未来网络技术发展系列白皮书（2025） 面向Web3.0的 数字实体互联白皮书 第九届未来网络发展大会组委会 2025年8月 版权声明 本白皮书版权属于中国联合网络通信有限公司研究院及其合作 单位所有并受法律保护，任何个人或是组织在转载、摘编或以其他方 式引用本白皮书中的文字、数据、图片或者观点时，应注明“来源： 中国联合网络通信有限公司研究院等”。否则将可能违反中国有关知 识 网络七层模型的基础上，通过在网络传输层之上构建新型互 联协议，提出一种面向 Web3.0 的数字实体网络创新技术路径。 本白皮书1首先分析了网络中的数据对象，探讨了网络发展与数 据传输的本质、现有架构的局限性以及下一代网络的关键突破方向； 其次梳理了现有 Web3.0 技术演进路径；在此基础上，提出了“数 字实体互联网络”的概念与内涵，并阐述了其核心价值、关键技术要 素及相关标准化情况；最后对未来发展进行了展望。 语义网构建意义互联的网络空间....................................12 （二） Web3 与公链：构建信任原生的网络结构................... 13 三、 数字实体互联网络.........................................................................15 （一） 概念与内涵.........

链》等书。著作曾获评CCTV 2017年度“中国好书”。 名词解读 实体世界+ 数字世界= 元宇宙 real world + digital world = Metaverse Real + Digital = Meta 实体世界（real world）： 在数字技术创造的事物融入 我们周围之前的所有事物，我们倾向于认为是真实的、现实的 或实体的。我们称这个世界为实体世界，偶尔也称它为现实世 界，如大楼、道路、城市、汽车、电脑、手机、电、电网、电 为虚 拟经济，听起来它们似乎是不存在的。现在我们知道，数字世 界是叠加、包裹在实体世界上的新的一层。过去100年，我们在 地球上建设了众多的高楼大厦（城市）和运输网络（民航与高 铁），过去50年，我们在地球上建立了通信与信息网络（电 话、全球媒体与互联网）。接下来叠加上去的，是主要由数字 技术驱动的实体与数字融合的又一层次，这一次它不止缩短距 离，让全球时间同步，拉近人与人，它将是我们可以在其中生 元宇宙是恰当的新名字。未来我们将不止看到一个元宇宙，而 是会看到一个个元宇宙、一个个美妙的新世界。 推荐语 方军提出了一个思考，即在我们的数字未来，实体世界会 越来越像数字世界。的确如此，如果把元宇宙形成混合空间的 过程看作实体世界与数字世界的融合，那么我更倾向于将这一 边界的消融理解为数字世界对实体世界的侵占。而能够制约这 一侵占的，不是空间而是时间。 胡泳 北京大学新闻与传播学院教授 我向你推荐《元宇宙超入门》，是希望提供一个新的角度

资源等进行统一感知管理，并能够根据业务需求对各类计算、存储资 源进行高质量传递和流动。而作为基础设施层在数字环境中的虚拟化 表示，数字孪生通过利用数字技术和模拟方法，在虚拟环境中对现实 世界的实体、系统或过程进行建模、仿真和分析的过程，能够提供更 好的算网基础设施设计、优化和管理手段。此外，通过内嵌实时智能， 基础设施层一方面能够拓展对自身信息的感知深度与维度，包括资源 感知、性能感知 自主、高效、韧性的智能算力网络奠定坚实基础。 图 3-2 基于 LLM Agent 的算网流程自动化示意图 如图 3-2 所示，Agent 作为具备自主感知、决策与执行能力的智能 实体，正在成为算力网络实现分布式智能控制与自主运营的核心技术 支撑。通过引入多 Agent 系统，算力网络中的各个节点能够实现自组 织、自配置与自优化，从而摆脱传统集中式管理的局限，形成更为灵 活 第九届未来网络发展大会白皮书 服务生成算力网络白皮书 28 网络的关键。 3.4 数字孪生 数字孪生技术可以利用物理实体模型参数、传感数据、运行历史 数据等在虚拟空间中完整映射出一个与物理实体一致的孪生体，并在 孪生体中精准呈现反映物理实体的全生命周期。在算网场景下，构建 算力网络数字孪生体，基于算网孪生体可实现对算网状态的持续分析 和预测、算网治理需求和场景自发掘、业务服务到算网资源的灵活映

数据收集完成后，需要进行初步的数据清洗，去除重复、无效 或噪声数据，确保数据的质量。清洗过程包括但不限于去除 HTML 标签、特殊符号、空值处理以及格式统一化。清洗后的数据需要进 行标注，标注的内容可以包括实体识别、关键词提取、分类标签等， 以便模型能够更好地理解数据内容。 为了提高模型的训练效果，数据需要进行分层抽样，确保不同 类别和主题的数据在训练集中有合理的分布。例如，政策法规、公 共服务、 数据倾斜导致的模型偏差。  数据收集：从政府官方网站、权威数据库、学术期刊及行业报 告中收集数据。  数据清洗：去除 HTML 标签、特殊符号、空值处理及格式统 一化。  数据标注：进行实体识别、关键词提取、分类标签等标注工作。  数据分层：按照不同类别和主题进行分层抽样，确保数据分布 的合理性。 为了进一步提高数据的可用性，可以通过数据增强技术生成更 多的训练样本。数据增强技术包括但不限于同义词替换、句子重组、 在模型训练流程中，我们首先需要明确训练数据的来源和预处 理步骤。电子政务领域的训练数据主要来源于政府公开文件、政策 法规、公共服务问答记录等。数据预处理包括文本清洗、分词、去 除停用词、以及标注关键实体和关系。为了确保数据的多样性和覆 盖面，我们采用多源数据融合策略，结合结构化数据（如数据库记 录）和非结构化数据（如公文文本）。 数据预处理完成后，我们将其划分为训练集、验证集和测试集。 训

27%，严重影响就医体验。 当前医疗系统存在三个维度的能力缺口：在数据处理层面，传 统规则引擎无法有效解析 CT 影像标注、病理描述等复杂语义信 息，某省级医院测试显示现有 NLP 工具对放射科报告的实体识别 准确率仅为 68.4%。在流程协同方面，电子病历系统与药房管理系 统的数据对接需要人工转换 17 个关键字段，导致处方审核平均延 迟达 4.7 小时。在智能服务维度，现有 chatbots 检查预约平均等待 3.2 天 ≤1.5 天 动态优先级算法+资源预测 模型 患者服务响应 在线咨询满意度 82% ≥95% 意图理解引擎+知识图谱构 建 该方案需重点突破三个技术瓶颈：第一，医疗实体关系的动态 建模，要求构建覆盖 500+疾病种类的本体库，支持 ICD-10 与 SNOMED CT 的双向映射；第二，多源异构数据的实时处理能力， 需在 200ms 内完成包含 DICOM 影像、LIS 11 秒 85% 跨系统操作步骤 7 次 1 次 86% 医嘱开具错误率 2.3% 0.7% 70% 该方案通过 DeepSeek 智能体的自然语言处理与知识图谱技 术，可自动识别并关联分散数据实体，实现三大核心场景的突破： 门诊病历自动生成完整度达 98%、危急值跨系统预警响应时间缩短 至 30 秒、DRG 分组准确率提升至 93%。这些改进直接推动临床路 径优化和医疗质量指标改善，为后续智能化应用奠定数据基础。

级，以 及深化产业数字化转型方面的关键推动力。数字人民币在产业端的应用对中国经济高质量发 展及对外开放具有战略性作用。作为国家战略级金融基础设施，数字人民币在促进数字经济 发展，推动数字经济与实体经济深度融合，利用数字技术优化产业链资金流转效率等方面具 有显著优势。在产业链协同领域数字人民币的价值尤其巨大，其应用不仅是技术层面的突破， 更是对传统经济运行模式和产业生态的重塑。 中国人民银行数据显示，截至 金融下沉等领 域的需求也将呈现指数级增长。 2.1.3 参与主体特性鲜明 在数字人民币加速融入产业经济的进程中，其在 B 端的应用呈现出参与主体特性鲜明、 应用场景不断拓展深化的显著特征，为实体经济发展带来了新的机遇与变革。 （1）中小企业在数字人民币 B 端应用中占据重要地位 中小企业数量众多、分布广泛，如同经济生态中的“毛细血管”，渗透在各个行业和领 域。在传统支付和金融服务模式 目前数字人民币的产业生态尚在建设中，面临着技术标准统一、安全保障、市场认知度提升 等挑战。在可以预见的未来数字人民币有望与更多产业深度融合，形成涵盖支付结算、融资 服务、供应链管理等环节的完整产业生态，为实体经济发展注入新的活力。 2.1.4 关键技术赋能产业转型升级 在数字经济蓬勃发展的当下，关键技术的赋能正以前所未有的速度推动着各行业的转型 升级。智能合约引擎、物联网支付以及跨链互通等关键技术取得了显著进展，为产业发展注

智能知识库 文档上传 全文检索 IR-QA 挖掘、标注、训练 Webhook （对接业务系统） 实体 属性 推理问答 Query 标注训 练 导入 / 导出 语音 / 文字 / 电话交互 调试信息输出 对话模式选择 系统实体 / 意图 NLU 分析 意图识别 实体识别 表达式解析 对话状态管理 数据统计 迭代标注 节点触发 意图确认 知识清洗 账号权限管理 云闪付卡 . 传统客服机器人采用 __ 问 __ 答知识库形式 # 卡种 #= 百度 Dly 卡 # 卡种 # 简介 . 支持文档存储及门户扩展 . 百度资料知识库方案 意图识别 意图识别 实体抽取 实体抽取 任务式对话 FAQ 知识图谱 重复播报 N Query 数据分发 智能排序 意图澄清、引 导 同义词替换 去口语化

续的模型训练提供高质量的数据基础。数据清洗的关键指标包括： - 数据准确率提升至 99% 以上 - 缺失值处理率达到 98% - 重复数据 删除率不低于 95%。 其次，构建知识图谱与实体关系网络。通过自动化工具和人工 校验相结合的方式，从清洗后的数据中提取实体及其关系，形成结 构化的知识图谱。知识图谱的构建将支持多维度查询和推理，为 AI 模型提供丰富的上下文信息。知识图谱的关键性能指标包括： - 实 体识别准确率达到 特殊符号等）需通过正则表达式或其他工具进行清理。 在文本数据处理中，分词、词性标注以及去除停用词是常见步 骤。对于多语言知识库，需考虑语言的分词特性，采用合适的工具 （如 jieba、NLTK 等）进行处理。此外，命名实体识别（NER）和 术语规范化也有助于提高数据的可解释性和模型训练效果。 对于结构化数据，可能需要进行特征工程。例如，将类别型特 征进行独热编码（One-Hot Encoding），将数值型特征进行标准 去重：确保数据唯一性 4. 异 常值检测与修正 5. 数据格式统一化（时间、文本、单位等） 6. 文 本数据噪声清理 7. 文本分词、词性标注与停用词去除 8. 命名实体 识别与术语规范化 9. 特征工程：编码、标准化、特征选择 10. 数 据分割：训练集、验证集、测试集 11. 数据增强（可选） 通过以上步骤，能够显著提升知识库数据的质量，为后续

在实际应用中，地理位置信息可以表示为各种形式，如邮政地址、网址、 国家、地区等。 有形货物：指具有实体形态的产品，如电子设备、服装、食品等。这些产品可以通过触摸、感知等方式直接体验。有形货物通常具有明 确 的功能、规格和价值，消费者可以直观地了解和评估其性能和效果。 无形服务：指不具有实体形态的产品，如软件、咨询、培训等。这些产品无法通过触摸、感知等方式直接体验，而是通过提供某种帮助、 支 项、事件、条件和业 务方向等维度。通过数据清洗、转换和标准化等方法，将这些数据整合成统一的数据模型，便于后续的分析和处理。 2.数据建模：根据 REA 理论，将整合后的数据进行建模，将关键的业务实体（如资源、事件、代理等）及其之间的关系映射到 数据模型中。这有助于更好地理解和分析业务过程，为业财融合提供支持。 3.CHATGPT 技术应用：将 CHATGPT 技术应用于业务流程的自动化和智 语言、库和框 架 的示例代码。您可以从开源代码库、编程教程等资源收集代码数据 预处理数据 : 清洗、规范化和标记收集到的代码数据，以便训练模型。例如，将代码分割成语句或代 码块， 将变量、函数等命名实体进行统一化处理。 训练模型 : 使用收集和预处理的数据训练代码补全模型。根据所选模型的具体要求，设置合适的训练参 数 和优化策略。训练过程可能需要一定的时间和计算资源 评估模型性能 : 在训练完成后

预打标（如大额交易标记、关联方交易预警） - 时序特征提取：生 成周期性波动分析所需的移动平均序列 归集阶段输出符合审计分析要求的数据立方（Data Cube）， 其维度设计如下： 维度类别 要素示例 处理要求 实体维度 客户/供应商/项目编码 主数据一致性校验 时间维度 会计期间/凭证日期 按审计期间自动切片 指标维度 金额/数量/汇率 单位统一与精度控制 审计属性维度 修改痕迹/审批流程状态 元数据完整性验证 机器学习模 型 XGBoost 异常检测模型（F1-score 0.92）+Transformer 合同分析模型（准确率 89%） 推理延迟 <200ms/万条数据 知识图谱 包含 50 万+实体关系的审计知识网络，支持 SPARQL 查询 关联分析响应时间 <300ms 决策层通过动态权重分配算法实现风险量化，具体流程为： 1. 对规则引擎输出的违规事件进行严重度分级 （Critical/Major/Minor） 字段映射（科目代码→标准科 目体系） 关系型数据库 表 半结构化数 据 电子发票、银行对账 单 JSON/XPath 解析 文档数据库存 储 非结构化数 据 采购合同、审批邮件 OCR 识别+NLP 实体抽取（金 额、签约方） 知识图谱三元 组 数据清洗阶段需部署规则引擎与机器学习双校验机制： 1. 规 则校验层：实施强制约束（如借贷平衡校验、凭证号连续性检测） 和软性规则（如异常交易金额阈值告警）