安全零信任 Nacos内核&应用安全零信任实践 02 Nacos 3.0 AI Registry MCP Registry & MCP Router 03 Nacos 3.0 未来规划演进 一个易于构建 AI Agent 应用的服务、配置和AI智能体管理平台 04 Part 1 Nacos3.0 架构升级&核心能力 性能 & 可拓展性提升 Nacos 简介 Nacos2 – 优秀二级 • 2022 开源创新大赛 – 二等奖 • 2023 开源创新榜 优秀开源项目 • 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 网关助力构建私有 MCP 市场 AI应用架构演进 实现快 维护成本高 模块化 负载均衡 服务管理 RPC技术 高密度部署 原子、自治 按量使用 极致弹性 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

数》”。违反上述声明者，将追究其相关法律责任。 综合算力指数 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 面临诸多挑战：区域间算力发展水平差距较大，综合算力协同发展 潜力尚待充分挖掘，亟需通过深化一体化算力网建设，强化统筹协 同与动态优化能力；全面提升算力供给质效，加速推动结构的迭代 升级；夯实存力运力底座，促进“算存网”协同演进；构建绿色低碳 体系，加速基础设施绿色升级；深度开展融合创新实践，助力产业 生态繁荣发展。 《2025 综合算力指数》全面呈现了我国综合算力发展现状，挖 掘各地区综合算力发展问题，并给出发展建议，为我国算力产业“点、 （二）存储规模与性能结构不断突破................................................................ 6 （三）运力基建与调度机制双轨演进................................................................ 6 （四）模型技术与产业应用双轮驱动...............

大模型 Prompt 引擎助力自适应运维智慧 体 4. 大模型知识迁移打造运维专精模型 5. 未来畅想 目录 CONTENTS PART 01 软件日志运维观点： 智能运维演进趋势是从任务数据驱动到自适应运维智慧体 (1) 日志是机器语言：大规模网络、软件系统在运行过程中每天会产生 PB 级别的日志，这些日志是一些类自然语言的文本，实时描述了设备 的运行状态、异常情况。 原始日志和自然语言 文本 大语言模型 可解释性运维 LogPrompt 指令驱动 第五代 自适应运维智慧体：目标自适应、领域自适应、强交互性、可执行性。 。 。 表： LogAIBox 研究项⽬代际演进思路 [1]LogAnomaly: Unsupervised detection of sequential and quantitative anomalies in unstructured logs interpretable log analysis. (ICSE 2024 & ICPC 2024) 团队 repo 地址： https://github.com/LogAIBox 观点 2 ：智能运维演进趋势： 从任务数据驱动到自适应运维智慧体 PART 02 自适应智慧体在运维领域面临的 Gap ： 传统自动运维模型既没法“自适应”，也仅是有限“智慧” Gap1: 传统智能运维算法依赖于任务标注数据，仅仅是拟

的多模态知识表示，能促进不同符号世界信息的理 解、交流和融合，提供在一个更全面、完整、系统的 218 www.jc2.org.cn 2期 认知结构下对现实世界的事物，及其规律的新发现和 深入理解，从而推动知识结构的不断迭代与演进。 图1 基于大语言模型技术的多模态数据挖掘 Fig. 1 Multi-modal data mining based on large language models technologies 急知识的应用与创新之间存在着一种互相促进和动 态循环的关系，一方面，创新又不断拓展和深化应 急知识的应用范围和效果；另一方面，应急知识的有 效应用能够激发新的创新需求和解决方案，使得应 急知识体系能不断迭代演进，成为应急管理创新的 内在资源和动力。 3.2 知识管理新模式下的智慧应急大脑概念框架 3.2.1 总体思路 建设应急大脑是提高当前应急管理系统智能化 水平、实现智慧应急目标的关键路径。应急管理各 不是一个静态的存储库，借助模型强大学习能力，例 如检索增强生成（retrieval augmented generation）等微 调技术，随着新语料输入，不断调整其知识结构与内 容，完成知识更新，形成一个持续演进的知识系统。 感知系统：负责处理源于多种感知设备（如摄像 222 www.jc2.org.cn 2期 头、传感器、无人机、卫星等）的外部环境数据，基 于大语言模型的多模态数据处理技术，实现文本、

印、翻译本文档的任何部分。凡转载或引用本文的观点、数据，请注明“来源： 全球计算联盟”。 1 序 智算服务推动智算产业纵深发展 数据爆发式增长、算力不断跃迁、AI 算法和大模型持续演进带领我们进 入一个万物重构和万物智联的新时代。算力和 AI 是引领这一时代发展的最核心 的双引擎，是支撑数字建设和数字经济运行的关键要素。 智算建设如火如荼，但唯有建好、管好、用好算力，提供极致的智算服 题： （一）算力高效整合：高校国产智算平台是分阶段建设和持续演进的过程，需要对算、 存和网等关键资源进行高效整合，支持开放扩容和持续演进。基于 DCS 轻量云底座，能支撑 智算和通算资源的云服务化发放，便捷按需进行 BMS、ECS 和容器等的资源管理和调度，配 合 ModelMate 算力资源池的灵活管理，支持后续扩容演进，提升算力资源高效利用的同时， 保护学校已有投资。 （二）资源公平分配：D

第 章 智慧建筑 需求演进 安全 · 身份检查 · 安保巡查 · 无法预警 · 屡次发生 环境 · 人体感知 · 被动调节 · 低效浪费 · 模式单一 · · · · 自动识别 智能巡查 预判预警 重点防范 人工记录 定期检修 故障处理 独立运行 · 自动记录 · Al 分析 · 故障预警 · 设备协同 人工抄表 人工管理 监控系统和建筑设 备能效监管系统等 实施智能化和数字 化综合管理的系统 BMS 与 iBMS 的 对比 ■ 核心基石 集成技术 BMS 与 IBMS 顶层设计 设计法则 智慧演进 第 章 BMS IBMS 系统结构 C/S B/S 中间件 ( 实时域 ) B/S 平台 ( 信息域 ) 数据特点 DI/DO AI/AO 枚举字符串环境参数、设备状态、故障 报警

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 智能家居体系的优化，中国智能家居行业将持续发展。预计至2026年，中国智能家居市场的规模将攀升至453亿美元，同时，智能家居设备的年 出货量有望突破5.4亿台。同时，智能汽车及其相关技术在中 争力和自主创新能力，助力数字化转型。 政策性质 指导性政策 政策名称 《关于推进IPv6技术演进和应用创 新发展的实施意见》 颁布主体 发改委、工信部、交通运输部、中 国人民银行、国务院国有资产监督 管理委员会、国家能源局、教育 部、国家互联网信息办公室 生效日期 2023-01-01 影响 8 政策内容 初步形成以IPv6演进技术为核心的产业生态体系，网络芯片、模组器件、整机设备、安全系统、专用软

• 大模型训练与优化策略 目录 CONTENTS • 风险控制与合规管理 • 实施路径与阶段目标 • 标杆案例与同业实践 • 预期效益与 ROI 分析 • 组织能力与人才建设 • 未来演进与持续创新 01 数字化转型背景与必要性 银行业面临的竞争压力与市场挑战 国有大行服务下沉 国有大型银行通过下沉服务覆盖更多区域，加剧了中小银行的获客难度，迫使后者加快数 字化转型步伐。 升银行的技术竞争力和创新能力。 建立开放的技术平台和创新孵化 机制，吸引外部创新资源和人才， 推动金融科技领域的创新和应用， 提升银行的创新能力和市场竞争 力。 产学研合作与生态共建策略 13 未来演进与持续创新 量子计算与 AI 融合前瞻布局 量子计算加速模型训练 量子计算具有超强并行计算能力，可大幅缩短大模型训练时间，提升模型精度，为银行提 供更快速、更精准的决策支持。 量子加密保障数据安全

大模型应用趋势· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 135 6.1.1 应用模式：由Chatbot向AI Agent演进· · · · · · · · · · · · · 135 5.2 大模型优秀应用案例 ‒ 国际篇· · · · · · · · · · · · · · · · · · · · · 127 5.2 · · · 111 众安AIGC中台-众有灵犀· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 113 信美大模型保险垂直应用演进· · · · · · · · · · · · · · · · · · · · · · · · · · 117 信美大模型应用方案· · · · · · · · · · · · · · · · · 以适应特定的业务需求。当前，保险的销售、理赔、服务等核心场景都适用此路线，如销售 辅助、复杂风险评估、智能客服等。 深度研发大模型这种路线适合于那些拥有较多财务资源和技术资源的大型保险公 司。但是目前来看，由于大模型技术还在飞速演进中，保险公司开放场景和部分数据给专 业的大模型科技公司进行深度定制研发是更为合适的选择。 3.1.1.4 小结 通过内部搭建的灵活可切换的大模型底座，使保险企业能够快速响应市场变化，选择

计算等工作负载提供更高的 单个 vCPU 性能。在核心数量、算力密度、内存与 I/O 升级和AI 深度优化，以及多场景性能上， 至强® 6性能核处理器均有全面突破。 图3. 英特尔®至强®代际演进 来源: Intel 代际规格 第二代英特尔®至强®可 扩展处理器 第四代英特尔®至强®可 扩展处理器 英特尔®至强®6900 性能核处理器 128 核 60 核 28 核 最高单路 内核数 2009 年起，阿里云与英特尔就已开启深度技术合作，强化软硬协同和性能挖掘。作为阿里云核心 计算产品，ECS 实例已历经十五年商业化历程。至今，双方合作深度贯穿至强 ® 处理器家族历代产品 迭代和演进，持续为云计算算力升级提供底层支撑。在数字经济蓬勃发展、企业数字化转型加速推进 的时代，阿里云与英特尔的合作成果显著，意义深远，成为推动产业升级、赋能行业发展的关键力量。 面对企业加速构建 AI