旧严峻。此外，许多传统企业在数字化转型过程 中，由于缺乏既懂业务又懂技术的专业人才，导 致转型进展缓慢，难以达到预期效果。  理论与实践的脱节 数字化人才的培养不仅仅依赖于扎实的理论知识，更需要拥有丰富的实践经验。现实中很 多数字化人才在理论学习与实际操作之间存在明显的脱节现象。他们虽然掌握了大量理论知识， 但缺乏实际操作能力，无法将所学知识有效转化为工作中的实际成果。这种理论与实践的脱节， 年）》中，着重强调了“数字人才——育、引、留、用”的专 项行动，旨在推动数字人才的全面培养与发展。 在此背景下，中培伟业凭借其 20 年的行业深耕经验，以及经过几千家国企及大型企业实 践检验的丰富积累，精心研发出一套紧密贴合企业需求的数字化人才培养课程体系。该体系致 力于全方位、定制化地提升人才的数字技能，助力企业构建适配自身发展的数字化人才梯队。 通过这一体系，企业不仅能够激发内部创新 力域对照已经规划好的岗位，结合企业自身现状，细化胜任力要求，根据能力要求定制培 训方案。 第 19 页  引：引入多元培训体系 在数字化人才培养的征程中，中培伟业深知不同客户的多样需求，精心打造了丰富多元的 培训形式，全面覆盖公开课、精品录播、在线直播以及定制企业内训，以满足企业和学员在不 同场景下的学习需要。 公开课程： 汇聚行业权威专家与资深实战派讲师，定期在全国各大核心城市举办数字化人才培训

在‘舱驾一体’的演进中，不仅是数据的趋同和架构的整合，更重要的是实现‘感知反哺座 舱’。例如，车辆自驾系统通过车身感知获取的实时高精度环境数据，能够反哺到座舱导航应 用中。这不仅能增强导航的实时校正能力，还能极大丰富座舱的安全预警信息，提供比传统基 于轨迹计算更准确的、贴近现实场景的‘Agent’体验。  “舱驾一体”趋势的核心诉求是降本增效下的系统集成与体验一致性，它推动智驾地图向“统一数据基 座、分 NOA) AVP (自主泊车) L4 Robotaxi 几何精度 ★★ ★★ ★★★ (相对精度) ★★★️/★★ (按需) 拓扑准确性 ★★★ ★★★ ★★★ (车位级) ★★★ 语义丰富度 ★★ ★★★ ★★ (出入口等) ★★★ 鲜度要求 ★★ ★★★ ★★ ★★★ 覆盖要求 ★★★ (公路网络) ★★★ (城市路网) ★ (特定场库) ★★ (ODD内) 一站式全球解决方案： 提供覆盖全 球200+国家/地区的地图与位置服 务，结合经验丰富的本地化支持团 队和全球合规指导，为中国车企提 供“保驾护航”式服务。 高级别自动驾驶支持： 为全球超过5400万辆 汽车的辅助驾驶和自动驾驶功能提供核心技术 支持，已为L2+、L3级及更高级别自动驾驶系 统提供量产解决方案，具备丰富的HD Map集 成与量产经验。 开放平台战略： 通过开放UniMap（支持人机共用的

训练方案技术路线 03 14 资料来源：量子位智库、浙商证券产业研究院 具身智能的训练方法可分为模仿学习和强化学习两种路线。 模仿学习 强化学习 模仿学习—— 智能体通过观察和模仿专家（经验丰富的人类操作者或具 有高级性能的系统）的行为来学习任务。 • 优势：可以快速学习专家策略，无需复杂的探索过程 • 劣势：学习到的行为策略受限于专家数据，对于未见 过的情况泛化能力较差 强化学习—— 在大规模互联网数据上进行了预训练。 输入处理：VLM模块接受图像观测和文本指令作为输入。图像被编码为224×224的分辨率，经过像素重排后生成64个图像token嵌入。这些嵌 入与文本嵌入结合，形成一个丰富的多模态表示。 特征提取：通过对图像和文本的共同编码，模型能够提取出具有高度相关性的特征。在策略训练过程中，任务的文本描述和可能的多张图像 会以对话格式传递给VLM，从而获得形状为（批量大小 × 泛的视觉和行为先验知识，而顶层确保模型能在 实体机器人执行任务时落地应用。 底层：来自互联网及人类活动的视频。其特点是数量多成本低。特点是通 过大规模互联网数据对视觉语言模型进行预训练，提供了丰富的语义信息。 中层：来自视频生成及基于物理模拟器生成的轨迹数据及机器人操作轨迹 数据。其特点是数据量中等，成本低。如使用多模态LLM对视频进行过滤， 并重新标注。最终生成视频数据相当于原始数据的约10倍。

第三方算力中心服务商 • 低，以标准化产品为主 • 高，提供定制化服务，从设计、建设、服务 内容均可按照客户需求定制 • 单一网络接入，带宽租赁服务为主 • 云资源池 & 机柜托管 • 标准化服务 • 网络接入丰富 • 多元化服务，包含带宽租赁、机柜托管、异 地镜像、VPN、数据备份等 • 定制化服务解决方案 • 较弱，以标准化的运维服务方案为主 • 较强，提供7*24小时专人运维服务，具备高 度专业性，可提供定制化运维方案 使用量与上架率将稳步攀升。 • 就区域布局来看，环一线城市及能源富集区 因具备具备承接大规模训练算力需求的良好 条件，比如充足的电力保障和能评批复；而 一线城市由于汇聚了大量高科技企业、科研 机构以及丰富的人才资源等，更适合承接推 理算力以及训推一体的算力需求。 注：定制批发供给规模仅测算第三方算力中心服务商在运营IT容量 需求 供给 当年存量需求占比存量供给 xx% 年均复合增长率 23-28E 心供给收紧，主要提供高质量、低能耗的算力中心。 ✓ 廊坊地理位置优越，交通便利，核心网络节点布局，是承接北京需 求外移的理想之地；首先承接了北京外溢的部委、互联网大厂、公 有云等大规模算力需求。 ✓ 张家口拥有丰富的风能、太阳能等绿色能源资源，不断加强与京津 冀其他地区的协同合作，共同打造绿色、高效的算力中心产业集群， 主要为互联网巨头及云厂商提供定制批发型算力中心。 供给特征 • 作为中国的首都，北京

术系统的转变：我们如何设计它们、使用它们以及它们 如何运行。它们正在推动软件和编程的极限，增加公司 的数字产出，并为企业DNA中深深植入人工智能的认知 数字大脑奠定基础。我们现在正站在技术系统前所未有 的丰富性、抽象性和自主性的边缘，企业今天所做的决 策将深刻影响他们未来十年能够实现的目标。 当人工智能呈指数级扩展 时，系统将会被打乱。 二进制的宇 宙大爆炸 2008 2030 1843 2017 技术构建块的转变。长期以来，软件一直是企业创造 新能力和成果的工具，而人工智能将成倍增加产出， 推动谁可以开发它以及如何使用它的界限。这就是我 们称之为二进制大爆炸的原因。一个新的技术范式正 在兴起——由丰富性、抽象性和自主性定义——并且 它即将推动企业数字足迹的巨大扩张。 企业将很快在一个技术景观中运营，其中新的数字概念 几个小时就能变为现实，而不是几周。它们可以结束一 劳永逸的数字解决方案，因为创建数字系统并将其连接 当然，认识到我们今天所拥有的机遇只是第一步。目 前还没有定义的最终状态或明天新技术范式已被证实 的最佳实践。虽然代理是目前最好的新架构，但我们 预计未来还将出现更多的新架构。但我们所知道的是 ，三种力量——丰富性、抽象性和自主性——正在成 为明天技术的支柱。 经历。并且其他精明的企业也开始认识到，他们也需 要从更大的视角去考虑——不仅仅是立即的AI应用案 例（虽然它们很有价值），还要看到技术中正在发生

《����年IDC中国企业多云战略调研》显示，企业在评估与选择云服务AI平台 时，核心关切聚焦于以下几个关键能力维度：平台能力、安全能力和数据能力。 其中，云上大模型本身的能力，成熟的AI开发环境，丰富多样的预训练模型库资 源，高质量的数据集支持，以及高效、完整的工具链生态系统，尤为重要。这些 平台能力构成了驱动企业智能化升级的重要支柱。 图� 企业最为关注的云服务商AI能力 来源：IDC，���� 能力三：高效、普惠的数据运营管理 云上数据库、大数据平台产品的丰富性和数据运营能力的完备度，对于企业创新 发展同样至关重要。企业期望获得更具性价比的存储产品和数据检索、查询能 力。在数据中获得洞察，以洞察驱动决策，是企业获得发展动力的必要路径。一 方面，企业通过数据分析，推动各个场景下的科学决策，让业务执行更加敏捷； 另一方面，业务价值的提升也会带来更多的数据，频繁的数据消费进一步丰富数 据资产，倒逼数据管理机制的持 一致性上云体验：利用统一的容器、中间件环境，实现标准 API、配置模板 以及自定义资源能力，减少学习成本，提供一致性云原生体验。业务人员可 以更加专注于业务逻辑和工作流程设计，而不必为多云之间的使用习惯差异 而苦恼。 丰富的云资源调度策略：例如针对大用户量的应用，支持应用副本按权重分 发、应用关联资源跟随分发、故障自动迁移、冲突资源接管、差异化覆写等 灵活策略，让用户能够实现跨云集群与应用的元数据备份与恢复、应用和数

的整体发展状况。 图表 3 不同主题对于人工智能的需求差异 资料来源：蛋壳研究院、公开信息 2.1 医学影像 AI：拓宽视野，影像 AI 脱离影像科1 影像 AI 萌芽时，企业主要围绕影像数据集较为丰富、标准程度高的肺结节与眼底疾病 展开，临床价值较为有限。历经近 10 年发展，医院对于影像 AI 产品的接受程度不断提 升，医生对于影像 AI 研发的参与程度不断深入，影像 AI 的应用场景也日渐宽泛。 服务。不同于上述 5 种模式，这一模式下消费者为影像 AI 相关服务的直接支付方。 2.1.2.2 已成功实现商业化的细分赛道  精准 PCI 在当前影像 AI 领域的激烈竞争中，心脏作为产品布局最为丰富的脏器，已经见证了多 款产品成功实现商业化落地，有力推动了精准 PCI 时代的到来。 在冠状动脉疾病的诊疗上，AI 赋能的 CT-FFR 技术崭露头角。这项技术能够迅速分析患 者的 CT 影像 放疗智能靶区勾画系统能够识别全身 100+危及器官（OARS)，并 在 120 秒内完成勾画，平均 DICE 值高于 0.9。 而后，AI 算法的不断迭代，标准化治疗数据的持续积累给予了 AI 与放疗更为丰富的融 合基础。譬如，通过将放射性药物与多种其他药物联合使用，能发挥放射性药物的最大 功效，放射性药物剂量测定服务提供商 TeleDaaS 应用 AI 计算临床级、精确的放射性药 物剂量测定分析

智能运检系统 AI创新中心 算法模型库 第三方算法 模型 模 型 训 练 Tencent AI 边缘版 ⋯ 标 准 化 场 站 2 标 准 化 场 站 N 数 据 采 集 公有云丰富的技术能力帮助企业建立分布式智能通用电池/充电桩运营系统 SaaS生态 eSPARK BaaS 业务中台 技术底座 通用电池 应用终端 “ 绿电” 随心用： 开放支持产业链上下 游伙伴，积极探索通 地产 文旅 游戏 零售 ⋯⋯ 遍布全球的基础设施 100 W+ 全球服务器数量 EB 级 数据存储规模 3200+ 全球加速节点数 200 T 全球带宽储备 400+ 权威认证 丰富易用的云+AI全栈产品 开放共赢的伙伴生态 11000+ 合作伙伴 30+ 行业覆盖 行业联合解决方案 400+ 生成式AI产品生态合作伙伴 1500+ 腾讯云计算 腾讯云存储 腾讯云网络

优化员工工作体验 采用 AI 大模型给企业带来的价值 09 随着大语言模型从技术竞争向商业化的拓展，生成式 AI 的应用正逐步聚焦于满足具体行 业的独特需求和特定业务场景的赋能。通过在实际应用中积累丰富的行业数据和实践经 验，AI 不断优化自身的适应性和效率，进而在企业级场景和行业级应用中展现出更为卓 越的表现。 AI 在重点行业和细分场景的创新实践 2.1 AI 在医疗健康行业的应用 2.1 提示词的时空复杂度 AI 原生的即时练习与反 馈，与 AI 高效互动 基于真实的工作场景， 从单一问题到复杂场景 撰写和润色商务邮件 项目管理文档 1 提升 AI 力的核心： 提示词素养 丰富的提示词练习， 边学边练 3 工作场景大模型应用 最佳实践 4 理解大模型的 “幻觉” 和 “漂移” To B 领域应用大模型 的规范 在组织内合规合法地 使用大模型 合乎道德和合规地使 真正价值远不止于提高效率或降低成本，更在于通过人才赋能，创造更大的社会和经济 价值。因此，企业应将 AI 作为战略目标的一部分，深入融入业务场景，推动创新和增长。 深耕 AI 赛道十载，UMU 凭借丰富的数智化转型实践，致力于打造 AI 驱动型组织，提供 从 AI 战略规划到应用落地的一站式解决方案。用 AI 力系统化提升组织的 AI 认知与实 践能力，实现 AI 与业务的深度融合，以可量化的效能提升和流程优化，为客户创造持续

模型性能，完成模型压缩瘦身，服务落地应用。 RAG (Retrieval-Augmented Generation，RAG)：检索增 强生成，提供外部知识库，将外部知识库中的相关信息检索 并结合大模型的生成能力，提升回复的准确性与丰富度。 向量数据库 知识图谱 以RAG知识库 形式补充大模 型能力 训练好的模型 云平台部署 本地私有化部署 考虑数据隐私、 存储空间、计 算资源等因素 模型能力调用 大模型实践应用 “跑马圈地”态势均渐起。从实践落地角度看，大模 型落地应用更加定制化及产品化，尤其面向ToB客户，更加开放底层模型能力与定制化程度，为客户提供Post-pretrain、SFT精调、RLHF 等成熟丰富的微调方案，将大模型解决方案深度嵌入企业需求与业务流程。 价格 低价策略/内外动机 产品 定制化/产品化 中国应用层厂商市场策略 低价动机 – 内部： 低价动机 – 外部： 定制化： 及IPO环节，其应用领域分别为文娱消费和医疗，这与热门应用领域的分布情况高度契合，文娱消费和医疗领域也是2024年语言及多模态 赛道中最受关注的应用领域。在文娱消费领域，近半数企业为2023年及以后成立的新兴力量，其产品形态丰富多样，涵盖通用/垂类领域 的大模型、AI Agent以及AI对话等。反观医疗领域，超八成企业成立于2022年及以前，产品形态也相对集中，主要以AI创新研发平台为主， 例如药物分子设计平台等。 25