化能力，指标覆盖越全面，可视化 能力越好 09 10 图2.4 混合云现代化运维体系参考架构 规范与流程 安全管控 故障定级规范 业务上线规范 业务变更规范 运维数据治理规范 故障处理流程 应急恢复流程 运维业务管理 变更管理 爆炸半径管理 问题与故障管理 云网跨域协同 事件管理 运维事件、变更事件 监控管理 全链路监测 服务台 配置管理 配置一致性管理 运维数据管理 流程数据管理 产品生命周期管理 EOX管理、版本变更 知识库管理 案例库、风险库 局点档案管理 云平台档案、应用管理 运维平台治理 统一CMDB 运维数据接入 统一故障处理 运维可视化 运维自动化 运维组织治理 组织架构 岗位职责 人员绩效 人才管理 组织协同 数据安全 人员安全 IT安全 作业可信 物理安全 最后，通过对目标用户的战略意图、业务现状、技 通过“因地制宜”制定运维规范，树立运维制度和 流程，指导各项运维工作依规有序进行。 典型的运维规范包含业务故障等级定义、业务上 线规范、业务转维规范、运维数据治理规范等。 典型的运维流程包含故障处理流程、应急恢复流 程、主动运维流程、变更流程等。 典型的指标度量体系包含告警响应及时率、事故 恢复及时率、事故数量、变更成功率等。 2、运维组织治理 根据用户实际情况定义运维组织架构，识别关键运

业务流程 步骤一：资源注册登记与纳管 同总分调度场景类似，算力提供者首先向算网协同调度平台进行 资源注册登记，将自身的算网资源信息全面、准确地提交给调度中心。 调度中心则运用专业的管理技术和高效的处理流程，对这些资源进行 集中纳管，构建起一个完整、有序的算力资源目录，为后续的调度工 作提供坚实的数据支持 10 图 3-4 分总调度-资源注册登记与纳管 步骤二：资源状态上报 ● 为了保 署的应用和算网协同调度平台调度部署的应用之间进行互相访问的 ● 流量调度，或者是需要算网协同调度平台对用户自治系统内部署的应 用副本和算网协同调度平台调度部署的应用副本间对终端用户的访 问请求做负载分担处理，所以需要在调度请求中携带自治系统中部署 的推理应用信息如<应用 ID、位置、域名、IP 地址>等。 图 3-6 分总调度-算网资源调度使用-北向调度 ② 全局缩略图方式调度  需求提交 署的应用和算网协同调度平台调度部署的应用之间进行互相访问的 流量调度，或者是需要算网协同调度平台对用户自治系统内部署的应 用副本和算网协同调度平台调度部署的应用副本间对终端用户的访 问请求做负载分担处理，所以需要在调度请求中携带自治系统中部署 的推理应用信息如<应用 ID、位置、域名、IP 地址>等。  调度方案返回 算网协同调度平台将可选的调度方案返回给自治系统，自治系统 进行人工或者自动的选择，确定调度方案。

大模型的发展历程 1.3 人工智能与大模型的关系 1.4 大模型分类 1.1 大模型的概念 大模型通常指的是大规模的人工智能模型，是一种基于深度学习技术，具有 海量参数、强大的学习能力和泛化能力，能够处理和生成多种类型数据的人 工智能模型。 通常说的大模型的“大”的特点体现在： 参数数量庞大 训练数据量大 计算资源需求高 2020年，OpenAI公司推出了GPT-3，模型参数规模达到了1750亿。 GPT 文心ERNIE ... ChatGPT 文心一言 1.4 大模型的分类 语言大模型 视觉大模型 多模态大模型 是指在自然语言处理（Natural Language Processing，NLP）领域中的一类大模型，通常 用于处理文本数据和理解自然语言。这类大模型 的主要特点是它们在大规模语料库上进行了训练， 以学习自然语言的各种语法、语义和语境规则。 代表性产品包括GPT系列（OpenAI）、Bard 是指在计算机视觉（Computer Vision，CV）领 域中使用的大模型，通常用于图像处理和分析。 这类模型通过在大规模图像数据上进行训练，可 以实现各种视觉任务，如图像分类、目标检测、 图像分割、姿态估计、人脸识别等。代表性产品 包括VIT系列（Google）、文心UFO、华为盘古 CV、INTERN（商汤）等 是指能够处理多种不同类型数据的大模型，例如 文本、图像、音频等多模态数据。这类模型结合

度，实施 审 计委员会否决权清单） （9）面对分支机构差异化经营策略，如何通过“资源统筹+分层督导”模式 实 现金融机构审计资源的集约化配置与风险防控的全面覆盖？（如省级审计中 心集 中处理复杂领域，地市团队聚焦属地风险，建立重大风险提级管理通道） 3 、审计模式创新 （10）在监管趋严与银行盈利压力并存环境下，如何通过审计功能创新 （如 压力测试审计、资本充足率动态模拟）提升资本管理的前瞻性？（如开发 （RCSA）与审计程序联动，建立风险事件库-控制缺陷库-整改案例库三 库贯通 机制） （13）如何运用“系统性风险穿透分析法”识别金融机构跨业务条线的关联 性 风险传导路径（如商业银行信贷与理财业务联动风险）？（如运用复杂事件 处理 （CEP）技术，识别跨业务传染路径，开发风险传导强度矩阵） （14）如何将金融机构风险偏好体系与审计风险评级模型联动，实现风险 容 忍度阈值在审计程序中的动态嵌入与预警？（如将风险偏好声明转化为可审 5%-20%浮动区间）） 4 、审计能力提升 （18）在 AI 技术快速发展的背景下，AI 审计是否可以完全替代审计人的工 作？审计人与 AI 审计的关系是什么，如果有效协同审计工作？（如 AI 处理结构 化数据分析，审计人聚焦职业判断与道德风险评估，建立人机交叉验证工作流） （19 “ ）如何通过 审计数字化能力成熟度模型 ”评估并提升审计团队的智能 工具应用能力？（如从工具应用、数据治理、模型研发、产出价值四维度设定

现推理。高通团队使用骁龙 8 Gen2 部署 Stable Diffusion，实现本地运营 15 秒出图，证明了大模型本地化运行的可能，也体现出目前手机芯片的局限 性。根据 IDC 数据，1Q23 全球手机销量中主处理器频率超过 2.8GHz 的占比 36%，价格在 1000 美金以上的占比 13%，即旗舰机型占比较低，随着 AI 大模 型在边缘端落地，有望推动新一轮换机潮。 以大语言模型为核心，以语言为接口，控制多 20 图40： 苹果 A11 芯片开始搭载 NPU ...........................................................20 图41： 全球手机分处理器频率销量占比 ...................................................... 21 图42： 全球手机分价格段销量占比 .............. 时代，基础大模型参数指数级增长 李开复提出本次由 GPT-4、ChatGPT 引发的 AI 新机遇与之前有所不同，属于 AI 2.0 时代。AI 1.0 时代具体指的是以 CNN（卷积神经网络）为核心，机器视觉和自然 语言处理快速发展的时期，暴涨的数据量伴随搜集、清洗、标注整个过程的成本 增加，且单一领域的数据集和模型形成孤岛，每个领域和应用的优化都是割裂的， 难以形成“通用”。 AI 2.0 时代的特征是通过海量数据

80 4.1 金融 81 4.1.1 恒生电子：基于鲲鹏原生开发经纪场外业务系统，让证券数据处理更高效 81 4.1.2 宇信科技：基于鲲鹏原生开发金融软件，让金融信息处理更高效 83 4.2 电信 86 4.2.1 浩瀚深度：鲲鹏原生赋能 DPI 采集系统，网络数据可视化处理更加高效 86 4.2.2 恒安嘉新：基于鲲鹏原生开发安全采集分析平台，保障企业信息系统安全稳定运行 行 89 4.3 政府 91 4.3.1 超图软件：基于鲲鹏原生开发地理信息系统，让自燃资源评估更高效 91 4.3.2 深圳防灾减灾技术研究院：鲲鹏原生助力地震观测数据高效处理 93 4.4 电力 95 4.4.1 广州海颐：基于鲲鹏原生开发高性能、高可靠电力系统软件，加速电网数字化转型 95 4.4.2 国能信控：基于鲲鹏原生开发新能源计算平台，为电力系统提供高效算力支撑 3-13 鲲鹏 BoostKit 应用使能套件简介 鲲鹏应用使能套件 BoostKit，极致性能，使能鲲鹏“好用” BoostKit： 加速软件包 + 高性能开源组件 + 参考实现 数据亲和：数据全处理流程负载优化 大数据 算法加速库 OmniRuntime 特性 分布式存储 智能预取 自研压缩算法 数据库 可插拔 在线向量化分析引擎 机密计算 TrustZone 套件 BoostKit

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；截至 2023 年 4 月 30 日，公司市值为 6854.00 亿美元。回顾历史， 1999 年，公司发明了图形处理器，定义了 现代计算机图形学 ； 2006 年，公司推出用于通用 GPU(GPGPU) 计算的 CUDA 平台。 自 2015 年以后，随着 AI 浪潮迅猛推进，公司业务不断多元化， 向数据中心、游戏、移动设备、 4 个针对各种生成式 AI 应用程序进行优化的推理平台，其中发布带有双 GPU NVLink 的 H100 NVL 加速计算卡， 以支持 ChatGPT 类大型语言模型推理。与适用于 GPT-3 处理的 HGX A100 相比，配备四对 H100 与双 GPU NVLink 的标准服 务器的速度最高可达 10 倍。 l 计算与网络事业部收入占比提升，数据中心超过游戏成为收入主要来源。 FY23 人工智能等新技术发展，海量数据的产生及其计算处理成为数据中心发展关键。 据 IDC 数据，全球数据总量预计由 2021 年的 82.47 ZB 上升至 2026 年的 215.99 ZB ， 对应 CAGR 达 21.24% 。其中，大规模张量运算、矩阵运算是人工 智能在计算层面的 突出需求，高并行度的深度学习算法在视觉、语音和自然语言 处理等领域上的广 泛应用使得算力需求呈现指数级增长。

让传统以太网带宽难以承受；同时，伴随算力规模扩大，万级处理器带来的故障常态化，对自动化 运维与 RAS 能力提出了更高要求。在这样的背景下，超节点的出现成为了面向大模型未来发展的必 然趋势。 超节点并非简单的硬件堆砌，它的实现离不开基础技术、系统能力与可落地性的三方协同。基础 技术是超节点的根基，其具备超高带宽互联、内存统一编址等技术特征，通过近乎无阻塞的高带宽 互联，将数百上千个 AI 处理器编织为一个逻辑统一的高密度计算体，为高效计算提供了底层支撑。 被重新定价与重构。 本报告提出并论证：“超节点”将成为 AI 时代的核心计算单元。它通过近乎无阻塞的高带宽互联， 把数十到数百乃至数千个 AI 处理器（本文中提及的 AI 处理器泛指用于人工智能计算的加速器，如 神经网络处理器（NPU）和图形处理器（GPU）等）编织为一个逻辑统一的高密度计算体；通过软 硬件协同和智能编排，把训练与推理的双重诉求在同一平台上高效切换；通过液冷、供电与可观测 具备创新的混合推理架构，能同时支持“思考”与 “非思考”两种模式，在提升复杂任务处理能力的同时也优化了响应效率。阿里巴巴通义 (Alibaba Qwen) 的 Qwen3 将预训练数据量提升至近 36 万亿 tokens，并引入混合思维模式以提升智能体 （Agent）能力，其模型家族支持高达 100 万 tokens 的超长上下文处理。智谱 AI (Zhipu AI) 推出 了为智能体任务优化的 GLM-4

产业。2025年2月，国产大模型DeepSeek-R1的全面开源与多领域适配，标志着AI医疗迈入技术融合与行业重构的新阶段。DeepSeek通过 强化学习技术与混合专家架构（MoE），在极低标注数据需求下实现推理能力跃升，其复杂任务处理与中文语料优化的特性，为医疗场景提 供了精准、低成本且本土化的解决方案。这一技术突破不仅推动了算法与行业工作流的深度结合，更吸引了恒瑞医药、医渡科技、东软集团 、鹰瞳科技等头部企业加速布局，覆盖从辅 模型即服务”的生态闭环，不仅重构了医疗工作流，更催生了 六大核心应用方向的爆发：  AI 医学影像辅助诊断：进入发展快车道，辅助诊断为主。包括AI超声诊断、病理学AI等影像学辅助诊，涉及到图像处理、勾勒病灶大小、特 征识别、诊断建议。影像学AI辅助诊断商业化落地快，应用场景明确，院端需求较大。数据获取成本较高，行业正在探索AI收费模式。相关 标的：联影医疗、理邦仪器、万东医疗、一脉阳光、祥生 收集样本基因测序、 罕见病遗传病分析解读 多组学风险预测和评估 AI 制药 分子虚拟筛选、药物发现 优化药物结构 临床试验优化 建立疾病风险模型 肿瘤精准治疗 AI 医学影像 图像处理、 勾勒病灶大小、 特征识别、诊断建议 AI 健康管理 可穿戴设备 定制化干预方案 AI系统实时监测并预警 商业化落地进度 数 据 获 取 成 本 资料来源：易观

状况的基础上，借助统一的度量范式对资源量进行对比与评估，再结 合任务的计算强度、时延要求和数据依赖等特征，以及网络带宽和能 量预算等约束，运用自适应的智能调度算法将大规模的计算任务分散 到不同的计算节点上，从而实现高效的数据处理和分析。本白皮书阐 述了分布式算力感知与调度的背景、体系结构、关键技术、应用场景、 发展建议，旨在为有兴趣了解分布式算力感知与调度相关概念和技术 的研究人员提供介绍与指导。具体而言，本章从分布式算力感知与调 一形态，边缘算力是前者重要组成部分，是分布式思想的一种具体体 现。边缘算力强调“地理近端性”，即计算能力的部署靠近数据源， 以满足低延迟和高实时性的需求；而分布式算力更关注“全局最优性”， 侧重任务的分解与协同，以处理大规模和复杂的计算任务可能调度至 边缘、核心云或两者协同，例如“云-边-端”分层推理。 分布式算力感知与调度的核心在于“感知”与“调度”两个相互 依存、紧密结合的环节。“感知”是基础和前提，它指的是系统具备 而是驱动社会经济形态深刻变革、与热力、电力并驾齐驱的关键生产 力，是支撑数字经济高质量发展的战略基石。中国信通院指出，随着 新一代通信规模建设和边缘计算应用的持续部署，越来越多的应用运 行和数据生产处理在边端侧开展，这对于传统算力基础设施的部署、 调度提出了新要求，分布式算力通过不同范围部署不同规模算力，为 政企数智化转型各场景随需获取算力提供新思路。在此背景下，分布 式算力感知与调度技术作为构建下一代算力基础设施的核心神经系