1 英特尔中国 公有云和互联网创新实践 2 Large Language Model (LLM) 大语言模型 Traditional Deep Learning 传统深度学习 技术篇：英特尔 AI 产品组合 英特尔 AI 实战视频课程 英特尔中国 AI 实战资源库 基于英特尔® 架构的 AI 软件工具组合 03 10 15 30 36 37 CONTENT 目录 Large 可扩展处理器不仅具有更多的内核数量、更强的单核性能和更 大的三级缓存 (LLC) 容量，还可凭借增强的内存子系统，以及 全面的 AI 加速环境来为大模型提供强劲的推理算力支持。 隐患自动发现与维护 故障推理引擎 英特尔® 深度学习加速 ( 英特尔® DL Boost) 英特尔® 高级矢量扩展 512 ( 英特尔® AVX-512) 英特尔® 高级矩阵扩展 ( 英特尔® AMX) 英特尔® 软件防护扩展 ( 英特尔® AMX，在提升算力的同时，高效处理大 量矩阵乘法运算，提升 AI 推理性能； • 使用英特尔® oneDNN 对 CPU、GPU 或两者使用相同的 API，抽象出指令集的其他复杂的性能优化，实 现深度学习构建块的高度优化。 看如何用 CPU 加速的 AI 大模型构建数智化供应链 挑战 解决方案 云服务器升级 解决方案 大模型推理调优 4.19 倍 基于第五代至强® 可扩展处理器

的优势，⼤规模 的自动驾驶车队 ⾄关重要 空间智能概览 自动驾驶 3D⽣成 具身智能 扩展现实（XR） 世界模型 自动驾驶是空间智能目前规模最⼤、最成熟的应用，已经接近⼈类⽔平， 技术前沿开始从模仿学习转向强化学习，以保持性能增长 10 信息来源：量⼦位智库 描述 L1 阶段 L2 L3 L4 L5 数据支撑 • 极少 • 以视觉为主的⼤量 车辆驾驶数据，附 加激光雷达等其他 传感器数据 • 完全由AI完成驾驶操作 权责 划分 算法支撑 • 真实数据积累量（本质是模仿学习）对模型 能⼒的增益呈现边际递减的情况，优秀的模 型会增加长尾数据的收集难度，模型越好依 赖真实数据进⾏提升越困难 • 需要引⼊强化学习+合成数据的新算法来加速 模型迭代速度、提⾼智能上限 数据量 模型能⼒ 强化学习 增益 当前阶段 空间智能概览 自动驾驶 3D⽣成 具身智能 扩展现实（XR） 世界模型 效果最差，主要用于⽆法获取数据的情况， 在预训练后补充不同驾驶环境的知识 空间智能概览 自动驾驶 3D⽣成 具身智能 扩展现实（XR） 世界模型 自动驾驶已经出现清晰的空间智能Scaling Law，接管里程随底层算⼒扩 展和强化学习新进展快速增加，在百万卡集群支撑下将超过⼈类⽔准 12 信息来源：量⼦位智库，Tesla，1）H100等效算⼒ V12 V13.5/V14 V13 V12.5 Robotaxi • 放弃模块式、基于规则的算法

会采用高性能的硬件网关，以满足海量数据的快速处理需求；而对于一些小 型的第三方接入网，则可以采用虚拟化的软件网关，部署在通用服务器上， 降低成本的同时保持灵活性。未来，随着人工智能和机器学习技术的不断发 展，智能网关将具备更强的自主学习和决策能力。它能够根据历史数据和实 时网络状态，自动预测流量变化，提前进行资源调度和路径规划，进一步提 升网络的智能化水平和运营效率。 3.1.2 跨域策略管理 跨域 联盟智能体是联盟网络中实现跨主体协同决策和任务执行的智能实体， 它基于联邦学习等技术，在多个主体之间进行知识共享和协同工作。在智能 交通系统中，联盟智能体可以整合交通管理部门、公交公司、出租车公司等 不同主体的数据和资源，通过协同决策优化交通信号控制、公交调度和出行 路径规划，提高城市交通的整体运行效率。联盟智能体的核心在于跨主体的 知识共享和协同决策。通过联邦学习等技术，联盟智能体可以在不泄露各主 体数据隐私的 会诊和协同治疗。未来，联 盟智能体将更加智能化和自主化，具备更强的学习和决策能力。通过与物联 网、区块链等技术的结合，联盟智能体将能够更好地适应复杂多变的环境， 实现更加高效和智能的协同工作。 3.4.3 智能资源管理 智能资源管理是联盟网络中利用 AI 技术实现资源高效分配和利用的重要 手段，它通过机器学习和深度学习算法，对网络中的资源使用情况进行实时 分析和预测，从而实现动态的资源调度和优化。在云计算中心，智能资源管

目前，许多大学已经开始开设相关课程，旨在协助学生更深入 地理解并掌握量子计算的理论知识和实践技能。然而，由于量子计 算涉及的概念和原理包括叠加态、纠缠态以及量子门等都是相当抽 象且复杂的内容，这就对教师的教学水平和学生的学习能力提出了 较高的要求。 (二) 现状/需求/痛点 当前，主流的教学方法仍是理论讲解，尤其在处理复数和矩阵 概念时，学生们常感到困难重重。因此，如何将抽象的量子理论具 体化、形象化，使 机实验内容，主要分为三个板块。1）量子比特物理指标（如退相干 时间 T1、T2）以及自由演化动力学现象实验；2）从量子逻辑门层 级开始学习量子算法设计，并在真实硬件上运行后对结果进行分析； 3）对物理底层更加开放的量子调控技术探索，进一步加深学生对量 子计算相关技术的认识和学习。 具体的教学方案中还包括如表 1 的一系列实验课程以及配套的 实验手册。 表 1 基于核磁量子计算机的量子实验内容 可能成功实现量子计算。该实验重点是，通过测量拉比振荡，加深 对核磁共振原理的理解；进一步掌握在核磁共振系统中实现单比特 门的方法--单比特门由射频脉冲实现；学习核磁共振量子计算中量 子门校准的方法。 量子算法也是量子计算学习中非常重要的一环，本方案同时也 设计了一系列的典型的量子算法实验课程，如利用 HHL 算法解线性 方程组。科学和工程学中的很多问题都需要解线性方程组。随着科

Intel机密计算开源解决方案 114 115 121 126 133 部署TensorFlow Serving在线推理服务 部署TensorFlow横向联邦学习 部署隐私集合求交方案 PPML: 端到端隐私保护机器学习解决方案 01 认识龙蜥 龙蜥社区（ OpenAnolis ）成立于 2020 年 9 月，由阿里云、ARM、统信软件、龙芯、飞腾、中科方德、 Intel 等 24 1、用户心智不足。用户普遍对机密计算这项新技术的认知感不足，难以将其与自己的业务直接联系起来 ，导致需求不够旺盛。 2、技术门槛高。目前，相比传统开发方式，主流的机密计算技术的编程模型给人们对机密计算技术的印象 是学习和使用门槛高，用户需要使用机密计算技术对业务进行改造，令很多开发者望而生畏。 3、应用场景缺乏普适性。目前，机密计算主要被应用于具有特定行业壁垒或行业特征的场景，如隐私计算 和金融等。这些复杂场景 式的代数运算之后，得到的仍然是 加密的结果，将其解密所得到的结果与对原始明文进行运算得出的结果一致。由于运算完全在密文上进行，同 态加密可以提供极高的数据安全保证，其被广泛地应用于隐私保护计算、联邦学习和区块链等领域。 问题&挑战 虽然同态加密技术发展了许多年，但由于其技术复杂度高，对计算、存储和网络带宽资源要求高等原因， 面临着开发、使用和部署门槛高的问题。为了解决上述问题，Intel提供了一系列工具套件和加速库，包括Intel

企业和个人将展现出超乎寻常的重塑潜能。让我们携手共 进，未雨绸缪，共谱新篇，未来可期。 技术展望 2025 | AI 自主宣言 3 目录 目录 01 二进制大爆炸 02 品牌新门面 03 大模型进入实体 04 人机学习循环 概要 AI自主宣言 可能无限，信任惟先 09-21 04-08 22-33 34-46 47-58 在界面趋同中赋予AI个性 人与AI互学共进，双向赋能 推动技术系统的根本性变革 基础大模型重塑机器人 模型唾手可得。图灵测试曾被认为是机器智能的最高 标准，而今天，人与基于大语言模型（LLM）的客服 机器人和销售智能体对话每天都在打破这一标准。如 今的AI模型已摆脱了过去深度但特定且线性的方法， 展现出前所未有的自主性⸺无论在学习方式、任务 处理、还是最终能力上。这种自主性正在改变工作方 式：从 75% 的知识工作者使用生成式 AI 提升工作效 率，到人机交互方式的革新（如 AI 编程助手和语音 助手），再到机器人、汽车、医疗保健等行业的广泛 认知数字大脑通过四个相互连接的层次，实现对信息的组织、处理和行动，成为企业决策和持续学习 的中枢神经系统。它支持企业的未来战略目标，例如意图式架构推动企业运营的智能化和高效化。 知识层：通过知识图谱和向量数据库等技术，从企业内部和外部收集、组织和结构化数据。 模型层：大规模生成式 AI 模型以及经典的机器学习和深度学习模型可以通过关键思考和推理，将数据转化 为可用于决策或行动的结果。 智能体层：

长。 图 1：2024 年，灯塔工厂的构成多样化 全球灯塔网络的核心优势在于其开放的知识共享机制。65% 的工厂在转型中借鉴至少 3 家其他行业灯塔经验及 2 家生态伙伴 实践，仅 18%的学习对象来自自身行业。例如，汽车、电子等领 域的经验可启发八个以上其他行业。依托世界经济论坛平台，企 业通过协作跳过试错阶段，直接应用已验证的转型方法。 （二）2024 年新晋灯塔工厂：提高卓越运营的标准 本增效。以 海天集团为代表的灯塔工厂不仅会整合能提供可靠信息和建议 的工具，还围绕这些工具重新设计流程。 实例：海天集团 中国海天集团通过 AI 驱动的智能嗅觉系统（基于香气传感 器与机器学习）优化酱油生产流程，针对分析结果传递断层开发 自动报警功能，实时拦截不合格批次，并由自动导引车（AGV） 转运至实验室。质检数据数字化后，工程师与操作员可专注车间 优化，同步修复系统漏洞，最终将检测效率提升 同时规避冗余系统，确保数字工具精准匹配物理场景（如产线布 局），避免无效技术堆砌，实现高效柔性生产。 （二）投资自身能力建设 1、选择正确的开发方式 初创企业开发工业基础模型，云服务提供商推出日趋完善的 人工智能/机器学习运维开发工具包。灯塔工厂自主开发比例较 2019 年提升了 37%（见表 2），聚焦 AI 架构与集成，仅外包技 术栈非核心环节，强化信息链主导权。 实例：美的集团 通过发展内部制造能力，灯塔工厂能够为当地工厂提供定

CITY不是简单地在城市叠加技术元素，而是以AI为核心，融合联 接、计算、云、区块链等新一代信息技术，构建从感知智能到认知智能的全新技术体系，直接通过 由AI驱动的、具备对话能力的、多模态的智能体界面与之互动，打造数据驱动、具有深度学习能力 的城市级一体化智能协同体系，将推动城市走向更高效、更可持续、更有温度的新时代。 人工智能技术将重塑城市发展模式，带领人类进入智慧城市新阶段。报告提出“AI CITY” 是AI原生的智慧城 发展研究报告 02 AI CITY 发展研究报告 “人工智能 +”成为 新时期经济社会发展 的战略指引 1.1 人工智能芯片快速迭代助推新一轮AI浪潮 传统通用处理器（CPU）已经难以满足深度学习等高并发计算需求，AI芯片通过架构创新实现了数量级的性能跃 升。高端AI芯片的突破更使得训练百亿参数大模型成为可能，直接推动了ChatGPT、Sora等生成式AI的爆发。AI芯片 的快速发展已成 高质量数据集建设取得积极进展，数据要素市场不断拓展新空 间，2024年数据生产量达41.06泽字节（ZB），同比增长25% 2。庞大的数据规模为人工智能模型的训练提供了丰富 的素材，使得模型能够学习到更广泛、更深入的模式和规律。 算法技术创新不断突破，为AI系统性创新注入强大动力 近年来我国愈加重视AI基础研究和算法技术创新，截至2025年4月，我国人工智能专利申请量达157.64万件，占

源，达到保障用户优先级、降低干扰，提升吞吐量等关键系统性能 指标。这是典型的组合优化难题，属于非多项式级复杂度（一般为 指数级），求解最优解将超越经典计算能力。 在人工智能方面，虽然机器学习的引入为移动网络数据处理与 智能化提供了新的解决方案，但大模型的训练与推理成为移动网络 新的算力需求来源。网络智能化任务主要涉及网络状态的预测、异 常检测和网络优化决策等。广义的网络状态预测包括网络流量预测、 量子计算在金融领域的应用处于发展初期，已取得一定进展，比 如法国 CIB、Pasqal 和 Multiverse 联合发布了量子计算金融应用解决 方案，摩根大通和 QC Ware 使用量子深度学习分析了模型提升训练 有效性，汇丰银行和 Quantinuum 合作探索了在欺诈检测和自然语言 处理等方面的量子计算应用优势。其典型计算场景主要体现在以下几 个方面。 1）投资组合优化。量子计算的并行计算能力和量子纠缠特性， 信用风险预测 问题建模 问题类型 分类预测 数据规模 5000 个特征，上亿样本数量。 问题模型 机器学习分类问题 计算目标 对给定用户进行分类，判断其是否有 能力还款。 计算指标 预测概率 求解时长 非实时 算力需求 量子算法 量子核机器学习算法 线路宽度需求 宽度（比特数）>=5000 线路深度需求 深度（单个比特上放置门的总数的最 大值）>=1000

精准网络规划综合分析包含网络建设原则，精准业务建模，业务发展预测，无线设计标准和 ROI 分析： 网络建设原则：行业客户明确是建设 5G 物理专网还是虚拟专网； 精准业务建模：基于大数据的 AI 学习和算法可以实现 ToB 业务的精准建模，给出明确的业务带宽，时延，可靠性需求，业务建模 举例如下： 精准无线解决方案 行业类型 具体应用 时延 带宽 可靠性 行业专网 2B 典型业务 智能制造 。 动态业务流识别对运营商和行业客户带来的主要收益包括： 包识别的方法： 基于 DPI：对数据包各种协议特征进行分析、提取、识别数据报文类型。 基于在线推理：针对特定业务的包特征预先进行离线学习，获得能够识别包特征的模型，然后在线部署并在线推理， 获得包特征。 扩展业务类型 支持针对每一种业务定制 QoS 保障策略，不再局限于 3GPP 定义的 5QI。 简化运维，提升运维效率 QoS 精准无线解决方案 12 2 包识别结果： 包属性： 包间隔 / 包大小 / 上层协议类型 包类型：视频 -I 帧 /P 帧、远程操控 - 控制指令 / 任务信息 DPI 在线推理 离线学习 模型构架 远程操控-控制指令 远程操控-任务信息 I桢（丢包率为10-6） P桢（丢包率为10-3） 图 3-5 包特征识别 在行业应用场景中，关键业务往往对传输时延和可靠性的要求特