综合算力指数 2025 综合算力指数 算力产业发展方阵 2025 中国算力大会 2025 年 8 月 综合算力指数 版权声明 本报告版权属于算力产业发展方阵、2025 中国算力大 会，并受法律保护。转载、摘编或利用其他方式使用本报 告文字或者观点的，应注明“来源：《2025 综合算力指 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 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 于算力、存力、运力以及发展环境本身，模型能力也成为决定人工智能深度赋 能的关键。因此，中国信通院研究团队持续优化综合算力指标体系，在往年基 础上，增加模型能力的呈现，从算力、存力、运力、模力、环境多个维度，更 运力、模力、环境多个维度，更 加准确剖析我国算力产业发展态势。 《2025 综合算力指数》为我们提供了一个全面而系统的视角来洞察我国算 力发展最新进展。通过科学的指数体系构建，将“综合算力”解构为几十余项具 体的指标，映射出我国在算力领域的发展状况，这将为国家制定精准的产业政 策提供科学依据，为产业的技术创新和投资方向提供“指南”。 展望未来，我国算力发展之路机遇与挑战并存。我坚信，在全国各界的共

载、安全等事务。企业云计算客户不仅对算力密度有极致追求，还期望通过连接性能和存储技术 等多个方面的协同进步，实现数据库、大数据等服务平台的性能跃升。在IDC面向全球1350家企 业所做的数字化进程与业务成果调研中，应用的可用性、综合安全性、应用的性能等都成为企业 核心关注的目标。 趋势：云服务能力持续跃升 加速企业数智化转型与创新 01 IDC预计，云数据中心数据增长在2025年为58.1ZB，����年将翻4倍，达到228 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 持续提升单核、单实例性能。 多技术融合提升连接性能：云服务商综合利用内存/缓存、PCle、RDMA、IP网、EIP、VPC 等一系列技术升级和软硬件融合优化成果，大幅提升云、边、端不同位置服务之间的协同效 率，这对于保障在线业务的体验至关重要。 存储方案升 云原生方案形成整体保障：除了算力层面的降本措施，云服务商还通过持续增强弹性伸缩、 Serverless以及统一运维等云原生解决方案的效能，实现硬件、算法、平台、服务的协同进 化。例如，在强化弹性伸缩能力时，综合运用编排调度（例如Kubernetes）、服务监控、服 务治理以及相关的配置管理等云原生能力，在提高弹性伸缩的速率的同时，持续增强自动化 预测能力以及优化自适应策略。 1.3 持续的融合创新，助力企业的国际化布局

· · · · · · · · · · · · · · 52 3.2.2 保险垂直领域大模型评测体系· · · · · · · · · · · · · · · · · · · 56 � 4.1 综合治理措施· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 65 4.2 训练数据· · · · · · · · · 究团队成功构建了MINT-1T⸺一 个规模空前的万亿级交织多模态开源数据集。MINT-1T不仅包含了万亿级别的文本token 与三十亿张图像，还实现了HTML、PDF、ArXiv等多种来源数据的综合集成，极大地丰富了 数据的广度与多样性，为开源多模态大模型的突破性发展注入了新活力。 今年9月，由商汤科技携手清华大学、上海AI实验室、哈尔滨工业大学、香港中文大学、 复旦大学及南京大学等多家 干 预，还避免了人为错误，使保险公司能够更快速地响应客户需求，提升整体运营效率。 智能决策支持：在更复杂的业务场景中，大模型能够提供基于大数据的智能决策支持。 例如，在风险评估环节，大模型能够综合分析多维度数据，快速评估风险等级，为保险公司 1.2.2 应用成效 �� 提供精准的决策依据，进一步加速业务流程，提升服务质量。 （2）成本结构的深刻调整 运营成本降低：通过自动化和智能

资料来源： DeepSeek ，中泰证券研究所 7 n 阿里近期开源的 QwQ-32B 模型基于 320 亿参数规模，在数学推理、代码生成及通用任务中表现亮眼，综合性能对标 DeepSeek-R1 （ 6710 亿参数，激活量 370 亿）。该模型大幅降低部署成本， 支持在消费级显卡（如英伟达 RTX 4090 ）上 本地运行，满足快速响应及数据安全需求。同时， 助力审批流程实现智能化与自动化。 n 苏商银行应用 DeepSeek-VL2 多模态模型，通过构建“多模态技术 + 混合专家框架”的创新体系，实现对嵌套表格、影 像资料等复杂场景材料的精准解析，将信贷材料综合识别准确率提升至 97% 以上，信贷审核全流程效率提升了 20% 。 图表：苏商银行 AI 布局 资料来源：苏商银行公众号，中泰证券研究所 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 深度挖掘和分析内外部数据，并为管理和决策赋能。 图表： Deep research 示例 决策赋能场景：高级分析能力赋能管理决策

能力。区别于以底层专业性能指标为评测维度的大模型评测报告， 《报告》以应用场景的视角和维度进行测评，向保险行业呈现更为实用和直观的信息，更具现实层面的指导意义。 本报告评测结果经专家组进行谨慎的综合论证形成，但考虑到大模型迭代速度日新月异，评测结果仅代表测试期间所呈现的 效果。报告在分析结论上难免存在一定的局限性和偏差，欢迎各届批评指正。 评测框架 保险垂直领域大模型评测从常用的保险业 语音识别 用语规范 逻辑推理 隐私处理 召回率 语音生成 接口服务 摘要总结 诱导防护 覆盖率 · · · · · · · · · · · · · · · 营销服务应用 营销话术优化 客服话术推荐 综合规划配置 营销素材设计 合规风控应用 智能核保 智能理赔 实时质检 评分说明 大模型名称 公司名称 百度 GPT- 3.5 GPT- 4.0 Claude 1 Claude 2 阿里巴巴 0 1 2 3 4 5 0 1 2 3 4 5 0 1 2 3 4 5 保险营销素材设计能力指数 保险客服话术推荐能力指数 保险营销话术优化能力指数 保险综合规划能力指数 GPT-3.5 ** 大模型 ** 大模型 ** 大模型 ** 大模型 ** 大模型 ** 大模型 ** 大模型 清华智谱 GPT-4 通义千问 ** 大模型 GPT-3.5

乘客安全和提升服务质量的重要环节。通过引入 AI 大模型，可以 显著提升调度决策的科学性与实效性。AI 大模型通过分析历史数据 和实时数据，能够对列车运行情况、客流量变化、天气影响等因素 进行综合评估，从而实现更为高效的调度方案。 AI 大模型的应用可以实现智能化的运输调度，主要体现在以下 几个方面： 首先，AI 大模型利用历史与实时数据进行客流预测，能够更精 确地预判各个时段的乘客需求。这一预测模型可以根据不同时间 运行环境，从而为城市轨道交通的可持续发展奠定基础。 2.2.1 监测系统的构建 在城市轨道交通中，设备故障预测与维护的有效实施依赖于高 效的监测系统的构建。为实现对设备运行状态的实时监测与故障预 警，建议从以下几个方面入手建立综合性的监测系统。 首先，监测系统应涵盖轨道交通设备的关键组成部分，包括列 车、轨道、信号系统、供电系统及其他辅助设备。通过在这些关键 节点上安装传感器，收集设备的实时数据，例如温度、振动、压 力、电流等。 的实时监控和智 能分析。轨道交通设备如列车、信号系统、供电设备等，通常配备 了多种传感器，这些传感器能够监测运行状态，包括温度、振动、 压力等多种参数。通过采用 AI 大模型技术，可以构建一个综合数 据分析平台，将传感器获取的数据进行实时处理和学习。 具体实施方案如下： 1. 数据收集与预处理 o 从各类设备中提取实时数据，如列车运行数据、设备状 态数据等。 o 进行数据清洗，剔除噪声数据，确保数据准确性。

巡 检与监控方法已无法满足快速发展的铁路需求，且人力成本高、效 率低，而新兴的人工智能与三维建模技术为我们提供了新的解决方 案。 其次，现有的铁路监测系统多为单点或局部监控，缺乏全局观 与综合效益的分析。通过引入实景三维大模型技术，可以实现对铁 路沿线的全面可视化、动态分析，使得管理人员能够及时掌握沿线 情况，从而提高回应各类突发事件的能力。 最后，随着国家对智能交通系统及数字基础设施建设的重视， 高精度三维环境建模，实现全面数字化管理  智能分析能力提高工作效率，降低人力成本  支持智慧交通建设，优化运输调度  动态监测与预警，提高安全保障水平  深度学习技术提升设备维护的前瞻性与精准性 通过这些优势的综合运用，实景三维 AI 大模型将成为促进铁 路沿线智能化、现代化的重要助力。 1.4 项目目标与愿景 本项目旨在通过构建铁路沿线实景三维 AI 大模型，提升铁路 沿线环境的监测和管理能力，以达到安全、经济和可持续发展的目 通过三维模型的实时监测，及时发现铁路沿线的潜在安全隐 患，提升对自然灾害、非法侵入等事件的响应速度，确保铁路 运营的安全性。 2. 优化资源配置与决策支持 利用大数据分析和 AI 算法，对铁路沿线的环境、设施、流量 等进行综合分析，为运营管理提供数据支持，帮助决策者进行 更有效的资源配置。 3. 改善服务质量 通过对沿线环境的态势感知，提升旅客出行体验，准确提供列 车通行信息和沿线景观介绍，增强客户的整体满意度。

统将服务于企业内部的数据科学与人工智能团队，确保数据训练过 程的标准化、高效化以及考评的公正性。项目的核心功能包括数据 集的准备与清洗、训练模型的自动化构建、性能指标的实时监控与 评估，以及训练结果的综合分析与报告生成。系统的设计将严格遵 循现有的数据安全与隐私保护法规，确保所有数据处理活动在法律 框架内进行。 项目的技术约束主要源于当前的硬件资源与预算限制。系统需 要支持至少 100 个并发用户的访问，服务器响应时间不超过 级，并提供开放的 API 接口，方便与第三方系统集成。 综上所述，人工智能数据训练考评系统的需求分析需从数据采 集与处理、模型训练支持、考评体系建设、安全性保障以及用户体 验等多个维度进行综合考虑，以确保系统功能完备、性能优异且易 于维护与扩展。 2.1 功能性需求 在人工智能数据训练考评系统的功能性需求分析中，系统需具 备以下核心功能以满足用户的实际需求： 1. 用户管理 o 的训练任务，为用户提供强大的技术支持，最终实现高质量的人工 智能模型输出。 3.2.4 考评模块 考评模块是人工智能数据训练考评系统的核心部分，负责对训 练模型的表现进行全面、客观的评估。该模块主要通过量化指标和 综合评价相结合的方式，确保考评结果的科学性和公正性。首先， 考评模块需要定义一套完整的评估指标体系，包括但不限于准确 率、召回率、F1 分数、AUC 值等常用指标，同时根据具体业务需 求引入定制化

算法，各具特点且适用于不同的应用场景。这些算法的进步推动了 医疗领域的创新应用，为医疗数据的处理、分析和生成提供了强大 的技术支撑。同时，在选择特定算法应用于医疗场景时，应根据具 体需求、数据类型和生成目标进行综合考量，以实现最佳效果。 算法类别 主要特点 适用场景 Transforme r 自注意力机制，长文本处理能力强 自然语言处理、对话系统、医疗 文本生成 GAN 对抗训练生成高质量样本 图像生成、医学图像合成、数据 率。例如，通过自然语言处理技术，医生可以快速获取患者过往病 历的摘要，辅助其作出临床决策。 其次，医疗行业对个性化医疗服务的需求逐日增加。传统的医 “ ” 疗模式往往是 千人一方 ，而基于 AI 生成式大模型的个性化医疗能 够综合患者的遗传信息、生活习惯、疾病历史等因素，生成个性化 的治疗方案和健康管理建议。这样的服务不仅提升了患者的满意 度，也对治疗的有效性产生了积极影响。 此外，在提高医疗效率方面，AI 生成式大模型能够在多个环节 测，再到统筹沟通和反馈。 最终，AI 生成式大模型在患者管理中的应用，能够提升患者的 就医体验和遵医行为，并且通过有效的数据分析，促进医疗资源的 合理配置和使用。这将是未来医疗服务发展的重要方向。通过以上 需求的综合分析，可以明确 AI 在患者管理中扮演着至关重要的角 色，是提升医疗质量与效率的动力源泉。 3.1.1 个性化医疗 在现代医疗中，个性化医疗的理念逐渐向深入发展，旨在根据 患者的独特特征和需

通过合理利用外部数据来源，不仅可以丰富知识库的内容，还 能为 AI 大模型训练提供更加多样化和高质量的输入，从而提升模 型的泛化能力和性能表现。 2.1.3 数据采集工具及方法 在数据采集工具及方法的选择上，应综合考虑数据来源的多样 性、数据格式的复杂性以及数据采集的效率与准确性。常见的采集 工具可分为以下几类： 1. Web 爬虫工具：适用于从互联网上抓取公开数据。常用的工 具包括 Scrapy、B 索、随机搜索或贝叶斯优化等方法，以找到最优的参数组合。 最后，模型的评估与验证是确保其性能和可靠性的重要步骤。 可以采用交叉验证、留出法或自助法等评估方法，结合准确率、召 回率、F1 分数等指标进行综合评估。同时，应通过 A/B 测试或多 轮迭代来验证模型在实际应用中的表现，确保其能够满足业务需 求。 总结而言，模型选择与架构设计是一个系统化的过程，需要综 合考虑任务需求、数据特性、计算资源以及模型性能。通过合理的 2. 判别式模型：如 BERT、RoBERTa，适用于文本分 类、实体识别、情感分析等任务。此类模型在捕捉文本语义和上下 文关系方面表现优异，适合处理结构化或半结构化数据。 在具体选择时，需综合考虑以下因素： - 数据规模：GPT 系列 模型对大规模数据的需求较高，训练成本较高；BERT 系列在中小 规模数据上表现较好，训练和推理效率更高。 - 任务类型：如果是 生成类任务（如知识库补全），优先选择