数值计算过程 模型通过优化其预测下一个单词（如 GPT）或填 充缺失单词（如 BERT）的能力，来调整多层神经网络 模型的内部大量神经元连接权重参数，实现对知识 的获取。这一参数调优过程在连续平滑数值空间进 行，与符号化表示的知识获取中的离散符号操作相 比，可以捕捉更为复杂和细致的规律，实现对过往 经验的超越。 1.1.4 知识分布式隐式表示 与符号化知识表示不同，模型获取的知识内嵌 于神经网络模型的海量参数中，无需对其进行显式 学研究中知识创新的潜能[12-13]。利用自然语言处理 技术从大量的科学文献中自动提取知识，生成研究 假设，驱动科学试验，开启了科学发现的新模式。 材料科学领域的研究人员利用无监督词嵌入技术自 动学习该领域科学文献，通过高维向量空间的位置 关系分析不仅能捕捉材料结构、属性、元素周期表 等抽象概念，还能发现隐藏的结构-属性关系，从而 找到新的热电材料[14]。利用人工智能技术捕捉人类 未充分探索领域的隐性联系，从而形成新的知识结 于理解和生成包括图片、音频、视频等多种类型的 数据。例如，Sora 采用 Tansformer 架构重建图片处理 的扩散模型（diffusion models），能更准确地理解视频 片段（patches）在向量空间的正确时空关系，从而生 成接近现实的合乎逻辑又平滑过渡视频[17]。这种多 模态数据处理能力能够形成一个综合的多模态知识 表示，促进多模态数据的理解和融合，从而让模型 具有跨模态知识挖掘和创新的潜能。如图

强大的优势, 能有效处理整合多模态的输入数据, 捕获各模态之间的关系, 提取为统一的高维特征, 形成对世界的理解. 如对大量无标签的互联网文本 和图像进行预训练的视觉模型, 能将图像与文本编 码到同样的向量空间中, 这种对齐不仅有利于对环 境的感知, 也有利于对用户自然语言指令的理解, 利于完成复杂的任务. 本节主要讨论各类将大模型 用于具身智能感知与理解的方法, 讨论范围是文本、 图像和音频等信息, 其中感知的信息来源于环境与 使得 MultiPLY 能够灵活地在抽象表 示和详细的多模态信息之间切换, 以适应不同的交 互任务. 1.2 多模态环境建模 一些工作利用多模态大模型对环境进行建模, 实现具身智能对空间信息的多模态理解. 以 CLIP 为代表的多模态大模型由于包含跨模态的理解能 力, 可以用于编码摄像头输入的图片与包含用户任 务自然语言, 实现对环境的语义建模, 以增强具身 智能系统对环境的感知. 以弱监督的方式学习 场景的 3D 语义表示, 构建了一个从空间位置到语 义特征向量的映射函数, 能够处理分割、实例识别、 空间语义搜索和视图定位等多种任务. 文献 [86] 提出了 C2F-ARM 算法, 实现了由粗 到细的 Q-attention 机制, 它在给定体素化场景的 情况下, 学习应该“放大”场景的哪一部分. 通过迭 代应用这种“放大”行为, 实现了对平移空间的几乎 无损的离散化, 使得在连续机器人领域中可以使用

足国内市场的需求，还可以作为国际贸易的重要运输通道，通过连 “ ” 通各大经济体，推动 一带一路 倡议的实施，使中国与世界其他地 区的经济联系更加紧密。 总结而言，铁路运输的重要性体现在多个方面，包括：  便捷的空间连接促进区域经济发达与平衡  大宗货物的高效运输能力支撑工业发展  人员流动的高效性推动社会联系与城市化进程  低碳环保的运输模式支持可持续发展战略 在这种背景下，开发铁路沿线实景三维 铁路沿线环境的实时 监测、分析和决策支持。 首先，本方案的基础是高精度三维地理信息系统（GIS）和三 维模型的构建。通过利用无人机航拍、激光雷达（LiDAR）扫描等 手段，获取铁路沿线的三维空间数据。同时，结合多种传感器的数 据（如气象监测装置、视频监控等），可全面收集并叠加不同维度 的信息，以便形成精细的三维环境模型。 其次，数据处理与分析将是模型应用的核心环节。利用深度学 习和 管理与安全保障能力，创造现代铁路运输的智能化管理模式。 2.1 实景三维建模技术 实景三维建模技术是铁路沿线实景三维 AI 大模型应用方案的 核心组成部分，主要用于收集、处理和生成铁路沿线的三维空间数 据，以支持网络可视化、环境监测及作业管理等多种功能。该技术 方案依托于高精度的传感器与先进的数据处理技术，能够实现快 速、准确的建模。 首先，该技术涉及到数据的采集，主要采用激光雷达

为实 时监控和分析提供支持。  大容量存储：系统应支持扩展存储，能够处理长时间的高流量 数据，保证数据的不间断存储。  数据压缩技术：采用高效视频编码技术，如 H.265，以降低存 储空间和带宽需求，同时不影响画质。 最后，视频数据采集系统的设计应考虑用户的操作便捷性和系 统的安全性。具体需求包括：  用户友好的界面：提供简单直观的数据管理和设备监控界面， 使用户能够轻松进行设置和操作。 不同来源视频数据能够统一处理。支持的视频输入格式包括但不限 于 MP4、AVI、MKV 等，处理之后的视频将标准化为一个统一的格 式，如 H.264 编码的 MP4。这一转换过程不仅有助于提高处理速 度，还能减少存储空间的占用。 其次，数据预处理阶段涉及到帧提取、降噪、稳定化等技术。 帧提取是将视频流按设定的帧率（如 1 帧/秒）进行切分，生成单 独的帧图像。这些帧图像将作为后续分析的基本单位。降噪处理则 键环节。该环节旨在从原始视频数据中提取有意义的特征并构建适 用于后续分析和决策的模型。为了确保特征提取的高效性与准确 性，本方案结合深度学习技术，采用多层次的视频分析框架。 首先，特征提取的工作分为空间特征和时间特征两个方面。空 间特征主要关注视频中的图像信息，时间特征则侧重于视频帧之间 的动态变化。我们可以采用卷积神经网络（CNN）对视频中的每一 帧进行深度特征提取，通过层级结构捕获不同尺度的特征信息。具

推理架构优化，可适配银行高并行、高响应的业务场 景 n 以 DeepSeek R1 为代表的优秀开源模型的能力离闭源模型越来越近。行业普遍认为如果开源软件达到闭源 80% 以上能 力，就足以压缩闭源的生存空间。 DeepSeek 能力能够比肩 OpenAIo1 ，开源使各行业机构能够轻松获取前沿模型能力， 且可直接进行私有化部署或商业化开发。 开源易获得： DeepSeek 使私有化部署模型也能够追平前沿闭源模型水 资料来源： Epoch AI ，中泰证券研究 所 资料来源： AI 产品榜，中泰证券研究 所 图表： DeepSeek DAU 快速增 长 6 n DeepSeek 理论成本利润率极高，成本还有优化空间。通过优化， 能够在白天负荷高的时候，用所有节点部署推理服务。 晚上负荷低的时候，减少推理节点，以用来做研究和训练。以 2025 年 2 月 27-28 日数据为例， DeepSeek V3 和 19 价值创造场景之三： AI 赋能实现个性化智能营 销 n 大多数商业银行的决策模式主要依赖经验以及基于规则的系统，数据价值的挖掘和释放空间较大。 OpenAI 的 Deep Research 功能支持查找、分析和综合数百个在线资源，以研究分析师的水平创建综合报告。随着相关模型能力上限持 续 提升，决策层可应用 DeepSeek 深

包括时速、乘客上下车时间、以及前方线路的状态。这些特征将用 于模型的输入，有助于提高模型的预测精度。 模型训练模块采用深度学习的方法，比如使用图卷积网络 （GCN）或循环神经网络（RNN），以充分挖掘时序数据和空间 数据的潜在关系。模型的选择应依据具体任务的不同而定，比如对 于客流预测，应使用时序数据模型，而设备故障预测可能更适合使 用图结构模型。 在这一过程中，可以采用以下标准来评估不同模型的性能： 在选择深度学习模型时，我们主要关注于卷积神经网络 （CNN）和循环神经网络（RNN）。CNN 适合于图像和空间数据 处理，而 RNN 则擅长于时间序列数据分析。考虑到城市轨道交通 的数据类型，我们通常会将这两种模型结合，以实现对复杂信号和 时序变化的高效学习。例如，在轨道交通的故障检测中，CNN 可 以用于解析传感器输入的空间特征，而 RNN 则可以捕捉到运行状 态随时间变化的动态行为。 具体的网络结构设计如下： 具体的网络结构设计如下： 1. 输入层：接收和处理来自不同传感器的数据，包括轨道状态、 列车位置、车速、温度等信息。这些数据可能是图像、时间序 列或多维特征。 2. 特征提取层：使用 CNN 提取输入数据的空间特征，适用于图 像数据处理，例如使用 3 个卷积层，后接批归一化（Batch Normalization）和 ReLU 激活函数。 3. 时序分析层：在特征提取后，接入 RNN 单元（如 LSTM

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 03 3.1 打造极致性能体验，为传统计算业务打开新空间 3.2 技术和架构创新，提升AI时代的向量数据处理和协同计算效率 3.3 强化硬件安全设计，持续增强安全保障能力 3.4 全球一致的云服务能力体系，全面助力企业国际化战略 优秀实践分析 04 ��� ��� ��� ���� ���� ���� ���� ���� ���� Capacity(ZB) Growth Rate �� 对算力密度的极致追求：企业希望利用有限的物理空间输出更强大的算力。这一方面体现在 一些高端的云服务实例可以提供数百、数千甚至数万数量级的CPU、GPU核服务能力；另一 方面，为满足大数据、数据库、3D视频处理在内的一些单核敏感型业务的需要，云服务仍将 1.3 持续的融合创新，助力企业的国际化布局 面对智能化、全球化、融合化的发展浪潮，国内云服务商凭借自身在互联网创新、跨境电商以及 AI创新应用等领域的创新优势，不仅可以为自身拓展新的广阔发展空间，也为全球市场带来新的 发展机遇与变革动力。 互联网创新推动全球市场繁荣：国内云服务商在互联网创新方面的成果优势，一方面体现在 业务的示范效应，例如在电商、社交媒体、在线教育、远程办公等互联网服务领域，国内云

have ” “ ） 、 可以有的（Could have ” “ ） 和 不会有的（Won’t have ” ） 四类。这种方法有助于确保开发团队能够集中资源在最重 要的功能上，同时为后续迭代留出空间。 首先，必须有的需求是项目成功的基石，包括核心功能和基本 性能要求。例如，智能体的实时数据处理能力、安全性保障以及与 现有系统的无缝集成等。这些需求如果在初始阶段无法实现，将直 接影响产品的发布和使用。 首先，采用全量备份与增量备份相结合的方式。全量备份每周 进行一次，完整复制数据库中的所有数据，确保在恢复时能够提供 完整的数据集。增量备份则每天进行，只备份自上次备份以来发生 变化的数据，以减少备份时间和存储空间的占用。备份文件应存储 在独立的存储设备中，并与生产环境隔离，以避免因硬件故障或网 络攻击导致的数据丢失。 其次，实施多级存储策略。将备份数据分为短期、中期和长期 存储。短期备份保留 7 天，用于快速恢复近期数据；中期备份保留 几个步骤： 1. 数据预处理：对原始数据进行清洗、归一化、特征提取等操 作，以确保数据的质量符合算法要求。 2. 模型构建：根据任务需求构建算法模型。例如，在强化学习 中，需要设计状态空间、动作空间和奖励函数；在深度学习 中，则需要设计网络结构和损失函数。 3. 训练与验证：使用训练数据集对模型进行训练，并通过验证集 监控模型的性能，防止过拟合或欠拟合。 4. 调优与测试：通过超参数调优、交叉验证等方法，进一步提升

持中西部地区的数字经济发展，但由于起步晚、底子薄，这些地区 在人才储备、技术创新以及资金投入等方面仍相对不足。中西部地 区产业仍以传统资源型产业和劳动密集型产业为主，数字化转型的 动力相对薄弱，具备巨大的算力发展潜力和市场空间。 区域差距的扩大既会加剧经济发展的不平衡，也会制约全国产 业数字化的整体进程。研究综合算力指数有助于促进我国各区域充 分利用优势要素，挖掘区域发展需求，合理配置算力资源；加速算 力与产业深 存、运、模力发展水平方面，均处于全国先进水平，综合算力指数 稳居前列。内蒙古、贵州发挥气候、能源、政策等优势，多次进入 我国综合算力指数 Top10。山西加速算力产业布局，已构建“1+3+N” 数据中心空间体系，以太原为核心，大同、吕梁、阳泉为支撑，多 市协同发展。另外，山东综合算力指数表现优秀，2024 年启动省级 算力基础设施高质量发展行动，持续打造核心区、集聚区、边缘计 算节点“2+5+N”的全省一体化算力网络布局。 能。 综合算力指数 20 从 PUE 来看，我国在用算力中心平均 PUE 值为 1.46，相较于 2023 年降低 0.04。我国算力中心在节能降耗方面已取得一定进展， 但仍存在较大的提升空间，需进一步加强绿色节能技术的应用与推 广。 来源：中国信息通信研究院 图 9 各省上架率情况 （四）存力分指数 1.整体情况 我国省级行政区存力分指数 Top10 为广东省、江苏省、河北省、

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 • 内核和控制台同端口 • 鉴权开关绑定 • 应用侧数据源动态无损轮转 Nacos-Controller 运行时无损轮转 4. 【A2A协议】 • Agent名片注册 • Agent编排 Nacos3.0 RoadMap • MCP 管理 • HTTP自动转化MCP • 独立部署架构 • 命名空间统一 • 模糊订阅 • 分布式锁 • xDS协议支持 MCP Registry 动态Prompt Agent Discovery AI Registry 3.3 3.2 3.1 3.0 •