点提质”； 二是着力强化技术协同创新，促进算力产业“串珠成链”；三是适度 超前建设网络设施，加快网络升级“连算成网”；四是持续丰富算力 应用场景，引导模式创新“全面赋能”。 然而，在算力产业高速发展过程中，也暴露出一系列亟待解决 的问题。一是跨区域资源协同机制亟待进一步完善。目前，我国跨 综合算力指数 3 区域算力资源协同还处于初级阶段，缺乏统一的调度平台和协同机 制。东、西部地 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 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 近年来，中国数据存储总量呈现高速增长态势，存力基础设施 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

需求，减少延迟和工作负载可移植性 将是客户的关键优先事项，为垂直特定数据类型提供量身定制的云服务将创造有利的竞争优势。 云提供商须为跨行业数据采集、存储和计算需求的大幅增长做好准备。 在AI高速发展和在线业务快速膨胀的时代，企业用户对云基础设施的性能、成本、稳定性、安全 性等方面提出了全新的要求。为适应企业创新、降本增效以及业务出海等需要，云服务商不断通 过协同创新升级全栈服务品质，同 存储架 构，结合对数据布局的优化，提供贴合不同在线业务需求的个性化存储服务，例如低时延块 存储（数据库多副本场景，<0.1ms延迟）、高带宽弹性盘（大数据单副本场景，吞吐量达 ��Gbps）、高速临时存储等。 1.2 软硬一体协同优化，应对AI时代激增的数据冲击 AI预训练和推理过程需要存储和预处理海量的多模态数据，数据向量化趋势也非常显著，为保障 AI应用特别是中小模型推理和传统AI 、服务监控、服务治理以及相关 的配置管理等云原生能力。 �� �.� AI数据处理与计算协同的复杂度激增 传统的云存储和处理架构难以高效应对，存储和传输成本也非常高昂。同时，AI算力需求持续高速 增长，为保障AI系统的实时响应，云基础设施需要在架构层面做出创新，以应对多种类型的挑战。 数据处理挑战：除AI海量、多模态特征外，工业制造、医疗等领域的AI应用所涉及的异构数据 多，格式和标

泉州水务集团”党建 + 水务大脑平台”，包含“智 慧党建平台”、“纪检平台”、“党建引领廉洁从 业线上虚拟展厅”等多部分组成，受到集团及 国资委领导高度认可。 福建省高速党建系统 为了避免线下党员集中培训造成疫情防控风险， 福建省高速集团推出党员培训平台，每年为集 团机关及下属子公司提供数十场党员培训服务， 节省培训成本的同时，也降低了组织难度。 成功案例 平台以党员日常行 为大数据为基础，

概念的提出，为智能软件研发的独立发展和技 术创新奠定了基础；启动期（1970-2000年），独立数据库公司的崛起为智能软件研发行业在启动期奠定了数据处理与管理的基础；高速发展期 （2001-2021年），智能软件研发行业在高速发展期开始注重灵活、高效和响应变化的开发方法；成熟期（2022年至今），智能软件研发行业在 成熟期实现了技术飞跃，进入全新智能化阶段，功能复杂且高效。 行业特征 1 1981年，IBM推出了面向大众市场的IBM PC及其配套软件，该 里程碑事件标志着全新软件时代的开启。 IBM推出IBM PC及其配套软件，标志着智能软件研发行业进入了一个全新的大众市场时代，推动了软件技术的普及与应用。 高速发展期 2001-01-01~2021-01-01 2001年，来自极限编程、Scrum、DSDM、自适应软件开发、水晶方法、特征驱动开发、实效编程等领域的17位软件开发领域的教授 和推动者共同签署了《敏捷软件开发宣言》。

交互 - 咨询 - 任务完成，实现交易闭环 • 日均需求会话数超百万， AI 交互占比 98% • 对接超过 150 个服务商，日程 AI 准确率 99% • 主动交互 DAU 及新增用户数维持高速自增长 领先的企业智能助理 智能对话解决方案赋能企业提升效率 • 具有 AI 能力的机器人平台和智能对话解决方案 • 基于大数据挖掘的用户画像，实现个性化推荐 • 超过 95% 的 AI

地存储主要用于高频访问的数据，如实时交易记录、账户信息等， 以确保低延迟和高吞吐量。云存储则用于备份、历史数据和大规模 模型训练数据，以降低成本并提高弹性。通过分层存储策略，将热 数据存储在高速 SSD 或 NVMe 设备上，冷数据则迁移至成本较低 的 HDD 或对象存储中。 其次，数据存储需支持高并发读写操作，以应对银行业务的高 峰时段。为此，采用分布式存储系统，如 HDFS 或 Ceph，确保数 进行规划和配置。考虑到大模型的计算需求，建议采用高性能 GPU 服务器集群，以确保模型训练和推理的效率。每个节点应配 备至少两块 NVIDIA A100 GPU，以保证足够的并行计算能力。服 务器之间通过高速 InfiniBand 网络连接，确保数据传输的低延迟 和高带宽。 在软件环境配置方面，采用容器化技术（如 Docker）进行模 型部署，以便于环境的隔离和快速部署。操作系统选择 Ubuntu 模型训练方面，建议采用分布式训练策略，利用 Horovod 或 PyTorch 的分布式训练框架，将训练任务分布到多个 GPU 节点 上。训练数据存储在分布式文件系统（如 HDFS 或 Ceph）中，以 确保数据的高可用性和高速访问。训练过程中，定期进行模型检查 点保存，以防止训练中断导致的数据丢失。 模型推理阶段，使用 TensorRT 或 ONNX Runtime 进行模型 优化，以提高推理速度和降低资源消耗。推理服务通过

Intel Xeon 系列），用于数据处理和任务调度。 其次，存储资源的设计需满足大规模数据集的高速读取和中间 结果的存储需求。以下为存储资源配置建议： - 数据集存储：采用 分布式文件系统（如 HDFS 或 Lustre），以确保数据的高吞吐量和 低延迟访问。 - 中间结果存储：配置高速 NVMe SSD 阵列，用于存 储训练过程中的中间结果和检查点文件。 - 存储容量：根据数据集 Intel Xeon, 64 核以上 高主频，多核支持 数据集存储 HDFS/Lustre, PB 级容量 分布式文件系统，高吞吐量 中间结果存 储 NVMe SSD 阵列, TB 级容量 高速存储，低延迟 网络带宽 InfiniBand 或 100Gbps 以太网 低延迟，高吞吐量 最后，在实际部署中，硬件资源配置需根据具体训练任务的规 模和要求进行优化和调整。建议采用弹性资源管理机制，以动态分 在硬件配置方面，我们建议采用以下方案： - GPU 集群规模： 建议使用至少 8 台 NVIDIA A100 服务器，每台配备 8 块 GPU，以 支持大规模分布式训练。 - 网络拓扑：采用 InfiniBand 或高速以太 网连接，确保低延迟、高带宽的通信性能。 通过上述策略和配置，我们能够显著提升模型训练的效率和扩 展性，确保在大规模数据集和复杂模型场景下的高性能表现。 3.4 模型评估与优化 模型评估与优化是确保

在公共安全领域，实时处理与分析是确保系统有效性的关键要 素。通过将 AI 大模型应用于视频智能挖掘，系统能够对来自监控 摄像头等视频源的实时数据进行高效处理，通过快速分析以提升公 共安全响应的及时性和准确性。 首先，系统需要具备高速视频数据流的接入能力，以支持多个 视频源的并发处理。这要求系统在接收视频流时具备足够的带宽和 低延迟特性，确保实时数据不会造成崩溃或延误。此外，对于高分 辨率视频流，系统也需要进行有效的压缩和解压，以便于快速分 力和多任务处理效率。 4. 存储：选择 SSD 固态硬盘，推荐至少 2TB 的存储容量，以便 快速读写视频数据，同时配置 RAID 阵列以增加数据安全性和 读写速度。 5. 网络设备：部署高速网络交换机，接口速率应不低于 10Gbps，保障数据传输的实时性，减少延迟。 6. 安全设备：部署硬件防火墙和入侵检测系统，以增强整体网络 安全性和数据保护。 其次，在软件选型方面，需关注操作系统、视频处理框架、AI 算能力，能够加速模型训练和推理过程。  内存：服务器应至少配置 128GB 的 DDR4 内存，建议采用 ECC 内存以提高系统的稳定性，支持高负载时的数据处理需 求。  存储：选择支持高速读写的 SSD，以便快速存取大量视频数 据。推荐配置至少 2TB 的 NVMe SSD 作为主存储，并结合 4TB 以上的 SATA 硬盘用于数据归档和备份。具体配置见下 表： 硬件组件 推荐配置

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。 网络带宽的优化对于分布式训练尤为重要。建议采用高速网络 互联技术，例如 100Gb 线程  内存：128GB DDR4  存储：2TB NVMe SSD + 10TB HDD  GPU：NVIDIA A100，40GB 显存 o 网络设备：部署千兆交换机，确保服务器之间的高速通 信，预留足够的带宽以应对大数据的传输需求。 o 备份设备：配置 NAS 存储设备，用于定期备份数据和模 型，确保数据安全性。 2. 软件环境准备： o 操作系统：服务器安装 Ubuntu

以实现高效的信息流动和决策支持。 首先，数据采集层是系统的基础，主要负责收集来自各个设备 和传感器的数据，包括但不限于轨道监测设备、车载传感器、乘客 流量检测器和天气数据等。数据采集层应具备以下特点：  高速性：支持实时数据采集，确保数据更新频率满足系统需 求。  精确性：确保采集数据的准确性，通过冗余机制和校验算法提 高数据质量。  安全性：在采集过程中保护数据隐私，遵循当地法律法规。 存储设备：使用 SAN 或 NAS 存储系统以支持大数据量的快速 读写操作，配置 SSD 以提高数据访问速度，建议最低存储空 间达到 100TB，确保海量数据能够无缝接入。 3. 网络设备：部署支持高速度与高带宽的交换机，并确保网络设 备能承受高并发数据传输，采用万兆以上的网络环境，以确保 训练和推理时数据的快速传输。 4. 边缘计算设备：在需要低延迟处理的场景中，部署边缘计算设 备，利用 内存，这能够支持大型数据集的载入与处理，避免因内 存不足造成的性能瓶颈。 在存储方面，建议采用 NVMe SSD（固态硬盘）来提高数据读 写速度。配置至少 4TB 的 NVMe SSD 将极大提升数据存取效率。 此外，还需配备高速的数据备份解决方案，比如 RAID 10 配置，保 证数据的安全性与快速恢复。 图形处理单元（GPU）是 AI 模型训练的核心。推荐使用 NVIDIA Tesla V100 或 A100 系列