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 于算 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、 链、网、面”体系化发展提供参考，为数字中国建设实现跨越式发展 .............. 36 （一）深化一体化算力网，强化统筹协同与动态优化.................................. 36 （二）提升算力供给质效，推动结构迭代升级.............................................. 37 （三）夯实存力运力底座，促进“算存网”协同演进.........................

接口规范 复刻 Deep seel 的推理加速能力 一键发起模型部署 推理加速 DeepSeek 模 型 客 户 数 据 训练加速 DeepSeek 联 网 助 手 文档问答 知识摘要 • 模型 + 训练平台 + 应用构建 平台 全链路能力。 • 提供从训练——推理——应 用的一站式丝滑服务体验 • 全面接入 deepseek megatron 等 通用训练框架 u triton, vllm, sg lang, sd, pmml 等 通 用 推 理框架 分布式文件存储 u 公 有 云 分布 式 文 件 存 储 CFS/Turbofs/Goosefsx u 私有化 NFS 协议存储 NAS/CSP 云服务器 u 公有云 HCC 高性能服务器，一键纳管 u 私有化服务器，支持 X86+ARM 统一纳 混元文生 图 .. 汽车 语音助手 零售 电子 说明书 金融 代理人 辅 助 ... ① 标准模式 内置 RAG 最优流 程 文档解析 多轮改写 文旅 虚拟 导游 政务 一网 通办 ② 自定义插 件 应用 场景 三方大模型 插件 工作流模式 “ 智能生产线 ” 使用指定的工作流来响应用户所 有对话。如果你对应用的执行流程， 有更加个性化的需求，可以通过工

决策的实时优化。 首先，实时数据的来源主要包括列车运行状态、乘客流量、天 气条件、设备故障信息等。通过建立数据采集系统，车辆上、车站 内及关键节点的传感器可以不断发送数据，形成一个全面的监控 网。 数据收集后，AI 大模型的作用在于对这些数据进行实时分析， 以识别潜在的问题并预测未来的趋势。例如，模型可以通过分析历 史客流数据，结合实时监控的信息，预测某个时间段内某条线路的 客流高峰 见等数据，为模型提供丰富的训练材料。 2. 模型训练：利用收集的数据进行大模型训练，优化自然语言理 解和生成能力，确保系统能够理解复杂的用户意图。 3. 多渠道接入：智能问答系统应支持多种接入方式，如官网、手 机应用、微信公众号等，确保乘客可以随时随地获得服务。 4. 持续优化：在系统上线后，应收集用户交互数据，定期评估问 答的准确性和满意度，不断进行模型迭代和服务优化。 5. 引入人机协作： 量的交通流 量、环境监测和市民行为的数据，通过合作获取相关数据资 源，以便进行全面分析。  用户调查与数据共享：通过问卷、访谈等方式定期收集用户数 据，同时与其他出行服务平台（如共享单车、网约车公司）构 建数据共享机制。  历史数据档案建立：对现有的运营记录、报表等历史数据进行 系统归档，实现数据的集中存储与管理，为模型训练时提供丰 富的历史数据支持。 图表展示数据来源分析可以帮助更直观地理解各类数据的获取

数据进行质量检查，发现并修正数据中的异常或错误。质量检查可 通过自动化脚本或人工抽查相结合的方式实现。 为保障数据安全性，需建立全面的数据安全防护体系，包括网 络隔离、入侵检测、数据脱敏、数据泄露防护等措施。网络隔离可 通过虚拟局域网（VLAN）或防火墙实现，限制不同网络区域之间 的数据流通。入侵检测系统（IDS）和入侵防御系统（IPS）可实时 监控网络安全状况，及时发现并阻止潜在的安全威胁。数据脱敏技 Redis、Memcached 等内存数据库构建缓存层，加 速热点数据访问。 数据安全性是存储设计的重要考量。系统实施多级安全防护措 施，包括： - 加密存储：对敏感数据采用 AES-256 算法进行加密存 储。 - 访问控制：基于 RBAC 模型实施细粒度的权限管理。 - 数据 备份：部署定时备份策略，确保数据可恢复性。 为便于理解数据存储架构，使用 mermaid 图示如下： 此数据采集与存储方案充分考虑了人工智能训练场景下的实际 系统应采用 多层次的安全防护机制，包括网络安全、数据安全、应用安全和物 理安全。网络安全方面，通过部署防火墙、入侵检测系统（IDS） 和入侵防御系统（IPS）来防止外部攻击。同时，采用虚拟专用网 络（VPN）技术确保数据传输的加密性和完整性。 数据安全是系统设计的核心，数据存储应采用加密技术，确保 数据在传输和存储过程中的安全性。对于敏感数据，使用高级加密 标准（AES）进行加密，并在数据访问控制上实施严格的权限管

编程、智能风控、智能营销等； 3 ） 决 策赋能： 深度分析和决策辅助。 n 从实际落地应用情况看， 大行发力更早， 中小银行正在快速追赶。如工商银行、建设银行、招商银行等大行布局更早， 邮 储银行、浦发银行、江苏银行等也有较为领先布局应用。 AI 一体机的出现为机构提供了全新的解决方案，凭借其开箱 即 用、软硬件一体化设计等优势， 正在成为很多中小银行智能化转型的重要选择。 n 智能问答、智能客服、辅助编程、智能办公、智能风控等 中国银行 内部知识服务、辅助编码等 建设银行 智能客服、市场营销、投研报告、智慧办公、智能运营、智能风控等 交通银行 办公助手、客服问答等 邮储银行 研发测试、运营管理、客户营销、智能风控、消费者权益保护等 中信银行 落地代码生成、智能操作等 平安银行 零售风控、零售贷款审批、运营管理、消保降诉、汽车金融等 招商银行 零售、批发、中后台 入外部模型，保障技术 可 控性 应用场景：建信理财率先探索资产配置优化、风险预警等理财场景，同时通过金融语义框架将“抵押率”“偿债覆盖率”等术语转化为业务逻辑，应用于 合同 解析与风险建模 邮储银行 技术落地：依托自有大模型“邮智”，本地部署并集成 DeepSeek-V3 模型和 DeepSeek-R1 推理模型 应用场景：应用于智能客服“小邮助手”后，新增逻辑推理功能，可精准识别用户需

为高效管理多源数据，可构建数据采集管道，使用 ETL（Extract, Transform, Load）工具或分布式计算框架（如 Apache NiFi、Apache Kafka）实现数据的自动化采集、清洗和存 储。最终，采集的数据应存储于结构化数据库（如 MySQL、PostgreSQL）或非结构化数据库（如 MongoDB、Elasticsearch）中，以便后续处理和分析。 通过上述方案，可确保数据来源的多样性和采集过程的规范 数据存储与备份：采集到的数据应按照统一的存储规范进行保 存，并定期备份。建议使用分布式文件系统（如 HDFS）或云 存储服务（如 AWS S3、Azure Blob Storage）进行数据存 储，以确保数据的安全性和可扩展性。  监控与日志记录：在数据采集过程中，应建立完善的监控和日 志记录机制，及时发现和处理采集过程中的异常情况。可使用 监控工具（如 Prometheus、Grafana）对采集任务进行实时 提高备份效率。对于非核心数据，可采用每周全量备份与每日增量 备份相结合的策略。 其次，备份介质的选择需考虑性能、成本与安全性。建议采用 多介质存储方案，包括本地磁盘、网络附加存储（NAS）以及云存 储。本地磁盘备份速度快，适合高频次的数据备份；NAS 适合在企 业内部网络中进行分布式存储；云存储则提供异地容灾能力，确保 在极端情况下数据的可恢复性。同时，建议对备份数据进行加密， 以保障数据在传输和存储过程中的安全性。

非结构化数据 高吞吐量、灵活数据模型、 易扩展 事务支持相对较弱，复杂 查询能力有限 Redis 缓存、实时数据处 理 高并发、低延迟、数据结构 丰富 数据持久化能力有限，存 储容量受限 数据库架构设计时，还需考虑数据备份、灾难恢复、监控和优 化等运维需求。通过合理的数据库选型和架构设计，能够为 DeepSeek 智能体的开发提供稳定、高效的数据支撑，确保系统在 各种业务场景下都能表现出色。 洗后的数据将进入数据转换阶段，这一阶段的核心任务是将数据转 换为适合智能体处理的结构化格式，可能涉及数据归一化、特征提 取、标签化等操作。 为了保证数据的高效存储与访问，数据处理模块采用分布式存 储架构，支持大规模数据的实时写入与查询。常用的存储技术包括 NoSQL 数据库（如 MongoDB、Cassandra）和分布式文件系统 （如 HDFS）。对于需要高并发访问的场景，模块还引入了缓存机 的核心需求和数据流向。系统主要涉及用户数据、智能体行为数 据、任务执行数据以及交互日志等。为了确保数据的高效存储和查 询，采用关系型数据库（如 MySQL 或 PostgreSQL）作为主要存 储方案，并结合 NoSQL 数据库（如 MongoDB）用于存储非结构 化数据或日志数据。 在关系型数据库的设计中，采用 E-R 模型进行数据建模。核心 实体包括用户（User）、智能体（Agent）、任务（Task）和日志

作为关 系型数据库，支持复杂查询和事务处理；对于非结构化 数据，采用 Elasticsearch 实现高效的全文检索能力。此 外，使用 Amazon S3 或阿里云 OSS 作为海量数据的存 储解决方案。 2. 机器学习与深度学习 商务 AI 智能体的核心是智能化决策与预测能力，因此需选用 成熟的机器学习框架和工具： o 模型开发框架：选用 TensorFlow 和 PyTorch 作为深度学 智能体应用服务方案的核心部分，旨 在确保系统的高效性、可扩展性和稳定性。系统采用分层架构，主 要包括数据层、服务层、接口层和用户层。数据层负责数据的存储 与管理，采用分布式数据库系统，支持结构化与非结构化数据的存 储，确保数据的可靠性与高效访问。服务层是系统的核心处理单 元，包含 AI 模型训练与推理引擎，利用机器学习与深度学习算 法，提供智能决策支持、客户行为分析、自动化任务处理等功能。 接口层通过 RESTful 同 时，支持用户的创建、修改、删除和查询操作，便于企业进行人员 管理。 日志监控模块记录系统运行中的关键操作和异常事件，便于问 题的追踪和排查。日志数据按照时间、操作类型和用户进行分类存 储，支持多维度的查询和分析。通过设置告警规则，实时监控系统 状态，及时发出预警通知，确保系统的稳定运行。 数据分析与可视化模块，将复杂的数据分析结果以图表、仪表 盘等形式直观展示。支持动态数据更新和自定义分析维度，帮助用

能够快速恢复业务。备份数据采用异地多副本存储，结合增量备份 和全量备份策略，减少恢复时间目标（RTO）和数据丢失风险 （RPO）。 通过上述方案，确保 Deepseek 大模型在银行系统中的数据存 储高效、安全且可扩展，为银行业务的稳定运行提供坚实的数据基 础。 4.3 数据处理 在银行系统中，Deepseek 大模型的数据处理环节是确保数据 质量、提升模型性能的关键步骤。首先，数据的预处理阶段需要对 模块的兼容性和协同工作能力： - 与核心系统集成测试：验证模型 与银行核心业务系统（如账户管理、支付清算、风控系统等）的数 据交互和业务流程一致性。 - 与前端应用集成测试：测试模型在银 行 APP、网银、微信公众号等前端应用中的表现，确保用户体验的 一致性和流畅性。 - 与日志监控系统集成测试：验证系统日志的生 成、存储和分析功能，确保能够有效支持故障排查和性能优化。 以下是一个性能测试用例的示例表格： 进度控制 为确保 Deepseek 大模型在银行系统的部署项目按计划推进， 进度控制是关键环节。首先，项目团队需制定详细的进度计划，明 确各阶段的任务、时间节点和责任人。为此，可以采用甘特图或网 络图等工具进行可视化展示，确保每个阶段的目标清晰可见。 在项目实施过程中，定期召开进度评审会议，每周至少一次， 由项目经理主持，各小组负责人汇报当前进展、遇到的问题及解决 方案。对于关键路径

，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。 标，包括实 时监控、事件检测、行为分析等需求，确保系统能够满足实际应用 场景的需求。在此基础上，需进行技术选型，选择符合需求的 AI 大模型和视频处理技术，如卷积神经网络（CNN）、长短时记忆网 络（LSTM）等，以支持多种复杂场景下的视频分析。 在系统架构设计阶段，要确定系统的整体架构，包括数据采集 模块、数据存储模块、智能分析模块和用户界面模块。各模块之间 的连接方式、数据流向以及技术选型都需详细规划。以确保各模块 数据处理工具：利用 OpenCV、FFmpeg 等工具进行视频数据 的预处理和格式转换，确保数据的高效输入与输出。  数据库系统：使用 PostgreSQL 或 MongoDB 等数据库来存 储用户信息和分析结果，确保数据的持久性与可查询性。  安全工具：配置防火墙和入侵检测系统，如 iptables 和 Fail2ban，以保障服务器的安全性。 综上所述，本项目的服务器配置方案旨在为视频智能挖掘提供