公司推出针对大模型优化过的新训练芯片 H100 NVL，和过去的 A100 相比， 训练速度提高 10 倍，成本降低一个数量级。目前，AI 推理上，一般采用 2018 年发布的 T4 芯片，这次公司发布出面向视频生成和图像生成的新推理芯片 L4 和 L40，其中 L40 推理性能是 T4 的 10 倍。受美国出口管制限制，中国 目前只能采购实测性能比 A100 低 1/3 的 A800，因此训练同一个体量的模 型，Picasso 是一项视觉语言模型制作服务，BioNeMo 提供用于药物研发的生成式 AI 模型。 我们认为，ChatGPT 等应用引发对 AI 算力的需求，加速计算和生成式 AI 推理将带动训练 /推理芯片需求的爆发。 图表5： 英伟达 NVIDIA DGX Cloud 图表6： 英伟达 NVIDIA AI Foundations 资料来源：英伟达 GTC2023，华泰研究 DGX H100 服务器，配有 8 个 H100 GPU 模组， 配有 Transfofmer 引擎以支持处理类似 ChatGPT 的生成式训练模型，FP8 精度在大型语言模型相较上一代 A00 的训练和推理能力分别提升 9/30 倍。8 个 H100 模组通过 NVLINK Switch 相连，确保 GPU 之间的合作和通信。目前 DGX 100 已全面投产，后期有望面向全球企业。 图表9： DGX

轻量化模块 ◼ 实时推理架构 为满足产线实时性要求，架构设计突破包括： ➢ 动态计算图：根据输入数据复杂度自适应调整计算路径 13 ➢ 级联推理引擎：将模型拆分为多个子模块进行流水线处理 ➢ 边缘-云协同：在 5ms 延迟约束下实现模型分片部署 ◼ 可解释性架构 工业场景对模型决策透明度的特殊要求催生： ➢ 双通道架构：分离特征提取与决策推理路径 ➢ 注意力可视化：定位关键传感器或工艺参数 技术特征：采用统一架构处理工业全流程任务，具备跨领域知识融合能力。 典型架构包含： ➢ 跨模态编码器：统一处理传感器数据、文本、图像等异构输入 ➢ 分层记忆网络：存储设备历史状态、工艺知识库等长期记忆 ➢ 动态推理引擎：根据任务需求自动组合功能模块 技术挑战：参数量超过千亿级导致训练成本激增，需采用混合精度训练与 梯度稀疏化技术。 (2) 模块化组合大模型 技术特征：基于微服务架构构建模型组件库，支持动态拼装。核心组件包 多光谱融合：整合可见光、红外、X 光等多模态视觉数据 ➢ 小样本学习：在少量缺陷样本下达到较高检测准确率 (3) 知识图谱主导型 构建方法： ➢ 自动化知识抽取：从百万级专利文档中提取工艺知识 ➢ 动态关系推理：发现隐性工艺参数关联 ➢ 多语言对齐：支持中英德日四语种知识融合 1.3.4 基于功能定位的分类体系 (1) 感知层大模型 ➢ 多源异构数据融合：实现较大的信号对齐精度 ➢ 环境自适应校准：在极端工况下保持稳定性能

驱动越来越多的客户考虑放弃原有的传统神经网络模型， 从而转向使用更有效的视频大模型来支撑其视频分析的软 件负载。 • 边缘计算 借助融合了网络、计算、存储和应用，且在数据源附近部 署的边缘终端，边缘人工智能可将 AI 工作流的推理部分从 云或数据中心转移到就近部署的边缘计算终端，从而降低 时延，节约网络带宽，同时满足隐私性和安全性等方面的 要求。得益于此，边缘计算近年来在园区得到了广泛应用。 1.3 数智园区的关键技术与应用 SQL/Greenplum Redis HBase ) 大数据框架 ( Spark ) 推理框架 ( OpenVINO) 核心微服务 负载均衡 (Ingress/Istio) 公共安全应用 智慧园区应用 智慧交通应用 智慧社区应用 参考应用程序 … 聚类及归档 服务 数据结构化 服务 AI 推理服务 存储服务 特征匹配服务 大数据服务 … SaaS PaaS 端到边缘端的统一数据处理。 边缘 AI 计算盒通常用于在设备边缘端进行实时的视频分析， 利用其卓越的 AI 算力，对前端采集的视频进行快速的分析处 理。边缘 AI 计算盒可以运行多条神经网络推理的流水线，甚 至可以将多条流水线分析的结果进行融合。 管理服务器 行业业务管理 存储服务器 数据存储和访问 大数据服务器 数据治理，数据挖掘 视屏分析服务器 视频分析

式、应用模式、发展模式、创新模式、交互模式五个层面有显著的区别： 图�. “传统智能”与“人工智能+”的区别 来源: 石化盈科&IDC ����年 基于学习 ‒ 通过AI相关技术，模拟人类的学 习、推理和决策过程，处理复杂的数据和任务 双向交互 ‒ 双向交互回答开放性问题，为使用 者提供更多规则外洞察及多维度回答 灵活环境 ‒ 应用于复杂且宽阔领域下的 非结构多模处理，灵活性和适应性更强 智能是针对现有流程和系 统的优化，而非创造全新的解决方案 传统智能 人工智能+ �� 技术模式：“传统智能”基于预设的逻辑和算法来执行任务，而非更多地通过学习来持续提 升智能；“人工智能+”则模拟人类的学习、推理和决策过程，能够持续进化并处理复杂的 数据和任务； 应用模式：“传统智能”一般应用于特定领域任务，聚焦自动处理问题，灵活性和适应性较 差；“人工智能+”可应用于复杂且广域的非结构化多模任务处理，具备很强的灵活性和普 战，让员工在虚拟环境中做好充分的准备，拓展传统AI虚拟现实的逻辑场景，加快模拟速度及呈 现效果。 来源: 石化盈科&IDC ����年 图�. 石油石化生成式AI/大模型业务需求空间与发展方向‒资源开发 知识问答 语言理解 推理分析 数学求解 代码生成 创作设计 多模交互 勘探工艺优化 油井工况诊断 勘探开发风险管理 勘探培训模拟 油田井下智能管理 勘探经营智能管理 石油石化生成式AI/大模型业务需求空间与发展方向-资源开发

要针对特定的任务和场景设计专门的算法，这种方法虽然在特定领域有效，但人们对 “智能”的期望是能够适应多种任务和场景的智能系统，单一任务的人工智能系统已经 无法满足这些更广泛的需求。大模型能够跨越传统人工智能的局限性，理解和推理的 能力有了极大的飞跃，同时也提高了复用的效率，为人工智能技术在更多领域的应用 提供了坚实的基础，推动人类社会迈向通用人工智能（AGI）的新阶段。 通用性和复用性是大模型的关键价值。2017 （Attention），通过在大规模、多样化的无标注数据集上进行预训练，大模型能够学 习掌握丰富的通用知识和方法，从而在广泛的场景和任务中使用，例如文本生成、自 然语言理解、翻译、数学推导、逻辑推理和多轮对话等。大模型不需要、或者仅需少 量特定任务的数据样本，即可显著提高在新任务上的表现能力。如 Open AI 曾用 GPT- 4 参加了多种人类基准考试，结果显示其在多项考试中成绩都超过了大部分人类（80% 落时，大模型能够基于联合概率分布生成与之相关的新句子或段落。这些生成的内容 不仅符合语法规则，而且能够保持语义上的连贯性和一致性。此外，大模型还能够根 据上下文信息理解并回答复杂的问题，展现出强大的推理和创造能力。 大模型更适合综合型和创造类的工业场景。在综合型工业场景中，由于涉及到多 个系统、多个流程的协同工作，需要处理文档、表格、图片等多类数据，变量之间的 关系往往错综复杂，难以用传统

降，难支撑高阶自动驾驶规模化落地。 异构算力协同适配短板。当前异构算力缺乏高效协同调度机制， 自动驾驶模型训练/推理任务分配方案有待优化，存在资源利用率不 充分的情况，难满足复杂路况实时决策需求。 3. 2030 年发展目标 当前，算力基础设施已基本实现对智能网联汽车车路云一体化、 自动驾驶大模型推理训练等场景的支撑，国产算力设备与应用生态发 展态势积极，端边云算力之间、算网服务协同性、灵活性、开放性等 基于车路云一体化等场景需求，研发国产化端侧算力设备，实现抗电 26 磁干扰、高抗震等特性，搭载自主芯片且总算力≥200TOPS。通过端 端/端边协同构建分布式算力网络，实现大型路口多源数据实时接入 与毫秒级推理，支撑复杂场景自动驾驶决策。 低时延智算服务体系升级落地。构建智能网联车辆低时延智算资 源池与管理平台，推进运营商边缘云智算升级，2030 年智算边缘云 覆盖率≥90%，端到端时延≤20ms。实现新增端算力与算网平台对接， 域资源感知协议，设计多链路智能选路机制，实现用户上下文与自动 驾驶任务状态的毫秒级迁移。结合 5G+MEC 边缘云的低时延特性， 解决跨运营商网络、跨边缘节点切换时的数据传输中断问题，保障 AI 推理、车路协同信息交互的连续性，提升移动性服务稳定性。 攻关端边云多级算力智能编排调度。攻关分布式算网调度、多维 算力度量模型等核心技术，构建“感知-路由-调度-管控”全链条体系。 通过算网融合调

的加速。相较于部分主流车企对DeepSeek的热情，部分新势 力车企迟迟未官宣合作，这背后则是各车企对生态控制权的考量。 ◆ 车企接入DeepSeek的方式各有不同：借助DeepSeek的理解与推理能力，提升车辆座舱语音交互、感知决策 等多方面能力，为用户带来更加智能化、个性化的用车体验；从技术实现路径看，车企主要采用直接接入、 多模型联合协同部署、模型深度融合与蒸馏三大接入方式。 ◆

图纸自动生成最优电梯配置方案的设计工具，不仅使得 电梯设计更加灵活、高效，还能快速响应不同项目的特殊设计需求， 实现企业整体提质增效。知识驱动，通过知识图谱将设计知识转化为 结构化数据，结合专家规则进行推理生成模型结构和参数。如中科院 沈阳自动化所通过构建知识图谱自动抽取先前大量的产品设计经验 进行知识整理，利用自然语言技术对持续反馈的用户设计需求进行分 析实现了基于知识图谱和机器学习的三维 CAD 致的场数据，或补全稀疏测量点间的未知信息，克服传统仿真的多物 理场耦合分析挑战以及因计算资源限制导致的数据稀疏或分辨率不 足问题。如 Meisam Babanezhad 等14通过格子玻尔兹曼方法和自适应 神经模糊推理系统相结合对三维域内流体流动进行模式识别。三是可 解释性分析，增强 AI 辅助决策的透明度与可信度。可解释性 AI 技术 能够可视化 AI 模型在进行预测时所关注的输入数据区域或特征，帮 助工程师验证 为建模参数，最终实现更智能的三维地理场景建模21。二是拓扑优化， 物理约束生成对抗网络（GAN）结合强化学习（RL）动态调参，在 满足力学性能前提下生成轻量化结构，如在汽车车轮场景，通过使拓 扑优化的参数多样化，实现了在较短的推理时间内生成大量不同设计 22。三是生成式设计，根据用户设定的设计目标与约束条件，通过对 历史数据的学习实现设计方案的自动生成，如汽车座椅设计场景，通 用汽车使用 Fusion 360 的生成式设计功能，通过输入载荷、约束和材

图像识别和时间序列分析等技术，模型能够更好地理解和模拟复杂 系统的行为。这种能力使得 AI 大模型在数据分析、预测维护及智 能生产等方面得到了广泛应用。 随着计算能力的提升和算法的不断优化，AI 大模型的推理效率 和准确性也在不断提高。例如，目前主流的大模型如 GPT- 3、BERT 和 T5 等，展示了在语言理解、生成和对话等任务上的卓 越性能。这些技术的进步，使得 AI 大模型逐渐成为企业生产过程 边缘 计算设备和终端设备。为了确保系统的高效性和可扩展性，硬件设 备的选型应遵循以下原则： 1. 性能需求：硬件设备应根据计算和数据处理的性能需求进行选 型。例如，针对大模型的深度学习训练和推理，选择拥有高计 算能力和强大浮点运算能力的 GPU。 2. 兼容性与可扩展性：所选设备应与现有系统和未来可能的系统 组件兼容，确保后续可以平滑集成或扩展。在选型时，需要对 各类标准进行评估，如 服务器 Dell PowerEdge R740xd 配备 2 x Intel Xeon Gold 6248R、256GB RAM、4TB NVMe SSD 用于 AI 模型训 练和推理 存储设 备 NetApp AFF A220 4TB SSD、支持 NAS 和 SAN 协议 数据存储与管 理 网络交 换机 Cisco Catalyst 9300 48 x

生产管理、质量管理、设备管理、仓储物流等场景的产品覆盖更加全面，可选的产品类型也更多，这些场景具有相对核心、易见效、 易买单等特点。值得注意的是，模型相关的能力表现出较强的发展潜力：1）横向上，通过分类或识别、系统最优、经验知识推理及 决策等思路为企业各个环节的运转赋能；2）纵向上，通过系统最优等思路、辅助代码等具体能力赋能软硬服等产品及服务。但大模 型的应用还处于探索阶段，是否能深入生产等核心环节，还需静待市场验证。 主要产品及场景 大 模 型 + 产 品 逐步形成智能体产品、智能体平台、智能体商店 • 企业自身工业大模型+DeepSeek：部分工业大模型企业纷纷接 入DeepSeek并进行全面适配后，实现了对自身大模型深度推理 能力的优化，增强了模型决策的可解释性，有效赋能自身大模型 及自己推出的相关硬件产品 大模型+大模型强强联合，提升大模型能力 雪浪云 朗坤苏畅 浪潮云洲 卡奥斯 • 软件：将大模型集成在开发平台/通用工程平台，如SCADA、 开发工程师 4.1% 应用工程师 1.6% Agent开发工程师 2.9% Prompt工程师 0.8% 模型部署工程师 0.4% 模型搭建工程师 0.4% 模型评测工程师 1.6% 模型推理工程师 0.8% 模型微调工程师 0.4% 模型训练工程师 1.6% 模型压缩工程师 0.4% 模型验证工程师 0.4% 模型优化工程师 2.1% 数据工程师 2.5% 算法工程师 65