我们期望通过本案例集的发布，能够进一步促进行业内各方的深度交流 与协同创新，共同推动智算服务发展与应用推广，为构建高效、绿色、智能的 未来计算环境贡献智慧和力量。 全球计算联盟 智能产业发展委员会 2025 年 11 月 2 目 录 智算服务案例集 .......................................................... 。 政策与市场方面，中国“东数西算”工程、美国“人工智能行动计划 2”等政策加速 推进了智算基础设施布局；金融、医疗、制造等行业利用 AI 优化流程，提高生产力和效 率，使得智算服务市场年增速超 30%。 技术驱动方面，深度学习、大模型的兴起，催生了对智能算力的巨大需求；AI 训练和 推理依赖高性能计算专用芯片，提高了对于算力和能耗的需求，推动了智算中心建设。 产业和生态方面 计划，开设多门课程，面向交付团队开展技术赋能，提升整体实施能力；在测试方面，支撑 覆盖计算子系统、网络子系统及集群联调测试，全面验证系统稳定性与性能指标，确保系统 高效可靠运行。 2024 年 9 月 20 日，广东联通深圳智算节点正式启用，为粤港澳大湾区数字经济发展注 入了新动能。在本项目集成交付过程中，中讯院探索了智算项目全流程集成交付的新模式， 打造了智算集成交付队伍，开创了设计院全流程承担智算集成交付的先河。

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 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 前言 05 25 04 18-24 17 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） 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 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%，

综合安全性、应用的性能等都成为企业 核心关注的目标。 趋势：云服务能力持续跃升 加速企业数智化转型与创新 01 IDC预计，云数据中心数据增长在2025年为58.1ZB，����年将翻4倍，达到228.9ZB，����-���� 年复合年增长率为40.9%。 图1 全球云数据中心数据增长，2024-2029 来源：IDC全球数据圈预测, 2025‒2029 ��.� ��% ��% 等一系列技术升级和软硬件融合优化成果，大幅提升云、边、端不同位置服务之间的协同效 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。 AI预训练和推理过程需要存储和预处理海量的多模态数据，数据向量化趋势也非常显著，为保障 AI应用特别是中小模型推理和传统AI搜推场景的实时响应，云基础设施也在架构层面做出了持续 的优化创新。 图2 全球企业认为未来2年对业务成果最重要的IT事项 应用可用性 整体安全 风险管理 应用性能 灾难恢复和备份 运营及工具一致性 人才/技能 治理/合规 优化人员生产率 资源利用/密度最大化 成本管理

为实现上述目标，项目将遵循以下关键指标： - 数据覆盖率： 确保历史数据的完整性和实时数据的准确性，覆盖主要市场和行 业。 - 模型精度：通过交叉验证和回测，确保模型预测的准确性和 稳定性，回测年化收益率需达到 15% 以上。 - 响应速度：系统响应 时间不超过 100 毫秒，确保交易决策的及时性。 - 风险控制：引入 多层次的 2.2 项目范围界定 本项目旨在通过引入 DeepSeek 近年来，股票量化交易市场在全球范围内呈现出快速发展的态 势。随着大数据、人工智能和云计算等技术的不断进步，量化交易 逐渐成为金融市场中的重要组成部分。根据国际权威机构的数据显 示，2022 年全球量化交易市场规模已超过 5000 亿美元，预计到 2027 年将达到 8000 亿美元，年均复合增长率保持在 10%以上。 这一增长趋势主要得益于算法交易策略的不断创新以及机构投资者 对高效、精准交易工具的需求增加。 在市 了传统的对冲基金和投资银行，越来越多的资产管理公司、私募基 金以及个人投资者开始涉足这一领域。特别是在中国等新兴市场， 量化交易的渗透率正在快速提升。根据中国证券投资基金业协会的 数据，截至 2023 年，中国量化私募基金的管理规模已突破 1.5 万 亿元人民币，占整个私募基金市场的比例超过 15%。 量化交易的核心优势在于其能够通过数据驱动的策略减少人为 情绪干扰，提高交易效率和准确性。当前主流量化交易策略包括：

AI 应用系统的构 建 —— 以产业大脑为例 肖俊 浙江大学计算机学科与技术学院人工智能研究所 2025 03 杭州 • 大模型推理能力快速提 升 • 推理模型和思维链 (CoT) • 智能体是什么？ • 四链融合产业大脑案例 提纲 大模型推理能力快速提升 开始模仿人 脑进行大量 数据的标记 和训练 神经网络 CNN RNN GAN 1990 年开始； 2006 2006 年获得突 破 快速回望历史——大模型的产生 对人脑学习 过程进行重 点关注 Transformer 2017 年 ChatGPT 2022 年 Instruct GPT BigBird ALBERT ELECTRA 基于模板和 规则的前深 度学习阶段 基于规则 的少量数 据处理 1950 年开始 根据一定范 围的数据进 行参数分类 Machine Learning 1980 年开始 n ChatGPT 所能实现的人类意图，来自于机器学习、神经网络以及 Transformer 模型的多种技术模型积累 2019 年 GPT-2 BART RoBERTa ChatGPT 经过多类技术积累 ，最终形成针对人类反馈信息学习的大规模预训练语言模 型 2018 年 GPT-1 T5 BERT 2020 年 GPT-3 M2m-

节，预测可能出现的延迟或中断，并自动调整采购计划，确保生产 的连续性。 最后，商务 AI 智能体还支持与现有企业系统的无缝集成，无 论是 ERP、CRM 还是财务系统，智能体都能够与企业现有的 IT 架 构无缝连接，确保数据的实时同步和流程的自动化。通过 API 接 口，智能体可以与其他第三方应用进行数据交换，进一步扩展其功 能和应用场景。  实时数据分析与可视化  自动化商务任务执行  而设计，旨在通过先进的人工智能技术，帮助企业优化业务流程、 提升决策质量并增强市场竞争力。具体来看，市场需求主要体现在 以下几个方面： 首先，企业对自动化服务的需求不断攀升。根据《2023 年全 球 AI 应用调查报告》，超过 70%的企业表示他们正在寻找能够自 动化处理日常事务的解决方案，如客户服务、订单处理和数据分析 等。商务 AI 智能体能够通过自然语言处理（NLP）和机器学习 势、预测市场需求，并为战略决策提供科学依据。例如，AI 智能体 可以通过分析销售数据，识别出潜在的客户群体，并推荐个性化的 营销策略。 此外，个性化的客户体验是企业获取并保持客户的关键。根据 《2023 年客户体验趋势报告》，85%的消费者表示他们更倾向于 选择那些能够提供个性化服务的品牌。商务 AI 智能体通过分析客 户的行为和偏好，能够为企业提供精准的客户画像，并据此设计定 制化的服务方案。例如，AI

型，通过对海量文本的训练习得语言的统计规律， 从而具有理解和生成自然语言的能力，实现人机之 间的有效通信。自2018年双向编码表示模型（bidirec⁃ tional encoder representations from transformer，BERT） 的出现，以及 2022 年第四代生成式预训练模型（gen⁃ erative pre-trained transformer，GPT），人工智能领域 DOI 10.20278/j.jc2.2096-0204.2024.0158 指 挥 与 控 制 学 报 JOURNAL OF COMMAND AND CONTROL 第11卷 第2期 2025年4月 Vol. 11，No. 2 April，2025 www.jc2.org.cn 11卷 指 挥 与 控 制 学 报 径，使其适应人工智能大模型时代的治理要求。 本文在分析大语言模型的知识获取原理与知识 位置 关系分析不仅能捕捉材料结构、属性、元素周期表 等抽象概念，还能发现隐藏的结构-属性关系，从而 找到新的热电材料[14]。利用人工智能技术捕捉人类 未充分探索领域的隐性联系，从而形成新的知识结 构，推动学科知识创新，是一种科学发现模式的创 新，开启了科学知识创新的新途径[15-16]。 1.2.2 多模态数据挖掘 大语言模型技术并不仅限于文本数据，也可用 于理解和生成包括图片、音频、视频等多种类型的

≤24 小时 200% 全量数据分析覆盖率 12% ≥90% 650% 审计调整事项回溯准确 率 68% ≥95% 40% 为突破这些限制，领先机构已开始探索智能审计路径。德勤 2024 年技术展望显示，采用机器学习模型的审计项目将关键风险 识别速度提升 3 倍，但模型可解释性不足导致 35%的审计结论难以 通过监管复核。这揭示出当前 AI 应用需要解决的核心矛盾：如何 在保持审计 技术采用混合专家模型（MoE）架构，通过万亿级 token 的审计行 业语料预训练，在会计准则、税务法规、风险识别等垂直领域展现 出超过 85%的准确率。其知识截止 2023 年的特点，确保了在审计 政策时效性方面的可靠性，例如能够准确识别 2022 年财政部新修 订的收入确认准则（财会〔2022〕25 号）的具体变化条款。 在审计工作流中的技术适配性主要体现在三个维度：首先，非 结构化数据处理能力可解析 用异常波动等六大高频场景，确保方案在 2024 年审计季前完成生 产环境验证。 2.1 审计效率提升的迫切需求 随着企业数字化转型的加速和商业环境的复杂化，传统审计模 式正面临前所未有的效率瓶颈。根据 2023 年国际内部审计师协会 （IIA）的行业报告，78%的审计机构反馈其现有工作流程难以应 对数据量年均 40%的增速，导致项目周期延长 23%以上。具体表 现为三个核心矛盾：首先，海量非结构化数据的处理效率低下，某