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 斯戴芬·梅尔（Stephen Meyer） 埃森哲商业研究院供应链与运营研究高级总监 实现自主智能供应链 3 目录 挑战催生变革， 供应链亟待重塑 通向自主智能供应链 自主智能供应链的挑战 实现运营绩效的全面突破 何为自主智能供应链？ 引领未来： 开创价值新高地 自主化征程： 当下现状与未来十年 06-07 08-09 10-16 实现自主智能供应链 4 前言 克里斯·蒂默曼斯（Kris Timmermans） 埃森哲全球供应链与运营业务主管 传统的供应链模式如今正迅速过时。地缘政 治波动与多变的贸易环境正在重塑全球格局；与 此同时，气候压力日益加剧，消费者期待持续高 涨，传统增效策略所带来的回报却日渐式微。当 下，供应链重塑的关键在于两项关键议题。 其一，打破职能孤岛。自主决策需要在各职能

1 埃森哲报告：AI 赋能保险，三大应用场 景如何重构价值链？ 人工智能(AI)使机器能够模拟和增强人类智能，它的出现正值保险和其他行业 数字化转型之际。尽管人工智能技术仍处于发展阶段，但在现实世界中，它 已应用于不同行业。人工智能正被用来解决各种各样的挑战，它使机器和系 统之间的交互更智能、更简单。 保险公司也逐渐进入这一领域，新一代人工智能技术有望帮助保险公司重新 定义其工作 •保险公司必须采取合适的战略，来更好地管理人力资源； •保险公司应该改变现有工作方式，包括采用 RPA(机器人流程自动化)以及智 能决策支持系统； 2 •保险公司要允许人工智能在整个价值链中创造性地利用数据，挖掘所有数据 集中隐藏的价值。 AI 三大应用场景：人力资源+流程管理+数据分析 “人工智能”一词包含许多不同的技术和能力。我们可以将人工智能定义为：能 够 资。但他们仍看重传统的保险精算师，这意味着，数据并没有得到应有的充 分利用。所以，保险公司应该利用人工智能来挖掘数据中隐藏的价值。例如， 以前所未有的方式查询和可视化企业以及客户的数据。 这样可以打破现有价值链和数据竖井的局限性，在整个业务中发挥杠杆作用。 客户的索赔数据不仅仅可以用来识别欺诈行为，还可以用来设计出更好的保 险产品，或者利用实时分析来预测客户的需求并为他们推荐产品或服务。 例如，苏黎世保险集团正在与

信息化阶段 可再生能源热力系统 燃煤电厂 区域供冷站 公共建筑空调 城市 / 区域集中供冷 / 热 建筑供热 工厂能动系统 太阳能供热 维护 , 人工迭代 以 人 为 中 心 人工 开发 诊 断 软 件 升级 个 性 化 故 验证 障 检 测 诊 断算法 测试 以人工为核心串联开发范式 诊 断 推 理 链 条 人工 构 建 知识库 奔爱 报 告 提 纲 当下 Al 到了哪种程度 … … · 能源领域传统 Al 发展困境 63/80 面向未来智能化需求，历时八年花费干万，开发新一代数字孪生平台、 SCADA 和边缘控制器 以知识图谱为核心，贯通物理仿真、 Al 、故障诊断和群控，代码量逾百万行 支持冷、热、气 ( 汽 ) 大规模机理和数据驱动混合仿真 能够自动生成节能控制策略，并进一步自动生成 SCADA 群控软件，节能性好，且降低自控开发量 90% 以上 世界模型 / 数字孪生：浙江大学团队自研仿真平台的一点体

近年来，AI 技术迅猛发展，算力作为数字经济的基础资源，其重要性与日 俱增。我们进入了一个计算力驱动创新的时代，这不仅影响着科技领域的演进， 更深刻地改变着社会的方方面面。目前，国家正按照“点、链、网、面”体系化 推进全国一体化算力网络工作，综合算力指数作为衡量我国算力发展水平的重 要标尺，相关研究工作意义深远。 随着 AI 在千行百业加速渗透，算力赋能数字经济社会的效能，不仅仅取决 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、 链、网、面”体系化发展提供参考，为数字中国建设实现跨越式发展 筑牢根基。 时间仓促，报告仍有诸多不足，恳请各界批评指正。后续我们 将不断更新完善，如有意见建议请联系中国信通院研究团队： dceco@caict 提出推动“云边端”算力协同发展，加大高性能智算供给，在算力枢 纽节点建设智算中心。2025 年，工信部按照“点、链、网、面”的工 作思路体系化推进全国一体化算力网络工作，持续提升算网综合供 给能力，一是稳步推动优化算力布局，实现算力中心“单点提质”； 二是着力强化技术协同创新，促进算力产业“串珠成链”；三是适度 超前建设网络设施，加快网络升级“连算成网”；四是持续丰富算力 应用场景，引导模式创新“全面赋能”。

础AI模型和AI技术栈都十分强大，特别是能 够持续利用云计算的海量数据存储和强大计算能力优势，支撑智能化的云应用出海。一大批 AI产品已经在市场中发挥了巨大作用，例如B端市场的国内企业生产、供应链管理、风险控 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 英特尔 ® QAT 重构了 KV Cache 存储范式。结合至强 ® 6 性能核处理器的多层统一内存架构，将高频访问的 KV 索引驻留 GPU 显存，温数据存储在 CPU 内存中，而历史上下文冷数据压缩后存入本地硬盘或者 远端对象存储中，QAT 的超高压缩解压性能，使磁盘中的压缩数据解压缩到内存并传输到显存中的 延迟大大降低，提高用户体验的同时，节约了大量的 GPU 算力，实现了以存代算的总体设计模式。 都能提供端到端的保护。它确保用户数 据在云平台处理的全流程始终受到硬件级防护，兼顾安全性与高效性，有效隔离主机操作系统、虚拟 机管理器和底层固件等系统软件对用户数据的越权访问，同时确保数据在高速 I/O 链路中传输的安 全。ECS g�i 中深度集成了 TDX 技术，推出了面向机密计算场景的虚拟机产品。这些实例利用 TDX 提供的硬件级隔离能力，构建了真正意义上的“信任域”，确保客户在云端运行的应用和数据，即使在

智能体可以通过分析客户的历史行 为和偏好，提供个性化的服务建议，从而提升客户满意度和忠诚度。 此外，在供应链管理方面，AI 智能体能够实时监控库存水平，预测 市场需求，并自动调整采购计划，以确保供应链的高效运转。 其次，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 在当前的市场环境中，企业不仅需要处理大量的数据，还需要 实时分析这些数据以做出快速的业务决策。AI 智能体通过其强大的 数据处理能力和智能分析功能，能够帮助企业实现数据驱动的决 策， 从而提升运营效率。例如，在供应链管理中，AI 智能体可以通过预 测分析优化库存水平，减少资金占用；在客户服务领域，智能客服 系统能够全天候响应客户需求，提升客户满意度。 此外，随着企业组织结构的复杂化，跨部门协作和流程整合成 智能体应用服务方案，对于企业在数字化时代的发 展至关重要。 以下是 AI 智能体在商务场景中的主要应用领域及其潜在效益 的对比： 应用领域 主要功能 潜在效益 供应链管理 预测分析、库存优化 减少库存成本，提升供应链效率 客户服务 智能客服、实时响应 提升客户满意度，降低人力成本 内部协作 智能任务分配、流程自动化 提高协作效率，优化资源配置 市场营销 精准营销、个性化推荐 提高转化率，降低营销成本

面。其次，监管环境的复杂性要求银行在合规性和风险管理上投入 更多的资源，以确保业务操作的合法性和透明性。此外，技术创新 的快速迭代对银行的技术基础设施提出了更高要求，如何有效整合 新兴技术如人工智能、区块链和大数据分析，成为银行提升运营效 率和竞争力的关键。最后，客户数据的隐私保护和安全性问题也日 益突出，银行需要建立更加严密的防护机制，防止数据泄露和欺诈 行为的发生。以下是金融银行业务的具体挑战： 私人银行、定制化投资组合 年轻白领 年龄 25-35 岁，月收入 1-3 万 移动支付、短期理财、信用卡服 务 小微企业主 年营业额 100-500 万，资金周转需求 大 商业贷款、资金管理、供应链金 融 老年客户 年龄>60 岁，风险偏好低 储蓄产品、退休规划、医疗保障 通过 DeepSeek 的机器学习算法，银行可以实时更新客户画 像，动态调整服务策略。例如，当检测到年轻白领客户的收入提升 并提出改进建议。例如，在贷款审批流程中，DeepSeek 可以通过 数据分析和机器学习模型，自动筛选出符合标准的申请，减少人工 审核的工作量，从而加快审批速度。同时，DeepSeek 还可以优化 银行的供应链管理，确保物资和服务的及时供应，降低库存成本。 在客户体验方面，DeepSeek 的个性化推荐系统能够根据客户 的历史行为和偏好，提供定制化的金融服务产品。例如，对于经常 进行国际转账的客户，银行可以推荐更优惠的汇款套餐；对于有投

性化治疗方案规划等，助力医生提高诊断准确率及治疗效果。 3. 零售与电商：应用于个性化推荐、库存管理、消费者行为分析 等方面，帮助商家提升销售和客户满意度。 4. 制造业：通过预测性维护、质量控制和供应链优化，提升生产 效率，降低成本。 5. 智能家居和物联网：在设备智能化、用户交互和数据分析方 面，提升家居生活的便捷性与舒适度。 6. 教育：用于个性化学习方案、教育效果评估及学生行为分析， 主要应用 客户类型 金融服务 风险评估、信贷审批、客户服务 大型及中小企业 医疗健康 医学图像、个性化治疗 医院、研究机构 零售与电商 个性化推荐、消费者分析 各类零售商 制造业 预测性维护、供应链优化 大中型制造企业 智能家居 设备智能化、用户交互 家庭用户、开发 商 教育 个性化学习、教育评估 教育机构、学生 通过对这些市场细分的充分理解，我们可以为人工智能行业大 模型 SaaS 。AWS 的 EC2 实例可以根据需求进行灵活选择，尤其是其针对深度学习优 化的 GPU 实例，可以显著提高模型训练的效率。此外，AWS SageMaker 提供了一套完整的机器学习开发工具链，从建模、训 练到部署，帮助开发者迅速将模型转化为产品。此外，AWS 的 S3 服务能够稳定地存储和管理大量的训练数据，并且其数据入口和出 口的速度在业界也处于领先地位。 在性能方面，GCP 以其

；非关键系统则 可以根据资源情况逐步恢复。恢复流程应文档化，并通过定期演练 （如每季度一次）确保相关人员的熟练度。 此外，利用冷备份与热备份相结合的策略。热备份适用于需要 高可用性的生产环境，支持在数据库运行过程中进行备份，最大限 度地减少业务中断时间。冷备份则适用于非生产环境或低峰时段， 通过停机或暂停服务的方式确保备份数据的完整性。 最后，针对灾难恢复，制定异地备份和容灾方案。将备份数据 练习题与案例分析： o 练习题： 1. 完成一次智能体的基础配置 2. 使用智能体进行数据分析并生成报告 3. 优化智能体的运行效率 o 案例分析： 1. 智能体在金融风控中的应用 2. 智能体在供应链管理中的实践 3. 智能体在客户服务中的成功案例 为确保培训材料的高质量，建议组织内部专家团队进行审核， 并在小范围用户中进行试点测试，收集反馈并进行优化。同时，提 供在线资源库，方便用户随时下载最新版本的培训材料，并通过论

性和完整性；对于非结构化数据，采用 MongoDB、Cassandra 等 NoSQL 数据库，以支持海量数据的高效存取。同时，引入 HDFS 和对象存储（如 AWS S3、阿里云 OSS）作为冷数据存储层，实现 低成本的大规模数据存储。 为优化数据存储性能，系统采用以下策略： 1. 数据分区：根 据时间、地域等维度对数据进行分区存储，提高查询效率。 2. 索 引优化：针对 GPU，并在后续根据用户规模和数据量逐 步扩展。 存储资源的配置需要兼顾容量与速度。建议采用分层存储架 构，包括高速固态硬盘（SSD）和机械硬盘（HDD）。SSD 用于存 储频繁访问的训练数据和中间结果，HDD 则用于冷数据的长期存 储。例如，可配置 20TB 的 SSD 和 100TB 的 HDD 作为初始存储容 量，并通过分布式文件系统（如 HDFS 或 Ceph）实现高效的数据 管理与访问。 网络带宽的 的风险准备金。在项目实施过程中，建立成本监控机制，定期审查 项目开支，确保资金使用的合理性和透明度。此外，优化资源配 置，优先保障关键任务的技术和人力投入，避免资源浪费。 外部环境风险包括政策变化、市场竞争和供应链中断等。为应 对此类风险，项目团队需密切关注行业动态和政策导向，及时调整 项目策略。同时，建立多元化的供应商体系，确保关键设备和服务 的稳定供应。在市场竞争方面，项目团队应定期进行市场分析，了