领域所用数据增强方法，通常为对数据进行加噪、翻转等操作，但这些方法往 往无法抓住信道数据传播特征，无法对信道数据特征进行有效扩充。有学者应用元学习的方 法对 AI 模型进行预训练，以降低再训练时对实测训练样本的依赖程度，但该方法仍需要多 组实采数据样本作为支撑，同时空口开销也较高。 对于基于机器学习的信道状态信息压缩反馈而言，其模型一般分为编码网络（encoder） 和解码网络（decoder）两部分，如下图所示。 高维信道矩阵 2-3-1 基于机器学习的信道压缩反馈 由于神经网络节点和层数较多，需要大量的实测数据进行训练（通常是几万个样本）。 此外由于物理散射环境和用户的移动速度等因素的差异导致了信道状态信息存在较大的差 异，实际数据采集时如果想要覆盖如此丰富的散射环境，需要进行更大数量的数据采集。因 此样本实测所需的巨大开销给 AI 在通信系统中应用带来较大挑战。 基于以上分析，我们提出基于信道模型的信道数据生成方法，具体流程如下。 6、仿真生成的数据即为原实测数据的增强数据集。 流程图如下： 图 2-3-2 数据增强方法 路径上共采集11200个样本。使用800个信道样本点用于信道特征提取（图中最后一列）， 与用所有 11200 个样本点所得信道特征（图中倒数第二列）非常接近。由此可以验证，仅用 不到 10%样本点即可完成信道特征的提取，样本采集开销降低 90%。 48 / 87 实测数据为路径上面选择的 800 个有代表性的信道数据，其用于生成大量的仿真数据。

类向图像、音视 频等多种类型扩展。个人用户与企业用户对AIGC适用领域的探讨和能力升级的期待推动大模型加速开发迭代。数据、算法、算力则 是带动大模型升级迭代的“三驾马车”。数据是模型开发和调优的基础样本，算法是对数据处理和分析的方法，算力则是支持大规 模数据采集和升级算法处理能力的关键。因此，大模型迭代需要更广泛的算力资源支持。通用大模型的进步驱动训练算力增长，要 求智算基础设施集中部署智算设备， 得；企业数据主要为访谈获得，艾瑞咨询对该等信息的准确性、完整性或可靠性作尽最大努力的追求， 但不作任何保证。在任何情况下，本报告中的信息或所表述的观点均不构成任何建议。 本报告中发布的调研数据采用样本调研方法，其数据结果受到样本的影响。由于调研方法及样本的限 制，调查资料收集范围的限制，该数据仅代表调研时间和人群的基本状况，仅服务于当前的调研目的， 为市场和客户提供基本参考。受研究方法和数据获取资源的限制，本报告只提供给用户作为市场参考

，能有效提升模型性能的 数据的集合。高质量数据集的形成需要在基础数据资源和知识库的基础上，基于目标场景的业务规则，筛选高相关性 数据。通过人工标注或自动标注赋予数据明确语义，运用数据增强技术扩充样本多样性，提升模型泛化能力。同时， 建立数据集版本管理机制，记录数据来源、处理与标准规则，结合场景需求变化动态更新，通过验证及评估确保数据 持续满足模型训练与决策分析需求。 资源体系 3.3 1、数据资源 数据合成 领域知识注入 数据对齐 跨模态对比学习 低秩适应 参数高效微调 基础大模型 …… 语义理解 机器翻译 语言生成 多模态理解 逻辑推理 …… 自监督学习框架 增量预训练 多任务学习机制 少样本提示 结构剪枝 量化技术 26 AI CITY 发展研究报告 图 9 运营体系示意图 运营体系 3.4 面向城市全场景智能应用和人工智能产业发展需要，以高质量、高效率、普惠化的算力、模型和数据运营为核 大最关键漏洞，保障大模型应用稳定运行。 安全合规运营： 通过评测工具和专业服务，提供全方位的合规性和安全性评估。一是内容对抗测试，通过自动化内容安全评测 工具，对常见攻击模式进行评测，测试对抗样本下模型的抗干扰能力。二是内容安全评测专业服务，针对性分析行业 内容合规要求，构建行业特有问答进行评测，评估是否输出违规内容。三是安全渗透测试，对AI训推环境和AI开发平 台软件的安全性进行测试，及时发现暴露面、漏洞、后门、插件。

为本公司的当然客户。任何非本公司发布的有关本报告的摘要或节选都不代表本报告正式完整的观 点，一切须以本公司发布的本报告完整版本为准。 本报告中的行业数据主要为分析师市场调研、行业访谈及其他研究方法估算得来，仅供参考。 因调研方法及样本、调查资料收集范围等的限制，本报告中的数据仅服务于当前报告。本公司以勤 勉的态度、专业的研究方法，使用合法合规的信息，独立、客观地出具本报告，但不保证数据的准 确性和完整性，本公司不对本报告的数 术的应用，主要应用 场景包括生产优化、工艺优化、设备管理、智能工厂管理、设备故障预测、安全防护等诸多方面，并且普 遍取得了生产效率提升、成本降低、产品质量提高等显著成效。其中，在有明确量化成效的样本中，其生 产效率平均提升约 35%（范围值：3% - 50%），运维成本平均降低约 28%（范围值：13% - 41%）。此 外，通过工业网闸、工业防火墙等技术和设备，大多数企业已经建设完成了工业互联网的安全体系建设和 正在积极寻求和应对工业互联网 变革下安全新挑战的新技术和新方案，并且已经形成基于行业、基于供应链的跨界跨领域的新兴生态圈。 （一）调研样本基本情况 调研样本覆盖了不同区域、不同行业和不同规模的工业企业，确保了调研结果的广泛性和代表性。在 区域分布上，样本企业遍布全国各大区域，反映了不同区域工业安全建设的实际情况。在行业分布上，涵 盖了钢铁、能源、汽车、电子、机械等多个细分领域，反映了工业领域在行业细分方面的差异化。在企业

©2022-2025 粤ICP备12056275号 1. 数据来源 1）极光月狐iAPP（MoonFox iApp），基于极光云服务平台的行业数据及月狐iAPP平台针对各类移动应用大数据的挖掘，并结合大样本算法开展的数 据统计与分析； 2）极光月狐iBrand（MoonFox iBrand），基于全面品牌洞察方案，对门店客流、店铺数、销量、用户画像等多维度数据进行统计与 分析； 3）极光月狐iMarketing（MoonFox 经用户合法授权采集数据，同时经过对数据脱敏后形成大数据分析报告。 2. 数据周期及数据指标请参考各页标注。 3. 免责声明 极光月狐数据MoonFox Data所提供的数据信息系依据大样本数据抽样统计、小样本调研、数据模型预测及其他研究方法估算、分析得出。由于统计分 析领域中的任何数据来源和技术方法均存在局限性，极光月狐数据MoonFox Data也不例外。极光月狐数据MoonFox Data依据上述方法所估算、分析得

投资建议： A I 大模型的参数量和训练数据量的快速增长，对数据中心的计算、存储、网络等提出新的要求，新型智算中心是产业发展趋势； A I 大 模型需要部署在高速互联的多个 A I 芯片上，数据样本和模型结构被切分到多张卡或者节点上，卡间或节点间不仅有训练数据通信，还有模型 梯度 的频繁传递，对智算中心的网络互联提出新的要求，建议关注宝信软件。 • 风险提示：宏观经济波动、下游需求不及预期、 模型：训练模式多采用单卡运行或单节点内多卡数据并行，每张卡或节点上都有完整的模型结构，卡间通信主要用于传输训练数据，因此通信 需求不频发，带宽通常在几十 GB ，传统 PCIe 可满足要求。 • A I 大模型：数据样本和模型结构被切分到多张卡或者节点上，卡间或节点间不仅有训练数据通信，还有模型梯度的频繁传递； • 数据并行（ DP ）：每计算设备（卡或节点）都有一个完整模型，将数据集拆分到多个计算设备同 大模型训练和推理需求推动新型智算中心建设。 A I 大模型的参数量和训练数据量的快速增长，对数据中心的计算、存储、网络等提 出新的要求，新型智算中心是产业发展趋势； A I 大模型需要部署在高速互联的多个 A I 芯片上，数据样本和模型结构被切分到多张卡 或者 节点上，卡间或节点间不仅有训练数据通信，还有模型梯度的频繁传递，对智算中心的网络互联提出新的要求，建议关注宝信软 件。 • 宝信软件：随着国家大力发展数据中

多选、单选、描述三种问题形式。 2. 样本情况 向具有特级、一级、二级资质的工程领域企业定向发送电子调研问卷，累 中国建筑业企业数字化研究报告 59 计参与调研的企业共 523 家。通过对问卷的初步检查，在剔除关键值缺失和具 有明显一致性作答的问卷之后，最终得到 321 份有效问卷。 我国幅员辽阔，且各地区建筑业发展不相一致，此次在样本搜集方面，各 地区样本量数量不同，总体上覆盖了 地区样本量数量不同，总体上覆盖了 34 个省级行政区中的 21 个地区。 样本中涉及房地产和市政领域的企业占比最多，均为 26%，两者相加达到 52%。涉及水利和水电、交通运输（含路桥隧、水运）、铁路领域的企业在 10% 以下。涉及电力、电信领域的企业占比最少，分别为 3%和 1%。有 19%的企业还 涉及除以上领域之外的其他领域。样本覆盖到的领域较为全面，其中房地产、 市政领域为主要调查对象。 3. 分析方法 对问卷回收的数据进 行信度与效度检验，即衡量工具和样本的可靠性和准确性。然后将各指标下搜 集的数据进行可视化，以对其中的现象和规律进行分析。 4. 企业数字化概况 (1) 企业数字化组织概况 1) 企业数字化部门的人数 ① 企业专门的数字化部门的人数规模分布 图 1 企业数字化部门人数规模分布 数据描述 样本中 57.7%的企业，其专门的数字化研发或咨询部门人数在

www.iresearch.com.cn 2024年中国Robotaxi市场接受度 样本：N=1056，于2024年9月通过艾瑞智研平台-消费洞察数据库调研获得。 5.0 认知 态度 价值 意愿 期待 3.2 3.6 2.9 3.8 3.8 0.0 认知 态度 Inc. www.iresearch.com.cn ©2023.3 iResearch Inc. www.iresearch.com.cn 样本：艺术涂料消费者N=760，于2024年通过艾瑞调研社区调研获得。 来源：艾瑞消费者调研，消费者访谈。 样本：计划买乳胶漆而最终购买艺术涂料的消费者N=402，于2024年通过艾瑞调研社 区调研获得。 来源：艾瑞消费者调研。 市场机会：持续品类教育，提高渗透 iResearch Inc. www.iresearch.com.cn ©2023.3 iResearch Inc. www.iresearch.com.cn 样本：家装消费者N=3,439，于2024年通过艾瑞调研社区调研获得。 来源：艾瑞消费者调研。 样本：艺术涂料消费者N=760，于2024年通过艾瑞调研社区调研获得。 来源：艾瑞消费者调研，消费者访谈。 市场机会：满足消费者升级空间体验的需求 家

表 3 网络流量预测问题 问题建模 问题类型 时序预测 数据规模 现网 3 个地市 2017/1/1 ～ 2019/2/20 期间小时级的流量数据及节假日时间 信息，数据集样本量：105480。 问题模型 量子神经网络 量子计算应用能力指标与评测研究报告（2024 年） 9 计算目标 预测各地市未来 95 天小时级的流量值 计算指标 预测精度 对于线路深度，根据经验，至少要量子比特数的数十倍才能满足计 算需求，因此所需深度 D >= 10R 表 5 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 在含噪模拟环境，性能下降，仅为最优值的 86% 量子计算应用能力指标与评测研究报告（2024 年） 31 法计算精度 3. 网络流量预测量子 TSMixer 模型测试 网络流量预测是基于给定区域某段时间的流量样本，预测未来 一段时间的流量分布，以便优化网络资源配置，保障网络服务质量。 这里给出一个输入序列长度为 512，预测序列长度为 96 的量子 TSMixer 模型性能评测案例，如表 10 所示。

20%-30%，同时结合算力-内存协同优化技术，将异构集群资源利用 率提升至 85%以上。 面向中远期，构建云边端协同推理架构，实现动态负载迁移与联邦学习驱动 的隐私保护机制。建立可解释性安全防御体系，集成对抗样本检测与推理路径可 视化审计能力，满足金融、医疗等高危行业合规要求。 2.5.3.3 融合算子监控 在推理场景下，融合算子的动态性能波动与资源争用问题显著影响服务稳定 性，需构建细粒度端到端追 数据安全可用 智算场景面临的数据安全风险主要包括针对数据的攻击和通过数据发起攻 击。针对数据的攻击是指在数据全生命周期过程中对数据进行篡改、伪造、窃取 等。通过数据发起攻击是指向训练数据中注入恶意数据样本，破坏数据的可用性， 导致模型性能下降、产生偏差，实现数据投毒。针对数据安全风险，可以从三个 方面来进行应对：  基于数据全生命周期安全防护技术：覆盖数据采集、传输、存储、处理、共 享及销 数据分类分级、数据加密脱敏、操作行为审计等技术构建安全数场。  基于特征分析的检测技术：通过对比可疑数据集和干净数据集训练的模型输 出差异以及在验证数据集上的性能波动，同时配合均值、聚类等统计方法， 识别与正常数据分布显著偏离的样本，识别投毒数据。  基于数据水印的追踪技术：在训练数据中嵌入带有数据提供方身份标识的水 24 印信息，在检测到数据投毒风险后可以第一时间定为风险源，从而隔断其相 关联的可疑数据。 面向近