度融合，行业定制化与智能化服务加速渗透，成本优化与绿色计算将成为竞争的关键。未来，基 础设施的核心矛盾将从“资源供给”转向“效率与价值平衡”，技术迭代将围绕“弹性算力调 度”“数据主权治理”“垂直场景深度适配”三大主线展开。 越来越多的企业核心数据正在向云数据中心迁移，计算密集型任务处理能力与弹性资源供给能力 正成为云服务商的核心竞争力。面对企业客户的数字化转型需求，减少延迟和工作负载可移植性 将 图2 全球企业认为未来2年对业务成果最重要的IT事项 应用可用性 整体安全 风险管理 应用性能 灾难恢复和备份 运营及工具一致性 人才/技能 治理/合规 优化人员生产率 资源利用/密度最大化 成本管理 跨数据中心整合 自动化 快速交付 夸云可视性 n = ���� 来源: Cloud Pulse Survey, IDC ��% ��% ��% ��% ��% 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，提升数据清洗、加密与传输效率。对于视觉模型、视频处理、数据库模糊检查询等任

式使用本报 告文字或者观点的，应注明“来源：《2025 综合算力指 数》”。违反上述声明者，将追究其相关法律责任。 综合算力指数 推荐序 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 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。 结合算力产业发展现状、趋势和重要影响因素，中国信通院进 一步完善综合算力指数体系，新增“模力”分指数，优化评价指标。 Top10....................................................................... 29 图 18 省级行政区模力分指数-模型资源 Top10......................................................30 图 19 省级行政区模力分指数-模型生态 Top10.........

.......................................................................................67 3.3.1 硬件资源配置.............................................................................70 3.3.2 超参数调优..... 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。 再次，设计并训练一个具备强泛化能力的 AI 大模型。基于处 理后的数据，采用预训练-微调的技术路线，训练一个能够适应多 场景任务的 AI 模型。模型的训练过程将注重优化参数效率和数据 利用率，确保模型在有限资源下仍能保持高性能。模型训练的关键 目标包括： - 模型参数量控制在 100 亿以内 - 训练时间不超过 30 天 - 模型在基准测试中的准确率不低于 90% 最后，实现知识库与 AI

项目计划.........................................................................................129 14.2 资源管理.........................................................................................130 14.3 涵盖从需求分析、模型部署到系统集成及后期维护的全流程。具体 包括以下几个方面：首先，针对银行系统的实际需求，进行 Deepseek 大模型的定制化调优，确保模型在金融领域的准确性和 高效性；其次，设计并实施模型的部署方案，包括硬件资源配置、 软件环境搭建以及模型参数优化，确保模型能够稳定、高效地运 行；第三，完成与银行现有系统的无缝集成，确保数据流的顺畅和 安全性，同时开发相应的 API 接口，便于其他系统调用；第四，建 其是在模型合规性、数据隐私保护和模型透明度方面，银行需要与 其保持密切沟通。 在项目团队的组织架构中，设定了明确的责任分工和协作机 制。项目总负责人由银行高层管理人员担任，负责整体战略决策和 资源调配。技术团队由银行的 IT 专家和 Deepseek 的技术人员组 成，专注于模型部署和技术实现。业务团队则由各部门的业务骨干 组成，确保模型功能与业务需求紧密匹配。风险合规团队则负责监 督项目的合规性，降低潜在风险。

.........................................................................................95 8.1 硬件资源配置......................................................................................98 8.2 软件优化策略 118 10.2 任务分解与进度安排......................................................................120 10.3 资源分配与预算..............................................................................121 10.4 风险管理与应对措施 制，导致模型质量参差不齐，训练效率难以量化，资源分配不够优 化。为解决这些问题，有必要构建一套全面的人工智能数据训练考 评系统。 项目的核心目标在于建立标准化的数据训练考评体系，提升 AI 模型开发的质量与效率。具体目标可分为以下几个维度： - 建立可 量化的数据训练质量评估指标体系 - 设计全面的训练过程监控与记 录机制 - 开发智能化的训练资源优化算法 - 构建可视化的评估结果

提升业务敏捷性，使银行能够快速响应市场变化和客户需求，增强竞争力。 促进业技融合 • 企业架构建模帮助银行梳理和整合各项业务能力，形成全面的能力地图，为数字化转型提供 清晰的方向和路径。 • 支持资源优化配置，提升运营效率，降低转型成本。 构建全能力地图 02 银行数字化转型现状与痛 点分析 传统银行系统多采用集中式架构，模块化程度低，导致系统灵活性不足，难以快速响应市场需 求和业务变化。 原生架构，能够根据业务 需求动态调整资源分配， 确保系统在高并发场景下 的稳定性和性能。 微服务化设计 通过将系统拆分为多个独 立的微服务，实现模块化 开发与部署，提升系统的 灵活性和可维护性，同时 降低单点故障的风险。 容器化部署 利用容器技术（如 Docker 和 Kubernetes ）实现应 用的快速部署和高效管理， 缩短开发周期，提高资源 利用率，并支持跨平台迁 移。 法和并行计算技术，最大化利用 硬件资源，提升模型训练和推理 效率。 通过智能调度算法，根据任务优 先级和资源使用情况，动态分配 算力资源，确保关键任务的高效 执行，同时避免资源浪费。 采用混合云架构，将核心计算任 务部署在私有云中，确保数据安 全性和可控性，同时利用公有云 的弹性资源应对突发的高计算需 求。 结合资源使用监控和成本分析工 具，优化算力资源配置策略，在 满足业务需求的同时，降低硬件

6.1 流程自动化.................................................................................64 3.6.2 资源调度优化.............................................................................65 3.6.3 成本控制与预测. 6.1.2 模型泛化能力...........................................................................115 6.1.3 计算资源需求...........................................................................119 6.2 业务挑战......... 128 6.3.2 模型迭代与更新.......................................................................130 6.3.3 资源规划与管理.......................................................................132 7. 未来展望...........

冷、可再生能源技术是绿色低碳发展主要的方向；算力调度与网络协同极大提升资源利用 率；大模型持续进化，推动智算向更高阶发展。 智算产业正重塑全球科技竞争格局，成为数字经济时代的核心基础设施，未来将深度 赋能千行百业，引领新一轮产业革命。 1.2 智算中心高效应用面临挑战 当前智算中心的建设如火如荼。但很多智算中心陷入“重建设、轻服务”、“有算力、 无运营”的困境，导致资源利用率低下，投资回报率不达预期。具体有如下几方面的挑 “能耗巨兽”，在规划阶段 若未充分考虑绿色节能技术和集约化设计，将导致后期运维成本极高，难以持续。缺乏前 瞻性的规划设计易导致智算中心建成即落后。 在运维阶段，如何将不同架构、不同厂商的算力资源高效池化、统一调度和管理，是 一个巨大的技术挑战。智算集群对稳定性与可靠性要求极高，AI 训练任务通常需要连续运 行数天甚至数周，任何硬件故障或网络波动都可能导致任务失败，造成巨大经济损失和时 套磁盘阵列，提供 691Pflops 智能 算力。网络结构复杂，外部连接 CUII、169 等，内部细分为管理、业务、参数面及样本面等 网络，其中参数面和样本面采用 RoCE 无损网络技术。计算资源选用国产 AI 服务器，采用风 冷方案。存储系统使用华为 OceanDisk，分为热存储和温冷存储。云平台采用联通云湾区版， 提供算力适配/调度能力，优化算力利用率。 与传统通算点对点线性交

....................................138 7.2 资源规划...........................................................................................141 7.2.1 人力资源............................................. 大模型 SaaS 平台的核心在于能够将复杂的人工智能模型转化 为易于使用的服务。这种服务不仅允许企业根据自身的需求定制化 模型功能，还能保证其在数据安全、隐私保护等方面的合规性。通 过云端计算资源，企业无需投入大量资金进行基础设施建设，即可 获得强大的 AI 能力，这极大地促进了中小企业的创新和发展。 此外，市场调研显示，大模型的应用前景非常广阔。根据 Precedence Research 大型企业在数据处理、客户关系管理、预测分析等方面对 AI 应用的依赖度越来越高。它们倾向于选择定制化的解决方案， 能够处理海量数据、提供深度学习和自动化功能，以提升创新 能力和市场竞争力。  中小型企业 中小型企业通常面临资源有限的问题，因此对云端 SaaS 平台 的需求巨大。这类企业需要低成本、易于使用的解决方案，以 便迅速实现数字化转型。简化的操作流程和灵活的定价模式是 吸引这部分客户的关键。  教育和研究机构