智能助理产品的特点 . 深度学习与智能助理 目 录 用户终端的变化和技术的进步，推动更自然的人机交 互方式及产品形态 通过理解文本或语音形式 的自然语言来协助用户完 成需求的软件应用或平台 2000s PC 键盘 & 鼠 标 网站 时间 设备 交互方式 产品形态 2020s IoT 自然语言 在线助理 2010s 手机 触摸 APP ■ 从在线客服到在线助

机视 觉、语音处理等 AI 任务为主，算力需求从简单数据处理和交互向密 集型计算演变，单服务器算力已无法满足需求，多服务器集群协作成 AI 计算节点发展研究报告（2026 年） 7 为主流形态。多服务器间通过 InfiniBand、万兆以太网等机间互联技 术进行组网，构建中等规模集群，实现高效数据交互，保障模型训练 过程中的多节点参数同步与数据传输需求。同时，基础设施指标实现 跃升，算力密度随 精准性、能源调度长期性等差异化场景需求，构建专业化、高效能的 智算解决方案，成为推动行业向智能化跨越的核心基础设施。 在金融风控领域，金融行业的核心风险点贯穿“交易、结算、融 资”全过程，随着高频交易、实时信贷、线上支付等业务形态快速发 展，其对风险甄别的实时性、精准性与并发处理能力要求也在不断提 升，促使金融行业的风险控制进入毫秒级竞争时代。传统算力架构因 数据读取延迟高，模型更新周期长，无法应对新型风险。AI 计算节 内企业采取“芯片研 发、架构创新”双轮驱动策略。寒武纪的思元 590、海光信息的深算 系列 DCU 等芯片实现性能与能效的双重突破。沐曦通过差异化布局， 推出光互连、耀龙 3D Mesh 等多形态 AI 计算节点，形成特色化技术 优势。 互联协议与系统架构的创新是筑牢底层技术支撑、促进产业协同 发展的关键环节。当前，国内坚持自主创新与开放合作相结合，已形 成“自主研发与开放兼容相互促进、协同演进”的良性发展格局。在

2023 开放原子基金 年度生态开源项目 • 2023 GLCC优秀社区 Nacos 2.0技术架构演进 Nacos 2.0挑战与机遇 功能易用性 安全风险 AI时代 • 构建AI应用部署形态改变 • 原生配置&服务的模型如何支持 AI应用构建，相比微服务时代提 供更易用的产品化功能 • 默认命名空间不统一：服务&配 置标识不一致 • 配置及服务的动态订阅 • 分布式锁功能支持 Runtime 流量网关 微服务网关 ESB 云原生网关 Kubernetes AI 网关 SOA架构 微服务架构 云原生架构 AI原生架构 垂直架构 单体架构 ？ 伴随软件架构的演进网关形态也在持续进化，K8s 成为统一运维界面，AI 成为流量增长的核心驱动力 AI应用架构组件概览 Higress AI Gateway Higress 通义 DeepSeek LLM(百炼)

识库不仅能够准确理解用户意图，还能提供个性化、场景化的信息推荐和服务，例如根据用 户兴趣推荐冷门景点、根据实时天气调整行程安排等，真正实现“千人千面”的智能旅游体 验。 （二）灵活部署形态，满足多样化需求 为适应不同应用场景，讯飞文旅大模型支持私有云、公有云等多种部署形态。私有云部 署可保障数据安全，满足政府部门、景区管理机构等对数据隐私的高要求；公有云部署则具 备弹性扩展、成本低廉等优势，适合中小型旅游企业快速接入。

即便自主智能供应链具备任务自动化与决 策自主化能力，但至少在目前阶段，仍离不开人 的参与。人与技术各有所长，协同合作方能取 长补短。在双方能力领域的交汇处，便形成了 “人机协作”的劳动力形态，现场及远程员工与 自主智能体、智能机器人实现无缝集成。3 在 最高效的自主化系统中，人类的角色并不仅仅 是作为“执行环”（in the loop）来完成任务，他 们更应处于“监督环”（on

业务应用 （1）输入输出内容安全风险。若大模型所生成或合成的内容未经严格审核，可能引发 虚假信息传播、歧视偏见、隐私泄露等一系列安全问题，这些问题不仅威胁到公民的生命 财产安全，还可能对国家安全、意识形态安全和伦理道德构成挑战。尤为值得警惕的是，若 用户输入的提示词包含不良内容，在模型安全防护机制不健全的情况下，大模型可能会输 出违法有害的信息，进一步加剧这些风险。 4.5.1 安全风险 。 ��� ��� Chatbot作为大模型应用的初级形态，以其基础的交互能力为用户提供了便捷的查询 与咨询服务。然而，其“辅助”角色的定位限制了其在复杂场景下的决策与行动能力。相比 之下，AI Agent则以其更高的自主性、智能性与行动力，成为大模型技术迭代与落地应用的 重要方向。 AI Agent以其“超级拟人化”的形态，不仅接收并深度理解外部指令与信息，更能够自主 进行任务规 练，能够从合成图像、照片甚至草图中生 成多样化的可交互世界。 这些技术的持续进步不仅丰富了用户的多维和沉浸式体验，提高了多模态数据处理 的效率，还加深了对复杂现实世界场景的理解，并推动了新产品形态和服务形式的创新。 在保险领域，多模态大模型的应用将极大地提升风险评估的准确性和效率。例如，通过整 合和分析来自文本、图像、视频等多种渠道的数据，模型能够更全面地了解被保险对象的 6.1.3

推理芯片、先进计算架构、高速互连芯片技术等领域，强化国产芯 片在现有系统中的规模化应用验证和生态适配。三是加强算力与行 业结合，推动更紧密对接工业仿真、材料研发、生物医药、气象预 报等前沿领域和实体经济需求。四是发展多元化算力形态，支持边 缘计算、量子计算、光子计算等新型计算模式的研发、试点和应用 部署，探索未来算力增长点。 综合算力指数 38 （三）夯实存力运力底座，促进“算存网”协同演进 存力与运力作为综合算力的关键支撑，需不断夯实基础。存力

retrospect and re- search progress. Acta Automatica Sinica, 2023, 49(6): 1131− 1154 (刘华平, 郭迪, 孙富春, 张新钰. 基于形态的具身智能研究: 历史 回顾与前沿进展. 自动化学报, 2023, 49(6): 1131−1154) 22 Lan Feng-Bo, Zhao Wen-Bo, Zhu Kai, Zhang