我国综合算力发展现状，全面把握区域产业短板与优势，成为推动 我国数字经济高质量发展的新命题。 我国正处于数字经济加速跑的关键期。近年来，我国在算力领 域取得了显著进展。一是算力结构不断优化，技术创新成果频出； 二是存储规模与性能实现结构性突破，为海量数据的高效处理提供 了有力支撑；三是运力基建稳步推进，调度机制逐步完善，有效提 升了算力资源的调配效率；此外，模型技术与产业应用的双轮驱动， 进一步加速了算力向现实生产力的转化。 ...... 5 （一）算力结构优化与技术创新并进................................................................ 5 （二）存储规模与性能结构不断突破................................................................ 6 （三）运力基建与调度机制双轨演进...... 省级行政区算力分指数-算力规模 Top10........................................................17 图 6 我国在用标准机架数量分布............................................................................ 17 图 7 我国在用智算规模（FP16）分布....

户体验。行业特征包括技术依赖性强、产品迭代周期短及多样化与跨 领域应用。中国在此领域展现出强劲实力，推动行业持续发展，市场规模不断扩大。未来，智能硬件出货量的增加将带动智能软件需求增长，智能家居和智能汽车等领域的 发展为智能软件研发行业提供了丰富的市场机遇，预计市场规模将持续扩张。 行业定义 行业分类 按照应用领域分类 办公软件 嵌入式软件 新兴技术软件 信息安全软件 信创软件 和推动者共同签署了《敏捷软件开发宣言》。 2005年，中国上网用户总数达1.11亿，其中宽带上网用户激增至6430万，这一数据标 志着中国互联网用户规模跃升至全新高度。 二十一世纪初，互联网普及与计算能力的显著增强，智能软件已广泛渗透至诸如智能家 居、工业制造等多种应用场景中。 中国互联网用户规模的激增，以及互联网普及与计算能力的增强，推动了智能软件研发行业在多种应用场景中的广泛渗透与快速发 展。 成熟期 2022-01-01~至今 储技术。PCM的产业化进程最快，英特尔与美光早在2015 年便联合推出了相关产品；MRAM已实现产业化，主要应用于嵌入式存储领域，能大幅降低系统功耗，最高可达90%以上；而RRAM虽 尚未实现大规模商用，但其在存算一体及人工智能领域的潜力值得期待。在全球数据量激增和新型存储技术革新的背景下，智能软件研 发行业将迎来前所未有的发展机遇。 中 产业链中游环节分析 中游分析 智能软件研发企业

人工智能发展迅猛，智能体商业化落地：未来多方面推动人工智能发展，应用级 别智能体有望快速落地。国内各地相继出台关于人工智能的发展政策，推动其为 重要的研究方向。预计 2026 年国内人工智能市场规模超过 260 亿美元，全球人 工智能市场规模 2025 年超 6 万亿美元。海外以美国为例，相关政策出台时间较早， 人工智能领域发展更加成熟，许多智能体应用已在服务各类企业。并且美国有意 与人工智能强国组成战略伙伴，共同发展 ，但商业 化进程仍面临成本挑战，特别是在智能体交互过程中出现的错误循环和高 token 消耗问题。另外，中国政府积极推动人工智能的发展，各地相继出台相关政策。 预计到 2026 年，中国人工智能市场规模将超过 260 亿美元，将在政府、金融、 制造、能源、医疗、零售等多个领域实现智能化应用。结合国家政策支持以及各 大企业的积极投入，智能体技术将不断进步，特别是在算力快速增长的背景下， AI Agent ....................................... 13 3.2 算力规模高增，企业对 AIGC 的投入意愿强 ..................................................... 15 3.3 多模态智能体有望实现大规模商业化 ................................................

DeepSeek 开源使金融机构能够轻松获得前沿模型能力，且大幅降低部署成本。其通过对训练方式、算法架构和推理方 法 的工程化优化大幅降低了部署成本。近期采用大规模 RL 训练方法的阿里 QwQ-32B 等模型也在缩小规模的同时达到了 DeepSeek R1 671B 的应用效果，有望进一步催生银行落地应用。 n 我们认为金融行业人工智能的应用价值大体可以分为三个层次： 降本 技术落地不及预期、竞争加剧、信息更新不及时等。 2 核心观点 DeepSeek 开源、低成本、强推 理 助推银行业应用 1 n DeepSeek 模型在 Post-Train 阶段大规模应用了强化学习方法。 R1 使用了冷启动 + 大规模强化学习方法， R1-Zero 版 本模 型使用纯强化学习方法。随训练过程推进，模型展现出了推理能力的扩展（高准确率和 long-CoT 能力涌现等） 。 图表：随步数提升 图表：随步数提升 R1-Zero 的 AIME 任务准确度 图表：深度思考能力提升 性能：后训练阶段大规模应用强化学习，表现推理能力扩展 资料来源： DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning ，中泰证券研究所

性、召回率、F1 值等，结合可视化工具，全面评估模型性 能，确保考评结果的科学性和客观性。 3. 支持多场景应用: 构建灵活的考评框架，使其能够适应不同领 域（如自然语言处理、计算机视觉等）和不同规模的数据集， 满足多样化的业务需求。 4. 提高系统可扩展性: 采用模块化设计，支持随业务增长进行功 能扩展和性能优化，确保系统能够长期稳定运行。 5. 降低运维成本: 通过自动化部署和监控机制，减少人工干预， 其次，系统需具备强大的模型训练支持功能。这包括对多种主 流深度学习框架（如 TensorFlow、PyTorch 等）的兼容性，以及 硬件资源的动态分配与优化能力。系统应支持分布式训练，以提高 大规模数据训练的效率和模型性能。此外，系统还需提供训练过程 的实时监控与调试功能，便于开发人员及时调整训练参数和策略。 在数据考评方面，系统需要构建一套完整的考评指标体系，以 确保模型训练的有效性和科学性。考评指标应涵盖模型精度、泛化 问和操作与其权限相匹配的功能和数据。 最后，系统的用户友好性和可扩展性也是需求分析中的重点。 系统界面应简洁直观，操作流程应尽量自动化，降低用户使用门 槛。同时，系统架构需具备良好的可扩展性，以应对未来业务规模 和需求的增长。例如，系统应支持模块化设计，便于功能扩展和升 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

完整的数据处理与模型训练方案，以满足企业在复杂场景下的智能 化需求。项目通过对多源异构数据的采集、清洗、标注和结构化处 理，打造高质量的知识库，为后续的 AI 模型训练提供坚实的基 础。同时，结合先进的深度学习技术和规模化计算资源，设计高效 的模型训练流程，确保模型在准确性、泛化能力和计算效率方面达 到预期目标。项目的实施将涵盖以下关键步骤：  数据采集与整合：从内部系统、公开数据集以及第三方数据源 中获取数据，确保数据的多样性和覆盖度。 数据采集模块：支持多源异构数据的自动化采集和整合；  数据清洗模块：提供多种数据清洗算法，确保数据质量；  数据标准化模块：统一数据格式，方便后续处理；  数据存储模块：采用分布式存储技术，支持大规模数据的高效 存储；  数据检索模块：实现高效的分布式检索，满足实时查询需求。 通过上述模块的集成与优化，本方案将显著提升知识库数据处 理的效率和准确性，为 AI 大模型的训练提供高质量的数据支持。 模型训练方面，项目将采用深度学 习技术，包括预训练模型（如 BERT、GPT 等）的微调，并结合迁 移学习、多任务学习等策略，提升模型的泛化能力和应用效果。此 外，项目还将设计并实现一套高效的计算资源调度系统，以支持大 规模分布式训练，确保模型训练的效率和稳定性。项目的最终目标 是为企业或研究机构提供一套完整的知识库与 AI 大模型解决方 案，支持其在智能问答、语义理解、图像识别等领域的应用需求。 为明确项目边界，以下列出不在本项目范围内的事项：

化AI（agentic AI）这类新兴系统而言，这一点尤为 关键，因为它们并非简单遵循固定指令，而是需要 统筹协调复杂的任务流程。 其二，简化流程。那些善于精简运营、标准化 流程的企业，将能更快地规模化应用技术，更迅 速地适应变革，并加速AI的学习周期。在当今的市 场格局中，这些无疑是一种核心的竞争优势。 我们对全球1000名企业高管的调研进一步 印证了这些关键战略举措的必要性。调研表明， 通过三项关键举措脱颖而出。首先，通过安全的数 字核心构建坚实的数据基础，并以此为依托实现 平台与治理框架的标准化。其次，对AI赋能技术进 行战略性投资，通常先从目标明确的试点项目入 手，待方案验证有效后再进行规模化推广。最后， 重塑人与技术的协作模式，推动人的角色从执行 例行工作转变为战略性指导与统筹监督。 在自主智能供应链的转型浪潮中，未来的分 界已然清晰可见：那些积极拥抱自主智能供应链 的企业，将创造出前所未有的商业价值，并构建起 者亟需厘清的议题。本篇洞察报告将提供清晰的 路线图，助力您在这场关键的重塑中把握先机。 实现自主智能供应链 5 挑战 催生变革， 供应链 亟待重塑 企业正逐渐意识到，传统商业增效策略的回 报日益递减，无论是规模经济、全球化，还是精益 生产和六西格玛TM，这些都催生出了对开辟新价 值来源的迫切需求。 与此同时，线上消费交易额急剧攀升，供应链 所承受的压力也与日俱增。过去三年间，全球消费 者线上支出增长了30%1，这不仅催生了众多新兴

在设计方案中，需要重点考虑以下几个方面： 1. 模型选择与优化：需选择适合行业需求的大模型，并在此基础 上进行高效的模型优化，以确保在不同场景下的表现。 2. 数据处理能力：平台需要具备强大的数据处理和实时分析能 力，以支持对大规模数据集的处理，实现数据的高效利用。 3. 用户友好性：界面设计应直观易懂，支持多种使用场景，确保 用户能够轻松上手并获得满意的使用体验。 4. 安全与合规：必须建立完善的数据安全机制，确保用户数据的 平台作为一种灵活、高效的应用交付方式，能够降 低企业的 IT 成本，提高业务的灵活性。将大模型与 SaaS 结合，形 成大模型 SaaS 平台，不仅可以使企业快速构建和部署人工智能应 用，还可以借助云端计算的优势，实现大规模的数据处理和模型训 练。这种平台能够为不具备强大技术和资金实力的中小企业提供便 捷的 AI 解决方案，使其能够在竞争激烈的市场环境中立足。 从市场需求来看，以下几个因素进一步推动了大模型 SaaS 化进程，极大地提 高了生产效率和用户体验。 根据市场研究机构的数据显示，全球人工智能市场规模在过去 五年中以超过 40%的年均增长率迅速扩张。预计到 2025 年，人工 智能市场规模将突破 5000 亿美元。与此同时，中国在人工智能领 域的投资也在持续加大，2022 年，中国人工智能产业的整体规模 已经超过 3500 亿元人民币，预计未来几年将保持强劲增长。 从技术层面来看，当前，大模型（如

式的训练数据预处理框架，将IVF、HNSWLib、 Faiss/Flat等向量化算法进行分布式改造，使其能够在多个计算节点上并行运行。通过数据分 片和任务分配，充分利用集群的计算资源，提高处理大规模向量数据的能力。这需要云计算 基础设施提供灵活的适配和资源编排能力，以及严格的资源隔离与共享保障。 利用硬件加速提升数据预处理和AI推理效率：在处理器内部增加专用硬件加速单元和专用指 令集，提 的异构数据 多，格式和标准不统一，进一步导致管理和存储成本的上升。在海量AI数据预处理过程中， 非结构化数据清洗、数据标注等工作的效率往往不高，也严重影响了AI应用目标的达成。 协同计算挑战：规模化的AI训练和推理任务，往往采用分布式架构执行，参数同步时的通信 需求巨大，传统云网络在高并发实时通信场景下难以满足 PB 级数据传输的低延迟需求。同 时，很多AI任务混合使用CPU、GPU、T 荐、召回分析、游戏状态管理等场景，需要 在数据库的域内完成模糊查找、匹配等操作，以满足实时性和数据不出域的要求。 2.3 国际化进程中的全球布局、合规与质量一致性难题 全球化业务对企业云计算的规模、弹性以及各项性能指标的要求更高，技术实现相对复杂且成本 高昂。各国家、地区的政策法规、基础设施差异大，同时还要尽量保障全球服务质量和体验的一 致性，这无疑增加了企业全球化发展的难度。 云服务

接口则将提供 标准化的数据查询与分析服务，便于第三方系统的集成与二次开 发。 此外，项目还将重点关注系统的性能优化与安全保障。性能优 化方面，系统将采用分布式计算架构与高效的缓存机制，确保在大 规模数据环境下的快速响应与高并发处理能力。安全保障方面，系 统将实现多层次的安全防护机制，包括数据加密、访问控制、身份 认证与审计日志等，确保数据的安全性与合规性。 最后，项目将制定详细的测试与部署计划，确保系统的稳定性 名项目助理构成。 团队成员的选拔严格遵循行业标准与项目需求，确保每位成员 都具备相关领域至少 3 年以上的工作经验。技术研发组成员均拥有 计算机科学或相关专业的硕士及以上学位，其中 60%曾参与过类似 规模的人工智能项目开发。产品设计组成员具备丰富的互联网产品 设计经验，曾主导多项获得市场认可的产品设计。 为确保团队协作效率，采用 Scrum 敏捷开发模式，每两周为 一个迭代周期。团队设置有明确的职责分工和绩效考核体系，具体 支持多语言处理、语义理解深度以及实时性要求。 其次，非功能性需求同样不可忽视。这包括系统的响应速度、 并发处理能力、可用性、安全性以及可扩展性。例如，对于实时交 互场景，系统响应时间应控制在毫秒级别；对于大规模部署场景， 系统应具备良好的水平扩展能力，以应对用户数量的增长。 此外，用户体验需求是智能体能否成功落地的关键因素。需要 明确用户界面的设计原则、交互方式以及反馈机制。例如，在对话 式智能体