建设成效显著。中国算力平台监测数据显示，截至 2025 年 6 月底， 全国存力规模达 1680 EB，相比于 2023 年增长约 40%，存力规模持 续扩大。《全国数据资源调查报告（2024 年）》显示，我国数据存 储总量持续增长，2024 年已达 2.09ZB，同比增长 20.81%。大数据、 人工智能等技术的广泛应用，以及智能制造、智慧交通等场景对海 量数据存储需求的释放，有力推动了存储需求的增加。 我国 。存力 方面，推动高性能、大容量新型存储技术发展，鼓励部署更先进的 分布式存储、全闪存阵列、海量冷存储介质，提升“存力”能效比和 密度；突破存储技术瓶颈，研发下一代高速存储介质及更高效的存 储管理软件。运力方面，构建“高带宽、低时延、全连接”的运力网 络，持续建设 400G/800G 及更高速骨干网；推动全光网络在算力中 心互联（DCI）和边缘侧应用的深度覆盖和性能提升。加速推进“算、 设备、高效电源模块、 热回收技术等；推进老旧算力中心节能改造。二是优化能源结构， 加大算力中心使用绿电的比例，推动东、西部绿电资源与算力需求 匹配，鼓励算力中心参与绿电交易、碳交易机制，鼓励“源网荷储” 一体化数据中心园区建设。三是推广 AI 节能，利用人工智能技术优 化算力中心制冷、电力分配和负载调度，实现精细化管理节能。 （五）深化融合创新实践，助力产业生态繁荣发展 综合算力指数 39

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

器 和人脸识别技术等。这些技术不仅能够统计进出车站的人流量，还 可以实时分析人流密度情况，进而为乘客安全管理与服务优化提供 依据。 为了确保数据的准确性与可靠性，需建立完备的数据传输与存 储架构。采用边缘计算的方式，在传感器附近进行初步数据处理， 减少传输延迟，并降低网络带宽压力。经过预处理的数据再传输至 云端或本地数据中心进行深度分析。这种模式能够实时、快速响应 异常情况，为 AI 异常值检测 在城市轨道交通行业的 AI 大模型应用中，数据清洗与处理是 确保模型训练和推理有效性的重要步骤。其中，异常值检测是数据 预处理过程中的关键环节。异常值通常是由于数据收集、传输或存 储过程中的错误，而产生的数据点可能会显著影响模型的表现和结 果分析。因此，及时并有效地识别和处理这些异常值将提升数据质 量，提升模型的准确性和鲁棒性。 异常值检测的步骤一般包括数据的初步审查、统计分析方法的 TensorFlow 或 PyTorch 等主流深度学习框 架，这些框架可以支持大规模的模型训练，且拥有活跃的社区 与丰富的生态系统。 此外，在数据管理方面，需要建立健全的数据采集、清洗、存 储与分析体系，建议如下：  数据采集：利用数据采集接口与 SDK，实现对轨道交通系统 各传感器的数据获取，确保数据的全面性与及时性。  数据清洗：引入 ETL 工具，对采集到的数据进行清洗、转换

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 码进行二次验证。对于敏感操作，如数据导出或模型部署，系统会 记录详细的访问日志，并通过实时监控系统检测异常行为。 为了确保访问控制策略的可维护性和可扩展性，系统采用了基 于策略的管理方式。所有访问控制策略均以中央策略库的形式存 储，并通过策略引擎实时执行。策略库支持动态更新，管理员可以 通过图形化界面或 API 接口快速调整策略，而无需修改系统代码。 系统还支持会话管理和超时控制。用户登录后，系统会生成一 个唯一的会话标 GPU，并在后续根据用户规模和数据量逐 步扩展。 存储资源的配置需要兼顾容量与速度。建议采用分层存储架 构，包括高速固态硬盘（SSD）和机械硬盘（HDD）。SSD 用于存 储频繁访问的训练数据和中间结果，HDD 则用于冷数据的长期存 储。例如，可配置 20TB 的 SSD 和 100TB 的 HDD 作为初始存储容 量，并通过分布式文件系统（如 HDFS 或 Ceph）实现高效的数据 管理与访问。

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

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 大模型至银行系统时，合规检查是确保系统 安全运行、符合监管要求的关键环节。首先，需进行全面的数据隐 私与保护审查，确保模型处理的所有客户数据均符合《个人信息保 护法》及银行业相关数据保护规定。具体措施包括：数据加密存 储、访问权限控制、数据最小化原则的实施等。同时，需设立数据 泄露应急响应机制，确保在数据安全事件发生时能迅速采取有效措 施。 其次，模型输出的合规性检查同样重要，这涉及到模型的决策 逻辑和输出结 万元计算，年度人员成本为 1000 万元人民币。此外，还需要预留一定比例的预算用于外部咨 询和技术支持服务，预计为 300 万元人民币。  硬件成本：高性能服务器 200 万元，GPU 集群 600 万元，存 储设备 150 万元，网络基础设施 50 万元。  软件成本：操作系统 50 万元，数据库管理系统 100 万元，深 度学习框架 200 万元，开发工具和许可证 150 万元。  人员成本：项目经理

，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。 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