联想以混合式基础设施为支点，撬动 AI 全场景落地：万全异构智算平台 3.0 携四大技术创新破局―― AI 推理加速算 法集实现 5-10 倍性能跃 升， 编译优化器降低 15% 训练成本，慢节点自愈系统达成万卡十分钟 级故障 恢复，专家并行算法削减 3 倍推理延迟。这一技术底座更通过联 想万全 AI 一体机实现端到端落地：基于联想自研的联想万全异构智算 平台管理 软件，深度适配问天 WA7785a WA7785a G3 等服务器硬件，凭借调度层、算子层、 推理引擎层三级调优技术，将异构算力利用率提升至行业标杆，为企业提 “ ” 供 开箱即用 的本地化 AI 解决方案，真正实现从技术突破到产业普惠 的闭环。 1 联想算力基础设施非凡箓 ―― Al 大模型算力解决方案手册 本册《非凡箓》浓缩联想智算实践精华：首章揭示 DeepSeek 技术 矩阵如何重构企业竞争力；中篇以多维智能算力匹配、 矩阵如何重构企业竞争力；中篇以多维智能算力匹配、 GPU 内核态 虚拟化、集合通信算法库、AI 高效断点续训、AI 与 HPC 异构集群 调度等九大差异化技术拆解规模化落地密码，完整诠释联想在异构智 算领域的创新成果；终章通过制造、金融等领域的成功案例，诠释软 硬协同如何让 AI 从 " 可用 " 到 " 好用 "。这既是技术手册，更是产业 跃迁的路线图―― 以九层之台起于垒土的坚韧，成鲲鹏击浪从兹始的

.............. 7 （一） 节点架构重构，驱动算力高效聚合.......................................................7 （二） 异构计算技术，实现算力密度突破.......................................................9 （三） 超低时延网络，破解数据传输瓶颈​ ....... 来源：中国信通院，ODCC 图 4 AI 计算节点组网架构 （二）异构计算技术，实现算力密度突破 “CPU+GPU+专用加速器”的异构架构是支撑多样化 AI 算力的 基础。当前，AI 工作负载已从单一训练任务演变为涵盖训练、微调、 推理及科学计算的多元混合体。CPU+GPU+XPU（专用 AI 加速器如 NPU、TPU、DPU）的异构架构成为选择。架构体系中，各计算单元 分工明确、协同高效。CPU 的全流程定制，实现能效比的提升。 芯片级定制与先进封装技术是突破算力瓶颈的核心路径。随着摩 尔定律放缓，传统单一通用大芯片的发展模式，正遭遇功耗持续攀升 与制造成本高的双重挑战。Chiplet（芯粒）技术作为模块化、异构集 成的芯片设计和制造方法，通过将大型 SoC 解耦为多个功能化、模 AI 计算节点发展研究报告（2026 年） 10 块化的小芯片，显著提升了产品良率并降低了制造成本。同时，技术 突破了

人工智能辅助决策 人工智能技术平台 / 框架 CPU 集群 云平台 CPU 计算 IP 网络 GPU 集群 GPU 计算 IB 网络 FPGA 集群 FPGA 计算 IB 网络 异构计算 超参数自动化调 优 模型开发 模型训练 模型部署 分类算法 聚类算法 关联计算 回归算法 深度学习 强化学习 迁移学习 语音识别 文字识别 图像识别 虚拟现实 平 台 层 基 础 享。 02 区块链存证技术 利用分布式账本技术记录数据流转全过程，提供不可篡改的 审计追踪能力，增强跨部门协作的透明度和信任度。 03 异构数据融合 通过自然语言处理（ NLP ）和知识图谱技术，将文本、图像、 传感器数据等异构信息结构化整合，形成全局态势感知视图。 04 大数据算法仓库和分析引擎 内容 数据内容 提取 & 分级 数据分 级、组织 和管理 数据分析 & LoRa, NB IoT, WiFi, ZigBee EDGE 异构数据交换 实时流程互动 多活容灾可靠 通过 AI 大模型构建智能决策闭环，实现资源调配准确率提升 40% ，响应时效提升 60% 痛点一：资源信息孤岛 各部门数据标准不统一，资源状态更 新滞后，难以形成全局视图 部署 AI 资源调度中枢，实时聚合 多源异构数据 1 构建动态资源图谱，实现秒级状 态追踪与预测 2 痛点三：协同机制缺失

大模型通过构建业务知识图谱，将 业务实体、关系和规则进行结构化 表示，支持业务模型的深度分析和 推理。 大模型在业务架构建模中的应用逻辑 智能化优化 场景化应用 知识图谱构建 大模型能够实时集成多源异构数据，确 保业务模型的实时性和准确性，支持实 时决策和业务监控。 大模型能够根据实时业务变化，动态调 整业务模型，确保模型与业务环境的一 致性，提升业务响应速度。 大模型基于历史数据和实时数据，进行 具，优化算力资源配置策略，在 满足业务需求的同时，降低硬件 和云服务成本，提升整体经济效 益。 高性能算力资源配置与弹性扩展方案 05 数据治理与知识图谱构建 多源异构数据清洗与标准化处理 数据源整合：银行系统中存在大量多源异构数据，包括结 构化数据（如交易记录、客户信息）和非结构化数据（如 文档、邮件），需要通过数据清洗和标准化处理，确保数 据的一致性和可用性。 数据清洗技术：采用基于规则和机器学习的清洗方法，识 理等方式，确保只有授权人员才能访问和操作敏感 数据，降低数据泄露风险。 数据安全与隐私保护合规性设计 06 智能业务场景应用规划 智能风控建模与实时反欺诈系统 多维度数据整合 通过大模型整合银行内部及外部的 多源异构数据，包括交易记录、客 户行为、信用评分等，构建全面、 动态的风险评估模型，提升风控的 精准性和实时性。 实时反欺诈预警 利用大模型的深度学习能力，实时 监测异常交易行为，如高频交易、

对审计底稿逻辑完备性的自动校验能力，导致约 28%的监管问询源 于底稿链条断裂。 在此背景下，构建深度融合审计专业知识的智能体成为破局关 键。这类系统需要同时满足三个刚性要求：审计准则的强合规性约 束、海量异构数据的实时处理能力，以及审计判断的可追溯性。这 要求技术方案必须采用模块化架构，既能继承现有审计方法论的核 心逻辑，又能通过机器学习优化风险评分模型，最终形成人机协同 的审计增强模式。 1.2 倍，同时将人为错误率降低至传统方法的 1/3 以下。 具体而言，人工智能在审计领域的应用主要体现在三个维度： 首先是自动化数据采集与清洗，通过智能体对接财务系统、银行对 账单和税务平台，实现多源异构数据的实时归集与标准化处理，解 决传统审计中数据孤岛问题。某试点项目数据显示，采用智能体 后，数据准备周期从平均 72 小时缩短至 4 小时以内。其次是风险 识别与异常检测，基于深度学习模型分析历史审计案例和行业风险 实践为例，其年度审计项目中，仅财务报表科目核对环节就需投入 超过 2000 人天，且人工错误率高达 3%-5%，而 AI 技术的成熟为 流程重构提供了可能。 审计智能化的核心痛点可总结为以下三点： 1. 数据异构性：企业 ERP、银行对账单等数据源格式差异大，预处 理消耗 40%以上工时 2. 规则迭代滞后：现行审计准则每年更新，但人工维护的检测规则 更新周期长达 3-6 个月 3. 风险识别盲区：传统抽样方法仅覆盖

时，AI算力需求持续高速 增长，为保障AI系统的实时响应，云基础设施需要在架构层面做出创新，以应对多种类型的挑战。 数据处理挑战：除AI海量、多模态特征外，工业制造、医疗等领域的AI应用所涉及的异构数据 多，格式和标准不统一，进一步导致管理和存储成本的上升。在海量AI数据预处理过程中， 非结构化数据清洗、数据标注等工作的效率往往不高，也严重影响了AI应用目标的达成。 协同计算挑战：规模化 分布式架构执行，参数同步时的通信 需求巨大，传统云网络在高并发实时通信场景下难以满足 PB 级数据传输的低延迟需求。同 时，很多AI任务混合使用CPU、GPU、TPU等算力，但一些云平台对大量的异构算力缺乏统 一管理和调度框架，算力有效利用率长期难以提升。 体验与效率挑战：大量的AI模型服务以API形式向外输出，当云架构设计不合理时，用户端的 高并发请求极易导致服务崩溃。值得注意的是，A 难度。大型企业可能使用跨区域、跨云环境下数以千计的实例，处理自动化扩容、故障转移 等复杂任务。企业需投入大量的云原生开发和运维人才，采购昂贵的监控与自动化工具等。 成本控制⸺算力性价比难题：企业多云集群和异构计算资源的效率和适配不足，使算力成 本长期居高不下，弹性能力的缺失造成的大量云实例闲置，也加剧了浪费现象。在企业加速 业务创新的背景下，大型企业的多业务线体系需要频繁地应付新业务上线部署时千奇百怪的

o 优先采用医疗级设备数据 o 生成置信度报告供人工复核 该整合体系已在试点项目中实现 92.3%的自动融合准确率，使 营养建议的个性化程度提升 40%。平台每天可处理超过 200 万条 异构数据记录，平均延迟控制在 800 毫秒以内，支持后续分析模块 的实时决策需求。 3.2 个性化营养方案生成 DeepSeek 平台通过多维度数据整合与智能算法分析，为用户 提供精准的个性化营养方案。系统首先采集用户的基础生理数据 龄、性别、BMI）、代谢指标（血糖、血脂等）、活动水平及健康 目标（减重、增肌或慢性病管理），并结合实时穿戴设备采集的卡 路里消耗、睡眠质量等动态数据，构建用户健康画像。 数据预处理阶段采用特征工程方法对异构数据进行标准化处 理，例如： - 将非结构化的饮食记录通过 NLP 技术转化为结构化营 养素摄入量 - 使用时间序列分析处理连续血糖监测数据 - 通过计算 机视觉分析用户上传的餐盘图像估算食物分量 Fit），以每分钟为单位更新用户体征指标，包括但不限于心率变异 性、睡眠阶段分析、血糖趋势（通过非侵入式传感器间接推算）以 及运动能耗。数据采集遵循 ISO/IEEE 11073 医疗设备通信标准， 确保多源异构数据的标准化接入。 平台采用三级预警机制处理异常数据： - 黄色预警（初级）： 当连续 2 小时饮水量低于个性化设定阈值的 70%，触发 APP 推送 及短信提醒 - 橙色预警（中级）：静息心率连续

随着人工智能技术的迅猛发展，知识库数据处理及 AI 大模型 训练已成为推动智能化应用落地的核心环节。本项目旨在构建一套 完整的数据处理与模型训练方案，以满足企业在复杂场景下的智能 化需求。项目通过对多源异构数据的采集、清洗、标注和结构化处 理，打造高质量的知识库，为后续的 AI 模型训练提供坚实的基 础。同时，结合先进的深度学习技术和规模化计算资源，设计高效 的模型训练流程，确保模型在准确性、泛化能力和计算效率方面达 存储和检索等多个环节，每个环节都存在技术难点和优化空间。例 如，数据采集需要考虑多源异构数据的兼容性问题，数据清洗则需 要处理缺失值、噪声和不一致性等。这些问题的解决方案，直接影 响到最终模型训练的成果。 为了应对上述挑战，本项目旨在设计一套全面的知识库数据处 理及 AI 大模型训练方案，具体包括以下核心内容：  数据采集模块：支持多源异构数据的自动化采集和整合；  数据清洗模块：提供多种数据清洗算法，确保数据质量； 系统，并基于该数据处理结果，训练出一个具备强大泛化能力和智 能化水平的 AI 大模型。通过系统的数据处理和模型训练，最终实 现从海量异构数据中提取有价值的信息，并将其转化为可支持决策 和创新的知识资产。具体目标包括以下几个方面： 首先，实现知识库数据的高效清洗与整合。针对多源异构数 据，设计并实施数据清洗规则，确保数据的准确性、完整性和一致 性。同时，建立数据标准化流程，统一数据格式和语义表达，为后

41%。未来将通过扩 展病理数据接口（如 CT 影像实时分析）进一步强化系统能力，为 区域性智慧医疗网络提供底层支持。这一方案的实施无需替换医疗 机构现有 IT 基础设施，而是通过 API 中间件实现异构系统兼容， 确保落地可行性。 1.1 背景与需求分析 随着人口老龄化加剧和慢性病患病率持续攀升，全球医疗系统 正面临前所未有的压力。世界卫生组织数据显示，75%的医疗资源 消耗用于慢性病管理，其中约 化架构，确保高可用性、可扩展性与实时响应能力。系统核心由数 据采集层、边缘计算层、云端分析层、智能决策层以及用户交互层 组成，各层之间通过标准化 API 与消息队列实现高效协同。 数据采集层通过多源异构设备实现全天候生理信号捕获，包括 但不限于： - 可穿戴设备：集成心率、血氧、体温、运动姿态传感器，采样频 率达 100Hz，支持蓝牙 5.2 与 Wi-Fi 6 双模传输 - 环境传感器：实时监测温湿度、空气质量（PM2 年。 2.1 整体架构概述 DeepSeek 平台的实时健康监测与智能干预系统采用分层模块 化设计，通过多源数据融合与边缘-云端协同计算实现高效闭环管 理。系统由四层核心架构组成：数据采集层基于异构设备网络支持 生物信号（心率、血氧、体温等）、环境参数（温湿度、空气质 量）及行为数据（活动量、睡眠质量）的同步采集，采样频率根据 指标类型动态调整（如 ECG 信号固定为 250Hz，运动数据为

算力池 大模型时代企业 AI 项目“烟囱式 ”建设痛点越发严重 智能化趋势下：多品牌多场景下的重复造车轮，导致模型算法和镜像等 AI 资产管理分散，无法沉淀复用和统一运用。 底层统一 上层统一 中层异构 AI 治理 集约敏捷的 AI 中台式建 设 业务系统 B 业务系统 C 业务系统 A AI 项目的烟囱式建 设 知识引擎 大模型 API （ DeepSeek/ 客户专属 模型