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

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............................. 为了推动算力产业发展，我国出台多项相关政策对算力产业顶 层规划，明确算力产业的发展目标、战略重点和实施路径，引导算 力资源的合理配置和高效利用。2023 年印发《算力基础设施高质量 发展行动计划》和《关于深入实施“东数西算”工程 加快构建全国一 体化算力网的实施意见》，旨在不断完善综合算力基础设施，增强 算力赋能成效。2024 年印发《推动工业领域设备更新实施方案》， 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

...........................................................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 理能力与服务水平。 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 设计，确保信息的及时传递和处理。 同时，前端将使用 React 或 Vue.js 等框架，增强用户界面的交互性 和响应速度。 以下展示了应用层的简要架构图： 在实际的实施过程中，应用层的设计需要紧密结合后端数据层 和基础设施层，以确保数据的一致性和平台的稳定性。在应用层不 断迭代和优化的过程中，用户需求的变化也是我们需要重点关注 的，确保系统能够灵活适应新的应用场景。 2.3.3 展示层 展示层是系统架构中用户直接交互和获取信息的重要组成部

加速国有企业的转型升级和创新发展。 同时，为了全面推进数字中国建设，国家发改委于2024年5月21日发布了《数字中国 建设2024年工作要点清单》，该清单明确了数字中国建设的具体任务和目标，包括夯实数 字基础设施、推进数字技术与经济社会的深度融合等多个方面，为数字中国建设提供了全 面的指导和支持。 2.2.1.1 国家部委工作要求 �� 此外，为充分激活数据要素潜能，推动人工智能技术的深度融合与应用，国家发改委 南省等省市纷纷 出台人工智能政策，包括鼓励平台企业运用生成式人工智能，将生成式AI技术充分应用于 电商领域、长视频领域、医疗领域等。举例来说，北京设立1亿元支持AI发展，上海推进高质 量计算基础设施建设，深圳设立1000亿元AI基金等，各地形成了激烈的“政策竞赛”。 2.2.1.2.1 地方政策 �� 在北京出台政策方面，4月27日，北京市发展改革委在2024中关村论坛年会上发布了 户利益。通过这些努力，保险公司可以在竞争激烈的市场中保持领先地位，并为未来的发 展奠定坚实的基础。 目前，保险行业的数字化转型已经取得一定成效。众多保险公司制定了前瞻的数字化 转型战略、建立了较为完善的数字化基础设施，并在产品设计、营销、承保、理赔等各个环 节中广泛应用数字化技术。同时，保险行业也在积极探索与新兴技术的融合应用，如人工 智能、大数据、区块链等，以进一步提升数字化水平和服务能力。 （1）数字化转型战略制定

15%的材料费用。 其次，DeepSeek-R1 大模型还能优化资源配置，减少不必要 的浪费。模型中集成的机器学习算法能够分析历史数据，预测未来 资源需求，从而制定更加精确的采购和调配计划。在一个基础设施 项目中，通过模型的资源优化建议，设备利用率提高了 20%，间接 降低了整体项目成本。 此外，模型的实时监控功能还能够提供详尽的成本报告，帮助 管理者做出更加科学的决策。例如，模型能够自动生成每周的成本 保了项目的顺利进行和成本的有效控制。这一案例充分证明了 DeepSeek-R1 大模型在工程造价管理中的实际应用价值，为未来 的类似项目提供了有力的参考。 12.1 实际项目应用案例 在某个大型基础设施建设项目中，DeepSeek-R1 大模型被应 用于工程造价管理的全流程。项目初期，团队通过 DeepSeek-R1 对历史工程数据进行了深度挖掘和分析，确定了材料成本、人工费 用及设备租赁 制在±3%以内。 这对于项目初期的预算制定提供了强有力的数据支持。 其次，在风险管理环节，模型通过分析历史案例中的风险点， 成功预测了多个潜在风险，并提出了相应的预防措施。例如，在某 大型基础设施项目中，模型预测到由于材料价格波动可能导致成本 超支，建议提前锁定供应商价格，最终实现了成本的有效控制。 此外，模型在资源优化配置上也展现出了其优势。通过对施工 进度和资源的动态调整，模型帮助项目团队在保证质量的前提下，

工智能 产业规模不断壮大，核心产业规模已接近5,800亿元。同时，中国已形成了京津冀、长三角、珠三角三大人工智能集聚发展区，拥有超过4400家 核心企业，数量位居全球第二。此外，中国在人工智能基础设施方面亦表现突出，占地规模同样位居全球第二，且智能算力占比超过25%。人工 智能在智能软件研发行业的推动作用日益显著，具体表现在提升开发效率与质量、引领开发模式创新、强化软件个性化与智能化特性，以及加速 （SRv6）、网络切片、随 流检测、应用感知网络（APN）和网络智能化等成熟的“IPv6+”技术实现产品化落地。 政策解读 该政策旨在，推动智能软件研发行业加速IPv6技术的应用与创新，促进网络基础设施升级，增强网络安全性和扩展性，支持开发更高效、安全的软件解决方案，助力 实现万物互联，提升国际竞争力和自主创新能力。 政策性质 指导性政策 数据来源: 工信部，国务院，科大讯飞，中国软件，用友网络 涵盖设计、编码及测试等环节。借助iFlyCode，编程初学者学习时间得以缩 减60%，开发人员的代码优化效率提升5倍，而测试人员的代码用例采纳率亦增长了44%。此外，金山办公已成功构建WPSAI基础设施平台，积 极融入主流大型语言模型，通过统一认证、模型调试等措施，有效管理登录认证、计费、审查日志及监控等功能，并将其与核心产品线如 WPSOffice、金山文档、WPS365深度融合，为用户提

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 的报告，全球人工智能市场在 SaaS 平 台的发展： 1. 企业数字化转型的迫切性：许多企业急需通过人工智能提升业 务效率，改善客户服务。 2. 开发成本的降低：利用 SaaS 平台，企业无需从头开发和维护 复杂的 AI 基础设施。 3. 自定义功能的需求提升：各行业对 AI 方案的定制化需求增 加，SaaS 平台可以灵活支持不同业务场景。 4. 政策支持：全球范围内，许多国家和地区已经将人工智能作为 战略重点，相 平台定义和优势 软件即服务（SaaS）是一种通过互联网提供软件应用的模式， 用户无需下载和安装软件，只需通过浏览器或应用程序访问就可以 使用。这一模式使得企业能够迅速获取所需的软件工具，降低了 IT 基础设施的投资和管理成本。SaaS 平台通常在云端运行，由服务 提供商负责维护、更新和安全性保障，用户则可以集中精力于核心 业务。 相较于传统软件部署方式，SaaS 平台具备多项显著优势。首 先，SaaS

（EHR）、医疗影像存储系统（PACS）等。通过数据标准化和清 洗，能够提升数据质量，保证生成模型的数据输入是准确可靠的。 为了总结上述要点，以下是技术可行性的重要因素概览：  计算资源：确保现有的 IT 基础设施能够支持高计算需求。  算法适应性：针对特定医疗领域微调生成式模型，以提升应用 效果。  安全与合规：实施严格的数据保护措施，确保符合各项相关法 律法规。  数据治理：构建有效的数据标准化及清洗流程，确保数据质 根据市场研究机构的报告，全球医疗 AI 市场预计在未来五年内将 达到数百亿美元，年均增长率超过 40%。这种快速增长为 AI 生成 式大模型的实施提供了良好的市场环境。 成本方面，涉及到多个方面。研发投入、基础设施建设费用及 维护成本都需纳入考虑。根据行业标准，初期开发一个 AI 模型的 成本可能在 100 万到 500 万美元之间，包括数据采集、模型训练和 系统集成等费用。为了准确反映经济可行性，我们可以估算不同规 以下是成本效益分析的主要内容。 首先，需明确引入 AI 生成式大模型的初期投资。目前，企业 在这一领域的成本主要包括技术开发费用、数据采集和处理费用、 基础设施建设费用和人才培养费用。具体包括：  技术开发和部署费用：包括软件开发、模型训练和优化所需的 费用。  硬件和基础设施投资：例如高性能计算设备、云服务费用等。  数据管理和处理费用：数据的获取、清洗、标注和存储成本。  人才与培训费用：AI 专家、数据科学家等相关人员的招聘和

000 1,800 1,600 1,400 1,200 1,000 800 600 400 200 0 • AI, NLP 等技术加速创新 • 以 GPU 为代表的算力提 升 基础设施 不断完善 自然交互 广泛应用 底层技术 不断成熟 • LBS 、移动支付全面普 及 • 服务从线下到线上 • IM 主导移动互联网 • 智能设备数量不断增 长

在的集成和互操作性问题，确保持续的系统优化和稳定运行。 8.1 现有系统集成 在现有系统集成方面，我们采用模块化设计和标准化接 ，以 ❑ 确保商务 AI 智能体能够无缝对接企业现有的 IT 基础设施。首先，我 们进行全面的系统审计，识别出所有关键业务系统和数据源，包括 ERP、CRM、供应链管理系统和财务系统等。基于此，我们设计了 一套分层集成架构，通过 API 网关和中间件实现数据交换和业务流 充分的考虑和支持。 项目启动后，进行需求分析和现状评估，这是确保 AI 解决方 案与业务需求匹配的关键步骤。在这一阶段，通过工作坊、访谈和 问卷调查等方式，收集并分析业务流程、数据资产、技术基础设施 等信息。基于这些分析结果，制定详细的功能需求和技术规格说明 书。 接着，设计 AI 模型的架构和数据流。这包括选择合适的 AI 算 法和框架，设计数据预处理流程，以及确定模型的训练、验证和测 模型的持续优化、算法更新以及第 三方技术服务费用。以目前技术市场报价，年技术支持成本通常在 50 万至 100 万元之间，具体取决于 AI 智能体的复杂性和使用频 率。 此外，基础设施成本涵盖服务器租赁、云服务费用以及数据存储支 出。以公有云服务为例，每年基础设施成本预计为 80 万元，若选 择私有云架构，则初期投入会更高，但长期运营成本可能更 低。 维护成本主要包括系统故障修复、性能优化以及安全升级等。 根据经验，年维护成本约为总投资的