服务管理 暂行办法》，则为中国大模型技术的健康发展提供了坚实的政策保障和合规框架。 在保险行业，这一技术革命同样引发了深刻的变革。国内外众多保险公司和保险科技 公司，如阳光、人保、平安、国寿、泰康、瑞再、安盛、安联等，纷纷投身于大模型技术的研发 与应用，积极探索其在保险业务中的无限可能。阳光保险集团作为行业的先行者和探索 者，于2023年初率先启动了“阳光正言GPT大模型战略工程”，旨在通过大模型技术的深度 · · · · 82 5.1.4 平安保险· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 93 5.1.5 泰康养老· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 97 5.1.6 中国太保· · · · · · · · 大幅降低了能耗；而Google TPU v4则通过其优化的矩阵运算能力，为深度学习模型的训练提供了更高的效率。 （2）国产算力发展 为了突破算力“卡脖子”的问题，并抓住新技术带来的机遇，我国正加快国产GPU芯片 生态体系的建设，包括从芯片设计、制造到封装测试的全流程加速推进。华为、寒武纪、摩 尔线程、景嘉微、海光信息、沐曦科技、壁仞科技、燧原科技等企业通过加大研发投入、优化 生产工艺

jiangdan@zts.com.cn | 证 券 研 究 报 告 | 2 0 2 5 . 03 . 1 3 专 业 ｜ 领 先 ｜ 深 度 ｜ 诚 信 中 泰 证 券 研 究 所 n DeepSeek 开源使金融机构能够轻松获得前沿模型能力，且大幅降低部署成本。其通过对训练方式、算法架构和推理方 法 的工程化优化大幅降低了部署成本。近期采用大规模

成功地在现实世界中模拟动物行为 并穿越复杂障碍, 在设计好的多智能体追逐游戏中 展示出类似动物的策略和敏捷性. 5 结束语 具身智能作为未来智能系统的关键发展方向, 通过与物理环境的紧密互动, 正逐步展现出超越传 统离身智能的潜力. 本综述聚焦于揭示基础模型如 何推动具身智能的演进. 在感知与理解方面, 端到 端模型实现了对复杂环境的深入理解与动态适应; 在规划层面, 从需求级到动作级, 大模型通过生成 His main research interest is embodied AI based on large models.) 谭 宁 中山大学计算机学院副教 授. 2013 年获法国弗朗什−孔泰大学 博士学位. 主要研究方向为各类机器 人系统的建模、设计、仿真、优化、规 划与控制, 内容涵盖基础研究和应用 开发. 本文通信作者. E-mail: tann5@mail.sysu.edu.cn

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） 埃森哲全球供应链与运营业务主管 传统的供应链模式如今正迅速过时。地缘政 治波动与多变的贸易环境正在重塑全球格局；与 此同时，气候压力日益加剧，消费者期待持续高 涨，传统增效策略所带来的回报却日渐式微。当 下，供应链重塑的关键在于两项关键议题。 化、公共卫生危机以及汽车行业等特定领域的深 刻变革，均对企业的敏捷性提出了前所未有的要 求。突发且不可预测的地缘政治变局以及持续变 化的贸易环境，正迫使首席供应链官们迅速调整 其运营网络。更为复杂的是，劳动力老龄化、员工 在职年限的缩短以及技能短缺，正导致宝贵的组 织经验不断流失。 时至今日，仅仅追求成本效益 已远远不够。供应链亟需在速度、 敏捷与可持续方面实现突破，从而 开拓新的价值高地。 的研究表明，在自主智能供应链的生态系统中， 人力依然是核心要素。事实上，最高效的自主智� 供应链体系将实现人员角色转型⸺从任务执行 者转变为系统决策的指导者与监督者。我们观察 到，这一转变正通过“人机协作”的渐进式发展 在企业中逐步实现，每个阶段都推动着效益提升。 此外，通过将资深团队成员数十年积累的专 业知识和洞察进行系统化梳理与编码标准化，自 主智能供应链有助于确保核心知识的保留，并传

推荐序 近年来，AI 技术迅猛发展，算力作为数字经济的基础资源，其重要性与日 俱增。我们进入了一个计算力驱动创新的时代，这不仅影响着科技领域的演进， 更深刻地改变着社会的方方面面。目前，国家正按照“点、链、网、面”体系化 推进全国一体化算力网络工作，综合算力指数作为衡量我国算力发展水平的重 要标尺，相关研究工作意义深远。 随着 AI 在千行百业加速渗透，算力赋能数字经济社会的效能，不仅仅取决 持续、高质量发 展注入持久动能。 综合算力指数 4 （三）产业数字化转型加速，区域发展差距明显 随着算力基础设施不断完善、人工智能等新兴技术持续迭代， 传统产业数字化转型加速，数字化技术正以前所未有的深度和广度 渗透到各产业领域，区域间的数字经济发展差距却愈发凸显。东部 沿海地区凭借深厚且完备的产业基础、超前的科技创新能力以及发 达的基础设施网络，得以率先深度应用数字化技术，在智能制造、 速率迁移，显著提升 OTN 设备的传输速度和容量，以满足用户对高 速数据传输的需求。OTN 网络单波传输速率可达 800Gbps，极大提 升了算力中心间的数据传输容量和效率。IP 承载网 400GE/800GE 正 在逐步成为算力中心互联的重要技术，400GE 乃至 800GE 接口技术 的引入，显著提高了算力中心内部及算间的数据交换能力。广域无 损具备长距 0 丢包的能力，实现整网高吞吐和算网业务的一体化发

Transformer 等特定模型的核心算子，进行从指令集到计算单元 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） 计算节点支持传统物理仿真模 型与深度强化学习算法的协同计算，实现安全约束下的经济最优调度， 将调度决策效率提升数个数量级。中国电力报数据显示，国家电网公 司明确了超节点算力集群将成为超大模型应用的主流支撑。国家电网 正依托智算节点设施，推动构建光明电力大模型，围绕智能运维、智 能客服、智能调度等领域，推广无人机巡检、变电巡视、营销客服等 上百个应用场景。 AI 计算节点发展研究报告（2026 年） 18 四、AI 放平台上的协同创新，最大化汇聚产业力量，加速 AI 计算节点技术 的规模化落地与应用创新。 （四）行业应用试点向全域渗透迈进 随着大模型技术迭代与多行业智能化需求升级，AI 计算节点应 用正逐步从行业试点向全域渗透加速迈进，全面提升算力对产业发展 的支撑能力，成为推动数字经济与实体经济深度融合的关键力量。在 应用广度上，继赋能大规模模型训练、高性能计算等场景后，AI 计 算节点依托

1.1 大模型下半场： 推动 AI 普惠并抢占战略制高点 在全球数字经济加速向智能化转型的浪潮中，生成式 AI 技术突破、大模型生态爆发与数 据量指数级增长，正重塑企业竞争格局，使得算力需求呈现前所未有的增长态势。企业正 站在从传统 IT 架构向智能决策体系转型的战略窗口。在这场智能革命中，算力集群的弹 性扩展能力、算法框架的优化及数据资产的跨域融合，共同构成了数字化转型的坚实“数 第四章 技术突破与商业价值双轮驱动 第四章 技术突破与商业价值双轮驱动 40 紧跟客户需求， 首波适配 DeepSeek 的硬核实力 DeepSeek 的本地化部署和微调，正成为国内企业级 AI 应用落地的首选方案。早在 DeepSeek 推出一个月后，联想便率先对大模型推理 AI 算力平台联想问天 WA7785a G3 进行全新升级。此次升级实现了单机部署 DeepSeek-R1 满血版，但 企业实际应用过程中仍面临显存不足、处理效率低等问题，成为阻碍 AI 应用规模化落地 的 “ ” 最后一公里 。针对这些技术难点，联想通过软硬件协同优化，提升模型性能，真 正 将技术优势转化为可落地的解决方案。 首先，联想通过技术创新大幅提升了显存利用率，进而实现了性能的提升。以联想问天 WA7785a G3 为例，在 768GB GPU 显存条件下，即可部署

度，增强产品的市场竞争力。 多样化与跨领域应用 智能软件广泛应用于自然语言处理、计算机视觉、语音识别、自动驾驶及金融分析等多个领域，展现了其高度的多样化特性，精准对接各 行业需求。在跨领域融合方面，智能软件研发行业正积极与物联网、云计算等前沿技术深度融合，不断拓宽其应用场景与潜力边界。 智能软件研发行业可以分为四个阶段，萌芽期（1960-1969年），软硬件分离定价与软件工程概念的提出，为智能软件研发的独立发展和技 上海宝信软件股份有限公司 北京超图软件股份有限公司 东华软件股份公司 金蝶软件（中国）有限公司 邦正科技股份有限公司 科大讯飞股份有限公司 渠道端及终端客户 应用与服务 渠道端 上游分析 数据存储需求的增长正驱动存储技术的革新。 预计到2030年，全球每年数据增量将达到惊人的1YB，其中约50ZB的数据具备存储价值。与2020年相比，数据量将激增23倍，预计未 来十年的年复合增长率将逼近40%。面对如 智能软件开发领域的应用边界逐渐拓宽，从而其市场规模逐渐扩 张。 未来智能硬件出货量增加将带动对与之配套的智能软件的需求增长，从而推动智能软件研发行业市场规模增长。 智能硬件设备的普及与多样化，正不断拓展智能软件的应用场景。智能家居设备依赖于智能家居控制系统软件进行高效管理，而智能汽车则需智 能驾驶辅助系统软件提供有力支撑。这些新兴应用场景的涌现，为智能软件研发行业开辟了更为丰富的市场机遇。未来，伴随人工智能的演进与

未来趋势方面，绿色化，智能化和算网融合是算力未来发展趋势。降低 PUE，采用液 冷、可再生能源技术是绿色低碳发展主要的方向；算力调度与网络协同极大提升资源利用 率；大模型持续进化，推动智算向更高阶发展。 智算产业正重塑全球科技竞争格局，成为数字经济时代的核心基础设施，未来将深度 赋能千行百业，引领新一轮产业革命。 1.2 智算中心高效应用面临挑战 当前智算中心的建设如火如荼。但很多智算中心陷入“重建设、轻服务”、“有算力、 树立行 业标杆，引领数据中心低碳标准。 3.1.5 联合开发智算运维调度系统保证集群训练长稳高效 2023 年 10 月，科大讯飞发布了支持万亿浮点参数的基于全国产算力的星火大模型，真 正意义上突破和实现了技术的自主可控。同月，科大讯飞与华为联合发布了国内首个全国产 算力平台“飞星一号”。 为了确保集群训练的长时稳定高效，科大讯飞联合华为攻关团队，从底层基础设施到算 存网，再到 计算使能服务支撑基于昇腾算力的科研创新应用 D 大学智算中心是全国首个校级最大国产人工智能算力中心，是高校基于昇腾算力底座 和 ModelMate（模型使能工具）进行科研创新和教学的典型案例。该项目于 2024 年 1 月正 式开启，算力规模 65P，项目采用“DCS（轻量云）+ModelMate+运营平台”方案。如何支撑 学校师生从原开发平台顺利迁移到新建的国产算力平台，利用昇腾技术栈快速进行科研模型 创新，成为该项目的首要任务，也是

输入数据经过充分的清洗、标准化和向量化处理，以便模型能够高 效学习。针对大规模数据，可以采用分布式训练策略，利用多 GPU 或 TPU 集群进行并行计算，以缩短训练时间。 在模型优化方面，常用的技术包括学习率调度、梯度裁剪、正 则化等。这些技术能够有效防止过拟合，提升模型泛化能力。此 外，可以采用混合精度训练（Mixed Precision Training）来加速 训练过程，并减少内存占用。对于超参数调优，可以采用网格搜 集，准确率可能无法真实反映模型性能。  精确率与召回率：适用于类别不平衡的数据集，精确率关注模 型预测为正类的样本中有多少是真正的正类，召回率关注真正 的正类中有多少被模型正确预测。  F1 分数：精确率和召回率的调和平均数，适用于需要平衡精 确率和召回率的场景。  AUC-ROC 曲线：通过绘制真正类率（TPR）和假正类率 （FPR）的关系曲线，评估模型在不同阈值下的性能。 在实际操作中，可以通过以下步骤进行模型性能评估： 为了更直观地展示模型性能，可以使用表格或图表的形式呈现 评估结果。例如，可以绘制混淆矩阵来展示分类任务的预测结果， 或通过折线图展示 AUC-ROC 曲线。以下是分类任务的混淆矩阵示 例： 预测正类 预测负类 实际正类 TP FN 实际负类 FP TN 通过上述流程和工具，可以全面、客观地评估模型的性能，为 后续的模型优化提供可靠的数据支持。 3.4.2 模型迭代优化 在模型迭代优化过程中，首先需要基于初步训练结果进行详细