智算服务案例集 全球计算联盟 智能计算产业发展委员会 1 编写单位（排名不分先后） 中讯邮电咨询设计院有限公司、华为技术有限公司、科大讯飞股份有限公司、 中国信息通信研究院、中国电 中国信息通信研究院、中国电信集团有限公司、中国移动通信集团广东有限公司、 上海天数智芯半导体股份有限公司、河南昆仑技术有限公司、四川华鲲振宇智能 科技有限责任公司、中国质量认证中心有限公司 编写组成员（排名不分先后） 马季春 王曼 施晶峰 王月 张建峥 赵以爽 杨军刚 杨伊鸣 郭光鑫 吴茜 梁宇 栋 马凤鸣 党朝志 赵金辉 陈常水 颜万瑞 吴涛 顾剑波 谈儒猛 夏冬 胡铭珊 孙东旺、熊家振、许轶 ： 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 务，构建稳健高效的算力平台，才能将算力转化为驱动创新的价值源泉，持续

报 告 ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ◆ ◆ ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125)

日志文本种类繁多、数量庞大，且多数日志为非结构化文本，无法通过人工方式监控和检测 全部的日志。更重要的是，分析设备日志需要丰富的领域知识，耗时耗力；简单的规则配置也无法理解文本的语义信息。 化⽂本 类 自 然 语 ⾔ 半 结 构 观点 1 ：软件日志运维是从机器语言向自然语言的 转化 转化 表：一些网络基础设施中的日志消息，日志中的详细信息和自然语言有一定的相似性 Action 指标 : Adjusted- RandIndex • 指标 : RandIndex PART 05 未来畅想 全模态支持 从构建方式来看，自动抓取系统流量、截图、客服记录 等进行自监督学习。 AI 运维智慧体面临更高要求：文本、图片、语 音 Prompt ：以上日志怎么理解？ Prompt ：系统是否有异常？ Prompt ：帮我分析一下根因 Prompt ：把上述内容做个摘要报

Seek能力开启软件与硬件业务方向的 智能升级、创新，推动行业走向AI原生教育的新生态。 一、教育企业快速拥抱DeepSeek，以其思维链、高性价 比优势掀起新一轮变革 DeepSeek-R1自2025年1月20日正式发布以来，热度快速且持续增长，C端流量爆 发的同时，网易有道、学而思、希沃、中公教育等头部企业先后宣布拥抱 DeepSeek，或将已有AI教育产品接入DeepSeek进行能力/功能升级、或以 用场景。 l 开源与低成本：DeepSeek作为开源大模型，开放模型架构、模型参数、技 术报告等，企业以其为基座可直接进行二次开发。此外，DeepSeek API调用 成本显著低于其他主流商业大模型及自研教育大模型成本，降低教育企业发展 AI业务的门槛。 在以上能力优势之下，DeepSeek为AI教育的突破发展带来了核心推动力。月狐分 析选取学而思、网易有道为代表，进一步分析教育企业基于DeepSeek开展的新一 2月8日至今，学而思先后将AI学习机、学练机等硬件产品接入DeepSeek，以其深 度思考模式升级产品AI能力，已于旗舰机开启灰度测试并将陆续上线免费智能教育 功能；新发布AI学习应用“随时问”，由自研九章大模型与DeepSeek大模型联合 支持，主打一站式智能化教育。围绕DeepSeek，学而思的AI教育布局呈现出双协 同、生态化特点： 1、突破单一模型局限，将教育垂类大模型与DeepSeek深度融合，结合DeepSeek

的研究表明，在自主智能供应链的生态系统中， 人力依然是核心要素。事实上，最高效的自主智� 供应链体系将实现人员角色转型⸺从任务执行 者转变为系统决策的指导者与监督者。我们观察 到，这一转变正通过“人机协作”的渐进式发展 在企业中逐步实现，每个阶段都推动着效益提升。 此外，通过将资深团队成员数十年积累的专 业知识和洞察进行系统化梳理与编码标准化，自 主智能供应链有助于确保核心知识的保留，并传 承至下一代员工，即便在资深团队成员陆续退休 现。我们将在后面的章节中详细阐述每一项 举措。 实现自主智能供应链 8 何为自主 智�供应链？ 供应链的完全自主化不单单指孤岛式的自 动化。传统的自动化系统遵循预设指令，且需要 人工监督。以普通汽车的定速巡航控制功能为 例，它能自动保持设定速度，但仍需人工干预转 向和刹车。 相较之下，自主化系统虽包含一定程度的自 动化，但其内涵远不止于此。它们由自主化AI驱 动，可在无需人工干预的情况下自主决策并执 当下现状与未来十年 我们的调研显示，大多数企业才刚刚开始探 索和部署自主化能力。尽管约25%的受访企业已 开启自主化征程，但在从0（完全人工）到100% （完全自主）的指数体系中，供应链各项活动的自 主化成熟度中位数仅为16%（平均成熟度则为21%）。 预计在未来五到十年内，该成熟度中位数将大幅 提升至42%。 为了更深入地理解如何向更高自主化水平迈 进，我们将典型的供应链流程划分为9个集群和

向实际应用，从概念验证进入规模化部 署的关键阶段。因此，本年度《大模型技术深度赋能保险行业白皮书》的编写，不仅是对过 去一年技术发展的总结与回顾，更是对未来应用前景的展望与规划，旨在为保险行业的智 能化转型提供技术参考和实践建议。 白皮书基于阳光保险的大模型落地实践经验，深入剖析了大模型技术在保险行业的落 地应用路线。我们详细阐述了数据准备、模型精调、工程化适配、模型评测等关键环节的技 · · · · · · · · · · · · 27 2.1.1 保险业面临前所未有的挑战· · · · · · · · · · · · · · · · · · · · · 27 2.1.2 数智化转型是解决之道及不二选择· · · · · · · · · · · · · · · · 28 2.2 国内外相关政策分析· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 34 2.3 保险业数智化转型进展· · · · · · · · · · · · · · · · · · · · · · · · · · · 35 2.3.1 保险业数智化转型是一个全方位多层级的渐进过程· · · · 36 2.3.2 保险业数智化转型进展· · · · · · · · · · · · · · · · · · · ·

制造、能源、医疗、零售等行业的智能化应用向多模态和跨模态转变。  投资建议：我们认为未来智能体（AI Agent）的前景十分广阔，随着大模型的发展， 智能体将从概念走向实际应用，成为各行业的重要助力。通过多模态大模型，智 能体能够整合图片、语音等异构数据，提高任务处理效率，并解决跨行业、跨领 域的问题。技术方面，智能体具备长期和短期记忆、自主规划、工具使用和自动 执行任务的能力。这些能力不仅能提高工作效率，还能为用户提供更好的体验。 4.4 Character AI ：自研大模型，打造智能体社区 ................................................. 23 4.5 星火智能体：布局智能体平台，发布垂类智能体 ............................................. 24 4.6 SkyAgents：自研模型降低成本 ............ 自主拆分任务、使用工具、完成工作，用户仅负责设立目标、提供工具资源和监督结 果。OpenAI 定义的智能体具有长期和短期记忆、自主规划、工具使用和自动执行任务 的能力，能提高工作效率和用户体验。另外，智能体也分为单智能体和多智能体。单智 能体通过试错学习在单一环境中行动，追求最大奖励，多用于简易任务。多智能体在博 弈环境中行动，追求长期累积奖励，多用于复杂测试。 1.1Agent 模式架构解析 Agent 有效减少人类工作总量，人与

平权，尤其是中文 Al 普惠，激发大众创造力 多 源 数 据 深 度 挖 掘 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 测 大模型驱动的数据预测能够提 前预 警 潜在风险，为决策层提 供精准、科学 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 实际应用有限，尤其难以突破落地应用的瓶颈 期待发展趋势 — - 现有发展趋势 口主要解决数据采集和信息展示，停 留在“展示大屏”阶段 口学术发表算法成果很多，实际应用 极少，落地“最后一公里”很难 智个 能 化 程 度 → 时 间 范式困境主要原因一：场景多、碎片化、个性化，定制化开发成本高 口有限的人力、物力和财力去应对复杂而多变的需求，最终的平衡点大多位于信息化阶段 可再生能源热力系统

另一个方向则是 为机器人提供足够好的传感器, 使之可以像人类一 样学习. 前者的思想出现在后来发展的各类神经网 络如多层感知机、卷积神经网络中, 即离身智能; 后 者则逐渐发展出了具身智能的概念. 现在, 具身智 能一般指拥有物理实体, 且可以与物理环境进行信 息、能量交换的智能系统[2]. 虽然在过去的几十年 间, 离身智能取得了令人瞩目的成就, 但对于解决 真实世界的问题来说, “具身”的实现仍然是必要的 “具身”的实现仍然是必要的, 与强调从经验中学习并泛化的离身智能方法相比, 具身智能更强调与环境的交互, 只有拥有物理身体 才能与世界进行互动, 更好地解决现实问题[3]. 当 前, 随着机器人技术和计算机科学的发展, 具身智 能受到更多的关注, 逐渐从概念走向实际应用, 而如何利用目前飞速发展的计算能力与人工智能 (Artificial intelligence, AI) 技术提高具身智能的表 现则成为学界与产业界的关注重点 Department of Computer Science and Technology, Tsinghua University, Beijing 100084 第 51 卷 第 1 期 自 动 化 学 报 Vol. 51, No. 1 2025 年 1 月 ACTA AUTOMATICA SINICA January, 2025 数更新或微调的情况下, 仅通过文本交互来指定任

访客 楼宇 设备房 摄像机 通行 停车场 消防 电梯 建 筑 / 园 区 的 智 能 化 改 造 不 仅 仅 是 硬 件 的 更 换 ， 同 时 软 件 服 务 系 统 也 是 在 同 步 跟 进 。 软硬一体化解决方案 全联接、数字化、安全、智慧、绿色 智能运营平台 可视、可控、可管 机电技术、组件模块、逻辑编程、工控组态 云计算、云存储、大数据 ( 模型 ) 、 Al 算法、数字孪生 (AR 实景 、 VR 虚拟现实、三维模型、视频空间化 ) 、 APP 、小程序、 Vue/React; 建设特点 与智化子系统 机电设备 步建设并验收 与信息化建设 步 分 验收 集成技术 BMS 以实现建筑物的运营及 管理为目标，形成具有 信息汇聚、资源共享、 协同运行和优化管理等 综合应用功能的智能化 机电技术、组件模块、逻辑编程、工控组态 云计算、云存储、大数据 ( 模型 ) 、 AI 算法、数字孪生 (AR 实景 、 VR 虚拟现实、三维模型、视频空间化 ) 、 APP 、小程序、 Vue/React; 建设特点 与智化子系统 机电设备同步建设并验收 与信息化建设同步 分项验收 集成技术 iBMS 以实现建筑物的运营及 管理为目标，形成具有 信息汇聚、资源共享、 协同运行和优化管理等 综合应用功能的智能化