产业研究 战略规划 技术咨询 2 预训练语言模型 预 训 练 微 调 将模型在大规模无标注数据上进 行自监督训练得到预训练模型 将模型在下游各种自然语言处理任 务上的小规模有标注数据进行微调 得到适配模型 AI大模型就是预训练语言模型 通过在大规模宽泛的数据上进行训练后能适应一系列下游任务的模型 预训练语⾔模型“预训练 + 微调”技术范式 ⼤规模⽆标注 ⽂本数据 模型预训练 不同特定任务 有标注训练数据 模型微调 测试数据 最终模型 从海量数据中自动学习知识 Ø Big-data Driven，模型基于大规模语料训练而成； Ø Multi-tasks Adaptive，支持多种任务，包括自然 语言生成NLG和自然语言理解NLU类的任务； Ø Few-shot (Zero-shot)，在少甚至无标注样本的 条件下支持推理（自监督学习）。 产业研究 战略规划 是最重要的落地场景之一。 ����� 文心一言沿袭了 ERNIE 3.0 的海量无监督文本与大规模知识图谱的平行 预训练算法，模型结构上使用兼顾语言理解与语言生成的统一预训练框 架。为提升模型语言理解与生成能力，研究团队进一步设计了可控和可 信学习算法。 ��� 结合百度飞桨自适应大规模分布式训练技术和“鹏城云脑Ⅱ”领先算力 集群，解决了超大模型训练中的多个公认技术难题。在应用上，首创大

AI 大模型底座。首先，我们将构 建一个高性能的基础大模型，该模型将具备多模态处理能力，能够 支持文本、图像、音频和视频等多种数据类型，并且在多个特定领 域任务上表现出色。该模型的训练将基于大规模、高质量的数据 集，确保其在各类业务场景中的泛化能力和准确性。项目完成后， 预计该模型在关键业务指标上的准确率将达到 95%以上，推理速度 将优化至毫秒级，能够满足企业对实时响应的需求。 其 交互与整合能力较弱，导致数据分析的深度和广度受限。 从技术角度来看，企业现有的基础设施主要以传统服务器和本 地化部署为主，云计算和大数据技术的应用尚处于初步阶段，资源 利用效率较低，难以支撑大规模数据处理和 AI 模型的训练需求。 此外，企业的数据治理体系尚未完善，数据质量参差不齐，缺乏统 一的元数据管理和数据标准，这为后续的数据分析和 AI 应用带来 了较大挑战。 在人才和团队方面，企业虽然拥有一定数量的技术人员，但在 部分业务部门对新技术的接受度较低，导致跨部门协作和资源整合 难度加大。 以下为企业现状的关键痛点总结：  信息孤岛现象严重，数据集成度低，影响业务协同效率；  传统 IT 架构难以支撑大规模数据处理和 AI 应用需求；  数据治理体系不完善，数据质量参差不齐，影响分析效果；  技术人才储备不足，尤其在 AI 和大数据领域存在明显短板；  数字化转型战略认知不统一，跨部门协作难度较大。

这些压力源于不断提升的期望、金融科技颠覆者相继涌现，以及全球监管格局的持续变化，企业正专注 于使其运营实现转型，以继续保持竞争力。 对于部分企业而言，这方面的努力包括测试生成式 AI，以为成千上万客户提供 � 对 � 的大规模个性化服务。与此同时， 在经济方面的考量也推动着企业谋求更精益的运营和更高的流程效率，这两方面对于充分利用 AI 而言至关重要。本报 告探讨了行业领导者如何以不同于其他企业的方式应对这些挑战，揭示了可指导其他金融服务公司在转型工作中可以 核心要点 企业需构建数字为先的运营模式，以获得敏捷性、提升效率， 并具备大规模提供个性化体验的能力 个性化与精益运营 驱动转型 众多企业都渴望摆脱其旧有的成本模式与流 程的束缚。在这个数字化的时代，个性化客户 体验被视为关键差异化因素。 ��% 的企业表示，提高运营效率是其转型的核心驱 是使企业状况保持健康的驱动力 — 能够确保 实现顺畅、精准的运营。自动化和 AI 可以减少 人工任务，并增强准确性和敏捷性。 个性化的产品和体验 在选择面日益丰富的市场中，仅提供服务是远 远不够的 — 各企业必须能大规模提供顺畅、 个性化的体验。 转型工作能够利用数据和技术，从而提供定制 化的财务建议、实时交易洞察和顺畅的数字体 验。借助移动应用、聊天机器人和自助服务平台 增强客户参与度，企业能够满足客户对全天候

力驱动，央国企RPA市场规模增速显著高于市场整体增速。 ◼ 2024年央国企RPA市场中，TOP8原生RPA厂商合计占比超过26%。央国企对于厂商综合能力要求严格，厂商不仅需要具备操作系统迁移、大规模部署和深度定制能力，财 务稳定、兜底能力也是重要参考因素。因此，综合能力较弱的厂商将逐步被淘汰出局，市场集中度将进一步提升。 ◼ 大多数央国企对RPA结合AI技术持观望态度，并对其应用前景抱有期 不用依赖特定操作系统，且无需对原有流程 进行大规模改造，从而实现直接迁移和使用， 避免重复开发流程，极大降低迁移成本。 “国产化替代”适配：厂商产品支持多种国 产中间件、数据库，为央国企必须满足的 “信创要求”提供高适配度。在国产操作系 统（如麒麟、统信）上的兼容性远超传统 RPA产品，并且能在私有云、本地化及多种 混合环境中部署。 云原生架构：云原生架构帮助RPA机器人快 速部署到云端，支持大规模自动化任务的运 26%，未来市场集中度将进一步提升 根据第一新声研究院调研，2024年央国企RPA市场中，TOP8原生RPA厂商合计占比超过26%。央国企对于厂商综合能力要求严格，厂商不仅需要具备操作系统迁移、大规模部署和深度定制 能力，财务稳定、兜底能力也是重要参考因素。因此，综合能力较弱的厂商将逐步被淘汰出局，市场集中度将进一步提升。 14 数据来源：第一新声研究院 2024年央国企RPA市场份额

畴。它成为了实 现智慧城市、智能制造、精准医疗以及人机交互全新模式的重要支撑力量。未来五年，随着技术 标准的不断完善，硬件性能的持续提升以及跨领域协同创新的不断深入，感知技术将逐步从实验 室走向大规模应用。它将如同春风化雨般，渗透到各个产业领域，成为推动产业升级与社会变革 的重要推动力量。 接下来，我们将逐一深入解析这十大趋势，详细探讨各技术的原理、关键技术突破、广阔的 市场前景以及丰 体的力度与表面材质。 三、 未来前景与挑战 脑机接口的感知反馈技术将率先在医疗康复（如脊髓损伤、中风复健）、增强现实交 互（沉浸式虚拟触觉）与军事领域（士兵远程操控装备）取得突破，但其大规模应用仍面 临技术瓶颈： 侵入式 vs. 非侵入式技术路径争议：前者需攻克生物排异反应与长期信号稳定性问 题，后者需突破低信噪比限制。 伦理与隐私边界：脑电数据包含深层意识信息，需建立数据脱敏标准与神经隐私保护 高速数据传输与网络切片是其中的重要组成部分。5G 网络实现了高达 Gbps 级别的 数据传输速率，而 6G 则有望进一步突破这一极限。在确保低延迟（低于 1 毫秒）的同 时，6G 还能够支持大规模设备接入。网络切片技术则允许运营商根据不同的应用场景 （如远程手术、车联网等），定制专属网络。通过对网络资源的灵活分配和管理，确保数 据传输的质量和可靠性。例如，在远程手术场景中，需要保证数据的实时传输和低延迟，

层面，各地紧扣“枢纽-集群-中心”三级架构，形成差异化发展格局。 例如四川成都天府智算西南智算中心已在投运，聚焦多模态大模型训 练，构建“云-边-端”协同的西南智算枢纽，支撑成渝地区数字经济核 心产业发展；中国移动在北京建成大规模训推一体智算中心，支撑高 复杂度、高计算需求的百亿、千亿级大模型训练推理；河南郑州智算 中心开工建设，总投资超 16 亿元。当前，以智算中心为代表的数字 新基建正加速推进、快速落地。 （三）技术革新，激发智算行业创新活力 28 纳米及以上、14 纳米及以上等工艺芯片的大规模量产并应用，以中芯 国际为代表的部分企业正加速研发基于 DUV 技术的 7 纳米工艺芯片。 在大模型方面，大模型正在加速人工智能产业化进程，推动算力服务 普惠普适。DeepSeek、百度“文心一言”、阿里巴巴“通义千问”等国内 央国企智算创新实践报告（2025 年） 4 超大规模模型正加速演进，认知能力不断提升。同时，“预训练大模 布局大型智算中心，依托当地丰富煤电与绿电资源，降低算力成本。 该智算中心聚焦煤矿智能开采、电力负荷预测等场景，为集团数字化 转型提供算力支撑，也助力西部枢纽节点算力生态完善。 通信行业业务覆盖范围广，大规模、高并发、实时性等不同类型 业务众多，通常需要构建覆盖全国主要节点多层级智算体系，以更好 的满足广泛、差异化智算需求。以三大运营商为代表的通信行业企业 在全国主要节点推动智算中心建设，形成多层级智算体系。根据《智

实现多元算力一体化布局。 一是建设超大规模高性能智算中心，赋能行业数字化转 型。建设业内领先的液冷高性能公共智算中心，提供 4000PFlops 总算力供给，可满足万亿参数模型训练。采用基 于全栈 AI 软硬件平台方案，实现算、存、网、电、冷一体 化设计，实现电能利用上的增效，依托超大规模智算集群强 大计算能力，赋能千行百业数字化、智能化转型。 2 图 1 “超大规模液冷智算集群”平面部署图 协议和广域拓扑感知并行策略，对跨数据中心大模型训练提 出针对性模型训练策略建议，为客户提供合适的解决方案， 提升训练效率。联合国内算力上下游生态合作伙伴为客户提 供适配测试服务。 自 2023 年 9 月投入运营以来，建设大规模商用液冷资 源池，通过“两弹一优”实践创新解决机柜功率的变化需求， 支持单列机柜功率密度从 8kW 到 48kW 之间灵活适配。目前， 跨区 RDMA 组网已完成 128、512 卡 30KM 打 造了中国算力网粤港澳大湾区调度中心和韶关市数据产业 研究院，为拓展算力网应用场景、探索商业落地模式打下扎 实基础。 截至目前，跨域算力互联调度开源开放试验场已面向全 20 社会提供大规模普惠算力资源，受益开发者数量近 16 万人。 枢纽节点“鹏城云脑”已累计服务 11 家政府及科研单位、 数十家重点人工智能企业，直接产生经济收入 1.3 亿元。 试验场一方面极大推动了国内自主算力厂商的芯片完

生态系统参与者，特别是在领先市场 中，已将重点转向更为先进的 5G 网络技术，旨在为消费 者和企业提供更优质的服务。中国在 5G-Advanced 的研 发和部署方面取得了显著进展。中国最大的运营商已启动 大规模推广，并整合了人工智能等先进技术。 能源效率与低碳经济成为当务之急 近年来，随着能源安全与独立性日益重要、能源价格上涨 以及 5G 技术的到来，能源效率和可再生能源解决方案在 中国受到了广泛关注。对于寻求加速低碳网络转型的运营 的普及速度尤为迅猛。2024 年，中国 5G 连 接数突破 10 亿大关。到 2025 年底，中国超过五分之三的 连接将基于 5G 技术。中国 5G 发展的动力来自多个因素的 综合作用，包括运营商持续大规模基础设施建设的投资， 以及对快速、可靠互联网需求旺盛的技术型人口。 根据中国工业和信息化部 (MIIT) 数据，截至 2024 年底， 中国已建成约 420 万座 5G 基站，并计划到 2025 15% 8% 18% 10% 3% 3% 5% 中国在 5G-Advanced 的开发和部署方面取得了重大进 展，成为该技术全球推广的领导者。中国移动、中国联通 和中国电信已启动大规模推广，并整合了人工智能等先进 技术。 中国 5G-Advanced 发展的一个关键方面是其与人工智能 和云技术的深度融合。运营商正在利用 AI 驱动的自动化技 术优化网络运营，将站点配置时间从数天缩短至几分钟，

4. 实现系统可扩展性，允许根据业务需求进行灵活调整。 在构建这个系统时，我们将采用以下技术和方法：  数据预处理：通过清洗和整理原始数据，提高模型训练的有效 性。  模型选择：基于大规模预训练模型（如 GPT-3、BERT 等）进 行迁移学习，快速适应行业特定的分类任务。  部署架构：使用云计算平台，确保系统的高可用性和弹性扩 展。  用户接口：设计直观易用的用户界面，支持用户实时监控分类 了生产效率，还使企业能够将更多精力投入到核心业务发展中。 为了便于理解，我们可以将系统的主要目的和意义列出如下：  提高数据分类的准确性，为决策提供可靠依据。  实现自动化操作，减少人力成本，提升效率。  支持大规模数据处理，适应日益增长的业务需求。  促进企业数字化转型，提高市场竞争力。 最后，AI 大模型流水分类系统的有效实施，不仅能助力企业实 现管理的智能化、决策的科学化，还能为整个行业的技术进步提供 等多个模块。数据预处理阶段将首先对流水数据进行清洗和格式 化，以确保数据的质量和一致性；特征提取阶段将利用机器学习和 深度学习的方法，分析和识别关键特征，以提升后续分类的准确 性；模型训练则依赖于大规模的数据集和强大的计算能力，采用最 新的深度学习框架进行模型训练和优化。在在线推理阶段，经过训 练的模型能够实时处理新的流水数据，为用户提供准确的分类结 果。 系统的实施将考虑到以下几个关键因素：

联互通 的框架》，重点突破网络的核心技术瓶颈：一是提升高速传输能力。优化网络架 构，研发低延迟、高可靠性的分布式网络架构，建立源头现场分析与云端协同处理 联动机制，平衡传输效率与安全性，满足大规模数据集的高速流通需求。二是推进 网络互操作标准化。制定跨领域数据接口规范、元数据翻译规则及语义互认框架， 推动数据网从“点对点”向“网状”协作转型，提升跨系统“数据-算力-网络”协 可信高速数据网研究报告 12 三是技术承载与安全保障能力不足，难以满足多样化流通需求。当前，传统网 络“一刀切”式的传输模式难以适配不同级别数据（一般、重要、核心）的分级分 类需求，带宽与安全等级难以动态匹配，制约了大规模数据的高效流通。随着数据 规模快速增长，高速传输与灵活计费的需求并存，现有专线存在“低带宽等不起、 高带宽用不起”的矛盾，缺乏快速开通、跨运营商组网与按需计费能力。与此同 时，高安数据传输仍存 能力，可信高速数 据网采用光纤、高速以太网、5G/6G、甚至未来量子通信等高速传输媒介，确保数 据在物理层面上具备足够的传输能力。其传输速率通常达到10Gbps至100Gbps以 上，可支持大规模数据流的实时传输，如高清视频、大数据分析、远程医疗等。二 是低延迟与高吞吐量的结合，除了传输速率之外，可信高速数据网还强调端到端的 数据传输延迟控制和数据吞吐量的最大化。低延迟通过优化路由算法、边缘计算等