调度到最适合的智算资源上，在任务执行过程中，会持续监控容器运 行状态、节点健康度，一旦出现算力节点故障、数据传输超时等异常 情况，会再次触发调度机制，重新评估资源状态，将数据、容器迁移 至更优节点，确保任务以最优方式执行。框架层提供训练框架和推理 框架，包括 TensorFlow、PyTorch 等主流框架。这些框架封装了大量 央国企智算创新实践报告（2025 年） 22 高级 API 和工具， 和工具，使得开发者能够更直观、高效地编写、调试和优化 深度学习模型。运营层作为智算平台的中枢神经，负责整个平台的监 控、调度与优化。通过收集并分析来自各层的实时数据，运营层利用 智能算法进行资源调度和任务管理，确保平台能够以最优状态运行。 应用层涵盖计算机视觉、自然语言处理、跨媒体分析推理等常见智算 应用。这些应用依托下层提供的强大计算能力、灵活模型开发环境与 高效运营管理机制，实现了从数据输入到结果输出的全自动化处理。 有序地满足各类业务 需求。常见的算力编排策略包括整体业务性能最优、高优先级业务性 能最优、响应速度最优、能耗最优等。其中，整体业务性能最优策略 的核心目标是最大化整个业务系统的整体性能；高优先级业务性能最 优策略优先保障高优先级业务的算力需求；响应速度最优策略优先为 需要快速响应的业务分配算力资源，以减少用户等待时间；能耗最优 策略则综合考虑业务需求和资源使用情况，制定一个既能满足业务需

行统一管理和优化调度。通过大数据分析、预测算法等，根据工 业生产的负荷特性和能源需求，制定最优的能源供应方案，实现 能源的高效利用和成本最小化。 管控系统应具有能源监控（包括运行监控、数据管理、告警 管理等）、能源分析（包括统计分析、能源报表等）、碳排分析 （包括碳管理、碳分析、碳评价等）、能源预测（预测未来的能 源需求和供应情况）、源网荷储协调控制、最优调度策略、需求 侧响应、运行状态全景分析、智能安全分析等功能。

2.3 与客户共同寻找“最优解” ................................... 18 2.3.1 全生命周期服务 ....................................... 18 2.3.2 核心竞争力 ........................................... 18 2.3.2“最优解” .......... 战略的指导、过程的管理和人才的保障。企业应从实际出发，结合自身业务特点和市 场环境，有针对性地推进数字化转型，以实现在激烈的市场竞争中的持续发展和成功。 2.3 与客户共同寻找“最优解” 在数字化转型的潮流中，服务业企业和他们的客户之间正在共同寻求一个共赢的 “最优解”，即如何能够充分利用数字技术提升服务效能和质量，同时维持或增强竞 争力。 2.3.1 全生命周期服务 全生命周期服务的概念是在服务业中逐渐被认可和采纳的。它不仅仅关注单一的 键。企业需要将数字化转型视为提高内部运作效率、优化客户体验、开辟新业务模式 的重要途径。通过创新，不断地为市场提供独一无二的价值，企业就能在激烈的市场 竞争中保持领先 2.3.2“最优解” 寻找“最优解”是一个动态的过程，涉及到服务企业与客户的深入沟通和协作。 这个过程不是静态的，而是需要不断地探索、迭代和优化。数字化的工具和平台为企 19 业提供了强大的支持，使其

类结果的影响。在流 水分类系统中，当特征之间呈现出线性关系时，逻辑回归能够提供 有效的分类结果。 支持向量机（SVM）是一种强大的分类模型，尤其适合处理高 维特征空间的问题。SVM 通过构建最优超平面来实现分类，能够 有效处理非线性可分的数据。选择适当的核函数（如径向基函数或 多项式核）可以使 SVM 在复杂的数据中表现出色。然而，SVM 对 大规模数据集的运算效率较低，需要合理选择样本。 进行预训练，使模型捕捉通用特征；随后在特定的流水分类数 据集上进行微调，以提高专向性。  动态学习率调整：使用学习率调度策略，从初始高学习率逐步 降低，当模型在验证集上表现不佳时降低学习率，以避免陷入 局部最优。可以参考以下学习率调度表： Epochs Learning Rate 1-5 0.001 6-10 0.0005 11-20 0.0001 21 onwards 0.00001 在实际超参数调整过程中，可以采用网格搜索（Grid Search）或随机搜索（Random Search）策略。网格搜索虽然准 确但计算开销大，而随机搜索相对灵活，可在较短时间内找到相对 最优的超参数组合。此外，随着训练过程的推进，应用早停法 （Early Stopping）可以避免模型在验证集上的过拟合。 最后，每次调整超参数后都应进行完整的模型训练与评估，通 过比较验证集上的性能指标（如准确率、F1

基于实时监测得到的数据和预设的规则，系统运用自适应算法和强化学习技术，能够 实现对环境状态的自主调节。这种自主调节不仅提高了系统的智能化水平，还能根据实际 情况做出最优化的决策。例如，在智慧建筑中，系统可以根据室内外环境的变化自动调节 空调的温度、照明的亮度等设备，以实现能耗的最优化。这不仅能为用户提供更加舒适的 生活环境，还能有效降低能源消耗，实现绿色可持续发展。 二、 商业案例 阿里云 ET 城市大脑（City ， 但实现这一目标并非易事。在智慧建筑等应用中，系统需要根据室内外环境的变化自动调 节空调温度、照明亮度等设备。为了实现能效最优化，系统必须具备对不同场景的高度理 研究报告 2025 年全球感知技术十大趋势预测 26 解，并能够在多个约束条件下做出最优决策。但由于环境的多变性和人的个性化需求，如 何设计出一套精确的自适应算法，既能满足舒适度，又能优化能耗，依旧是技术实现中的

VM 集中管理调配， 分钟级环境准备，资源复用 率提升 2.5 倍，研发作业时 间缩短 50% 仓储 报关 运输 签单 派单  通过传感器监测，提高车辆满载率，例外费用减少 30%  通过最优化自动求解，装车预估效率由 20 分钟 ->2 分钟  通过自动表单 OCR 识别技术，效率提升 1 人天 ->1 分钟 AI 引入行政管理，带来无感知体验 人脸识别 车牌识别 上下班自动考勤、权限控制、黑名单布控、访客 塔的能效寻优） 群控 PLC （小脑） 冷冻泵 冷却泵冷却塔 冷机 DCIM 服务器（大脑） DCIM 根据水温建议，输出水温设定值， 实现变水温节能控制；结合天气预报， 利用节能算法输出冷站最优运行参数 NetEco 节能算法 天气预告 模块 1 模块 2 iCooling-Edge iCooling-Core iCooling-Fusion iCooling iCooling

向群众需求导向转变，从“线下 跑”向“网上办”、“分头办”向“协同办”转变，全面推进“一网通办”。 本项目建设是全面落实好好国务院“放管服”的重要举措，是建设“政府数字化转型”等重要方法，是打造最优营商环境的 重要手段。项目建设实现政府部门之间的信息共享与业务协同，使政务服务能够提高政务工作效率、建设区域特色服务、 实现流程优化创新，为优化营商环境、便利企业和群众办事、激发市场活力和社会创造力、建设人民满意的服务型政府提

消费洞察；商品预测和补货计划能力不足 实现全价值链信息化支持的基础上，有 效优化供应链效率 供应链能力：采购议价能力与企业规模 不匹配，物流资源不足以支持未来全渠 道发展 集采与地采的协调未达到最优；社会化物流 资源未得到有效利用 在统一会员体系的基础上挖掘会员价值， 在经营顾客领域开发新的业务增长方式。 顾客体验：业务发展和战略没有重视整 体客户体验，导致消费者洞察能力较弱 对于消费者需求了解不深入和重视，整体数 全渠道前台支撑系统群：渠道层系统设计－简化处理逻辑；合理分离前后台的功能；实现模块化的功 能扩充；最终实现多渠道协同 § 对接各渠道端，为线上线下提供完整 的基于场景的销售最优货源推荐能力 § 提供非自营商家货源与自营货源的最 优货源管理及信息服务 § 以价格最优、时效最快为目标 销售寻源中心 § 线上渠道收银台页面的服务提供者 § 负责管理顾客银行卡信息和银行支付 链接信息，并提供相应的信息服务 支付中心 商品运营平台应用功能 供应链和物流平台 整合采购执行物流和销售执行物流，整合业态间仓储配送能力，建立线上线下统一规则的供应链物流网络与计划管理、确保全 网的库存协同，实现送货时效、物流成本、库存占用的最优方案 采购物流和销售 物流统一管理 NDC RDC 门店 全国 供应商 区域 供应商 门店 供应商 NDC RDC 门店 销售订单 快递点 顾客 采购需求 采购需求 采购需求

略，显著降低模型的训练和推理成本。通过引入分布式训练技术和 模型压缩算法，预计训练成本将降低 30%，推理成本降低 50%。 此外，项目将提供详细的成本分析和优化建议，帮助企业实现资源 的最优配置。  提高模型在多模态数据处理中的准确性和效率  实现跨云平台和边缘设备的自动化部署  通过在线学习和微调机制，持续优化模型性能  显著降低模型训练和推理的资源消耗  提供全面的成本分析和优化策略 大模型可以通过历史数据和实时数据的 分析，预测供应链中的需求波动、库存短缺等问题，并提供优化建 议，帮助企业提前做出决策。 在企业采购流程中，AI 大模型可以通过对供应商历史表现、市 场供需关系等数据的深度学习，自动生成最优的采购方案。这不仅 能够降低采购成本，还能缩短采购周期，提高采购效率。此外，AI 还可以通过智能合约和区块链技术，实现采购流程的自动化和透明 化，减少人为干预和腐败风险。 在客户服务流程中，AI 预测性分析：基于机器学习算法，构建预测模型，支持销售 额、市场需求、设备故障等预测。例如，利用时间序列分析预 测未来季度销售额。  规范性分析：结合业务规则与优化算法，提供决策建议。例 如，通过供应链优化模型，提出最优的生产计划与库存策略。 此外，企业需构建统一的数据管理体系，实现数据的标准化与 资产化。数据标准的制定应涵盖数据命名规范、数据格式、数据质 量要求等，确保各部门数据的统一性与一致性。数据字典与元数据

支持企业开发部署高级计划排产系统(APS),基于云平台打 通设计、计划、加工、检测等数据并实时分析。鼓励企业按需 打造柔性生产应用，根据生产执行情况，实时监控计划异常， 提供可视化的插单、异常处理机制，支持基于约束规则的最优 生产能力配置，并在业务持续运行中智能优化排程与调度模型， 实现模型在车间智能排产与调度系统中固化及复用。 4.质量智能检测 鼓励企业应用基于工业互联网平台的质量管理工业 APP,建 工程(MBSE)平台工具，支持各类产品模型在需求、设计、分析、 验证等全生命周期贯通，并进一步与产品实时运维数据相结合， 实现基于全生命周期数据和模型集成融合的智能决策，进而达 到产品最优设计、最优制造和最优运维。 2.基于 C2M 的大规模定制化生产 鼓励企业搭建工业互联网平台，构建用户参与设计的功能 模块，打造可以模块化编排的数字工艺和柔性产线，建设按需 生产的弹性供应链系统，打通用户订单、生产计划、采购管理、 21.工艺动态优化 面向生产工艺优化业务活动，针对工艺参数动态调优难 等问题，建设工艺在线优化系统，应用机理与数据混合建模、 多环节联合寻优、无监督学习、工艺参数自调优等技术，动 态生成最优的控制设定值，提高经济效益。 22.先进过程控制 面向生产过程精准平稳控制的要求，针对复杂工艺过程 控制变量多、控制效果差等问题，应用先进过程控制、模型 预测控制、多变量协同控制等技术，实现高质量的实时闭环