取大规模战略性订单；最终，将自动驾驶、生物医药、具身智能等高价值、高用量 的垂直行业客户视为“增长引擎”，通过深度赋能其具体的商业和科研场景，来开拓 未来价值增长的主战场。 公有云GPU主力客群 政企单位 企业出海 特点：技术实力强，需求 明确，IaaS直连，绕过 PaaS中间层 特点：政策驱动、预算 充足、智算中心的建设 先于使用 高价值行业：自动驾驶、具身智能、生物医药、高校科研 垂直行业客户 公有云GPU销售： 面向大模型厂商、 互联网巨头，技 术能力强，直采 GPU； o 政企建设智算中 心：拉动基建 （服务器、存储、 私有数据库等）， 预计贡献百亿； 垂直行业客户（例：自动驾驶、 具身智能）：典型B端大客户， 有强烈算力消费需求 ✓ 目标从20亿营收增长至 50亿，重点产品： MaaS 1个亿不到，25年希望到 2.5亿 MaaS Compute（AI训练于图数 据库产品//数据库类产品）； 型调用服务。 ✓ 以“计算中心政府补 贴+回租”模式，达成 快速出表； ✓ GPU卡的二次租赁纳 入阿里云池，形成资 源复用； ✓ 小公司、地方代理公 司与“地头蛇”在下沉 市场、长尾客户中仍 具机会； ✓ 行业内充斥中小厂商 做“GPU转售/出租”， 但体量小、毛利低、 技术服务弱，不具竞 争力。 ◼ 云厂商的客户战略，是以“核心技术客群”为压舱石、“政企单位”为稳定器、并以 “高价值垂直行业”为增长引擎的三圈层布局

第一章 序言 1. 定义与范式 2. 发展与态势 3. 数据分析 第二章 AI 前沿 1. 从大语言模型走向自主智能体 2. 具身智能 3. 脑机接口 4. AI 内生安全 第三章 数学 1. 基础理论 2. 优化 3. 统计 4. 科学计算 5. 复杂系统 第四章 物质科学 1. 物理 2. 化学 3. 材料 4. 能源 第五章 生命科学 导地位。计算机视觉技术在生命科学和地球 环境领域渗透显著。此外，分布式学习、图 神经网络、可解释 AI 和边缘智能在不同学 科中均得到广泛应用。AI 技术图谱揭示了一 个根本性转变：AI 不仅是科学研究中可用工 具集的扩展和创新，更是推动科学范式变革 的“元技术”。一场 AI4S 革命，正在重塑 人类科学发现的未来图景。 图1.8｜科学智能中最获青睐的AI技术（2015-2024） 生态系统动态模拟 跨尺度建模 (AI) 技术快速发展，已在多个 领域展现出先前技术所不具备的涌现能力。 借助千亿级参数规模，大语言模型不仅实现 了海量知识整合和逻辑推理能力的突破，还 展现出向通用人工智能演进的巨大潜力，具 有重要的研究和应用价值。学术界与工业界 纷纷将目光聚焦于大语言模型的相关研究， 力图突破计算复杂度高、安全对齐难、可解 释性弱等短板。与此同时，随着训练数据、 算力资源逐渐面临增长瓶颈，研究者正积极

数智企业的类型不是排他的，常常表现出多重角色性和 动态变化性的特点。即数智企业往往是跨几种角色类型，甚 至是覆盖了所有七种类型的，并且数据企业类型不是一成不 变而是动态变化的。 1.多重角色性 数智企业常常是多重角色集于一身的。数据应用企业常 常都拥有海量的数据资源和独特的数据技术，因而也是数据 资源企业和数据技术企业。数据安全企业常常拥有领先的数 据安全流通技术，并参与数据基础设施建设，因而也是数据 技术企业和 10 的数据治理技术，往往也是数据技术企业。人工智能企业一 定是数据技术企业，并且常常是数据应用企业和数据资源企 业，并且常常是数据基础设施企业。许多大型数智企业兼七 种角色于一身。如华为、阿里、腾讯、蚂蚁、百度、滴滴、 美团、三大运营商等。 2.动态变化性 数智企业的类型不是一成不变的，而是不断延伸拓展的。 数据资源企业常常会发展数据技术、拓展数据应用，发展成 为数据资源企业和数据技术企业。数据安全企业常常会参与 数据基础设施建设，而数据基础设施企业也会发展自己的安 全技术，兼具数据安全企业和数据基础设施企业角色。人工 智能企业必须积累海量数据资源、创新独特数据技术，而兼 具数据资源企业和数据技术企业角色，有时也会参与数据基 础设施建设，提供人工智能安全产品和服务，成为数据基础 设施企业和数据安全企业。 11 图 4：数智企业类型的特点 （五）数智企业培育方式

人机交互界面：拥有直观的人机交互界面，便于操作员监控状态、调整参数或直接指导 机器人行为，加强了人与机器之间的沟通效率。 ➢ 可拓展性和模块化设计：协作机器人支持各种传感器、工具端和软件的集成，可根据具 体应用场景进行定制化扩展，满足多样化任务需求。这一特性促进了它们在非工业领域 的广泛应用和创新。 ➢ 成本效益：随着技术进步和规模化生产，协作机器人的成本逐渐降低，投资回报周期缩 短，使 年中国一体化关节模组市场规模及预测(单位:亿元，%) 数据来源：高工机器人产业研究所（GGII） 第二节 中游本体 作为协作机器人产业链的核心环节，协作机器人本体集各项软硬件技术于一身，可谓产 业链的中心，向上承接和倒逼各类核心零部件技术的持续进步，向下不断在细分领域拓展应 用场景，扩大应用的边界。同时，还在易用性、安全性、高柔性层面持续迭代优化，以满足 更多复杂场景的需求，协作机器人本体技术的提升已经有目共睹。 ， 实现机器与人的和谐共生。 第三节 AI 助力协作机器人从“功能机”向“智能体”进化 2024 年，政府工作报告提出开展“人工智能+”行动，2025 年提出大力发展智能机器人， 培育具身智能等未来产业。人工智能与大模型技术的发展，让机器人“感知”、“思考”、“适 应”、“交互”和“判断”成为可能，当协作机器人被成功赋予高级人工智能，机器人将获得 与类人般的“常识”，使得机器人变

n 与追求大而全的增长模式不 同，企业在出现增长边际效 益递减，形成利润区黑洞时， 选择做减法的增长模式，具 体就是：减业务单元、减组 织、减目标。 n 企业只有把这些资源回馈到 最具马太效应的业务中去， 才能保证利润的可持续性和 自我循环 企业撤退线的设计策略： 户群作为成长底线，它就具备 一定能力的定价权。 n 定价权也能反映一家公司对产 品或者服务是否具备提价的能 力 竞 自 度 受 客户认 的定价 身成本结构 一家公司产 拥有了成长底线，就意味着一家公司拥有了别的公司没有的优势，这些优势体现在以下几个方面。 拥有稳健成长的业务基础 一个没有成长底线的公司， 业务一定是波动、起伏不 定的。 身价值来进行贴现。在这个经营逻辑下， 公 司主要从三个方面进行强化。 把流量池变成了客户 池， 并 形成公司的利润 池，具 备了 与客户建立持续交易的基础 构建流量池 锁定忠诚客户 流量转化为客户池 联 合第三方流量口，搭建 流 量入口 要有效锁定客户池中最具有 忠诚度的客户 成长底线： 案例 - 亚马逊所构建的成长底

率和质量控制 为核心目标，而今天的制造业正面临着更加复杂和动态的挑战。市场个性化需求的 激增、供应链的不确定性，以及劳动力结构的深刻变化，都在推动制造企业寻求更 加智能和自适应的解决方案。 具身智能技术的突破性进展为这一转型提供了新的可能性。通过将感知、认知和执 行能力有机结合，现代制造系统正在从被动响应向主动适应转变。AI 与控制系统 的深度融合不再是概念验证，而是成为了提升竞争力的关键技术路径。在这一融合 据自身需求采用不同的方案，典型的功能特性需求包括： 虚拟化功能需求 采用或不采用硬件虚拟化辅助支 持的负载整合方案兼有；虚拟化 的优势包括便于上层应用的部 署、便于底层权限的控制、以及 更好的安全性支持等，但同样具 有效率不及本地部署等问题。用 户需要根据自身功能以及性能特 性的需求选择是否需要虚拟化的 加持。 I/O 设备资源分配需求 不同负载整合方案对 I/O 设备的 处理各不相同，一般分为直通、 体行业长期的探索和积累，已经 在半导体设备核心控制系统中取得了突破和应用，可基于英特尔高性能计算平台 提供高实时性的 Intewell 新型工业操作系统、高速总线 I/O 系统、自适应控制工 具软件 MaVIEW®，形成针对半导体行业的高实时软件定义控制解决方案。 图：鸿道 Intewell® 高实时软件定义控制解决方案架构 新型工业操作系统 - 鸿道 Intewell® 鸿道 Intewell®

算力组合选型。 10 第三章 异构算力协同关键技术 3.1 统一计算技术 3.1.1 跨架构编译 为解决当前国内 AI 算力异构多元和生态割裂碎片化，导致 AI 模型开发存在“一芯一工 具链、一模一调优”的问题，提出跨架构编译技术。此技术采用归一化的异构硬件抽象，统 一编程模型与接口和智能动态编译优化，构建跨芯片、可扩展、自优化的编译系统，实现 AI 模型的“一次编写、多芯运行、智能优化”。 特性自动完成非 均匀任务划分，实现跨芯片算力的负载均衡与性能优化。FlagScale 已支持包括智源自研 Aquila 系列与 Emu3 在内的 10 余种大模型的端到端训练，涵盖语言、多模态、具身智能等 多个领域，支持稠密与稀疏模型训练，参数规模从亿级至千亿级不等。 （2）在集合通信层：FlagScale 已兼容包括壁仞、天数智芯、沐曦、昆仑芯、寒武纪、 摩尔线程、海光以及华为昇腾等在内的多种国产

与反馈信息， 可以构建相对精准的消费者画像，进而洞察市场需求变化。四是 复杂的供应链数据。这类数据涉及供应商、承运商、仓储、物流 直至终端客户等全链条环节间的信息协同。五是传感器数据。随 着具身智能技术的发展，机器人通过其物理身体上搭载的各类传 5 感器，在与真实物理环境进行交互的过程中，实时采集并获取多 模态、强异构的数据，其中包含了任务语言描述、场景语义、3D 空间结构、本体状

为“以意图为中心”， 为人类带来更深层次的便利和效率提升。在任务流程中，用户只需要设立目标，提供相应资源， 监督完成的结果，智能体在得到授权后，自主完成策略规划和任务拆解，灵活运用多种辅助工 具和数据资源，并控制进度，直至工作完成。 图 2 人机协作方式从以指令为中心到以意图为中心的变革 1.2 虚拟世界与现实世界深度融合，人机交互迈向空间多模态 随着空间计算、人工智能、 合实现对用户意图的准确判断。 智能家居设备也将更加注重用户的安全和健康，例如通过监测二氧化碳浓度、空气质量等 环境数据，以及用户的身体指标数据，实现家庭的环境调控以及个人的实时健康监测。 具有具身智能（Embodied Intelligence）能力的家庭机器人将进入到千家万户中，成为 家庭中的一员，满足家人的实用和情感需求。虚拟数字管家也可能以家庭机器人的终端形态体 现，以更加模拟现实

网络变更控制、网络巡检等场景。 1个智能体工厂：包括组装库、知识库、工具库。组织库实现智能体开发和多智能体协同 编排，并提供检索增强生成服务。知识库对各类知识进行管理、组织，提供灵活查询服务。工 具库包括原子工具、专业工具和跨专业工具，主要由各应用能力构成。 4类应用能力，包括安全运营能力、质量保障能力、运营效能提升能力、客户体验提升能 力。各能力由网络中台和应用平台提供。如故障诊断、排障能力、指令集成能力、低效资源识 现高价值场景分批突破L4。例如，业界伙伴可优先以故障处理、能效优化、网络优化、业务激 活、业务保障等场景，作为实现L4的突破口。 联合开展关键技术攻关：建立产业联合创新机制，重点突破多智能体协同、数字孪生、时 序模型、具身智能等关键技术，实现客户体验和业务质量的高精度感知，提升大模型的推理服 务能力，促进行业知识流动和经验共享。 共建自智网络标准体系：基于行业标准构建自智网络能力，识别产业在自智网络实践中面