ERNPO电 WERG网 RID Al 赋能新型电力系统建设 中国南方电网有限责任公司 李 鹏 年电力信息 新技术大会 第一部分：电力系统的发展趋势 第二部分：新趋势面临的新挑战 第三部分：南方电网的实践 第四部分：下一步展望 数相纸能新 建说 2024 年电力信息通 信 新技术大会 在“双碳”目 。 清洁能源 储能技术 电力信息通 EPICT 新技术大会 信 建证 202 4 数 附 级 能 体制改革 国际合作 人工智能技术是应对能源转型挑战、提升运营效率的重要途径，也是增强电网智能化水平、优化客户服务体验的必要 途径，更是构建并提升电网企业核心竞争力的关键内容。南方电网公司正在深入开展人工智能技术发展的顶层设计， 推进“人工智能 GRID 非结构化 知识 人工智能 + 数字化 支撑 风险准确评估 状态快速估计 2024 年电力俗 新技术大会 气象特性 第一部分：电力系统的发展趋势 第二部分：新趋势面临的新挑战 第三部分：南方电网的实践 第四部分：下一步展望 电力信息通 EPICT 新技术大会 6 统 信 建说 024 年 增级能新 2 数 随着海量分布式新能源接入，电力

大模型算力体系构建与关键技术分析 郭亮 王月 李洁 (中国信息通信研究院云计算与大数据研究所,北京 100191) 摘要:首先,对大模型工作原理和关键技术进行分析;其次,对大模型算力面临的计算、网络和存储挑战 进行解析,进一步研究了其在存储、高性能集合通信、网络和设施等方面的关键技术进展;再次,构建了 算存运协同建设、软硬件协同优化的大模型算力体系,明确大模型算力体系的算力、存力和运力三大关 键要素;最后 求的同时,实现高效的模型训练和推理。 2 大模型关键技术 2. 1 并行训练 随着 AI 的快速发展,模型的规模不断增大,参数 量从百万级增长到万亿级。 这种趋势带来了巨大的计 算和内存挑战,单一图形处理器( Graphics Processing Unit,GPU)的性能已无法满足大参数量 LLM 训练的 需求,分布式并行训练技术成为关键。 主要的并行训 练策略包括数据并行、模型并行、专家并行、序列并行 ����� ���� �0���� 自监督学习减少了人工标注成本,同时保留了模型的 核心语言建模能力,具有很强的通用性,为当前大模型 Agent 的发展奠定了技术基础。 3 大模型算力面临的挑战 大模型的关键组成是算力、算法和算据,而大模型 算力的关键组成是算力、存力和运力。 通用算力发展 逾十年,形成了完整的体系架构和技术特征。 而大模 型算力与传统通用算力在行业认知、计算效率、存储读

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 2.3 国际化进程中的全球布局、合规与质量一致性难题 2.4 安全、稳定与成本的多元保障要求 解决方案 产、供应链管理、风险控 制，以及C端市场的智能搜推、智能客服等。 �� 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 面对企业海量在线业务以及复杂的创新场景，现有的云基础设施常常难以应对用户在弹性、低时 延和高吞吐等方面的基础性能问题。 复杂应用的复合性能挑战：以游戏场景为例，其涉及复杂的图形渲染，以及物理环境模拟、 人工智能算法等， 多，相关租户之间的故障隔离以及缓存、存储等资源的共享访问问题会更加突出，既要确保 租户之间运行不受任何影响，又不能以牺牲用户访问性能为代价。此外，多副本存储策略在 面对存算分离架构时也会带来数据一致性的挑战。一些分布式事务处理涉及多个计算节点和 存储节点，进一步增加了系统设计和实现的复杂度。 云原生架构带来系统架构和技术栈的新问题：例如如何处理微服务间频繁的通信、复杂的拓 扑、多样化存储以及动态

6 第二章 企业 AI 大模型应用：从试水到规模化落地的 全新挑战 9 2.1 DeepSeek 普及阶段的多元挑战 越的 V3 版本，并免费开放模型结构和权重，实现了技术和价格的双重普惠。这一进展 不仅彰显了大模型发展的潜力，也强调了算法、系统化工程、芯片算力和软件栈深度融合 的重要性，这也带来了新的需求与挑战： • 在模型层面，强化学习和蒸馏技术的使用将进一步推动性能提升。 • 同时，AI 算力基础设施优化和底层优化也至关重要，包括验证 FP8 精度的有效性、 PD 分离、通算融合等技术。 DeepSeek 通过技术创新大幅降低了 AI 应用门槛，但企业在实际落地过程中仍面 临诸多挑战。从算力供给与需求的动态失衡，到技术架构与现有 IT 生态的兼容难题，再 到模型性能与工程效率的权衡困境，这些矛盾成为阻碍 AI 规模化应用的关键瓶颈。在下 一章中，我们将深入剖析企业在 AI 大模型落地过程中面临的核心挑战，并探讨如何破局。 第一章 AI 战略制胜法则：智算基础设施重构商业价值

DeepSeek 技术概述.............................................................................7 1.2 金融银行业务挑战................................................................................9 1.3 DeepSeek 在金融银行的应用前景 ......................................109 6. 挑战与解决方案........................................................................................111 6.1 技术挑战.............................................. 6.1.3 计算资源需求...........................................................................119 6.2 业务挑战...........................................................................................120 6.2

，为每个客户设定最恰当的催收处理方案；通过自动化催收作业，可以支持大规模的催收行动 结合定量信息（如评分）与定性信息（如催收人员意见反馈），制定出恰当的催收行动方案 • • 借助持续型学习与完善技术（冠军与挑战者测试），可以找出更好的行动方案组合，从而达到预期的目的 • • “ ” 在 理想化的策略 行动方案与实际的运营资源局限之间取得平衡 结合短期、中长期与长期的关键表现衡量指标进行监控，以便开展量化的评估操作 慧小区云服务平台整体解决方案 2 3 3. 曲线在第 18 天后明显地逐渐 稳定下来 1 2 3 4 5 6 7 8 改进建议： 原催收行 • 确保第 25 天电话催收 冠军与挑战者方法 AI 智能人工智能客服整体解决方案 基础中级 • 加快处理 Accelerate treatment—— 普遍性 -general • 加快处理 Accelerate treatment—— • 沟通类型 Type of communication 高级 冠军 Champion 这个概念是什么？  冠军与挑战者测试是指针对逾期账户应用新的挑战者策略，以提升各种表现衡量指标为目标，对挑战者策略 策略进行效果对比 如何应用？  进行冠军与挑战者测试时，可以在两棵完全不同的细分树的 • 智慧小区云服务平台整体解决方案智慧小区云服务平台整体解决方案智慧小区云服务平台整体解决方案

智能的应用使法律服务提供商能够提供更具差异化和竞争 力的服务，如更高效、更精准、更低成本的法律服务，加剧 了法律服务市场的竞争。 新进入者挑战传统格局 02. 一些科技公司凭借其在 AI 智能技术方面的优势，跨界进入 法律服务领域，对传统法律机构构成挑战，改变法律行业的 竞争格局。 市场竞争加剧 法律机构合并与整合 为了应对 AI 智能带来的竞争压力，一些小型法律机 构选择合并或整合，实现资源共享、优势互补，提 合规的影响 AI 智能技术的复杂性和不断更新迭代给法律行业 监管带来挑战，如何有效监管 AI 智能法律应用的 合法性、合规性成为监管机构面临的问题。 技术复杂性带来的监管难题 跨境数据与隐私保护问题 法律业务涉及跨境数据传输和隐私保护， AI 智能 应用需要满足不同国家和地区的法律法规要求，增 加了监管的复杂性。 监管难度与挑战 监管机构需制定专门针对 AI 智能法律应用的监管政策和 法 法规，明确监管范围、监管标准和责任主体，保障法律 行业的健康发展。 制定专门监管政策 加强国际间的监管合作与协调，共同应对跨境 AI 智能法 律应用带来的监管挑战，推动建立统一的国际监管框架。 国际监管合作与协调 监管政策与法规完善 法律机构需建立完善的内部合规体系，加强对 AI 智能应用的合规管理，确 保其符合法律法规和监管要求，防范合规风险。 法律机构内部合规管理 法律行业组织应加强自律管理，制定

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 创新的潜能之上，探讨了其在应急管理信息化建设 中的应用前景，针对当前智慧应急中面临的挑战以 及业务系统智能化水平的局限，提出了基于大语言 模型技术重构智慧应急的知识管理模式以及应急大 脑的概念框架，为应急管理信息化建设提供了新的 视角和技术路径。 1 大语言模型原理 大 语 言 模 模式，将人的认知优势与计算机的计算与存储优势整 合起来，让人可以在更高层次、更广泛视角研究外部 环境，加深对客观世界规律的认识，并在人机交互中 将知识转移到机器上，提高机器智能 [18]。 2 智慧应急面临的挑战 应急管理信息化建设通过促进信息技术与应急 管理业务深度融合，为应急管理实战提供支撑保障。 一个典型的应急管理系统架构如图 2 所示，从下至 上依次包括： 数据库层：为应急管理业务应用提供数据服务， 管理模式不适用无法言明的、复杂的隐性应急知识， 这类重要的应急知识游离在系统之外，这也是制约 辅助决策功能的客观局限。 2.3 环境适应性挑战 应急管理实践需要应对自然环境、政治经济环 境、社会文化环境以及技术环境等多个方面带来的 对公共安全的威胁和挑战。当前系统缺乏适应外部 环境变化的能力，特别是在监测预警和救援处置应 用中，当面临新的、未知风险时，当处于复杂多变的 灾害（难）情境时，现有的业务系统往往表现不佳，

· · · · · 14 2.1 全球保险行业的发展趋势· · · · · · · · · · · · · · · · · · · · · · · · · 27 2.1.1 保险业面临前所未有的挑战· · · · · · · · · · · · · · · · · · · · · 27 2.1.2 数智化转型是解决之道及不二选择· · · · · · · · · · · · · · · · 28 · · · 21 1.2.2 应用成效· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 23 1.2.3 面临挑战· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 25 � 2.战略视野与行业篇· · · · · · · · 趋势瞬息万变，整个领域经历了前所未有的百花齐放与创新浪潮。 大模型技术在数据积累、算力支撑、模型精进及应用拓展四大维度上，均实现了显著 突破。合成数据的应用，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；图形处理单元（GPU）和张量处理单元（TPU）等高性能计算硬件的飞速发展， 为算力提升提供了强有力的保障；多模态模型的突破性进展，打破了传统人工智能（AI）技 术界限，实现了信息处理能力的全面

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 斯戴芬·梅尔（Stephen Meyer） 埃森哲商业研究院供应链与运营研究高级总监 实现自主智能供应链 3 目录 挑战催生变革， 供应链亟待重塑 通向自主智能供应链 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 起 强大的运营韧性；而那些固守传统、不愿革新的企 业，则将面临日益严峻的生存挑战，甚至可能被市 场无情淘汰。面对这场席卷而来的自主化变革，是 选择引领未来，还是被动等待？这已是企业决策 者亟需厘清的议题。本篇洞察报告将提供清晰的 路线图，助力您在这场关键的重塑中把握先机。 实现自主智能供应链 5 挑战 催生变革， 供应链 亟待重塑 企业正逐渐意识到，传统商业增效策略的回 报日益递减，无论是规模经济、全球化，还是精益 无论处于供应链自主化进程的哪个阶段，每家 企业都能突破当前障碍，迈向创造全新价值的未来。 鉴于大多数企业仍处于起步阶段，我们建议采取 以下举措，以确保在转型的每个环节都能获取切 实收益。 自主智�供应链的挑战 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