19 大的计算能力，有力支撑了包括复杂科学计算、工程仿真、人工智能 训练等在内的高阶教学与前沿科研活动。算力开发平台通过提供一站 式的开发工具、丰富的算法模型以及友好的编程环境，极大地简化了 从理论到实践的应用过程，有效赋能师生开展自主性的算法创新与项 目实践。不仅培养了学生在大规模数据处理与智能模型开发方面的核 心能力，更促进了跨学科融合与研究范式的转型。两类平台的协同发 展与深度融合 工具的创新，迈向 深度融合、协同联动的整体构建。 在智慧终端方面，集成了先进算法与交互能力的设备正逐步普及， 为学生提供了高度个性化的学习体验。个性化体验的技术内核主要包 括自适应学习引擎、智能认知诊断、实时反馈与干预等，通过基于知 普惠算力赋能教育行业研究报告（2025 年） 21 识图谱与学习分析算法以及自然语言处理与表情识别等技术能够实 施评估学生知识掌握水平、感知学生专注度，并且基于学生学习数据 算力应用助力学生综合素质评价，算力赋能可以实现多维度、客 观性以及高效率的评价。AI 能够整合学生学习数据、行为记录、情 感反馈等多源信息，构建全面、立体的学生画像，实现对学生综合素 质的多维度评价。人工智能评价基于算法和模型，能够减少人为因素 的干扰，提高评价的客观性和公正性。自动化处理能力极大地提高了 教育评价的效率，无论是大规模的标准化测试还是复杂的数据分析， AI 都能在短时间内完成，降低了人力成本，提高了工作效率。

s等虚拟化与容器技术的普及使应用部署与管理变得更加高 效、灵活。开发框架与工具链的成熟大幅降低了算力使用门槛，主流AI框架如 TensorFlow、PyTorch、PaddlePaddle已成为算法开发的标准化工具；CUDA计算平台构建 了GPU计算的软件生态；开源社区如Hugging Face则提供了丰富的模型库与工具集，加速 了AI应用落地。数据服务与管理、中间件与平台软件等环节也发挥了重要的辅助和连接 技术研发与算力设施建设，为美国算力 技术领先发展奠定基础。1991年，美国提出高性能计算和通信计划（HPCC），旨在扩大 美国HPCC技术的领先地位，该计划包括开发高性能计算系统、高级软件技术和算法、国 家研究与教育网络、基础研究与人力资源等组成部分。随着互联网和信息技术的发展， 2009年该计划更名为网络和信息技术研发计划（NITRD），目标更为广泛，涉及的技术 领域增加。2011年《 9：欧盟算力资源区域布局 资料来源：公开信息 5、算力需求现状 欧盟人工智能算力应用场景主要集中在工业和高端制造业上。德国、法国等国的汽 车巨头正向智能化和电动化转型，高级驾驶辅助系统（ADAS）、自动驾驶算法的训练与 仿真、车内智能座舱等，都需要海量的智能算力支持。作为“工业4.0”的发源地，德 国及欧洲的制造业企业广泛采用数字孪生、生产线智能调度、产品质量AI视觉检测等技 术。工业数字化需要实时

项高质量数据集 典型案例以及 34 项资源成果，江苏省提出到 2027 年底着力打造 3 个数据标注基 地，建设 1000 个完整规范、准确实用的高质量数据集，截至今年 8 月已经建成 203 个。 算法模型不断创新。截至目前，我国累计已有 611 款生成式人工智能服务完 成备案，306 款生成式人工智能应用或功能完成登记。总体来看，我国大模型发 展呈现“通用大模型+行业大模型”并行的态势，通用大模型基于多领域大规模 二是城市服务模式智能化演进。人工智能技术可以通过分析市民行为数据， 主动推送办事指南和福利补贴等信息，实现“免申即享”，同时依托智能客服、 智能填报、智能审批等压缩政务服务办理时间，智能终端和智能算法也将共同赋 能远程医疗、健康监测与个性化养老等生活服务，推动城市服务模式从“千人一 面”转向“千人千面”。 三是城市经济发展智能化跃升。人工智能不仅可以实现 AI 图像识别病虫害、 柔性智能 大模型三大核心能力体系，助力更多城市形成“数智融合、一算赋能千景”的治 理新模式。一是零样本算法生成平台，依托自研“元景”多模态大模型，攻克非 结构化数据解析瓶颈，通过时空对齐技术关联视频流、物联传感及地理信息等多 源数据，实现跨场景算法零样本生成，算法冷启动时间压缩至 1 分钟内，成功应 用于南京防汛防台场景中，推动积水检测算法准确率突破 90%，实现水位视觉特 征协同分析。二是小样本迭代优化引擎，建立动态调优机制，通过少量样本多轮

( 排名不分先后 ) 视觉物联网消费市场产业链全景图 上游 中游 下游 配套 语音芯片 蜂窝组芯片 / 模组 流量 配套 方案商 云 / 平台商 图像传感器 AI 大模型 / 算法 芯片 wifi 芯片 / 模组 思必驰 聆思 技威 宏视 九安 维拍 腾讯云 阿里云 华为云 TUTK 声网 探鸽 尚云 火山引擎 360 视觉 云生态 鹤梦 爱为物联 涂鸦 3M/40FPS,H264/MJPEG 22 工作：240mW（2MP+D1 15fps H.264） 290mW（3MP+D1 15fps H.264） 否 CPU 处理算法 Rockchip RV1103B/06B 单核 A7 1.6GHz 支持 1 路 4K/25FPS,H264/H265 22 200mW & 28mW(4M 分辨率 ) 是 1.0Tops 安凯 当然随着进场的厂商肯定也会越来越多，平均价格会下探，不过比起价格来说， 用户产品体验和品牌建设更为关键，目前品牌集中度并不高，至少还有几年的红 利可享。 智能观鸟器核心是低功耗解决方案和 AI 识别算法的技术闭环，在我们调研中 2023 年做智能喂鸟器的方案商能出货的只有积加、杰峰、涂鸦几家，积加占市场 出货的 70% 份额，在 2024 年智能喂鸟器产品中应用积加的方案出货占比同样达 到 70%

提升。 通过数字化手段，园区能够建立精准的人才画像和需求匹配机制。园区内 的企业可以通过数据平台精准寻找所需人才，而人才也能够通过平台了解 到合适的工作机会。通过数字化的“人才画像”和智能匹配算法，园区能 够优化人才的供需关系，实现人才的高效流动和价值提升。如武汉光谷通 过建设“光谷人才平台”，结合大数据和人工智能技术，实现了对园区内 高端人才的精准画像和需求匹配。该平台不仅提供了人才引进、培训、管 况，及时 调整生产策略。 典型模式 3：开展数字化精准招商，智能匹配产业链需求。通过数字 化精准招商平台，园区能够根据产业链需求和企业发展状况，精准匹配潜 在的投资者和企业。利用大数据和智能算法，园区能够高效识别和引进优 质项目，提升招商工作的效率和精准度。如中山火炬高新区通过打造数字 招商平台，汇聚园区内的产业资源、科创平台资源、公共载体资源及意向 企业信息，为园区招商引资和产业发展提供强有力的支持。平台聚焦核心 企业提供精准的政策、资源和市场信息。同时，平台实时更新并实景展示 园区内的科研资源，包括重点实验室、质检中心和研究院等创新平台，大 幅缩短了企业的创新周期，提升了区域的创新浓度。通过引入“载体速配” 智能算法，平台能够帮助企业精准选择合适的载体资源，提升智能选址效 率，提高了公共资源的利用率，通过强化产业集聚效应和构建完备的生态 15 体系，推动了产业协同发展，为园区内企业提供了共享科研资源、上下游

云团队联合首发并上线基于华为云昇腾云服务 的 DeepSeekR1/V3 推理服务。 l DeepSeek 通过 MLA 和 DeepSeekMoE 实现高效的推理和低成本训练，构建 DualPipe 算法和混合精度训练优化计算与通信负载；通过 ( 分阶段 ) 强化学习实现 性能突破。 多头潜在注意力 (MLA) 通过低秩联合压缩技术，大幅削减了注意力键 (keys) 和值 (values) 的存储空间，显著降低了内存需求。 的专家设置，能够更加灵活且高效地调配资源，进一步提升了整体的运行效率和表现。 DeepSeek 模型对跨节点的全对全通信机制进行优化， 充分利用 InfiniBand 和 NVLink 提供的高带宽。创新性提出了 DualPipe 算法，通过优化计算与通信的重叠，有效减少了流水线中的空闲时间。采用 FP8 混合精 度训练技术，不仅极大地加快 了训练速度，还大幅降低了 GPU 内存的消耗。 DeepSeek-R1-Zero 通过 Llama-3.1-405B 等其他开源模型，并在性能上和世界顶尖的闭源模型 GPT-4o 及 Claude-3.5-Sonnet 不分伯仲。 l DeepSeek-V3 模型生成速度提升至 3 倍。通过算法和工程上的创新， DeepSeek-V3 的生成吐字速度从 20TPS 大幅提高至 60TPS ，相比 V2.5 模型实现了 3 倍的提 升，能够 为用户带来更加迅速流畅的使用体验。 l DeepSeek-V3

年的 82.47 ZB 上升至 2026 年的 215.99 ZB ， 对应 CAGR 达 21.24% 。其中，大规模张量运算、矩阵运算是人工 智能在计算层面的 突出需求，高并行度的深度学习算法在视觉、语音和自然语言 处理等领域上的广 泛应用使得算力需求呈现指数级增长。 据 Cisco 数据，全球数据中心负载任务量预计由 2016 年的 241.5 万个上升至 2021 年 的 通用型较强、适合大规模并行运算；设计和制造工艺成熟。 并行运算能力在推理段无法完全发挥。 高级复杂算法和通用性人工智能平台。 FPGA 半定制化 容易编辑 高 中 可通过编程灵活配置芯片架构适应算法迭代，平均性能较高；功耗较低； 开发时间较短。 量产单价高；峰值计算能力较低；硬件编程困难。 适用于各种具体的行业。 ASIC 全定制化 难以编辑 高 低 通过算法固化实现极致的性能和能效、平均性很强；功耗很低；体积小； 量产后成本最低。 量产后成本最低。 前期投入成本高；研发时间长；技术风险大。 当客户处在某个特殊场景，可以为其独立设计一套专业智能 算法软件。 l 当前主流的 AI 芯片主要包括图形处理器（ GPU ）、现场可编程门阵列（ FPGA ）、专用集成电路（ ASIC ）、神经拟态芯片 （ NPU ）等。 其中， GPU 、 FPGA 均是前期较为成熟的芯片架构，属于通用型芯片。 ASIC 属于为 AI 特定场景定制的芯片。另外，

....................................................................................... 23 广告：AI 算法优化推送机制，生成式 AI 实现自动化广告制作 ........................................................................... 身智能应用包括自 动驾驶和机器人，最具代表性产品如特斯拉的 FSD 自动驾驶系统和 Optimus 人形机器人等。 过去一年，AI 大模型助力具身智能的感知、决策等技术进展。如上所述，具身智能算法一 般可以按环节拆解为感知模型（感知识别环境信息并预测环境变化）、规划/决策模型（根据 感知结果做出任务决策）、控制/执行模型（将决策转换指令转换为行动方式）。我们以行业 领军企业特斯拉的发展为例子，观测过去一年 。（2）决策层：过去的 决策算法基于一条条事先设定的 rule-based 的规则，在不同场景下触发行为准则，因此难 以解决长尾瓶颈问题。特斯拉决策算法采用交互搜索模型，机器可以自主预测周围环境个 体的交互轨迹，并对每一种交互带来的风险进行评估，最终分步决定采取何种策略，让车 辆实现更快、更灵活、更拟人的决策行为。（3）控制层：由于汽车的自由度较低，自动驾 驶的控制算法主要依据决策模型输出指令，控制线控底盘等部件进行转向、刹车，从而操

应链管理模式推动下，企业需要打造供应链一体化平台，实现供应链全链路的可视化、 智能化管理，确保供应链的流畅运作与高效响应。另一方面，随着汽车行业产品出海、 产能出海、产业链出海需求增加，需要利用智能算法实现动态决策，避免出现供应链 “断链”风险，确保供应链安全可靠。 生 产 环 节 需 求 ： 智 能 柔 性 工 厂 设 计 随着市场消费导向逐步从传统燃油车转向新能源，这给整车制造厂商的生产执行 ： 用 户 需 求 洞 察 与 精 准 营 销 当前“车-路-云-网”一体化生态逐渐形成，数据成为企业核心资产，车辆行驶、 用户行为等数据被用于优化精准营销、用户触达、精准获客等场景，形成“数据-算法- 产品”的闭环营销模式。一方面，汽车行业营销核心已从产品向用户转变，车企需要 依托大数据技术，整合用户消费行为、社交媒体等数据，建设用户数据中台，实现精 准营销。另一方面，随着线上线下一体化营销持续渗透，需要车企建立多平台数据通 动 用 户 服 务 近年来，汽车制造逐渐从以“产品”为核心向提供“产品+服务”的服务型制造转 变。一方面，汽车产业边界不断扩展，盈利模式也从硬件收入转变为软件与服务收入， 车载操作系统、自动驾驶算法、智能座舱交互系统等软件模块，对车辆溢价的贡献度 显著提升。另一方面，在汽车售后服务环节，需要通过远程智能诊断、预测性保养、 远程升级服务等主动开展用户服务，提升维修响应速度、故障诊断效率、客户满意度。

...14 图25： 两种经典剪枝方法 .................................................................. 15 图26： 剪枝算法流程 ...................................................................... 15 图27： 钢铁侠和 Jarvis .... 5）高可靠性：去中心化和离线功能使边缘 AI 更加稳定，不受网络访问限制，这 是关键任务系统稳定运行的必要条件。 当边缘 AI 应用程序遇到它无法准确处理的数据时，它通常会将其上传到云端，以 便 AI 算法可以重新训练并从中学习。因此，模型在边缘运行的时间越长，模型就 会变得越准确，由于可以获得如此多的价值，企业正在迅速采用边缘计算。 Gartner 预测，到 2023 年底，50%的大型企业将拥有记录在案的边缘计算战略， 资料来源：量子位，国信证券经济研究所整理 3）剪枝算法：过参数化主要是指在训练阶段，在数学上需要进行大量的微分求解， 去获取数据中的微小变化，一旦完成迭代式的训练之后，网络模型推理的时候就 不需要这么多参数。而剪枝算法正是基于过参数化理论提出的，核心思想是减少 网络模型中参数量和计算量，同时尽量保证模型的性能不受影响。主要是分为 Drop Out 和 Drop Connect 两种经典的剪枝算法：Drop Out：随机的将一些神经