星互联网承载网体系架构及星间/星地链路、路由、交换等七大关键 技术；同时，本白皮书分析了全球主要卫星互联网的产业现状与标准 II 化进展，探讨了轨道/频谱资源紧张、空间环境复杂等特殊问题及应 对策略，最后对未来发展方向进行了总结与展望。 本白皮书期望为业界提供对卫星互联网承载网的全面认知，促进 技术交流与创新协作，推动相关技术在国防安全、应急通信、智慧农 业等领域的广泛应用，助力我国卫星互联网产业从“技术并跑”迈向 4.4 移动切换技术............................................................................24 4.5 网络管理与控制技术................................................................27 4.6 网络测量技术................... 同时， 承载网还需与地面光纤网或无线骨干网形成互联接口，实现跨域无缝 对接。由于卫星在轨运行形成高度动态化的拓扑结构，卫星互联网承 载网的控制平面必须具备快速的拓扑感知与预测能力，通过基于轨道 力学的链路预测实现路由的提前优化配置，并借助分布式控制与跨域 编排机制，在多域多业务并行运行的情况下保持网络稳定。 在能力特征方面，卫星互联网承载网的首要优势是全球覆盖。依 托大规模卫星星座的

技术与算力网络结合的角度入手，从 概念、架构、技术、场景、生态、挑战等多个方面对服务生成算力网 络进行系统、全面的阐述。 1.2 人工智能开启算网应用新范式 AI 在跨域特征挖掘、深度数据分析、策略动态生成、能力自动学 习等方面具备天然的优势，将 AI 与算力网络的设计、建设、维护、 运行和优化等功能结合起来，利用其强大的分析、判断、预测、决策、 学习等能力，赋能网元、算网和业务系统，助力构建高效灵活、安全 功能的思想，最终实现算网服务生成，即系统全流程的自动化运行、 智简的服务体验、多样化的业务承载、高效的资源利用率、自适应的 优化调整等。从技术实现方面来说，算力网络中的基础资源感知和建 模、资源的编排策略、算网运行的故障处理、算网服务的在线优化等 关键动作，都可以通过智能算法实现自动化。从系统功能方面来说， 算力网络的感知、分析、决策、调度、运维、安全等功能需要自主实 现，而且需要不断提高智能化水平来满足日益复杂的功能需求，并能 为实现上述目标，一方面需要基于算力网络现有的研究，包括资 源感知、算力节点协同机制、任务调度机制等，实现算网的深度融合。 另一方面，结合意图网络相关技术，将用户的意图进行转译成网络可 理解、可执行的指令，并根据当前算网状态进行策略验证、执行和结 果反馈，确保用户意图正确实现。其中，如何进行用户意图解析是关 第九届未来网络发展大会白皮书 服务生成算力网络白皮书 10 键难点。目前，通过关键字原句和表达语句来描述用户需求的方法存

FLOPS）及对特定负载的实际加速效能。网络感知需 3 精确测量任务提交点、计算节点间的拓扑关系、带宽、延迟、丢包率 及抖动，以保障低延迟应用。此外，还需感知资源使用的经济成本、 能源成本及数据主权、SLA 等策略性约束。这些信息经清洗、融合与 抽象后，将形成支撑智能决策的多维度量化算力资源模型。 “调度”则是基于“感知”结果所采取的行动，是整个系统的“大 脑”和中枢。它根据感知到的全网算力资源分布图景和实时状态，在 本和最佳的用户体验。调度决策是一个高度复杂的优化问题，其目标 函数通常是多维度的，需要在性能目标、经济目标和系统目标之间寻 求最佳平衡点。分布式调度策略多种多样，从传统的基于静态规则的 调度，如轮询、随机分配等，到更为复杂的动态调度策略，如基于负 载均衡的调度、基于服务质量（QoS，Quality of Service）的调度、 基于经济效益的调度等。现代的算力调度系统越来越倾向于采用人工 类型的计算任务精准匹配到最适合的硬件上执行，从而实现 4 整体计算效能的最大化。感知系统需通过统一的“算力单位” 实现异构资源的归一化描述；调度系统则需针对不同类型任 务设计适应性的分配策略。  动态性：分布式环境本质上充满不确定性。资源可能随时加 入、离开、发生故障或性能波动；网络状况瞬息万变；任务 需求和依赖关系也可能动态调整。因此，算力感知必须是实 时的，调度决策也必须是动态调整的。系统需要具备快速响

系 统协同层面，算力调度以性能优化为导向，电力系统则以稳频调峰 为目标，二者缺乏统一的优化框架，造成新能源利用率损失 3%- 5%。技术层面，算力系统的异构性与电力系统的波动性难以通过传 统控制模型实现兼容，跨域协同效率低下。这些问题的存在严重制 约了算力产业与能源系统的协同发展。 本白皮书详细介绍了算电协同的发展背景、基本概念、功能架 构、关键使能技术等；同时，分析了算电协同典型应用场景、生态 . 17 2.2.4 高可靠确定性网络承载........................................................ 18 2.2.5 生成式智能化决策控制........................................................ 19 2.2.6 全周期高实时数字孪生..................... .............. 47 5.1.1 系统复杂性，算电协同的纳管挑战..................................... 47 5.1.2 资源动态匹配，协同控制的核心难题................................. 48 5.1.3 能效瓶颈，电力侧的关键制约....................................

控、处置脚本和工具，协助完成 日常运维的巡检、监控、告警等操作，生成巡检报告以及事件总结报告。也可以构建AI Agent，将 运维排查和维护任务集成到智能工具，自动调用相关数据并结合知识库和预设策略，实现对数据 库的自动排查和维护，提升运维效率。此外，通过分析历史运维数据，AI可以实现预测式运维，变 被动运维为主动运维，比如提前评估资源，根据负载变化自动扩缩容等。 智能化调优：利用ML/ 行优化和调整，确保 应急处理流程与正常业务流程的协同。 �.� 数据安全、合规挑战 随着数据泄露和隐私问题的增加，数据库安全和合规性成为企业关注的重点。在自动化建设中， 需采取包括加密、访问控制和审计在内的安全措施，保护数据的机密性和完整性。此外，数据安全 和权限管理也是需要重点关注的问题，要建立统一的数据安全管理体系，明确不同系统和人员的 数据访问权限。 而在数据库国产化替换与云、AI 在集群故障方面：要建立集群的冗余机制，如多集群多中心部署、要实现集群自动故障检测和转 移机制等。集群故障发生时，能够快速切换到备用集群，确保业务的持续运行。 在业务逻辑故障方面：应该做好数据备份，采用全量备份、增量备份、差异备份等策略，确保数据 可恢复。定期进行数据库恢复演练，验证备份的可用性。实现数据库层面的快速回滚，在发现业务 逻辑故障后，能够快速回滚到故障前的状态，减少影响。此外还要加强代码审查和测试，提前发现 和修复逻辑错误。

每个智能体在发展和应用过程中，必须严格遵循一 套系统化的策略，即首先实现标准化，确保各项操作和 流程符合统一规范；其次推进自动化，通过技术手段减 少人工干预，提升效率和准确性；最后迈向智能化，利 用先进的人工智能技术，实现自主决策和优化，从而全 面提升智能体的综合性能和智能化水平。这一标准化、 自动化、智能化的三步走策略，是每个智能体实现高效、 稳定、智能运行的关键路径。通过三步走的策略也可以 补上数据治理的短板。 提升了工作效率，更可让员工专注于确实能“增效”的 有意义的工作。 智能体不仅有助于企业提高内部运营效率，更会成 为企业参与市场竞争的关键助力。借助智能体的精准分 析与快速响应能力，企业能够更敏锐地捕捉市场动态， 及时调整经营策略，进而扩大市场份额。而且，智能体 可以实现个性化的客户服务，依据客户的需求和喜好提 供定制化方案，提升客户的满意度与忠诚度。如此一来， 企业便能在激烈的市场竞争中崭露头角，收获更多客户 的信 战略规划和顶层设计是为了全局统筹谋划，确保方 向正确，在获得全行级的战略安排及资源支持的同时， 对齐愿景、凝聚共识，避免基于短期利益做出的“碎片 化”决策导致资源浪费和无谓内耗。而小步快跑和快速 迭代的策略是应对不确定性、降低风险并实现持续优化 的核心方法论，旨在通过阶段性的相对低成本的投入进 行试验试错，避免因一次性大规模投入失败而引发的不 可承受风险。更重要的是，采用 MVP（最小可行产品）

在东数西算场景中，算力资源的全域统筹与动态调配构成了新型 基础设施的核心能力。面对多样化的业务需求与复杂网络环境，单一 调度模式难以满足所有场景。为此，需进一步探索总分、分总、混合 三种典型调度架构，通过差异化的层级设计与控制策略，构建更加灵 活适配的算力网调度体系。 5 3.1 总分调度架构 全局调度为“总”，区域调度为“分”，总分调度架构指的是在全 局调度与区域调度构成的层级调度结构中，以全局调度为业务入口， 心数量、内存容量、GPU 性能、存储类型及容量等关键信息，将自 身资源纳入算网协同调度平台的统一管理范畴。算网协同调度平台则 扮演着“市场监管者”和“资源整合者”的角色，运用多种的技术手 段和管理策略，对这些资源进行集中纳管，构建起一个庞大、有序的 算力资源库，为后续的高效调度奠定坚实基础。 ● 图 3-1 总分调度-资源注册登记与纳管 步骤二：资源状态上报 为了确保算网协同调度平台能够实时掌握资源的动态情况，实现 源的闲置浪费或过度使用，提高资源的整体利用效率。 图 3-2 总分调度-资源状态上报 步骤三：算网调度操作与协同调度 当算力使用者产生业务需求时，他们只需通过算网协同调度平台 提供的便捷操作界面（如控制台等），发起算网调度请求。调度中心 在接收到请求后，迅速启动协同调度机制，如同一位经验丰富的指挥 家，协调各方资源，综合考虑用户的算力、网络和存储需求，以及当 前资源池中各类资源的实时状态，制定出最优的调度方案。通过准确

..............6 （二） 多模态模型算法赋能“大脑”层级进步 ...................................7 （三） 小脑模型算法迭代优化，实现拟人化运动控制..........................7 （四） “肢体”构筑机器人的“钢铁之躯”......................................8 三、 全球人形机器人的典型实践与探索 类外观和行为的机器人。人形机器人灵感来源于人类的身体，集仿生 学原理和机器电控原理于一体。与普通机器人相比，人形机器人最大 的特点是拥有拟人智能能力，可以通过人工智能大模型技术的赋能， 实现拟人化的感知、决策、控制能力，实现了智能的飞跃。同时，人 形机器人还需要具有拟人的外观，通常由头部、躯干、四肢等部分组 成，能够实现模拟人类的行走、抓握等动作。这种类似人类的形态，可 以快速融入人类社会，完成具体的任务，通用性和适应性较强。 波士顿动力Atlas作为行业运动能力标杆，2024年推出电动版新 款Atlas机器人，具备三指灵巧手，可搬运14kg物体，能完成行走、跳 跃、爬楼梯等复杂动作。核心技术模型预测控制器（MPC）推动其从 预设动作向自主路径规划进化，在复杂地形运动中保持卓越稳定性，持 续拓展运动控制与感知技术的边界，主要服务于科研验证领域。 宇树科技代表中国创新力量。2023年H1搭载自研M107关节电机， 单腿自由度设计使其在

然后主要围绕 商业银行、证券公司以及保险公司审计提出可供参考的场景问题并给出相关的提 示； l 大数据应用部分：涵盖风险建模、文本分析、流程自动化等技术，提供 Prompt 设计与调优策略的简要提示与思路； l 示例与案例部分：详解大数据分析技术等在合同审查、关联交易识别、 风险揭示等场景中的具体审计示例与案例分析。 三、多层面价值彰显：从个体应用到机构和行业的启发 本手册的价值体现在三个层面： 路 注重通用性，兼顾众多中小银行内部审计需要。在使用本手册过程中，还请 各位 同行和学者们注意： l 风险隔离：在使用大语言模式时禁止上传涉密数据，敏感信息需脱敏处 理，建议通过本地化部署控制数据流向； l 交叉验证： 目前问题及相关提示与案例主要是模型输出，虽然经过编写 团队的核对筛选和修改，但由于人工智能幻觉的存在，以及金融政策快速变化； 在使用时仍需与最新监管文件、内部制度比对；问题提示因篇幅限制较少，使用 .................................................................................. 4 二、审计工作管理与审计质量控制 .................................................................. 6 商业银行审计篇 ....................

基础硬件层面，昇腾持续引领技术架构，打造领先产品，实现业界最大规模的 384 超节点产品，并 在下一代将扩展至 8192，持续领先；在基础软件层面，通过一套架构满足不同代际产品的持续演进， 同时秉承开源开放的策略，将核心计算架构 CANN、Mind 系列应用使能软件全面开源开放，同时 结合对 PyTorch 等主流框架的全面兼容和体系化工具链，旨在最大限度地降低开发门槛，加速开发 者和社区的融入。如今，昇腾 Law（规模定律）将以多元形态长期生效，持续推动人工智 能技术突破能力边界，而超大规模 Transformer、MoE（混合专家模型）、稀疏注意力模型等，已 成为可扩展模型的核心架构方向。在复杂的混合并行策略下，随着并行规模持续扩大，系统节点间 通信带宽与可用显存容量成为制约大模型可扩展性的瓶颈，亟需计算架构创新以满足未来更大规模 模型训练的需求。超节点架构突破传统互联瓶颈与共享协议限制，不断突破系统性能上限，成为多 这 一范式转变，对底层的计算架构提出了与单纯追求规模截然不同的新挑战。 1. 单卡阶段（CV 模型主导）：在计算机视觉（CV）模型为主的时期，模型可以完全放入单个 加速卡中进行训练。此时的并行策略主要是数据并行，单卡的计算能力是主要瓶颈。 2.3 大模型计算基础设施的挑战 超节点发展报告 10 2. 单机阶段（小参数 NLP 模型主导）：随着 NLP 模型的出现，单卡显存不足以容纳整个模型，