2 全模态融合的认知能力 48 3 通义大模型全生命周期安全实践 49 3.1 研发安全：数据与算法根基防护，强化内生 49 安全能力 3.2 部署安全：过程控制，构建防御屏障 59 3.3 运行安全：上线监测，实现动态防护 60 CHAPTER CHAPTER 阿里云AI基础设施：原生安全 保障 1AI 基础设施及其关键挑战：兼顾安全、30 能力、效率 产品形态变化 68 1.2 MaaS 时代下的新型安全风险研判 68 1.3 拥抱全球合规框架，构建可信 AI 基石 70 2 阿里云百炼全链路安全能力框架 72 2.1 安全设计理念：纵深防御与原生集成 72 2.2 核心：贯穿生命周期的数据安全与隐私保护 73 2.3 扩展：支持客户弹性、灵活地应对外部攻击 78 3 阿里云百炼关键场景安全实践 82 3.1 场景一：发布并调用一个线上模型推理服务 伦理向善：通过安全训练实现价值观对齐，并在生成内容中主动开展正向引导， 在开放可控的环境中助力生产力提升与价值创造。 ● 可解释可溯源：采用 Thinking 模式增强推理过程透明化，提升模型可解释性，同 时支持内容标识和溯源，建立明确的责任追溯机制。 2.3 云原生安全保障：打造可靠 AI 基础设施 阿里云百炼以云原生安全设计、多层纵深防御为核心理念，构建起一套覆盖 AI 基础 设施全安全体系。

具。这种全方位的AI融合要求从业者掌握新型复合技能⸺既要具备专业技术能力，又需通晓AI知 识，还要具备管理人机协作的能力。此外，各领域技术人员还应密切关注开源生态在AI时代带来 的新机遇。 IDC认为，组织应通过主动应对技能缺口、革新学习战略并培育“持续适应文化”的组织来释放AI 的潜力，将技术专长与创造力、同理心、伦理判断力等以人为本的技能相结合，以此应对智能时 代的复杂性。如今，企业、教育机构与政府等各 其他主要风险还包括：领导层与员工在生成式AI价值认知上存在分歧、跨职能协作不足、技能培 养力度不够，以及AI战略沟通不畅。这些认知凸显出组织领导者亟需采取一系列行动，包括与员 工期望保持一致、改善内部沟通，并主动管理人才与安全风险。（来源：IDC《未来企业韧性与 支出调查（第 10 轮）》，2024 年 10 月） 趋势 2：为具备AI适配能力，组织加大技术栈投资 为持续推进向AI驱动型企业的转型，各 仅约50%，凸显出招聘合格专业人才的难度。 网络安全问题更为紧迫：仅有14%的组织表示拥有充足的网络安全人才，全球范围内有350万至 500万个相关职位空缺。39%的组织肯定了网络安全的重要性，并指出技能短缺是加强数字防御 的首要障碍。网络安全专业人才的填补率估计在30%至40%之间，这一专业人才的缺口带来了重 大风险。 数据科学和分析职位的重要性也在提高，其通过挖掘海量数据集以获取洞察来获得竞争优势。尽 管

种技术、方法和组件的架 构，用于创建高度自主的目标导向型人工智能代理。 人工智能代理利用基础模型和高级机器学习（ML）技术（如链式推理 （CoT））、记忆模块及外部工具，能够自主或在极少人工干预下主动规划 并执行复杂任务。 代理型人工智能的重要发展方向是多智能体系统，其中专门化的智能体在协 调框架内协同工作以实现共同目标。 多智能体系统通过并行任务执行和分布式工作负载提升自主性，从而实现更 强的适应性和韧性。 数据分析和网络安 全等成本密集型领域特别具有吸引力。 当前的人工智能热潮促使组织在众多应用场景中部署人工智能，其中包括网 安全域，无是防御方是威行者都已利用人工智能多年。 当前的人工智能热潮促使组在众多应用场景中部署人工智能，其中包括网 络安全领域，无论是防御方还是威胁行为者都已利用人工智能多年。 然而，保障人工智能工作负载和模型的安全代表着一个新的挑战领域，需要 在三个方面实现突破： 1 组织必须调整其 安全策略，以保护这些宝贵的新资产，同时利用AI的能力来提升整体安全态 势。 人工智能的 人工智能的进 进步正在重塑网 步正在重塑网络 络安全 安全领 领域，无 域，无论 论是防御方 是防御方还 还是攻 是攻击 击方都 方都试图 试图利用其技 利用其技术 术能力。 能力。 阅读 阅读更多 更多 https://omdia.tech.informa.com/om128529/market-landscape-

全面监控网络质量：ThousandEyes 能够实时监测海外用户访问应用时的网络状况，包括延迟、丢包、DNS 解析速度等，并提供可视化的路径分析，使总部能够精确定位问题。 • 优化用户体验：通过数据分析，企业可以主动发现用户体验下降的趋势，并针对特定地区优化网络策略，如 调整 CDN 分布、优化云服务接入点等。 • 高效运维：SaaS 模式无需企业自行部署复杂的监控系统，MSP 模式则确保专家团队 24/7 模式，企业无需额外扩充 IT 团队，即可享受全球级别的网络监控和优化服务。 总结：对于金融企业而言，全球化发展不仅需要业务扩展，更需要保障客户体验。通过采用 SaaS 模式的智能网络监 控，企业能够主动优化用户访问体验，提升业务稳定性，增强客户信任，并确保全球服务的一致性。 27 3.2.2 成⻓期：深耕当地市场，加强数字化供应链 随着企业的出海成长，当明 中心，覆盖了访问控制、威胁防御、入侵检测、加密技术 及安全合规管理等多个方面，并提供专业咨询和建议。前述的 Splunk 以及 Talos 的安全团队，负责分析监控安全事件 和风险，并运用 AI 技术进行响应，帮助企业加强安全防护，及时应对安全事件，以规避潜在的安全风险和相关处罚。 31 场景方案：网络安全威胁防御服务

市的基础底座。同时，依托其云计算平台以及长期积累的技术开发和系统集成能力，运营商还 能在构建城市数据中枢体系和打造城市共性技术赋能平台发挥重要作用。此外，运营商在网络 和数字安全方面的技术积累和经验也能为构建弹性主动的数字城市安全防护体系提供重要的支 持。 为实现中国电信集团的数字化转型战略，助力上海“五个中心”建设，上海电信发起“智云上 海”建设，从构建新型信息基础设施、提供本地化普惠服务、推动产业创新生态发展等多个方 基础设施架构示意图如下。 Figure 3: “智云上海”基础设施架构示意图 Notes: 基于上海电信信息 Source: Omdia 同时，上海电信充分发挥云网资源优势，将主动防御与被动防御相结合，创新打造基于安全能 力池的独特安全能力。依托电信网络资源禀赋的调度能力、强大的云端算力能力、和万亿级大 网原生数据，构筑出顶层安全能力体系，实现威胁情报大数据、安全态势响应、实时运维管理

能快速部署定制化的专属大模型，将加速推动AI能力 惠及更多行业和个人。 模型推理能力不断增强将驱动AI持续跃迁。生成式AI 强调AI能够“知道”和“理解”信息，从而生成答案； 代理式AI则强调AI具备“主动性（Agency）”，能在 理解信息的基础上进行推理，思考如何回答或解决问 题，并进一步制定和执行计划。例如，DeepSeek通 过显性的思维链展示了推理过程，用户不仅能观察到 其认知活动，还能通过提问来深挖底层逻辑，并利用 使用人工智能增强 客户隐私、安全和 优化自助服务支持， 并预测潜在问题， 例如欺诈活动。 4 提升客户留存 率降低流失率 使用人工智能，通 过提供专注于提升 客户终身价值和忠 诚度的个性化体验， 来主动留住客户。 5 潜在效益和生产率提高 增加潜在客户数量 加快用户引导进程 提高转化率 增加信任 提高留存率 生成式人工智能在采购领域 的五个新兴应用案例 生成式人工智能具有实现采购流程自动化、优化和 创建符合企业战略 目标的定制职位描 述。根据职位角色 和要求生成筛查问 卷和面试指南。 3 以人为本的 员工支持 及时反馈、有同理 心地对待员工（或 候选人）的具体情 况或问题。人工智 能还可以主动将问 题转给相应的团队， 在需要时立即上报， 并用恰当的语言进 行回答。 4 全面且规范的 劳动力分析 使用人工智能整理 来自多个来源的数 据，以建立更完整 的人力资源报告和 更深入的智能数据，

跨系统全链路 定界诊断 主动预防 集团+分子公司 整体态势感知 混沌工程 故障自愈 变更追踪 变更管控 体系建设 故障发现 与诊断 故障恢复 与应急 故障预防 故障调度 体系演进 分布式架构挑战 运维生态挑战 数智运维挑战  端到端稳定性保障体系缺失，自动化、智能化故障处理能力不足  故障处理过多依赖专家经验，故障没有沉淀为有效的资产  故障处于被动防御，救火，运维大数据未被合理价值挖掘 响应是否及时 桌面演练 预案是否熟悉 时间是否达预期 是否可执行 效果是否达预期 实操演练 预案提升 测试环境 实操 预案全自 动执行 生产环境 实操 预案半自 动执行 主动发现 被动发现 标准化故障复盘 （24小时） 如发生可快速恢复 不再发生此类故障 两个目标 故障报告 （2个工作日） 回溯详实处理过程 统计量化业务影响 四项要求 多层级原因分析

数字化转型中系统安全生产痛点 问题 数智运维挑战 n 端到端稳定性保障体系缺失， 自动化、智能化故障处理能力不足 n 故障处理过多依赖专家经验，故障没有沉淀为有效的资产 n 故障处于被动防御，救火，运维大数据未被合理价值挖掘 分布式架构挑战 n 维护对象： 系统节点、微服务数量几何级数增加 n 调用关系：从简单对应到极其复杂，人力维护无法胜任 n 数据分片、异地存储，传统维护模式难以为继 能力割裂：运维工具能力割裂不成体系 n 数据孤岛： 应用、数据库、 中间件、云平台、 基础设施各管自身 集团 + 省分 几百套系统 跨系统全链路 定界诊断 故障自愈 混沌工程 主动预防 变更追踪 变更管控 集团 + 分子公 司 整体态势感 知 体系建设 故障发现 与诊断 故障恢复 与应急 故障预防 故障调度 体系演进 稳定性保障工具建设历程 应用层 资源层 数据卸载 监听事件总线 维护方 API Webhook O A 业务层 接入层 组件层 制品层 钉钉 自 动 化 运 维 自动化 处理 多平台 审 批 主动发现 省分上报 舆情 客服投诉 影响 判 断 事 件 上 报 问 题 管 理 故 障 上 报 标 准化 故 障复盘 （ 24 小时） 故障管理实现故障事前、事中、事后全流程线

软硬协同一体化，构建融合高性能基础设施 3.1.2 调度和升级优化，支持超大规模算力管理 3.1.3 端到端可靠性设计，保障系统稳定可靠运行 3.1.4 原生安全能力基线，构筑纵深防御高安全体系 数据层 3.2.1 五大核心要素，定义和设计云上数据库 3.2.2 基于数据迁移和同步技术，保障数据完整性与准确性 3.2.3 数据库和存储设备协同，高效实现大库备份和恢复 需求与 设计管理 协作开发 管理 自动化 流水线 全链路 可观测 故障 智能定界 故障 自动恢复 中间件层 数据层 基础设施层 软硬协同高性能 超大规模算力 多层冗余高可靠 纵深防御安全 消息队列 事务 缓存 调度 高性能大容量 高效迁移与同步 快速备份恢复 高可靠架构 虚拟机 虚拟存储 虚拟网络 容器 分布式总线 云负载均衡 数据库 对象存储 文件存储 构建及依赖管理 TEE、TXT），为虚拟机及容器提供可信运行环境，增强系 统安全与稳定性。通过统一调度和管理多种不同架构计算资源（如 x86、ARM），实现异构算力的高效协同。 ② 故障识别效率：借助硬件原生的故障识别与主动上报机制，实时感知故障并上报硬件异常，提升平台 响应速度与系统整体可靠性。 ③ 缓存内存优化：采用硬件拓扑感知智能调度框架，优化 CPU 和缓存资源策略，提升算力执行性能与资 源发放效率，降低算力使用成本。同时，通过

这场变革不仅改变了人机交互的方式，更重构了整个智能生态的服务逻辑。 消费者的需求不再是简单的功能堆叠，而是追求随时随地、自然流畅、无 感协同的智慧体验。他们希望终端设备更聪明、更懂人，不仅能理解指令、 完成任务，还能超前思考、主动服务。在这样的趋势下，智能体成为新时 代智慧体验的关键载体，以用户意图为中心，以多模态交互、意图理解、 任务闭环与持续学习进化等关键能力为特征，打通用户、系统与服务之间 的链路，带来全新的服务模式。 的智能体 + 鸿蒙应用开发平台。我们坚信，鸿蒙智能体框架将加快生态伙 伴的创新脚步，不论是在手机、PC、车机、智慧屏、穿戴设备，还是在办公、 家庭、出行等不同场景中，鸿蒙应用智能体都能实现个性化、主动化、可信赖、 一致的智慧体验，拉近服务与用户的距离，持续推动鸿蒙智能的体验变革。 鸿蒙智能体时代已经开启，我们期待与广大鸿蒙应用开发者和合作伙 伴一道，持续推动鸿蒙智能体技术创新与生态共建，为用户带来“服务合 05 01 08 11 31 33 行业趋势：应用智能化和 Agent 产业趋势 鸿蒙智能体的定义 鸿蒙智能体框架（HMAF） 总结与未来展望 参考资料 1.1 从被动响应转向主动服务，智能体驱动人机交互范式变革 1.2 智能体爆发式增长，系统智能体和垂域应用智能体双轨发展，走向协同 1.3 一站式开发框架和技术标准化加速智能体构建和商用落地 3.1 智能体全新交互 3