础的智能客服、内容生成、基础数据分析等非核心业务领域；央企通过小规模试点验证 技术可行性，通常项目投入规模普遍不高，且尚未形成统一的战略规划和组织保障，也 暴露出数据孤岛严重、业务价值难以量化、技术人才储备不足等瓶颈问题。 第二阶段：规模化平台化（2022-2025 年）：自主突破与系统建设期 • 这一阶段，央企已经开始系统性地布局 AI 大模型技术，在应用场景上也逐渐渗透到智能 运维、精准预测、工艺 信息来源：科智咨询分析整理 AI 赋能央企数智化转型——迈向世界一流企业的智能引擎 14 三、央企 AI 应用关键场景 主要结论：央企 AI 场景落地，是“通用稳运营、垂类提效率、战略破瓶颈”的三层 精准布局，通用支撑类场景锚定办公等基础运营，以智能 OA、协同平台等筑牢日常运转 的底盘保障，让企业管理提效降本；垂类场景则扎进各行业生产肌理，用 AI 啃下能源调 峰、工厂排产、物 产、国际化运营”四大核心方向，形成“当前落地+未来布局”的递进式攻坚路径。 当前，双碳领域通过 AI 优化新能源调度、工业能耗与碳核算，已实现规模化降碳；自 主可控依托 AI 加速高端装备设计、信创适配，破解技术瓶颈；安全生产借助 AI 违规识别、 故障预警，筑牢风险防线；国际化运营用 AI 优化跨境供应链、合规筛查，支撑全球业务拓 展。未来双碳推进跨区域能源协同与全链碳溯源，自主可控布局工业大模型与芯片研发，

能极致化的统 一，力求在核心技术上突破时延、带宽、可靠性及连接规模的瓶颈，并通过智能 化手段驾驭网络的复杂性，探索构建坚如磐石、安全可靠且能效优化的智慧运营 体系。同时，智能超表面、通感算融合、大语言模型、深度学习、图智能、智简 通信、量子通信等新一代信息技术的探索应用，为专网注入了前所未有的进化动 能，为突破传统瓶颈、开拓新场景开辟了广阔空间。本白皮书与案例集基于国家 政策及国内外专

CCID CCID CCID CCID 三、智能体发展动向与挑战 瓶颈与困境 7 优化智能体生态体系 ，构 建 多方协同创新平台 • 加强数据资源与算力基础设施建设 ，搭建开 放共享的平台。建立行业协会 ，促进产业 链 上下游企业的合作与交流。推动智能体 在各领域的应用示范和案例推广。通过征集 行业内外的成功应用案例 ，形成覆盖多个行 业和应用场景的“智能体应用清单”。 加大核 心技术 攻关，突破智 能体发展瓶颈 • 聚焦智能体在感知、推理、运动控制、人机 交互等方面的关键技术攻关。推动理论研究 与技术开发的深度融合。鼓励企业参与国际 合作 ，借力全球技术力量 ，推动智能体的技

动执行调整，无需人工干预。 同时，借助AI技术，在网络变更或故障处理时，能够实现智能化处置，真正迈向“无人值 守”数据中心。 性能极限与新协议普及：多活架构下，数据中心间海量数据同步是关键性能瓶颈。低 延迟、高带宽的RDMA（如RoCEv2）将普遍应用于金融核心交易与关键数据库同步环 境，对无损以太网能力提出严峻挑战。此外，传统Spine-Leaf的CLOS架构是否适用超 大规模的数据 大规模的数据中心，如何应对多POD间的大规模流量灵活调度，也将面临新的挑战。 “战争级”韧性催生容灾与加密升级：为应对地质灾害及冲突破坏，如何支撑数据中 心网络“中枢”在极端环境下的通信能力成为关键瓶颈。网络需要基于智能故障感知恢复， 助力网络常稳业务永续。同时，为保障跨楼宇、跨DC此类高速链路互联场景的传输安全， 通信安全等相关技术也将加速在高韧性DC架构中落地。 未来十年数据中心网络将彻底超越传 Priority-based Flow Control, 优先级流量控制) 作为保障RDMA网络无损传 输的核心机制，已在大规模RDMA网络中广泛部署。在智算集群场景中，慢节点（例如受 CPU、内存、PCIe或网卡性能瓶颈影响的节点）会触发PFC反压并向网络扩散。尤其在逐 包负载均衡模式下，由于数据包被均匀分散至所有路径，PFC反压帧也将发送至全网链路导 致全网级死锁。 问题2：包级均衡和流级均衡业务混合部署

知识聚库——本地知识库建设 7. 智能铸魂 —— AI Agent 构建 三、 四横三纵应对策略路径 智绘之路 ®deepseek 四横三纵七步谋， 智算筑基夯根基。 筑牢安全破瓶颈， 智识赋能启新章。 应对 DeepSeek 浪潮的策略路 径 安全筑盾 基座选型 算力赋能 智才筑基 场景深耕 知识聚库 0 ( ≥2TB ，读速 7GB/s+ ） 高速存储减少模型加载和数据集读取延迟 网络 多卡 NVLink ( ≥600GB/ s ） / PCIe 4.0 x16 多 GPU 场景需避免通信瓶颈 电源 冗余电源 ( ≥1200W ） 支 持 多 卡 高 功 耗 场 景 （如 4 卡 A100 需 ≥ 2000W ） 2 、算力赋能—— 基础设施升 级 注：昇腾 910B 八卡一台，标准级推理版本 数据处理技术，提升自然 资源管理与规划中的智能 化水平。 另一方面，行业需推 动数据共享与标准化， 打破数据孤岛，为 AI 提供充足且高质量的 训练数据。 突破技术瓶颈，共筑智能未来 谢谢

当前随着模型尺寸及模型场景的不断发展，语料的端 到端建设与工程化能力也面临着挑战，具体展开为 公开数据即将耗尽、领域数据流通困难、多模态对 齐与合规性制约等三大维度，使得高质量数据资源 成为模型能力提升的关键瓶颈。 图 4 人工智能大模型语料面临的关键挑战 公开数据即将耗尽：随着智能化进程逐步推进，不同 语种的语料资源质量与规模差异巨大，在全球数据 训练集中，英语等主流语言拥有海量高质量数据， 中文 在当前数智化转型加速的时代，数据与人工智能的协同创新成为推动各行业数字化、智能化升级的引擎。然而， 这 “ ” 一融合过程中面临多重挑战， 数据壁垒、隐私合规、技术异构性、信任机制不透明 成为数据 驱动 AI 创新的关键 瓶颈，Data+AI “ ” 协同创新存在 三不可 的核心挑战。 3.1 挑战一、数据 AI 不可见 图 5 数据湖仓的架构演进发展历程 在过去的数十年时间内，各行业客户建设了大量的 多模态元数据管理割裂，跨模态检索准确度低： 不同数据系统的元数据标准不一致，无法跨数据系 统的 “ 元数据多模态样本自动关联，例如 IT 系统身份 证 ID ” 体系与人脸照片模式识别自动关联 。 · 专业领域知识的理解瓶颈，高度专业化术语与上下 文缺失 ① 高价值结构化数据关联断裂：传统高价值结构化 数据集缺少跨表跨字段的语义关联，结构化数据集 的离散型导致大模型难以构建实体间的语义联系， 例如大模型无法理解外键语义、无法理解多字段含

提供客户洞察、业务推荐、运营支持等智能 化工具 ，提升员工的工作效率和决策能力 蚂蚁数科：借助智能体平台（ Agentar ）打造银行全行级数智业务范 式 面对金融行业日益增长的个性化服务需求与内部效能瓶颈的双重挑战 ，某商业银行携手蚂蚁数科 ，率先引 入 金融大模型技术 ，构建了新一代数智化服务平台。对外通过“ AI 智能助理”革新客户在手机银行的交互体 验， 实现“千人千策” 的精准服务；对 个性化服务（如动态理财建议、 实时风险预警）需求激增 传统规则引擎和人工服务模式 已无法高效满足这些需求 ， 直 接导致了客户黏性不足的 问题 内部效能遭遇瓶颈 前台： 一线客户经理的服务半 径有限 ，且在服务过程中缺 乏 实时的、专业的投研信息支 持 后台： 知识管理体系分散 、 割 裂 ，导致知识难以沉淀和 复用， 智能体平台核心生 态伙伴 ，基于其面向 Agent 智能体构建的能力 ，庭宇科技将推动在办公 、营销等场景落地更多行业智能助理 ， 以 “视觉操作 + 弹性算力”的自动化底座 ，告别 API 对接 ，解放人力瓶颈 ，驱动企业智能化效率提升。 实践效果 降本 环境适配周期从数天缩短至小 时 级，人力投入减少 70% 增效 任务并发量提升 10 倍，业务响 应 速度达秒级

.........201 1. 引言 近年来，医疗系统面临日益增长的服务需求与资源分配不均的 双重挑战。随着人口老龄化加剧和慢性病发病率上升，传统医疗模 式在效率、准确性和可及性方面逐渐显现瓶颈。根据世界卫生组织 统计，全球范围内约有 50%的医疗服务机构存在诊断延迟问题，而 基层医疗机构因专业人才短缺导致的误诊率高达 15%-20%。这种 现状迫切需要通过智能化技术重构医疗服务流程，实现从被动治疗 小时，基层医疗机构误诊率 高达 18%-25%。在诊疗效率方面，三甲医院医师日均处理病例量 超过 80 份，导致疲劳作业风险上升，而电子病历系统仅实现基础 结构化存储，无法主动辅助临床决策。 医疗数据利用存在显著瓶颈： - 非结构化数据占比超过 70%（如影像报告、医患对话记录） - 跨系统数据互通率不足 40% ” ” ，形成 信息孤岛 - 实时数据分析延迟普遍在 4 小时以上，影响急症处置 成本控制方面呈现两极化趋势：2023 处方审核效率 12 分钟/处方 5 ≤ 分钟/处方 药品知识图谱+禁忌症实时校验 住院床位周转率 78% ≥85% 智能出院预测模型+资源动态调度 算法 从医疗质量提升维度，项目将重点攻克两个技术瓶颈：一是利 用 DeepSeek-NLP 构建的病程进展预测模型，在肿瘤化疗领域实 现不良反应早期预警准确率从现有 62%提升至 82%；二是通过手 术室智能排程系统，使三级医院择期手术取消率从

协同紧密相连，并呈现深度融合加速、价值网络演进、普惠协同深化与智能化水平提升的特征。 但目前，产业链数字化协同面临如下结构性障碍。一是互信成本高企与协同效率瓶颈， 多方信任机制缺失下，互信成本高企，业务流与资金流脱节造成协同效率瓶颈。二是信息不 对称放大中小微企业融资困境，中小微企业普遍面临信用信息穿透难，风险识别与管理成本 高等问题。三是金融普惠性不足与服务可得性受限，对公金融服务门槛较高、末端资金触达 实物资产通证化服务商通过将实体资产上链实现通证化，提升资产流动性和融资效率。 包括交易所 / 经销商、通证清算网络、公链基础设施，以及专业投资者等。 3.2 推动数字人民币产业应用生态发展的建议 3.2.1 应用瓶颈与现存挑战 数字人民币在 B 端（产业端）的应用前景虽然广阔，但在推进过程中仍面临诸多挑战。 （1）零售型功能定位存在局限与制约 由于当前数字人民币定位为零售型，仅能替代 M0，尚无法满足企业对企业、企业对金融

求。在传统网络中，数据从源系统内存复制到网络堆栈，经过网络发送到目的地，接收端经多个步骤将数据 复制到目标系统内存中，因此基于CPU算力的TCP/IP协议栈无法满足高速网络收发性能要求，成为广域高吞 吐数据传输性能提升的瓶颈。 RDMA可以通过广域网络实现高速、低时延数据传输。RDMA技术使用内存零拷贝、内核旁路等技术， 将网络协议栈全卸载到网卡处理，不依赖CPU算力即可实现高性能数据收发处理，是海量数据广域高吞吐传 超高带宽与低时延需求 大模型训练中，GPU间梯度同步和中间激活值传递需满足微秒级时延要求。以InfiniBand和RoCEv2为代 表的RDMA技术虽能将应用层时延降至5微秒，但在万卡集群中仍面临瓶颈。例如，在GPT-3训练中，通信 耗时占比高达20%，而万亿参数模型中这一比例可能飙升至50%。此外，单端口带宽需支持数百Gbps甚至 Tbps级别，以应对每秒数TB的数据传输需求。 网络稳定性与容错能力 式智算集群成为必然选择； • 存算分离拉远训练：适用于涉及敏感数据的领域，如医疗健康、金融服务等。客户要求核心数据资 产本地保存，数据不落盘，训练和传输同时进行。 跨智算中心的长距离互联面临着带宽瓶颈、时延累积、传输稳定性等独特挑战。实验数据显示，1%的丢 包率可使网络传输效率下降50%以上，当数据跨越数百公里传输时，传统TCP协议的拥塞控制机制因反馈滞 后，常出现带宽利用率不足30%的窘境