引言 随着医疗健康行业的快速发展，传统的数据处理和分析方法已 逐渐无法满足日益增长的需求。特别是在患者数据的采集、存储、 分析和预测方面，传统的技术手段面临着效率低、准确性不足以及 成本高昂等问题。在此背景下，引入先进的技术手段以优化医疗健 康场景的运作已成为行业的迫切需求。DeepSeek 作为一种基于深 度学习的智能分析工具，具备高效的数据处理能力和强大的预测分 析功能，为医疗健康领域的智能化转型提供了新的可能性。 据，并从中提取有价值的信息。传统的处理方法往往依赖于人工干 预或简单的算法，导致效率低下且容易出错。而 DeepSeek 通过其 先进的深度学习模型，能够自动识别、分类和解析复杂的数据结 构，显著提高数据处理的效率和准确性。 此外，医疗健康领域的决策支持系统也对预测能力提出了更高 的要求。例如，在疾病诊断、治疗方案推荐和患者预后预测等方 面，精准的预测模型能够帮助医生做出更加科学的决 策。DeepSeek 供了强有力的技术 支持。 在实际应用中，DeepSeek 的引入还能够显著降低医疗机构的 运营成本。传统的医疗数据分析往往需要大量的人力资源和时间投 入，而 DeepSeek 通过自动化的数据处理和分析流程，能够大幅减 少人工干预，降低人力成本。同时，其高效的算法和优化的计算资 源利用也能减少计算成本，使医疗机构能够以更低的成本获取更高 的价值。 综上所述，将 DeepSeek 引入医疗健康场景，不仅能够解决传

的选型和技 术指标提出了要求。 实时监控与快速响应能力 需要重点关注智能化电力调度系统和精确的预测性维护解决方案，以提高电网的响应速度和可 靠性，减少设备维护的不确定性和风险，这主要体现在数据处理和分析方法对业务的影响。 智能化电力调度与决策支持 03 行业背景、业务痛点与需求 传统数据管理方案虽是信息技术进步的成果，但它们并非为应对新型电力系统的复杂性而量 身定制。因此，在电力 数据共享。此外，实时库缺乏分 布式扩展能力，架构陈旧也是行业共识。 工业实时库的局限 过去 20 年间，Hadoop 随着大数据时代的到来而应运而生，作为通用的分布式基础架构，尽 管其在大数据处理领域有高扩展性和容错性等优点，但其局限性也不容忽视：组件众多导致 架构臃肿，尽管支持分布式处理，但效率并不高，需要特定场景的优化和持续高人力运维； Hadoop 大数据平台的局限 新型电力系统的快速发展对电力企业生产运行、调度控制和安全运维提出挑战。这些挑战主 要体现在如何高效处理海量数据、适应大数据方案的灵活性需求，以及进行与电力交易紧密 相关的数据分析。TDengine 凭借其强大的海量时序数据处理能力，能够轻松应对这些问 题。其轻量级的产品可在端-边-云等多种场景中部署，有效支持电力市场化的业务需求，为 电力企业提供了一种灵活、高效的数据管理解决方案。 同时，随着电力系统采集频率的提升，TDengine

部的数据，形成更为全面的分析基础。通过整合来自CRM、 ERP、社交媒体、物联网等多个来源的数据，企业可以构建出 更加精准和丰富的分析模型。 现代BI系统的需求：现代BI系统需以实时分析、大数据与非结构化数据处理、自助式可视化、预测性智能和 多源数据整合为核心，打破传统BI的静态与封闭局限，从被动的记录工具进化为主动的战略赋能者，推动 企业从数据中抢占先机，实现价值跃迁。 9 www.leadleo.com 白皮书｜2025/05 AI赋能BI的核心功能分析 AI赋能BI通过自动化数据处理提高效率，减轻数据分析师的重复性工作负 担，同时通过智能决策支持帮助企业进行战略性决策，推动高附加值的 思考和资源优化，从而提升整体运营效益 人工智能与商业智能发展现状——AI赋能BI的核心功能 来源：头豹研究院 ◼ 自动化数据处理与分析是AI赋能BI的基础功能 AI通过自动化技术实现数据拉取、清洗、分析和报表生成等基础任务，显著降低了 AI通过整合多源数据并提供深层洞察，赋能企业进行战略性决策，帮助识别市场趋 势、优化资源配置。对话中指出，“数据分析师能在这个系统给的方案之上，再做出 更复杂的一些思维和思考”，这表明AI不仅是数据处理工具，更是战略合作伙伴，能 够让分析师将更多精力投入到高附加值的战略性思考中。 对话式应用 对话式数据查询 需求 分析 多轮 问答 对话式数据查询 思路拆解 数据查询 异常检测 报告生成

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 实时渲染能力、自动化模型构建能力、大模型算法能力在数字孪生中的应用做了深度的技 术剖析。 同时，本白皮书围绕智慧城市、智慧水利、智能制造、智慧能源、智慧园区等场景， （一） 复杂数据处理与孪生场景应用...................................................................... 1 1、 气象数据处理与应用.................................................................................... 2 2、 地理数据处理与应用 ....................................13 3、 3DTiles 数据处理与应用............................................................................ 25 4、 视频数据处理与应用.................................................

• 需要更低的网络延迟以支持 更短的周期时间（例如 125 微秒或更短），以及更多轴 的控制（例如超过 100 个 轴）。  支持 DDR5 内存，内存带宽提升 50%， 以最小化由大量数据处理引起的抖动 影响。  在选定的 SKU 上应用 Intel® TCC 技 术，以获得更好的实时性能。  支持具备时间敏感网络 (TSN) 功能的 网络卡，以实现网络间的实时通信。  独立显卡方案 dGPU：例如，基于先进 X e 架构的英特尔锐炫™ 系列显卡具备卓越的图形处理和 AI 加速能力。 凭借丰富的性能配置选项、大容量显存支持以及多卡协同能力，为复杂 AI 算法和大规模数据处理提供强大算 力支撑，实现高性价比的智能控制解决方案。 AI 智能加速 08 英特尔助力 软件定义自动化 03 负载整合 软件赋能 09 软件定义自动化的核心优势在于通过软件层面的创 择：选择成熟的商用方案可以获得专业的技术支持和更快的产品上市速度；采用开源方案则能够实现更深度的自主化控制和 更优的开发成本。无论选择哪种路径，关键在于构建能够有效整合实时控制、AI 推理、数据处理等多种负载的统一软件平 台，实现硬件资源的最大化利用和系统性能的全面优化。 为了充分发挥英特尔® 处理器在计算与 I/O 资源方面的性能优势，基于 PC 架构的工业设备普遍采用负载整合技术方案，通

AI、谷歌办公应用，以 及数据分析应用平台BigQuery等。其中，BigQuery是Google Cloud构建的高效安全数据流通平台。 BigQuery平台通过EDC组件并嵌入联邦学习，可以提供数据存储、数据处理、数据分析等全流程服务，以实现数据的 高效利用与处理。既能满足互操作性的要求，通过实现不同系统和平台之间能够无缝对接，从而推动数据的流通和共享，也 能确保数据自主权的实现，即保证参与者能够使用 限的控制权。BigQuery数据流通平台的技术特点有以下 三方面： （1） BigQuery云数据仓库 BigQuery作为Google Cloud的企业数据仓库，是Google Cloud数据处理的核心枢纽，具备诸多显著优势。它是完全 托管和无服务器的，这一特性赋予了它最大程度的灵活性与可扩展性，使其能够支持从千兆字节到艾字节规模的存储和SQL查 询。消费者可以将数据便捷地上传至Big 训练模型。这种方法在保护数据隐私的同时，利用多方数据进行模型训练，适用于数据孤岛场景，使企业能够在保护用户隐 私的同时，使用分散的数据源进行模型训练。在Google Cloud的架构中，联邦学习嵌入整个数据处理流程，与BigQuery和 EDC紧密配合。当服务提供商利用EDC访问BigQuery中的消费者数据时，联邦学习技术确保数据仅在本地进行计算，交换的 只是模型参数而非原始数据。 （4）数据自主控制

算力消耗核心场景 世界模型训练、物理 时间孪生仿真 视觉模型训练、仿真 测试 基因测序对比、分子 机构模拟 芯片偏好 高端芯片H20(141G)、B100/B200 行业能力需求 数据处理、模型训练、仿 真、应用开发 数据标注存储、分布式训 练、仿真测试平台 行业数据库、数据存储、 高性能计算 ➢ 华为云与数十家具身智能企业战略合作，25年推出CloudRobo平台端到端一站式平台（数据+模 户；另一类是不具备基座模型能力的厂商，则必须通过打造丰富的“模型超市”和完善的低门槛 工具链（如数据处理、知识库等）来构建生态，服务客户。 MaaS未来将成为调动I+P+S营收的核心入口，成为各大云厂的战略必争之地。 • 丰富模型超市（至少做到头部开源适配）。 • 丰富且低门槛的开发工具链（数据处理、 模型训推、知识库微调和业务环节部署）。 • 丰富的行业能力模块（如基因组数据库、 机器人训练场等） 建团队一系列昂贵资本支出 现在：企业通过MaaS部署AI，几行代码，立即 注入顶尖AI能力 模型业务理解提升（IaaS+PaaS） 业务增长带来资源需求提升（带动IaaS） 从API调用获益 • PaaS数据处理能力（数据库、数据存储、数据清洗） • RAG与向量知识数据库 • 精调微调与MLOps需求 • 部署专属节点 • VPC隔离专区 • 防火墙安全 14 www.leadleo.com

行处理能力。 该系统通常能够支持数万至数十万级并发用户访问，并可确保系统在长时间稳定高效运行。主机系统广泛应用 于银行、保险、电信及政府等关键行业，承担着实时交易处理、大规模数据库管理以及批量数据处理等重要业 务任务。 07 主机技术栈是一个高度集成、分层协同的复杂体系，强调垂直整合和可靠性，通常由五个层次构成，分别 是：硬件与操作系统层、管理运维层、数据服务层、中间件层和业务应用层，如图 所示： 1.1 主机技术栈及特点 图 1-1 主机技术栈示例 (1) 硬件与操作系统层 传统的主机硬件通常由专用处理器、内存、存储系统和 I/O 通道组成，经过高度优化，能够高效应对大规 模数据处理和高并发事务的挑战。操作系统则专为这类主机设计，具备强大的资源管理能力和并行处理性能。 主要特点： 高性能：采用多处理器集群架构，实现大规模并行计算，处理器集成专用加速单元，通过硬件级加密引 消息队列、企业服务总线、Web 应用服务器、批处理等。该层与操作系统、数据 库深度绑定，通过 ACID 特性保障交易完整性。 (5) 业务应用层 业务应用层主要承载着客户核心业务应用系统，同时承担业务逻辑分析、数据处理、应用运行与管理等 核心功能。业务应用层直接面向企业和最终用户，负责支撑关键业务操作和提供服务。传统主机应用一般基于 COBOL 或 PL/I 编写，并针对特定行业和业务流程（如金融、制造业）进行定制优化。

别 是高质量数据集生产作坊化、数智企业发展速度放缓、数智 生态零散割裂严重等问题。 四、数智产业发展趋势 未来几年，我国数智产业将呈现出七个发展趋势，包括： 数据汇聚规模将更加扩大、数据处理能力更加强大、数据流 通范围更加扩大、数据应用场景更加丰富、全流程动态数据 安全更加普及、数据基础设施将更加健全、数据与人工智能 将进一步深度耦合。 五、数智产业动态图谱 截止到 2024 指专注于实现数据在不同主体、系统、平台间合规、安 全、高效流通与共享的平台与工具。包括但不限于数据 交易平台、数据交换平台、区块链存证平台（区块链放 基础设施）等。 24 8 数据加工工具 指支持数据处理和加工的工具。包括但不限于数据标注 平台（如文本标注工具、图像标注工具）、数据清洗工 具（如质量检测、数据修复）、数据集成工具（如 ETL 工具、数据同步工具）、数据可视化工具等。 9 数据存储系统 源，开发出创新的数据技术工具，如 Google 的 BigQuery、 Amazon Web Services 的 S3 和 EC2、Microsoft Azure 的 HDInsight 等，成为了全球数据处理的基准，并引领了数据产 业发展。第二梯队以 Facebook 和 LinkedIn 等为代表的数智 技术开源核心企业。这些企业在不断创新数智技术并处理自 身海量数据的同时，将很大精力投入到 Apache

应新的技术要求 解决方案： 基于供应链商情分析技术研究与应用的工作开展 ，有两条主线 ， 一是数据全过程 ， 以 GIS 产品为例 ， 包括供应 链商 情分析报告场景设计 ，从语料收集数据源定位 ，数据处理 ，知识库投喂 ， 基于大模型数据分析、数据挖掘、模型 调优过 程设计 ，智能问答后输出报告格式标准设计。 二是智能问答 ， 以 GIS 产品智能问答为示例 ，结合 Deepseek 深度思考及推理特点 知识加工处理 l 知识分类组织 l 数据分析 / 数据 挖掘 场景设计： l GIS 市场分析 l 全产业链分析 l 行业产能分析 l 重点制造企业 l 产品质量、供 货合同执行 数据处理： l 清洗、变换、 集成、整合思 路 l 数据纠错思路 l 格式转换、特 征提取 提示词设计与调 优： l 提示词模版 l 指令 l 逻辑依据 l 示例