程师的工作效率。通过AI编程助手，减少了重复劳动，提 升了代码质量 编码助手 4.3 企业大模型的部署方式 本地/内网部署 云端部署 通过云厂商实现弹性扩展和成 本优化 通过本地数据中心实现数据完 全掌控 边缘部署 通过边缘节点实现低延迟和实 时处理 容器化/微服务部署 混合部署 通过本地和云端结合实现灵活 性和灾备需求 通过容器技术和微服务架构实 现敏捷开发和资源隔离 联邦部署 通过联邦协议和分布式架构实 DeepSeek大模型部署在公有云或私有云上，利用 云厂商的基础设施和资源。适用场景： n 弹性需求：需要根据负载动态调整资源 n 快速扩展：业务增长迅速，需快速扩展系统 n 成本优化：希望通过按需付费模式降低IT成本 云端部署 DeepSeek大模型部署在企业内部服务器或数据中 心，数据和应用完全在企业内网中运行。适用场景： n 数据敏感：对数据安全要求高，需完全掌控数据 n 合规要求：需满足特定行业或地区的合规要求 计算可减少数据上传 n 离线运行：需要在网络不稳定或离线时仍能正常 运行 边缘部署 结合云端和本地部署，DeepSeek大模型部分系统在云 端，部分在本地。适用场景： n 灵活需求：部分数据需本地处理，部分需云端处理 n 过渡阶段：从本地逐步迁移到云端时，混合部署可 作为过渡方案 n 灾备需求：本地和云端互为备份，提升系统可靠性 混合部署 4.3 企业大模型的部署方式 将DeepSeek大模型系统拆分为多个微服务，使用

4.1 远程医疗 在远程医疗场景中，分布式算力感知与调度技术可以打破地理与 机构壁垒。它整合从一线城市三甲医院高性能影像服务器，到县级医 疗中心边缘计算节点，乃至偏远乡镇卫生院轻量级终端及云端算力集 群，构建“广域医疗算力网”，让优质诊断能力和 AI 辅助分析能力 高效、安全、普惠地服务患者，为医疗资源公平可及提供技术支撑。 实现这一目标，需先精准感知网络内异构、分散的算力资源，形 等步骤的工作流，调度器评估子任务计算强度、时延阈值等，结合资 源视图与网络负载模型映射执行路径。如急诊影像分析这类超低时延 任务，会下沉到就近边缘节点并通过网络切片保障传输；常规体检图 像筛查等则优先上传至云端大规模集群处理，以获规模效益。 分布式算力感知与调度还天然支持隐私保护的协同推理与训练。 在联合推理模式下，患者原始影像块仅在本地进行 DICOM 去标识和压 缩编码，随后通过加密隧道传输特征张量至云推理服务器；对联邦学 可追溯与不可篡改。 在实际应用中，这一体系让放射科医生在高峰时段也能在 2–3 秒内获得 AI 辅助肺结节检出结果；同一时间，偏远乡镇卫生院通过 5G 专网将疑难病例的 MRI 切片拆分上传，云端完成分区推理与拼接 后把定量分析报告回传，仅耗时数十秒。大规模资源池的协同让设备 利用率提升 30-50%，而调度算法对时延违约率的持续压缩，使危急 重症的影像诊断平均响应时间缩短至传统单点部署的

边缘计算盒子、物联网设备等，而不仅仅依赖于远程的云服务器。边缘计算在成本、时 延、隐私上具有天然优势，也可以作为桥梁，预处理海量复杂需求，并将其导向大模型。 人工智能的未来既需要终端侧 AI，也需要云端 AI。在终端侧运行 AI 应用可提升成本效 益、增强隐私性、个性化并降低时延；与仅在 CPU 或 GPU 上进行 AI 工作负载处理比 较，骁龙平台集成专用的高通 AI 引擎，处理 AI 工作负载可以更加高效，让小巧轻薄的 为 35%、31%、27%、4%，合计占据中国智能音箱 97%的市场份额。 组装环节，国光电器 6 月 15 日在投资者互动平台表示，公司目前推出的搭载 Chat GPT 的智能音箱是依据云端的算力提供反馈内容的。未来，AI 音箱搭载的是大模型或 小模型，并需要匹配有不同的算力提供方案，公司针对各类型 AI 音箱均有研发、设计 方案。 芯片环节，目前市场上主流的智能音箱主控芯片主要来自：苹果、全志、晶晨、创 3.1.2. 安防解决方案正在向云+边缘的方案演进 AI 在视频监控领域的落地首先从云端开始，即在后端产品加入 AI 计算功能，实现 视频数据的智能化分析。随着摄像机的清晰度提高、可拍摄距离增大，分辨率提高，通 过网络回传的数据量也越来越大，将数据的结构化、处理与分析完全集中到云端会有网 络传输压力、实时性要求达不到、准确性降低等问题。 “云+边缘”的边缘计算解决方案，把 AI

现出指数级加速。 首款商用量子计 算机发布：加拿 大D-Wave公司 正式发布了全球 首款商用型量子 退火机“D- Wave One” ， 可应用于解决各 种组合优化问题。 IBM推出云端量子计 算服务：IBM推出了 云端量子计算服务 “Quantum Experience”。这 一服务允许用户通过 互联网访问IBM的量 子计算系统，并在上 面运行算法、操纵量 子比特、开发教学及 模拟实验等。

临扩容 难、维护成本高等问题，难以满足大模型微调和推理不断增长的算力 需求。因此，通过企业本地算力与云端租赁算力之间的高效协同，以 满足企业算力资源灵活扩展需求，成为更高效、便捷且兼具性价比的 方案。云边协同训推方案基于 Split Learning 部署模式，将模型切分 到本地和云端算力资源池中并行处理，并结合输入、输出层的本地化 部署，保证样本数据不出园区，满足了金融、医疗等数据敏感客户的 11 数据安全要求。此外，该方案与 Prefill-Decode 分离式推理架构天然 适配，通过将可弹性扩展的 Prefill 和 Decode 分层部署在本地和云端， 显著提升推理效率、资源利用率和用户体验。 在此场景下，本地和云端算力池之间基于 RDMA 协议传递参数 面同步数据、KV Cache 等信息，要求网络在保证高吞吐、低时延的 前提下，具备 RDMA 无损传输能力，避免出现拥塞、丢包。同时， 力资源池之间的云边协同训练/推理，实现企业算力资源的弹性扩展， 云边协同训练/推理基于模型分割实现，这种方式既满足了企业推理/ 训练敏感数据不出园区的要求，又满足企业算力的灵活扩展按需租赁 云端算力的诉求。由于城域网需要支撑层间的参数面数据同步因此需 要具备 RDMA 无损传输与超高吞吐能力。该场景组网方案如图 7-4 所示。 图 7-4 云边协同分布式训推组网方案 算力城域网白皮书（2025

网络 边缘，更靠近数据源，而云计算，处理发生在数据中心。边缘计算是指在尽可能 靠近数据源或终端的地方捕获和处理数据。通过在数据源的物理位置附近放置服 务器或其他硬件来处理数据，在本地完成处理而不是在云端或集中式数据中心， 它能最大限度地减少延迟和数据传输成本，允许实时反馈和决策。 图14：边缘计算的应用场景 图15：云计算与边缘计算的区别 资料来源：NVIDIA，国信证券经济研究所整理 资料来 AI 模型在云端训练， 并部署在终端设备上。例如计算机视觉等高度数据密集型、低时延要求类的任务， 将 AI 模型部署在终端的优势包括： 1）更低的延迟：因为传感器和物联网设备产生的数据不再需要发送到集中式云进 请务必阅读正文之后的免责声明及其项下所有内容 证券研究报告 12 行处理，可以实现更快的响应，获得结果的时间可能从几秒减少到几分之一秒。 2）减少带宽：当数据发送到云端时，它通过广域网传输，需要满足全球覆盖和高 用户身份。 5）高可靠性：去中心化和离线功能使边缘 AI 更加稳定，不受网络访问限制，这 是关键任务系统稳定运行的必要条件。 当边缘 AI 应用程序遇到它无法准确处理的数据时，它通常会将其上传到云端，以 便 AI 算法可以重新训练并从中学习。因此，模型在边缘运行的时间越长，模型就 会变得越准确，由于可以获得如此多的价值，企业正在迅速采用边缘计算。 Gartner 预测，到 2023 年底，50

此时人机之间的决策权将发生实质性迁移，智 能体获得更多直接与物理世界交互决策的能力， 能够自主闭环执行多类任务。 智能体的未来发展，关键在于攻克三大交 织融合的核心挑战：多智能体协同（通信与协 作）、云端环境交互（探索与执行），以及长 程推理认知（规避偏差累积与组合爆炸）。这 三者共同构成了通向高级智能的道路上必须逾 越的障碍。 未来十年，智能体将发展为侧重实践的行动系统 1980年 1990年 云侧智能体适合复杂长时间任务，算力更 强，易于跨平台适配；端侧智能体可以快速响 应简单的任务，实现低时延、低成本、高隐私 安全。端云协同可以最大化发挥“端侧快”和 “云侧强”的优势，同时解决信息安全隐患、 云端算力成本过高等问题。 部署策略：端云协同是新生态的最优解 18 具身智能跨越鸿沟，形成多个万亿产业 具身智能是 AI 走向物理世界的关键体现， 它并非单一技术的突破，而是融合了 AI 技术、 级，端到端时延需降低到亚毫秒级，以便支撑沉浸式会诊、关键医 疗 IoT、脑机接口等实时应用。 随着这些底层能力的持续跃升，医疗服务的组织逻辑也在随之发生深刻重构。患者不必再频繁 往返医院，而是可以依托可穿戴设备和云端平台，在日常生活中获得持续健康监测与支持。多源数 据的实时采集与 AI 智能分析，让诊疗从经验驱动走向数据驱动，医生借助医疗大模型为个体生成动 态、精准的个性化方案。未来医疗将突破医院边界，延伸至日常生活，不仅更加普惠可及，更通过

Agent，具有自主记忆、推理、规划和执行的全自动能力。 观点#1：Apple Intelligence 推动苹果用户换机，利好产业链业绩增长 6/11, 苹果 WWDC 2024 大会推出由苹果自研的端侧大模型、云端大模型、 以及 OpenAI 的 ChatGPT 组成的全新智能系统 Apple Intelligence。从功能 上来讲，和 OpenAI，Google 的现有功能差异不大，但由于此类功能只在 iPhone 由苹果端侧大模型、云端大模型、ChatGPT 共同组成，算力足够下依赖终端，复杂场景则 使用私密云计算或 ChatGPT，能够 1）增强 Siri 理解能力，配备多轮对话、总结信息、屏 幕内容感知、应用智能交互等能力，2）提供邮件智能回复、通知整理，备忘录和通话录音 /撰写/摘要等功能，3）支持图像生成/智能修图等功能，4）ChatGPT4o 将融入 siri 和 writing tools，作为云端备选模型。我们看到 tools，作为云端备选模型。我们看到 Apple Intelligence 核心能力包括文生文、文生图、跨 App 交互与个人情境理解，并需要以 OpenAI ChatGPT4o 作为云端备选模型，配备上了目 前已有的大部分 AI 功能。苹果通过 Siri，把 AI 当作手机不同 App 之间联系的工具，而不是 像此前三星和谷歌的 AI 应用更侧重于让 AI 去完成单一特定任务。苹果让 Siri 在未来成为应 用分发入口和流量入口，以超过

成车载端（OBU、车 载感知与执行模块）、路侧端（RSU、边缘计算单元、多源感知设备）与云端 （城市级云控平台、高精地图服务、AI训练与仿真中心）的功能闭环。其中， 车载端聚焦低时延信息接收与本地决策响应，体现“管”功能；路侧端承担环 境感知增强与区域协同计算，是突破单车智能瓶颈的关键物理载体；云端则实 现全域数据融合、模型迭代与跨域调度[1]。在关键组件集成方面，边缘计算单 元（ME 为支撑该高维感知模型持续进化，特斯拉构建了全球规模最大的真实道路影子 模式（ShadowMode）闭环训练体系：所有FSDBeta用户车辆在常规驾驶中实 时采集视频流、车辆状态与人工接管信号，并匿名上传至云端；系统自动标注 接管前后的关键帧，筛选出模型失效的‘长尾案例’，驱动每周迭代数万次的神经 网络再训练。这种‘数据驱动―模型更新―OTA推送―新数据回传’的飞轮机制， 使FSDV12版本起正式取 NOP+ 脱手事故复盘显示，62%的接管失败源于系统对驾驶员‘伪就绪’状态的误判[3]。 为系统性提升可靠性，行业正构建‘仿真-实车-影子模式’三重验证闭环：头部企 业已部署超10亿公里/年的云端仿真里程，覆盖99.2%的NHTSA定义高危场景 ；同时通过影子模式持续采集真实道路决策分歧数据，驱动模型迭代；实车验 证则聚焦‘最后一公里’—在封闭测试场搭建含13类典型城市场景的物理干扰链

能检测、寿命检测等功能，提高其精确度与可重复性。 • 精准装配：通过灵活多变的机械手臂和精细的手指运动,实现人类难以企及的速度和精度完成各项装配 任务。实时调整策略应对不确定因素,保证组装质量。 • 检测报告预警：利用云端大数据分析工具进行产品质量的预测性分析与预警。及时发现产品设计与制造 过程中的问题,与相关部门进行沟通反馈,持续优化产品质量。 • 实验操作：辅助科研人员进行实验操作、数据采集和设备调试等任务，减轻工作负担，提高实验效率。 智能汽车解决方案（车BU），二是鸿蒙智行。未来华为或效仿特斯拉，从智能 汽车进入就人形机器人领域，强化智能终端领域布局、提高终端智能化水平。  华为还大力布局大模型算力，构建AI算力第二极，可为人形机器人提供云端和 终端算力支持。昇腾910C采用中芯国际7nm工艺制造，AI推理性能达到英伟达 前代产品H100的60%。基于昇腾AI处理器和基础软件构建Atlas人工智能计算解 决方案，打造面向“端、边、云”的全场景AI基础设施方案，覆盖深度学习领 相。XR4高 165cm，重65kg，大量采用碳纤维复合材料，拥有 60多个智能柔性关节，处于业界领先水平；采用 并联驱动结构和高扭矩密度电机，单腿峰值扭矩 达600N·m；支持实时接入达闼云端大脑，通过多 模态大模型RobotGPT赋能，具备多模态融合感 知、认知、决策和行为生成能力，实现高性能具 身智能；基于数字孪生的深度强化学习完成自主 智能训练，生成多种步态和动作，实现平衡站