当前，数字经济与智能技术深度融合，智能终端规模化普及、应用场景多 元化拓展，推动“万物互联”向“万智智联”加速演进。然而，传统移动 通信网络以“连接”为核心，难以适配复杂场景下动态变化的互通任务需求。 本白皮书以“任务驱动式智能互联”为核心主线，系统梳理智能互联领域 的场景诉求与技术挑战。其中，船船互联场景聚焦内河航行中船舶动态目 标多、识别维度复杂的痛点，揭示“目标难识别”的核心矛盾；人车家互 智能互联面临的“目标 识别精度不足、跨域链路适配性差、意图感知协同性弱”三大挑战。 针对上述挑战，本白皮书创新性提出任务驱动式智能互联网络“敏捷意图 感知，快速目标确认，动态智能互联”的设计理念，以“任务”为锚点重 构互联逻辑，构建“终端身份识别、终端态势感知、端网任务协同、动态 群组创建、智能数据互通、跨网跨域融通”六大关键技术体系，形成从“任 务感知”到“链路构建”再到“协同互联”的全流程解决方案。最后，本 务感知”到“链路构建”再到“协同互联”的全流程解决方案。最后，本 白皮书介绍了船船互联场景下的专网实践案例，通过技术验证为智慧船舶 领域的网络建设提供可复用、可推广的技术范式。 本白皮书旨在系统呈现任务驱动式智能互联的理念框架、技术路径与实践 成果，为产业链上下游企业、科研机构、行业从业者提供参考，推动智能 互联技术在更多领域的创新应用，助力数字经济时代下智慧场景的高质量 发展。 前言 目录 2.1. 概述 2.2

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。 华为终端致力于打造王者产品，构筑智慧全场景极致体验。我们持续 鸿蒙应用生而智能 前 言 近年来，生成式人工智能（Generative AI）迎来前所未有的技术飞跃， 以大语言模型（LLM） 为代表的基础模型进入高速迭代期，一路狂奔，不断刷新能力边界。模型在复杂任务推理、规划、 代码生成等方面取得显著提升，在各类权威基准测试中不断突破记录，多项能力指标接近甚至 超越人类专家水平。 模型的上下文窗口显著扩展，主流模型已支持十万到百万级 Token 输入，可处理长文档、 这一系列技术的突破，正在重塑人类与数字世界的交互方式。生成式 AI 不再是问答工具， 而是嵌入到每一个终端、系统、应用与服务中的可持续演化的智能体（Agent），具备感知周 围环境、理解用户意图、学习用户偏好、自主执行复杂任务的全流程能力。 2024 年 6 月，华为向业界发布《AI 终端白皮书》 [1]，明确指出智能体将引领终端进入全新 人机交互及智能协作的时代，如多模态大模型带来更自然、更全面的人机交互体验，AI

GPU、CPU（Central Processing Unit）、NPU（Neural Processing Unit）、FPGA（Field-Programmable Gate Array）等，实现对不同类型计算任务的优化。 与传统同构算力相比，异构算力强调在指令集架构、处理器类型、通信接口、内存访问模式 等多个层面的差异性与互补性，但也对异构算力整体系统性的资源管理、软件适配、调度优 化提出了更高的要求。 通用并行协处理器。这一技术通过重构 GPU 底层硬件资源流水线设计与调用逻辑，使原本 仅处理图形渲染流水线的数千个计算核心，能够高效执行科学计算、数据分析和机器学习等 非图形化任务，实现了对传统 CPU 计算体系的革命性扩展。ASIC 通过定制化硬件架构，将 计算任务固化于电路设计，其核心在于以降低通用性为代价，针对特定算法或应用场景进行 晶体管级优化，实现远超通用芯片的计算效率与能效比，这一技术通过重构计算单元、内存 （1）异构算力“资源墙”因其硬件架构、互联拓扑等物理差异，阻碍了不同厂商、不 同架构算力间的有效协同：一方面，由于各类算力芯片间存在架构设计、数据类型等差异， 导致算力单元间二进制不兼容，无法进行同一计算任务的协同配合。另一方面，单机层面不 同算力芯片互联拓扑差异，具有 Cube-Mesh、Full-Mesh 等异构互联方式，造成了服务器 卡间通信的壁垒。集群层面，服务器具有不同的网卡带宽，不同服务器类型组网方式不同，

过程中，负载整合技术发挥着至关重要的作用，它打破了传统系统中 AI 处理和实 时控制相互独立的架构壁垒，实现了多种计算任务在统一平台上的协同优化。 新一代计算平台的异构架构优势在此背景下显得尤为重要。通过整合高性能 CPU、 GPU 和专用 AI 加速器，结合先进的负载整合技术，单一平台即可同时处理实时 控制任务和复杂 AI 推理，实现了前所未有的计算效率和系统简化。这种技术创新 不仅消除了传统多系统架构的延 • 多轴协同控制需求激增：生产流程的复杂化和精细化推动了对更多电机和执行器同步控制的需求增长，以实 现精确的多点协调和同步。传统的单一控制解决方案，如独立的 PLC 或微控制器，在处理大规模轴控任务时 面临性能瓶颈，难以满足现代工业对高度集成和协调性能的要求。 • 超短控制周期追求：追求更短的控制周期以提高控制精度已成为行业发展的核心趋势。在高速自动化生产线、 精密加工以及高精度定位系统 多元化负载整合与资源优化：随着自动化控制与信息化、智能化的深度融合，多任务负载整合成为核心发展 方向。现代工业系统需要在单一平台上同时运行实时控制、AI 推理、数据分析、视觉处理、通信管理等多种 工作负载，通过统一的计算平台实现硬件资源的高效利用和系统成本的显著优化。在这一整合过程中，确保 实时控制任务的确定性性能、保障系统安全性、实现不同优先级任务间的有效隔离，成为了技术实现的关键 挑战。 • AI

厂 分拣系列 OB F Chnajey 以“电子周转箱”作为“物的流转 ( 原料、半成品、成品、辅料等等 )” 载具， 作为执行和控制单元贯穿全过程；其具有 绑定业务 ( 生产单、任务单 - 变更 ) 、携带数据 ( 人，机，料，法，环，测 - 校验 ) 的多重作用。 要素对象改造 + 建模：电子周转箱不仅仅周转物料，更是数据的周转载体 中之杰 物动单动 物理锁 定 多控循 环 物动权 动 物动钱 动 通过工位的实时数据跟计划数据，根据 计划规则要求动态调度调整生产任务， 例如实现生产任务自动转交 通过工位实时和设备实时管理，实现生 产过程质量管控，例如根据批次自动发 起巡检任务 根据不同的生产工序以及管理要求，通 过工艺规则实现标准化 SOP 及生产要 求 管控，例如上料方式及开机准备 基于工位相关的现场现物体，通过物流 ： · 配盟师期； 湘 查 设 备 产 人员任务任务 设备加工任务 Ⅲ 人员任务任务 物料任务任务 设备加工任务 物料任务任务 集成对接 ERP 的 MRP 运算后的生产工单，使用有限产能的正推法进行辅助排产，添加配置排产逻辑及参数，并通过试算、试排验证、矫正 排产 的运算模型。 人员任务任务 设备加工任务 等 物料任务任务 支撑数据：例如人员、班组、 设备稼动率、开

任务驱动式 智能互联技术白皮书 任务驱动式 智能互联技术白皮书 2025年 发布单位：中移智库 编制单位：中国移动通信研究院 （2025年） 面向5G-A与AI融合驱动的算网智一体化 解决方案白皮书 发布单位：中移智库 编制单位：中国移动通信研究院 当前，全球正迎来以 5G-A 与人工智能为核心驱动的新一轮科技革命与产 业变革浪潮。我国已进入加速培育新质生产力、深入推进新型工业化的关 推理等差异化负载，算力平台需突破通用架构局限。通过轻量化内核、 异构计算与云边协同，实现 CPU/GPU/NPU 等多样化算力资源的统一池化与智能调度，使算力灵活 流动，紧密协同网络需求与 AI 任务，成为驱动业务智能的强劲引擎。 网为根基：5G-A 网络不再仅是数据传输的管道，而是演进为具备内生智能的“感知 - 保障”系统。 通过异构接入、一网多用等多维能力，网络能够主动感知业务意图（如低时延、高可靠）和实时状态， 源按需分 配与快速响应，依托跨异构适配能力对 CPU/GPU/NPU/DPU 等多元算力进行统一调度，支持云边模型 与数据协同机制构建“边缘 - 区域 - 中心”三级算力体系，实现模型训练与推理任务的动态流转。同时， 通过容器隔离、可信计算与多层冗余架构，保障平台的安全与高可靠运行，满足企业业务对隐私与稳定 性的极致要求。 赋能企业专网的边缘智能核心网：通过五大关键能力构建的智能化网络基座。异构接入能力可破解网络

集 、 训练 、 部署 、 推理应用 等环 节的技术要点 ； 说明行业大模型 在医疗领域应用框架的各组件功能；通过实例给出大模型最佳实践建议。 其二， 介绍通用大模型评测框架的任务定义 、 数据准备和评测方法 ； 概 述 医疗 健康 领域大模型评测的科学性 、 安全 性 、 合规性 、 伦理道德等方 面， 并 列 举 中 文 医 疗 健 康 评 测 集 目录 03 医疗大模型评测 3.1 通用大模型评测框架 3.1.1.任务定义 3.1.2.数据准备 3.1.3.评测方法 3.2 大模型在医疗健康领域的评测概述 3.2.1.科学性：从通用能力到医学专业能力的提升 3.2.2.安全性：从潜在风险识别到安全输出保障 3.2 大模型应用的风险防控措施 5.1.1.数据安全防控 5.1.2.伦理合规建设 5.1.3.技术可靠性与风险监控 5.1.4.监管与评估体系建设 5.2 医疗健康行业大模型专业性的提升方式 5.2.1.医疗数据的微调与任务定向优化 5.2.2.意图识别与分发优化 5.2.3. RAG 技术的应用 5.2.4.多轮对话与上下文管理机制 5.2.5.内容生成的精准与个性化 5.2.6.后台运营干预与人机协同 5.2.7.架构协同优化

ChatGLM-6B (清华大学 KEG 实验室) [38]: ChatGLM-6B 是由清华大学知识工程实验室推出的 开源大语言模型, 拥有 60 亿参数, 于 2023 年 3 月发布. 该模型专注于对话生成任务, 支持中英文语言 https://www.sciengine.com/doi/10.1360/SSI-2025-0109 侯卫锋等 中国科学 : 信息科学 2025 年 第 55 卷 第 7 亿参数, 具备中英双语处理能力. 该模型在文本生成、翻译与问答等任务中表现良好, 适合应 用于多语言交流与内容生成的场景. Skywork-13B (昆仑万维) [40]: Skywork-13B 由昆仑万维推出, 于 2023 年 10 月发布, 拥有 130 亿 参数, 强调高效的多任务处理能力. 该模型在信息摘要、智能问答、写作辅助等任务中具备良好效果, 并支持多场景应用. InternLM2 DeepSeek-R1 是深度求索于 2025 年 1 月发布的旗舰级大语言模型, 总参数达 671B, 其中活跃参数为 37B. 该模型特别强化了编码与数学推理能力, 适合应用于科研、教 育与高精度逻辑任务中. Janus-Pro-7B (深度求索) [44]: Janus-Pro-7B 是深度求索于 2025 年推出的多模态大语言模型, 参 数规模为 70 亿, 支持文字与图像的融合处理. 适合用

近两年来，随着 ChatGPT、DeepSeek 等大模型技术的快速发展，人工智能正以前所未有的速度重塑产业格局，而 Agent 智能体的崛起标志着应用现代化迈入全新阶段。未来大于 50% 的人类工作任务场景将被大模型影响，据麦肯锡预 测，生成式 AI 每年可以增加 2.6~4.4 万亿美元经济收入，AI 驱动的自动化决策与交互将成为业务常态。与此同时，传统 应用与 AI 应用的融合不再局限于简单的功能叠加，而是依托数据与 的 可信数据资产目录实现跨域流通，为 Agent 提供实时、高质量的训练与推理燃料；而 API 则从传统的服务接口演进为“智 能连接器”，通过动态编排与语义理解，支撑 Agent 间的自主协商与任务分解。此外随着云原生 AI 技术（如多模态大模型、 智能 Agent 开发与运行、检索增强生成、智能应用管理引擎、智能组装与集成、统一可观测、多模态交互、AI 内生安全等） 的成熟，使得 Agent 破推动单机系统从“工具执行者”进化为“智能决策体”，能够自主感知环境，分析数据，做出决策，甚至进行自我 优化和升级。物联网与 5G 技术催生智能系统的群体化演进，形成协同工作的群体，共同完成复杂的任务，实现资源的 优化配置和高效利用。自然语言处理与多模态交互技术的突破，则加速重塑人机协作的认知界面，使得人机协作更加 便捷和高效。复杂系统向“组装式”模块化架构演进则为人机协作提供了灵活可扩展的载体，不同的功能模块可以独

10M-100M 万亿级+ H100/B100（数万卡） >20,000 100M-500M+ 大模型参数量达到万亿，迭代训练需使用数据并行、流水线并行、 张量并行和专家并行等技术。并行推理将每个模型层的计算任务拆分 到各个服务器中多卡 GPU 上执行。各 GPU 无法独立完成计算工作。 在训练的过程中需要进行频繁且复杂的通信。这就要求构建 GPU 之 间的全互联高速数据通道，以确保数据的高效传输，最大限度减少 的突发性大量同步与广播时，网络时常出现瞬间拥塞、缓存溢出与延 迟剧增等问题[7]。 与此同时，随着大模型参数规模和训练复杂度的持续增长，智算 中心对网络端口密度的需求正加速攀升。以 GPT-4 等万亿级模型为例， 其完整训练任务需部署约 25,000 张 H100 GPU 卡。假设每台服务器 需与 Top-of-Rack（ToR）交换机建立至少 2 条 400G 上行链路，并在 Leaf 层与 Spine 层交换节点之间形成全互联结构，则光是 战。首先，全光交换难 以实现有效的缓冲机制，因为光信号无法像电信号那样轻松存储，这 会导致在高负载的训练任务中，数据包冲突和丢包问题频发，影响任 务的同步性和稳定性。其次，基于线路交换的特性使得光交换在灵活 性和可重构性上受限，通常依赖于固定波长或空间切换，无法高效支 持训练任务中频繁的动态通信模式，这可能导致网络瓶颈和资源利用 率低下。现阶段使用光电协同方案组建智算中心网络，以结合光域的