融合建筑领域各类数据，联动设备 运行指标 、能耗信息及环境监测， 实现精细用户画像，助力科学调度 与资源配置 智 能 故 障 识 别 与 诊 断 结合人工智能算法，自动提 取设备 特 征 ，识别潜在异常，构建以专家 经验为核心的诊断体系，为故障根 源定位和问题处理提 供有力建议 智慧 能耗与碳排管控 依托大模型和数字孪生，实时监控、 动态仿真与智能调控，形成能耗预 测、碳排溯源与节能优化的闭环 的策略参考，助力管理优化 人 机 智 能 协 同 互 动 通过大模型驱动对话，实现业务咨询反 馈的迅捷与精准，员工能够自动检索和 获取相关业务知识 自 动 化 报 告 编 制 实现巡检报告 、能耗 评估及故障追 踪报告 的自动 撰写和智能校验，提 升管理流程标准化和工作效率 DeepSeek 对行业带来的新技术思路 ( 部分 ) 柔性 制造：在实现智能化的过程中，需要更灵活的开发与部署方式 实现的关键： · 工程化要求：需要熟练的工程实现人员参与，确保模型从实验到生产的平稳过渡 · 高投入：必须依赖大数据、大算力、大资金和大能耗的支持，推动模型性能最大化 面临的挑战： · 开发难度：当前人工智能模型的开发周期长，难度高，存在成本与效率的矛盾 · 规模化瓶颈：从试验性产品到生产线产品，需要解决模型适配性与通用性问题

展。软件层面，操作系统、数据库等基础软件的稳定性和性能优化 相对不足，存在兼容性、安全性和效能发挥等问题。此外，软硬件 的协同适配性也有待提升。三是节能降碳水平亟待进一步提高。算 力中心的高速发展，带动我国能耗和碳排放水平进一步攀升。在“双 碳”战略背景驱动下，亟待加强算力中心“绿色化低碳化”转型，提升 节能降碳水平。四是产业生态亟待进一步完善。我国算力产业生态 建设虽有进展，但仍存在基础设施建设不均衡、算力应用深度广度 算并行度和能效的重 要手段。绿色节能方面，一是我国积极推进绿色节能技术创新，研 发节能技术与设备，如高效能服务器、液冷系统等；二是优化算力 中心布局，充分利用自然冷源与可再生能源，降低算力中心能耗。 人工智能技术方面，算力技术创新与人工智能技术深度融合，在自 然语言处理、图像识别、语音识别等领域取得突破性进展，为我国 算力产业的应用拓展提供有力支持。 综合算力指数 6 （二）存储规模与性能结构不断突破 北京算力分指数有所下降，一是政策引导算力需求向周边及西 部迁移；二是由于土地资源、电力能源紧张，大规模建设算力基础 设施面临土地供应不足、用电成本大等问题，限制算力规模的快速 扩张；三是北京市对算力中心能耗指标控制严格，新增项目在能耗 指标审批上面临较大限制，从而影响了算力规模的增长速度。 综合算力指数 16 来源：中国信息通信研究院 图 4 省级行政区算力分指数 Top10 2.算力规模 我国省级行政区算力分指数-算力规模

型可以帮助分析这些数据，为决策提供支持，提升服务效率和 质量。 4. 可持续发展的需求：在当前全球倡导可持续发展的趋势下，城 市轨道交通必须采取更科学的运营方式。AI 大模型通过优化 调度和能耗管理，能够显著降低运营成本，推动绿色出行。 为具体展示 AI 大模型在城市轨道交通中的应用场景，可以列 举以下几个关键应用：  旅客流量预测与管理：通过历史数据和实时数据的结合，利用 AI 应用方案。这一过程 需要结合业务场景，明确 AI 模型的功能定位和技术实现路径，确 保系统的适应性和实用性。 方案设计的第一步是需求分析，明确需要解决的问题和预期的 成果。例如，提升运营效率，降低能耗，提高安全性等目标。在此 基础上，进行技术选型，确定采用预训练模型还是自建模型，并评 估其优缺点。 其次，进行数据准备与处理。城市轨道交通行业数据来源广 泛，包括运营历史数据、设备传感器数据和用户行为数据等。必须 模型对新输入数据处理所需的时间 业务评估则关注模型在真实业务场景中的影响，评估效果是否 达到了预期的运营目标。需要通过对比实验来分析引入 AI 后的各 项指标变化，如平均乘客等候时间、车辆故障率、能耗水平等，从 而决定模型的上线与后续优化方向。 在方案评估结束后，应制定后续的维护与更新策略。AI 模型在 投入使用后，需定期进行监测与优化，以应对不断变化的业务需求 和环境因素。应建立持续的反馈机制，将实际运营数据反馈到模型

实现自主化采购的关键。这些技术有助于更智能 某消费品公司：自主智能化实践初见成效 一家消费品公司通过实施自主智�供应链创造了显著价值。其工厂采用的AI批量生产健康监测 系统，通过根据生产周期、产品质量及能耗成本预测最优批次性能，成功实现了吨均成本下降。 在该公司的新项目中，每次派送的平均距离已缩短了15%，卡车利用率提升了近10%，显著增强 了物流效率。 此外，该公司还通过竞争性采购和价值链优化

数据维度 | 采集频率 | 审计应用场景 | |—————-|————|—————————| | 设备启停日志 | 15 秒/ 次 | 产能真实性验证 | | 能耗波动曲线 | 1 分钟/ 次 | 成本分 摊合理性分析 | | 质检图像数据 | 实时流 | 产品质量准备金计提核 查 | 知识图谱的动态关联分析 将企业 ERP 系统的结构化数据通过 物联网接入方案 效率提升 生产设备折旧 月度盘点抽查 实时读取运行时长、能耗数据 80% 库存商品监管 季度全面盘点 RFID 自动扫描+温度湿度监控 65% 2. 异常模式识别 利用 DeepSeek 的时间序列分析能力，对设备振动、温度等 参数建立基线模型，当出现以下情况时触发审计预警： o 连续 3 个标准差外的能耗波动 o 非工作时间的设备激活记录 o GPS 定位与申报仓储地址偏差>500

gle等公司 不断推出新的GPU和TPU产品，显著提升计算能力。具体来说，NVIDIA Blackwell B200 GPU 和GB200超级芯片显著提升了AI模型的训练和推理效率同时大幅降低了能耗；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 PC）、机器人、车机等设备。与传统的云 端大模型相比，端侧大模型的参数量更小，因此可以在设备端直接使用端侧算力进行运行， 无需依赖云端算力。端侧大模型在成本、能耗、可靠性、隐私和个性化方面相比云端推理具 有显著优势，并能够以低能耗提供高效且安全的AI处理，减少延迟并保护用户隐私，适合 个性化的AI应用。 2024年大模型端侧算力的发展呈现出强劲的增长势头，这主要得益于技术进步、市场 需

3 亿吨，占全国货物运输总量的约 30%，显示出铁路在货物运 输中的核心地位。此外，铁路客运量同年达到了 34 亿人次，进一 步印证了其在人员流动中的重要性。相比于公路和航空运输，铁路 运输在能耗和成本上往往表现更为优越，为全面提升国家的运输效 率做出了重要贡献。 铁路运输的重要性还体现在其安全、环保的特性上。铁路作为 固定轨道交通，具有较高的行驶稳定性及安全性，事故发生的概率 较低 接着，强化学习算法在铁路调度和资源优化方面具有显著的应 用前景。通过结合历史数据和实时反馈，强化学习能够在复杂的调 度环境中不断优化列车运行策略，提高运力利用率和运输效率。这 一方法将显著减少列车间的等待时间，降低能耗。 此外，针对环境监测的需求，使用机器学习算法分析环境监测 数据，例如气象数据、噪声水平等，可以实时评估对铁路安全的影 响。通过对这些数据的分类和回归分析，能够形成对环境因素影响 的全面评估，进而制定相应的安全防范措施。

Deepseek 大模 型的培训，预计成本为人民币 20 万元。 4. 运营和维护成本： o 日常维护：包括硬件设备的维护和软件更新，预计每年 成本为人民币 50 万元。 o 电力和冷却：考虑到高能耗的硬件设备，预计每年电力 和冷却成本为人民币 30 万元。 5. 其他成本： o 项目管理和咨询费用：预计成本为人民币 30 万元。 o 不可预见费用：预留总预算的 10%作为不可预见费用，