智能的监管治理情况。 虽然本文涉及各种法律和监管框架，但必须强调的是，所提供的信息不适用于 任何特定情况的法律指导。 人工智能的监管环境正在迅速演变，法律法规的解释和应用会因各种因素 而存在很大差异，这些因素包括： ● 管辖范围（国家或地区） ● 具体的情景（如行业、应用场景等） ● 具体的人工智能技术或应用 因此，云安全联盟和本文作者强烈建议，如果有任何与人工智能开发、部 署或 和云 安全联盟基于当前的知识和预期所做，受固有风险、不确定性和假设的影响， 部分陈述可能与实际结果存在差异。 以下是可能影响人工智能领域未来发展和相关监管环境的一些重要因素， 也是可能影响本文件中前瞻性陈述准确性的因素所在： ● 技术的快速进步：人工智能领域不断发展，新的技术和应用层出不穷， 很难预测这些技术进步的确切轨迹及其对人工智能监管各方面的影响。 ● 监管框架的不确定性：对人工智能的监管方法仍在开发，不同管辖范 ©2025 云安全联盟大中华区版权所有 9 ● 新兴的伦理考量：随着人工智能应用变得越来越复杂，可能会出现新 的伦理考量，促使更多有关负责任的开发和使用这些技术的法规或指导原则出 台。 ● 经济和社会因素：整体经济环境和对人工智能的社会态度，可能会影 响新技术的开发、采用及监管环境。 这些关于前瞻性的陈述仅反映作者和云安全联盟本文件发布之日的观点， 作者和云安全联盟不承担更新或修改本文档中任何前瞻性陈述以反映未来事

人才与生态 ：涵盖 ICT 人才、STEM 毕业生、 初创企业、开源贡献者以及在线社区参与度的 人才与创新生态 我们希望向政策制定者传递以下明确信息 ：数据和 智能正在成为决定国家竞争力的关键因素。在基础 设施、人才和数字化技术应用领域，敢于投资的国 家将有能力挖掘新的增长机会，在全球智能经济中 赢得一席之地。犹豫不决的国家可能将面临落后风 险，不仅会失去经济发展动力，也难以获得数智化 基础的环节。目前，数字基础设施由各类终端和泛 在联接构成。然而，随着原始数据量、种类及生 成速度的不断增长，实现持续、可靠的大规模数据 生成将需要依托更具韧性和可持续性的数智基础设 施，特别是在边缘计算层面。 数据传输 驱动因素 ：高速光纤网络、边缘计算节点和骨干系统 相关性 ：在数智系统中，数据必须从终端快速流向 云端、边缘和核心系统，完成处理、训练和推理。 具备高吞吐量、低时延和冗余数据通道的传输能力 对于支持依赖设备、数据中心和云平台实时协同的 持可比性与一致性。具体要求如下 ： • 结构兼容性 ：兼容 GDI 结构设置（确保时间 维度的可比性）； • 权重均衡性 ：新指标在整个体系中的权重应 控制在 10%–15% 之间，避免过度强调智能 化因素。 » 4. 可优化性 ：所有指标更新必须反映 ICT 行业 的发展趋势或市场和技术趋势的变化。例如， 原 GDI 中的“STEM 毕业生比例”指标已从 “科学、技术、工程及数学领域毕业生比例”更

受物理⼈⼯智能驱动，机器⼈将彻底改变产业。1” 特斯拉CEO埃隆·⻢斯克表⽰，某种形式 的机器⼈市场——⼈形机器⼈——可能每年超过10亿台，我们最终将拥有的机器⼈数量将超过 ⼈类。2 这个新市场有3个主要推动因素: 1. 技术-多项技术进步，特别是⼈⼯智能（AI）的发展，已经显著改变了机器 ⼈的前景 2 经济-机器⼈可以解决劳动⼒短缺问题。随着⼈⼝⽼龄化和更为严格的移⺠政策加剧，短 缺问题变得更加棘⼿ 2049 2050 Hourly wage AI机器⼈的崛起 物理人工智能即将来袭 我们预测到2035年时，将有13亿台AI机器⼈在我们周围移动，到2050年将达到40亿台。这其中的三个主要推动因素将是技术、经济和改善。以下是⼀些关于机器⼈崛 起的数字。 机器人单位数量（以百万计）按类型预测 来源：花旗经济研究部 2024 2025 2030 2035 2050 CAGR ⾃动驾驶汽⻋ 27 GPS：全球展望与解决⽅案 2024 年 12 ⽉ 市场份额的竞争已成为取胜即拥有⼤部分份额的经济形势。如果这种情况发⽣在⼈⼯智 能机器⼈领域，将加速采⽤。 当我们将这⼀数据点加⼊技术、经济和改善动⼒因素时，我们相信‘⼈⼯智能机器 ⼈正在接近你’。因此，我们预计到 2050 年，将有 40 亿台⼈⼯智能机器⼈在我们 周围活动。这⼀结论如下图所⽰，并在本报告中有更详细说明。 图 4. 类型预测的机器人单位数量

给企业带来沉重负担。而传统互联网同样难以支撑这些前沿领域对数 据传输的严苛要求。其网络带宽有限，在面对海量数据洪流时，传输 速度缓慢，严重影响数据处理时效。并且，传统互联网网络稳定性欠 佳，极易受到网络拥塞、节点故障等因素干扰，导致数据传输中断或 出错，对于不容许丝毫差错的大模型训练和高精度科学计算而言，这 30 无疑是巨大阻碍。同时，传统互联网基于尽力而为的传输机制，无法 为特定任务提供有保障的传输质量，难以契合前沿科研和创新应用对 ② 定制数据集、模型迁移 私有定制化数据集、模型的迁移通常遵循特定的数据流动规范。 这类数据集、模型的原始存储位置往往位于用户本地数据中心，其迁 移过程需要综合考虑数据主权、传输安全以等多重因素，那么数据集、 模型会从用户的数据中心迁移到目的数据中心。  流量调度 借助网络控制器，为数据迁移准备稳定的网络通道，优化网络资 源配置，确保数据在传输过程中能够快速高效到达目的数据中心，保 二次任务调度冲突，从而保障全链路传输资源的循环利用效率。 图 4-38 协同训练-任务部署-平台托管-资源释放 ② 私有定制的训练镜像的原始存储位置往往位于用户本地数据 中心，其迁移过程需要综合考虑数据主权、传输安全等多重因素，那 么镜像会从用户的数据中心迁移到目的数据中心。  流量调度 流量调度模块借助网络控制器，为训练任务运行镜像的迁移准备 稳定的网络通道，优化网络资源配置，确保数据在传输过程中能够快 速

和战略，从而使他们能够在适当的时候抓住竞争优势。 图 1 中的两大主题概况被列于下表 (见图 2)。 图 2：2025 年 Gartner 八大供应链技术趋势的两大主题概况（来源：Gartner【1】） 2025 年的主题驱动因素是：  连通性：供应链领导者需要利用新兴技术来增强连通性。  智能化：利用促进智能的工具来推动竞争差异化和运营效率。 2. 2024 年及以后的顶级战略性供应链技术趋势 本节基于 Gartner AI 进步的前沿，将其嵌入整个采购到付款生命周期并彻底改 变采购团队的运作方式。 Zycus 创始人兼首席执行官 Aatish Dedhia 称代理 AI 是“改变游戏规则的因素，将采购转变为释放真正价值的战略推动因素”。 从构建最早的人工智能驱动的采购解决方案之一到创建完全集成的 Merlin agentic 人工智能 S2P 套件，Zycus 的历程始终保持领先地位并满足客户的动 态需求。 进行测试，如果 业务案例已得到证实，则迅速推广到其他站点。  就像使用其他检查使用案例一样，使用无人机来补充已经以其他方 式进行检查的熟练劳动力。  在可预见的未来，专注于电池寿命和其他考虑因素更重要的用例的 自主移动机器人。 在变革性技术和战略调整的推动下，全球供应链正在经历一场巨变。一场无处不在、加速发 展的数字化转型正在悄然进行，其核心是人工智能 (AI) 和自动化。【16】指出，供应链将比

更好地理解和应用模型结果，推动产品设计和业务决策的优化。 保险产 品设计 风险因素识别 分析大量的健康险相关数据，包括历史赔付数据、人口统计和医疗资料等，从中识别出潜在的风险因素，有助于产品精算人员更 好地理解不同客户的风险特征，并制定相应的保险策略。 风险评估 和预测 个性化建议 根据个人医疗历史和风险因素，为产品精算人员提供个性化的保险建议和方案，这有助于产品精算人员更好地理解客户需求，并 提供更符合实际需要的保险产品。 测试 使用历史数据和模拟技术来进行风险模拟和压力测试，以评估产品设计的可靠程度和稳定性。 保险产品 方案设计 客户需求分析 可以通过对海量数据的处理和分析，发现不同因素对于客户需求的影响，从而为保险公司提供更准确的市场研究结果。可以利用 自然语言处理技术分析客户反馈和社交媒体信息，识别出客户对于不同健康问题的关注点和优先考虑的保险覆盖范围等，以此来 理赔申请的时间和成本，同时也避免了人工处理过程中的误差和不一致性。 自动化理赔评估 。 ，通过机器学习和数据分析技术，根据保险条款、索赔信息和历史数据等因素，自动计算理赔金额，从而提高 自动化理赔结算 结 ， 的 ， 项 。 转账到客户账户、生成理赔结算单据等。通

应建立常见的流程设计 评测模型，对流程设计 成果进行模拟和评价； b) 应基于流程管理与各业 务管理系统的集成，实 现流程发布、执行、反 馈、监控的闭环管理； c) 应建立主要流程改进影 响因素模型，结合流程 全局图谱和历史数据 等，预测流程改进面临 的问题，基于知识库给 出解决方案 cn GB/T 43439—2023 〇 表 2 组织的成熟度要求 (续) 成熟度等级要求 变革风险，并使用数字 化技术实现各类预案的 启动、发布和实施； c) 应基于数据分析模型， 实现变革各项关键指标 关联，精准识别变革优 化的关键项和下一场变 革的关键驱动因素指标 7.2 技术 技术能力域包括研发管理、技术创新、信息安全3个能力子域。各能力子域的成熟度等级要求，应符合表3的规定。 GB/T 43439—2023 表 3 技术的成熟度要求 型，实时监控采购风险并及 时预警，提供优化方案； c) 应通过数字化技术实现供 应商风险管理和异常处置； d) 适用时，应实现供应链物 流、生产、仓储的可视化 a) 应基于供应链模型，获 取多变因素下最优采 购、生产、销售、物流方 案等： b) 适用时，应建设云平台， 实现组织在全球层面的 供应链协同和供应链风 险监测 GB/T 43439—2023 后 7.6 数字化生产

万 户均交易笔数 -1% XXX 笔 归因 预测型分析：典型场景是投诉预测 统计型 归因型 预测型 决策型 投诉倾向 背景 银行希望更好地预测客户行为，了 解引起客户投诉的服务因素 发现 确认常见的投诉路径，在早期预警 指导下采取纠正行动 影响 银行确认了投诉倾向排名前 X% 的 流程，客户投诉数减少 Y% 高 高 低 演亦文化 3 月 3 月 30 日 处理这个问题，我付了款，但是你们没接收，导致我逾期好几个月了。” 预测型分析：同样可以建立指标树完成 预测 统计型 归因型 预测型 决策型 通过归因分析，发现电话进件量、功能访问量、问卷调查评分等因素会导致投诉量变化，进一步 分析，技术支持和投诉建议的通话长度和客户数，以及联系我们 / 在线客服的访问量，可以有效 预测投诉量的变化 归因分析结果 KPI 第一维度：直接影响 第二维度：间接影响

大幅提升公司业绩，公司股价呈现大幅增长，由 2020 年初的 58.61 美元快速 上涨 至 2021 年 11 月末的 326.36 美元。而后一段时间内，由于全球半导体产业需求衰退、库存压力等因素影响下，公司股价出现大幅度回调。 l2022 年 9 月至今，受 AI 驱动下针对芯片算力需求提升，公司股价呈现大幅度反弹，由 2022 年 9 月末的 121.34 美元上涨至 2023 年 4 FY01-FY14 呈波动上升趋势， FY14 达峰值 32.3% 之后波动下降； FY23 为 27.2% ，同比上升 7.6pct ，主要由薪酬增加、员工增长、工程开发成本 和数据中 心基础设施等因素所致。 F F F F F F F F F F F F F F F F F F F F F F F Y 、宏观 AI 应用推广不及预期。 AI 技术在应用推广的过程可能面临各种挑战，比如：（ 1 ） AI 技术需要更多的时间来研发和调试，而且在应用过程中可能会受 到数 据质量、资源限制和技术能力等因素的制约；（ 2 ） AI 技术的实施需要更多的资源和资金支持；（ 3 ）市场竞争可能也会影响企业在 AI 应用推广方面的表 现。因此， 投资者应审慎评估相关企业的技术实力、资金实力以及管理能力，相关企业的

网络拓扑、业务流量特征以及星地通信链路特性等因素，建立合理的 数学模型，通过优化算法来确定最优的集中式和分布式路由协同策略。 同时，还需要设计高效的信息交互机制，确保地面网络控制器和卫星 互联网路由器之间能够及时、准确地传递网络状态信息和路由决策指 令。​ 综上所述，集中式、分布式和混合式架构各有优劣，在实际的卫 星互联网承载网建设中，需要根据具体的应用需求、网络规模、卫星 资源以及成本等多方面因素综合考虑，选择最适合的体系架构。随着 高频波段（如 Ka 波段、毫米波频段），而星地微波链路对高频波段的使用存在显著限 制，核心差异源于传输环境与链路特性的不同。 从星间链路来看，其处于太空真空环境，几乎无大气衰减、雨衰 等干扰因素，高频波段的优势可充分发挥。高频波段（如 Ka 波段单 波束带宽可达 1GHz，毫米波频段潜在速率可达 100Gbps）具备丰富 的频谱资源，能支撑星间大容量数据传输，满足激光链路之外的高速 18 同时，通过建立卫星姿态控制模型，分析卫星姿态变化对波束指 向和链路质量的影响，为卫星的姿态控制系统设计提供依据。例 如，在仿真 LEO 卫星星座时，系统动力学仿真能够模拟卫星在大 气层阻力、引力摄动等因素影响下的轨道变化，评估星座的轨道 35 维持成本和长期运行的稳定性。  离散事件仿真：重点关注通信协议的性能验证，如路由算法的收 敛速度、移动切换机制的中断时间等。常用的仿真工具包括 M