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 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 度融合，行业定制化与智能化服务加速渗透，成本优化与绿色计算将成为竞争的关键。未来，基 础设施的核心矛盾将从“资源供给”转向“效率与价值平衡”，技术迭代将围绕“弹性算力调 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 性等方面提出了全新的要求。为适应企业创新、降本增效以及业务出海等需要，云服务商不断通 过协同创新升级全栈服务品质，同时也利用自身融合发展的经验优势，助力企业积极开展国际化

会，并受法律保护。转载、摘编或利用其他方式使用本报 告文字或者观点的，应注明“来源：《2025 综合算力指 数》”。违反上述声明者，将追究其相关法律责任。 综合算力指数 推荐序 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， 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、 链 ...... 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............................

并结合预算强制技术，实现了强大的推理能力和测试时计算扩展性 如何低成本实现推理模型？ Less Is More for Reasoning LIMO 假说： 在预训练阶段已经充 分 编码领域知识的基础模型中， 复 杂 的推理能力可以通过最少但精 确编 排的认知过程演示来涌现： • 模型具备丰富预训练知识 • 高质量的推理链示范 LIMO 通过 817 个训练样本 （题目难度高，覆盖知识面广， ，直接影响国家产业安全战略决策与创新资 源配置 制高点 关键芯片 基础软件 产业链控制 主导权 卡脖子 产业基础 创新能力、供应链体系、 人才资源 决定性 关键性 基础性 研发 设计 断链风险 核心 制造 美国 / 欧洲 中国台湾 / 韩 国 中国大陆 产业竞争从国家 存储器制造 整机组装 终端制造 芯片架构 操作系统等 现在 ：主导权和卡脖子争夺 过去 ：分段互补合作模 式 终端 制造 技术标准 核心专利 核心器件 高端设备 基础支撑保障 供应风险 政府决策需求 企业创新需求 航空航天、轨道交通、新材料、新能源、电子信息等战略产业、未来产业对产 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

数学概念的理解与应用能 力上，更是展现出卓越的成效。 合成数据的应用，不仅有效克服了现实世界数据在获取难度、规模限制及多样性不足 等方面的挑战，更为开发出更加健壮、可靠且公平的大模型奠定了坚实基础。具体而言，合 成数据尤其适用于那些数据稀缺或难以直接获取的特定领域。此外，合成数据还能根据具 体需求进行定制化设计，如确保不同类别数据的平衡表示，进一步提升模型的泛化能力。 同时，合成数据还 以及MAP-CC等，这些数据集广泛覆盖了网页、书籍、官方媒体等多种信息源，经过不同程 度的清洗与去重处理，为中文语言模型的训练提供了数据基础。今年6月，智源研究院推出 的IndustryCorpus 1.0多行业中英双语数据集及InfinityInstruct千万级指令微调数据集， 强化了预训练模型的基础能力与对话交互能力。 与开源文本数据集比较，当前开源多模态数据集面临着规模小、多样性匮乏及来源单 一（主要集中 复旦大学及南京大学等多家科研机构共同推出的OmniCorpus项目，再次将开源多模态 数据集的发展推向了新的高度。OmniCorpus包含86亿张图像与16,960亿个文本标记的 �� 算力是推动大模型技术发展的基础。随着硬件技术的进步，算力的不断提升，为大模 型的训练和应用提供了强大的支持。 （1）GPU和TPU计算能力提升 GPU和TPU是训练大型神经网络的主要硬件。过去一年中，NVIDIA和Google等公司

............................................................186 1. 项目背景与目标 近年来，随着我国铁路运输业的快速发展，沿线的基础设施和 周边环境的管理与维护显得尤为重要。优秀的铁路沿线管理不仅能 够提高运输效率，保障安全，还能够促进沿线经济的发展。因此， 本项目旨在通过构建一个实景三维 AI 大模型，提升铁路沿线的管 情况，从而提高回应各类突发事件的能力。 最后，随着国家对智能交通系统及数字基础设施建设的重视， 人工智能和大数据的发展为铁路沿线数字化管理提供了技术支撑。 构建实景三维 AI 大模型，不仅能够为铁路运营提供科学决策依 据，还能为沿线经济、民生发展提供数据支持。 基于上述背景，本项目计划实现以下目标： 1. 构建全景三维模型，涵盖铁路沿线的所有基础设施和环境要 素，实现对各类资源的可视化管理。 2. 通过 推动铁路沿线的绿色管理，通过智能化手段实现更为高效的资 源配置与环境保护。 本项目希望通过技术的引入和整合，不仅提升铁路的运行安全 和效率，同时深化对铁路沿线环境的理解与管理，为未来的智慧铁 路建设奠定基础。 1.1 铁路运输的重要性 铁路运输作为现代交通体系的重要组成部分，对于国家的经济 发展、社会进步以及区域协调发展起着不可或缺的作用。首先，铁 路运输具有大容量和高效率的特点，能够在短时间内运输大量的货

年 10 月 以 ChatGPT 为代表的 AI 大模型技术席卷全球，不仅将人工智能推向新的拐点，也让更多人注意到了其底层技术——生成式 人 工智能（ AIGC ）。 AIGC 时代，大模型作为基础设施，将为千行百业赋能，场景广阔，潜力无限。具体到保险行 业， AIGC 有望在保险产品设计、精算、营销、运营、客服等全链路环节提供深度的技术加持，推动行业提升效能，实现高 质量发展的 同时， 保险行业应用评测报告》。报告特邀国内知名 高校专家学者、中国大地财产保险股份有限公司、众惠财产相互保险社等共同调研并撰写完成。 《报告》通过保险、法律、医疗等相关领域常规知识问题，测试大模型的基础能力，同时针对部分主要典型的应用能力设计 了保险业务场景设定及问题，以测试大模型的实际应用能力。区别于以底层专业性能指标为评测维度的大模型评测报告， 《报告》以应用场景的视角和维度进行测评，向 中抽离三大主要应用能力，细分为十大能力测试维度， 71 个评测任务。通 过 不同任务上大模型的性能表现，挖掘其基础能力的优势和特点。 产品设计 销售营销 保险领域大模型评测框架 运营管理 客户服务 办公辅助 专业知识问答 保险常识 法律知识 医疗知识 应用能力 业务场景 基础能力 多模态 文生图片 图像识别 交互性 多轮对话 上文关联 应用性 语言生成 语言理解

模拟器、模仿学习以及视频学习; 最后, 对基于大语言模型 (Large language model, LLM) 的具身智能系统面临的挑战与发 展方向进行讨论与总结. 关键词 大语言模型, 大型视觉模型, 基础模型, 具身智能, 机器人 引用格式 王文晟, 谭宁, 黄凯, 张雨浓, 郑伟诗, 孙富春. 基于大模型的具身智能系统综述. 自动化学报, 2025, 51(1): 1−19 DOI 10 2024-09-09 Manuscript received August 1, 2024; accepted September 9, 2024 国家自然科学基金面上项目 (62173352), 广东省基础与应用基础 研究基金杰出青年基金 (2024B1515020104) 资助 Supported by National Natural Science Foundation of China (62173352) ACTA AUTOMATICA SINICA January, 2025 数更新或微调的情况下, 仅通过文本交互来指定任 务和少样本示例就能很好地完成各类任务. 在此之 后, 具有优秀泛化能力与丰富常识的基础模型在计 算机视觉、自然语言处理等领域都展现出令人瞩目 的效果. GPT-4[5]、LLaMA[6]、LLaMA2[7]、Gemini[8]、 Gemini1.5[9] 等大语言模型能与人类进行流畅的对

力；其次，优化智能体在不同业务场景中的决策逻辑，使其能够快 速适应复杂环境；最后，开发高效的资源调度机制，确保智能体在 低延迟与高并发环境下的稳定运行。 为实现上述目标，项目将分为三个阶段推进： - 第一阶段：完成智能体基础框架的搭建，包括数据采集、预处理 模块以及核心算法的初步实现，确保智能体具备基本的多模态数据 处理能力。 - 第二阶段：优化智能体的决策引擎，引入强化学习与迁移学习技 术，提升其在复杂场景中的适应性，并通过模拟测试验证其性能。 系统并发处理能力：支持每秒处理 1000 次以上请求。 通过以上目标的实现，DeepSeek 智能体将为企业提供强大的 智能化支持，显著提升业务效率与用户体验，同时为未来扩展更多 功能奠定坚实基础。 1.3 项目范围 本项目旨在开发和部署一套高效、智能的深度搜索 （DeepSeek）智能体系统，以提升企业在大数据环境下的信息检 索与分析能力。该项目覆盖的主要范围包括以下几个方面： 需求和目标。需求分析是确保智能体开发符合实际业务场景的关键 步骤。通过与相关利益方的深入沟通，明确智能体的功能范围、性 能要求、用户体验目标以及技术限制。具体而言，需求分析应从以 下几个方面展开： 首先，功能性需求是智能体开发的基础。需要明确智能体的核 心功能模块，例如自然语言处理、对话管理、数据检索、决策支持 等。每个功能模块都需要详细定义其输入、输出、处理逻辑以及与 其他模块的交互方式。例如，在自然语言处理模块中，需确定是否

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 行战略性投资，通常先从目标明确的试点项目入 手，待方案验证有效后再进行规模化推广。最后， 重塑人与技术的协作模式，推动人的角色从执行 可持续性的提升是另一项重要 成果。近四成（39%）受访企业表示， 得益于更优的再利用、再循环和资 源效率，自主化运营将显著推动供 应链的循环性。 实现自主智能供应链 7 1. 构建坚实且安全的数据基础 2. 投资关键AI技术，加速规模化 战略布局 3. 重构人与技术的协作模式 图1 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% 实现自主智能供应链 18 通向自主智�供应链 构建坚实安全的数据基础 实现自主智�供应链价值的三项关键举措： 设想这样一个供应链场景：所有决策者均 可通过统一的仪表盘，实时掌握从供应商的订 单、履约和服务情况，到所有仓库的库存水平及 各工厂的计划停机时间，再到需求预测等各类 集成数据与洞察。在建立如此坚实可靠的基础 后，供应链便能从被动响应式决策转向具备自 我优化能力的主动运营模式。AI驱动的系统能

况以及面临的主 要挑战。这些挑战包括实时数据处理不足、乘客流量波动、设备维 护不及时等。接着，我们将详细探讨 AI 大模型的定义及其在其他 行业的成功应用案例，从而为城市轨道交通的应用奠定理论基础。 在结构上，本文将分为以下几个部分： 1. 行业分析：全面回顾当前城市轨道交通的运营现状、市场环境 和技术发展趋势。 2. AI 大模型概述：介绍什么是 AI 大模型，其核心技术、优势及 这种方案的实施，将极大提升城市轨道交通系统的运作效率与 响应能力，从而使城市公共交通服务更加智能化、人性化。通过系 统性地融入 AI 大模型，城市轨道交通的调度管理将进入一个全新 的智能化时代，为构建现代化城市交通网络奠定坚实基础。 2.1.1 实时数据分析与决策支持 在城市轨道交通行业中，实时数据分析与决策支持是运输调度 优化的重要组成部分。这一过程旨在通过收集、处理和分析各类实 时数据，提高运输系统的效率，减少乘客的等候时间，同时确保系 面对突发状况时迅速作出反应，从而确保运输系统的高效运转和乘 客的满意度。这种以 AI 大模型为核心的实时数据分析与决策支持 方案，不仅增强了城市轨道交通的智能化水平，还为未来的可持续 发展奠定了基础。 2.1.2 预测客流量与车次安排 在城市轨道交通运营中，准确预测客流量与合理安排车次是确 保运输效率与服务质量的关键环节。通过 AI 大模型的引入，可以 利用海量历史数据和实时数据，进行更精准的客流预测，从而优化