冲击：云服务商通过采用更高性能的存储设备和更高效的存储架 构，结合对数据布局的优化，提供贴合不同在线业务需求的个性化存储服务，例如低时延块 存储（数据库多副本场景，<0.1ms延迟）、高带宽弹性盘（大数据单副本场景，吞吐量达 ��Gbps）、高速临时存储等。 1.2 软硬一体协同优化，应对AI时代激增的数据冲击 AI预训练 制，以及C端市场的智能搜推、智能客服等。 �� 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 面对企业海量在线业务以及复杂的创新场景，现有的云基础设施常常难以应对用户在弹性、低时 延和高吞吐等方面的基础性能问题。 复杂应用的复合性能挑战：以游戏场景为例，其涉及复杂的图形渲染，以及物理环境模拟、 人工智能算法等，既需要高性能单核算力，支撑Unity和Unreal Engine等3D引擎的运行，也 Engine等3D引擎的运行，也 需要可靠的的多线程并发能力，支持多玩家同步时的后台任务处理和AI推理。游戏业务的周 期特性对于资源的弹性伸缩能力要求极高。此外，玩家数据的记录也涉及频繁的写操作，需 要保持长连接、低时延的计算、存储服务。当前的游戏业务还广泛使用到数智驱动，利用AI 加速对玩家行为进行实时分析并提供个性化推荐。 存算分离架构带来网络、存储性能压力：在大数据、数据库场景中，存算分离架构使计算节

面向实战的一站式大模型精调部署解决方案 AI 建模部署 大模型精调 u 快速试一试： 零代码一键部署大模型，网页问答体验推理效果 u 精调训练： 低代码、灵活自定义两种精调模式自由选择 多种训练工具：具备周期调度能力的可视化建模，低门槛深度学习场景化 工具，交互式代码开发工具，专业的通用任务调度工具 分布式稳定训练：支持多机多卡大规模训练，故障自动重启续训 镜像制作：基于 jupyter 与运营 算力调度 容器调度 核心收益 满血版模型一键精调 • 256 卡 H20 • 全参 SFT • 8 小时 蒸馏后模型多模式精调 • 全参 +LoRA 双模 式 • 低至 1 卡 A10 DeepSeek 全系 列 R1 、 V3 满血版 R1-Distill-Llama-70B R1-Distill-Qwen-32B R1-Distill-Qwen-14B 监控，高可 用 细致的资源级权限管控 稳定期 痛点 稳定期 痛点 探索期 痛点 根据业务量探索资源用量 机型差异大，选型难 验证效果链路长，耗时久 算力空闲情况多， ROI 低 探索期 TI 平台价值 内置全系模型，一键部署 免费体验，快速验证效果 服务部署 蒸馏精调 启动阶段 业务量变化，服务调整难度大 TI 平台价 值 TI 平台价 值 TI 平台价

型对标注数据进行初步检查，筛选出可能错误的样本供人工复核。 对于大规模标注项目，分层质量控制策略更为有效。数据可分 为不同优先级，高优先级数据（如关键领域或高频标签）需进行更 严格的质量检查，而低优先级数据则可适当降低抽查比例。同时， 建立标注人员的绩效评估机制，将标注质量与绩效挂钩，激励标注 人员提高工作质量。 为确保标注过程中的一致性，可以采用以下具体措施：  制定并分发标注手册，定期更新和完善手册内容。 其次，存储资源的设计需满足大规模数据集的高速读取和中间 结果的存储需求。以下为存储资源配置建议： - 数据集存储：采用 分布式文件系统（如 HDFS 或 Lustre），以确保数据的高吞吐量和 低延迟访问。 - 中间结果存储：配置高速 NVMe SSD 阵列，用于存 储训练过程中的中间结果和检查点文件。 - 存储容量：根据数据集 规模和模型复杂度，建议初始配置为 PB 级存储，并支持动态扩 级存储，并支持动态扩 展。 网络资源的配置对于分布式训练尤为重要，需确保节点间的高 效通信。具体建议如下： - 网络带宽：采用 InfiniBand 或 100Gbps 以太网，确保节点间数据交换的低延迟和高吞吐量。 - 网 络拓扑：建议使用 Fat-Tree 或 Dragonfly 拓扑结构，以减少通信 瓶颈并提高网络效率。 以下是一个硬件资源配置的参考表格： 资源类型 配置建议 备注