GB/T45341—2025 3. 4 数字模型 digitalmodel 基于多元异构动态数据,对相关业务对象的运行状态、关联关系等进行数字化动态描述,可基于数 据驱动支持实现业务动态柔性响应的模型。 3. 5 知识模型 knowledgemodel 基于多元异构动态数据,对相关业务对象的运行规律等进行动态归纳、演绎及其知识化、数字化、模 型化,可基于知识驱动支持实现业务个性化按需柔性运行和一体化敏捷响应的模型。 businessscenario 关于业务运行的参与主体、行为活动、资源条件以及数据要素等的有机组合。 3. 8 数字场景 digitalscenario 基于相关数字模型(3. 4)实现关键业务动态响应、动态协同、动态优化的一类业务场景(3. 7)。 注:数字场景、知识场景、智能场景都属于数字化(的)业务场景。 3. 9 知识场景 knowledgescenario 基于相关知识 模 型 (3. 5)实 对企业数字化转型(3. 1)发展阶段和水平档次的度量。 3. 15 数字企业 digitalenterprise 基于相关数字模型(3. 4),沿资源链、价值链或产品链(资产链)实现业务的全面动态响应、动态协 同、动态优化的一类企业。 注1:资源链即基本贯通研发(规划)设计、生产(建设)、服务、经营管理等主业务环节的计划、采购、仓储、研发、生产 (建设)、销售、财务、人力资源、物料和设备(资产)管理等主要业务活动的企业资源管控链。

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 联场景针对车辆移动性、家庭网络封闭性、个人终端多样性的特征，剖析 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 白 任务驱动式智能互联网络 10 10 11 4.1. 设计理念 4.2. 技术体系 4.3. 关键技术 4.3.1. 数字身份认证 4.3.2. 终端态势感知 4.3.3. 端网任务协同 4.3.4. 动态群组创建 4.3.5. 智能数据互通 4.3.6. 跨网跨域融通 11 12 12 12 13 14 任务驱动式智能互联技术白皮书 01 概述 1 概述 随着“网络强国”、“数字中国”战略的深入推进，以

字孪生+智能算法”的数字孪生智能应用建设，旨在通过白皮书为数字孪生产业发展提供 借鉴与参考。 本次白皮书系统梳理技术演进路径、核心能力建设及行业实践成果，数字孪生的核心 在于通过数据驱动实现物理世界与虚拟世界的精准映射与动态交互。白皮书提出四大关键 技术能力： 物理感知与数据融合。整合 LiDAR、无人机、物联网等多源异构数据，构建高精度三 维地质模型与实时监测网络，支持黄河流域泥沙冲淤分析、城市内涝预警等场景。 实现大规模倾斜摄影模型的秒级加载，突破 Web 端性能瓶颈。 机理与数据双驱动。融合水动力模型、有限元分析等物理机理与 AI 算法（如 LSTM、 强化学习），将洪水预测误差降至 3%以下，推演效率提升 20 倍。 动态交互与智能决策。通过数字人、大语言模型（LLM）实现自然语言操控，支持应 急指挥、设备运维等场景的智能响应。 围绕复杂数据处理与孪生场景应用、机理模型与数据驱动模型、超大体量数据处理与 实时渲 网络结合水文数据将水质预测误差降至 3%以下；在工业场景中，自编码器 驱动的设备故障预警系统减少非计划停机 30%。 智能算法的融合应用还体现在多源异构数据的实时处理与动态适应上。通过集成传感 器数据、遥感影像与业务日志，大模型可动态优化城市内涝模拟、港口物流调度等复杂场 景。黄河流域泥沙冲淤模型即通过无人机测深数据与智能插值算法，实现水下地形的高频 更新，防洪调度效率提升 40%。此外，基于

已演进为包含计算、存储、网络、能源、云等多维度系统，支持消费、生产、科研、环境、社会治理等方方 面面，是一个复杂的系统工程，其复杂性不仅源自其超大规模、多组件、多层级的物理与数字结构，更来自 于要支撑动态多变的业务需求、适应外部环境不确定性与抵御多样化风险的要求。随着大模型参数规模越来 越大，对数据中心集群的大规模协作要求越来越高，在此背景下，任何单一故障都可能引发连锁反应，业务 可用面临前所未 与资源池化等弹性机制。 ·自适应与自组织能力：复杂系统能在压力中 维持动态平衡，依赖其局部调整与全局协调。 韧性数据中心要从“被动防御”转向“主动适 应”，构建“恢复即本能”的运行模式。 那么，如何构建高韧性的数据中心？复杂系统理论提供了深刻的洞见和实践指导： 因此，韧性数据中心的建设，必须从复杂系统理论 中汲取智慧：将韧性作为系统性、动态性的能力内 化于架构与运营之中，不再将“零故障”作为不切 这意味着，数据中心与传统“静态工程”设施根本 不同，它更像是一个动态进化、实时自调节的“数 字生命体”。正因如此，韧性成为其核心生命力： 韧性不仅意味着“承受压力”，更强调在压力中稳 定、在风险中调整、在冲击中恢复、在演化中进化。 数 据 中 心 本 质 是 一 个典型的“开放的复杂巨系 统 ”。其复杂性不仅源自其超大规模、多组件、多 层级的物理与数字结构，更来自于要支撑动态多变 的业务需求、适应外部环境不确定性与抵御多样化

供了技术空间。 全球领先的产业与科研力量均已在此领域展开探索，并在部分应用场 景实现试点部署。 然而，要实现光电协同网络在智算中心的规模化落地，仍需跨越 多重技术关卡。从应用层集合通信模式与动态拓扑的适配，到传输层 协议机制与流量调度优化；从路由层控制平面的可扩展性，到链路层 资源的智能分配；再到物理层光交换的传输损耗与延迟难题，均对网 络架构设计、协议栈演进与资源编排提出了系统性挑战。 ..........21 2.3 网络层：路由收敛滞后挑战................................................... 23 2.4 链路层：非对称资源动态分配挑战....................................... 24 2.5 物理层：信号衰减挑战与时延约束挑战.............................. 应用层：面向光电网络的集合通信重构协议.......................27 3.1.1 预测通信模式，为重配置提供需求启示.....................28 3.1.2 拓扑有感知的动态集合通信重构................................. 29 3.2 传输层：面向光电网络的高性能传输协议...........................31 3.2

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”。 当前业界现有 AI 编译器大体分三类：一是芯片厂商闭源编译器，例如英伟达的 NVCC （Nvidia MLIR（Multi-Level Intermediate Representation）和动态编译如 TVM （Tensor Virtual Machine）、Triton 等，通过统一中间表示和 MLIR 自动编译优化实现跨 架构的编译。 跨架构编译关键技术主要包括异构硬件抽象、统一编程模型与接口和智能动态编译优化： （1）异构硬件抽象：异构硬件可分为存储、计算、同步抽象，存储抽象采用“无限寄 的“方言”支持不同领域的计算表示，支撑多 种源语言的跨芯片编译；同时统一编程接口可支撑代码生成和后端优化的复用，赋能运行时 的垂直优化。 （3）智能动态编译优化：智能动态编译优化主要包括动态编译机制、融合优化方法、 图算融合代码生成，动态编译机制在运行时即时生成代码，支持输入可变和网络结构自适应。 11 单模型和跨模型的融合优化方法，研究运行时共感知的跨模型算子融合。图算融合代码生成

◆ ABI应用的核心矛盾源于"数据-技术-业务 "三角失衡，数据治理滞后、算法黑箱与 行业适配断层是主要障碍 01BI受限，AI重构决策： ◆ 传统BI受限于封闭架构与技术壁垒，难以满 足实时动态决策需求 ◆ AI通过自动化数据流水线与智能算法重构 全链路效率，推动主动预测式决策 02ABI爆发增长，厂商驱动转型： ◆ 中国ABI市场呈现爆发式增长，未来将持 续高速扩张 ◆ 头部厂商正加速ABI的自动化、智能化、 态处理、 技术壁垒及历史决策惯性，难以支撑从实时感知、多元分析 到预测决策的现代化转型需求，其滞后性不仅削弱企业对市 场动态的敏捷响应能力，更成为全员数据赋能与战略前瞻决 策的关键瓶颈。 ❑ AI赋能通过构建自动化数据流水线释放人力冗余，依托智能 算法提供动态预测与战略决策支持，不仅重构数据采集、处 理与分析的全链路效率，更推动决策机制从被动响应转向前 瞻预判，实现资源精准配置与业务流程深度优化，最终构建 结构化数据，尽管这些数据能 提供一定洞察，但往往无法全面反映市场和行业的动态变化。AI的引入，特别是利用 其多模态能力（如文本分析和图像处理）以及外部知识检索（如RAG技术），使BI系 统得以突破传统局限，处理更为丰富的数据来源。借助AI，BI系统不仅能从结构化数 据中提取关键信息，还能从新闻报道、行业趋势分析、竞争对手动态等非结构化数 据中获得重要洞察。 14 www.leadleo.com

涨薪率 04 离职率 10 应届生起薪 11 城市薪酬差异系数 16 人力需求 招聘趋势 19 城市招聘趋势 20 5e3f6aaa06444fd8a666eb59160aa400 招聘动态 22 热门职能 39 福利洞察 热门岗位薪酬 41 概念与定义 43 关于薪智 44 人力资源核心指标 芯片设计 薪智 人力资源核心指标 芯片设计 薪智 分类 二级行业 代表企业 9% 17.1% 46% 2024-Q3 36.4% 19% 44.6% 2024-Q4 28.6% 17.9% 53.5% 2025-Q1 22.5% 21.8% 55.7% 22 招聘动态 - 按时间 人力需求 人力资源核心指标 芯片设计 薪智 统计说明：先统计每家样本公司当前周期比较上一期的招聘量变化，招聘量增加的为扩招，招聘 量减少的为缩招，招聘量基本不变的为平招；然后统计扩招、平招、缩招的公司占行业公司总数 扩招、平招、缩招的公司占行业公司总数 的比例 解读： 近8季，扩招公司占比下降「18.9%」 近8季，平招公司占比上涨「10.2%」 近8季，缩招公司占比上涨「8.7%」 23 招聘动态 - 按时间 人力需求 人力资源核心指标 芯片设计 薪智 24 比亚迪半导体股份有限公司 较上期：350% 27 长春光华科技发展有限公司 较上期：316.7% 25 芯耀辉科技有限公司

20 20 20 21 21 21 21 23 23 23 24 24 25 26 3技术落地：数智化系统的核心功能模块 3.1动态敞口管理：风险可视化的基础 3.1.1敞口全生命周期管理 3.1.2敞口动态转换与预测 3.2智能交易与风控：从经验判断到数据驱动 3.2.1衍生品全生命周期管理 3.2.2 AI辅助决策 3.2.3实时风控体系 3.2.4外币结算与跨境资金池 2数字化基础能力评估框架 4.2建设阶段：系统集成与风控体系构建 4.2.1一体化系统集成方案实施 4.2.2智能风控指标体系搭建 4.3优化阶段：数据驱动的持续迭代与价值创造 4.3.1基于数据反馈的策略动态调优 目 录 28 30 30 31 32 32 35 35 36 36 37 37 37 39 39 40 42 42 42 44 44 44 45 统抗攻击能力与数据防泄露机制。 2.1.3前瞻性原则 依托大数据分析与智能算法构建动态风险预判体系，以应对外汇市场的高频波动与非 线性特征。通过整合宏观经济指标、市场舆情、历史交易数据等多维度信息，建立自适 应预测模型与情景分析框架，实现汇率走势的前瞻性研判与极端风险场景的压力测试。 借助自然语言处理等技术解析政策动态与市场信号，为企业预留策略调整窗口期，提升 风险响应的主动性与精准度。 2