星闪无线通信技术是一种无线短距离通信技术，用于承载智能汽车、智能家居、智能终端以及智能 制造等领域应用场景的数据交互。星闪无线通信系统由星闪接入层、基础服务层以及基础应用层三部分 构成。其中，星闪接入层也可被称为星闪底层，基础服务层和基础应用层构成了星闪上层。 华为园区网络星闪 SLE 物联数采技术白皮书 版权所有 © 华为技术有限公司 4 星闪无线通信系统 星闪接入层根据实现功能的不同分为管理节点（G SLB 或者 SLE，也可同时支持 SLB 和 SLE。 星闪设备实现形式示例 星闪无线通信系统针对不同的星闪底层接入技术采用了统一的星闪上层架构。星闪上层由基础服务 层和基础应用层构成。其中，基础服务层针对上层业务数据，提供了设备发现、服务管理、连接建立/维 护与释放、QoS 管理、测量管理、信息安全等服务功能，用于支撑上层具体业务的从业务触发到业务结 束的整个业务周期的连接 和星闪低功耗接入技术 SLE 两种通信接口组成。SLB 和 SLE 均由物理层和数据链路层构成，如下星闪接入层协议栈架构图示意。  基础服务层由一系列基础功能单元构成，其中： a) 设备发现功能单元、通用管理功能单元(包括连接管理、测量管理等)、服务管理功能单元、 QoS 管理功能单元和安全管理功能单元构成了星闪无线通信系统的无线短距通用控制面； b) 多域协调与管理功能单元和 5G

请务必阅读正文之后的信息披露和法律声明 一、电力产业链全景图 3 下载日志已记录，仅供内部参考，股票报告网 请务必阅读正文之后的信息披露和法律声明 （准许收益） 1. 电力产业链及价格构成 4 上网电价 输配电价 系统运行费用 政府性基金及附加 税费 终端电价 抽水蓄能容量电费 辅助服务费用 煤电容量电费 + + + + = + （政府） 主干高压及特高 压网 城市配网、农村 配网 独立发电商 电网公司 一次 能源 企业 居民 售电业务逐步市场化 各地 供电公司 独立售 电公司 1.1 电力产业链构成 代理购电电价在： 0.44-0.52元/度之 间，占比61-73% 上网环节线损电价： 0.01-0.02元/度，占比 2%-3% 系统运行费折价： 0.02-0.06元/度之 间，占比3%-9% 资料来源：Wind，SMM储能公众号，海通证券研究所测算 图：储能造价随碳酸锂价格下行 14 请务必阅读正文之后的信息披露和法律声明 图：2023年1月储能电芯成本构成 图：2024年1月储能电芯成本构成 2.4 新能源快速发展：机遇也是挑战 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0.00 10.00 20.00

及广泛的法律客体，其在全流程中的应用也带来了多方面的法律 4 与规范议题，因此，深入理解智能制造中数据的来源、流转与应 用场景具有现实意义。 智能制造场景下的数据呈现来源多源化、结构异构化、应用 贯穿化的特征，构成了其智能化决策与优化的基础。一是工业现 场数据。这类数据通过部署在生产一线的传感器、RFID标签、 控制芯片、数据监测仪器、工业机器人、3D打印机及智能机床 等设备，系统能够实时采集大量的过程数据。这些数据具体涵盖 7 据安全置于较高地位，对“重要数据”的出境活动设有专门的监 管要求。与此同时，“重要数据”的具体识别标准在法律层面有 待进一步细化和明确，三地规则衔接的难度也随之增加，对数据 跨境的顺畅流转构成了一定影响。 3．司法对策 面对智能制造数据要素化带来的法律问题，人民法院承担着 通过个案裁判明确行为边界、统一法律适用、平衡多元利益的关 键职责。为及时回应产业发展需求与社会关切，妥善解决前述难 节 的运用。 （2）明确审查标准，防范与化解人工智能歧视风险。坚持 以人为本，在审理涉人工智能歧视的劳动争议或不正当竞争等案 件时，重点审查人工智能系统的设计目的、模型层训练数据的来 源与构成、应用层决策对不同群体的差异化影响，以及是否为用 户提供了有效的申诉和救济渠道。通过发布典型案例，清晰阐明 司法对人工智能公平性的审查路径与评判标准，为企业规范经营 提供明确的行为指引，引导企业在人工智能的设计、开发、应用

其三，“外需强、内需弱”的拉动结构尚未根本改变。出口维持高景气，成为对 冲国内竞争白热化与过剩产能的关键变量。但“外需对冲”模式对地缘政治与贸易政 策高度敏感，欧盟关税、海外本地化运营难度与品牌建设周期，均构成可持续性考 验。 其四，价格战已演化为“结构性出清”机制。在产能偏高、龙头垂直整合度优势 与成本领先叠加的背景下，降价对行业的“筛”与“压”功能持续显性化。渠道端承 压、终端价格波动加剧，经 ，更是在较高基数上实现了新的突破，彰显了中国汽车工业的产业基础与市场 潜力。 袋鼠云 汽车行业 Data+AI 数智化转型白皮书 — 10 — 图 1：2015-2024 年中国汽车销量及增长率 然而，对增长的构成与驱动力进行深度分析后可以发现，一个复杂且充满结构性 矛盾的“分化”现实已十分明显。整体增长的质量与可持续性，正面临着新的考验。 1. 增长引擎呈现“双重特征”：出口拉动与政策支持 2024 新能源汽车的每一次市场份额增长，都对应着传统燃油车（ICE）市场空间的收 缩。2024 年，传统燃油车市场所面临的已非周期性的销量调整，而是一场不可逆转 的、结构性的市场萎缩。这不仅改变了市场的基本构成，也对高度依赖燃油车业务的 传统整车企业及其供应链体系，带来了深刻的生存与发展挑战。 1. 市场份额的持续收缩 数据显示了燃油车市场萎缩的清晰轨迹。从生产端看，2024 年传统燃油乘用车的 国内销量同比下降

这称之为“数字化意义”，例如客户体验、交互方式、检测诊断、即时在线等。 数字化的意义，是一个大话题，值得规划者深入思考。只有清晰全面的了解这些数字化意义，才能够正确的理解数字化 转型，从而指导组织与企业，在重新审视本单位价值链构成时，明确在哪些环节进行数字化转型。 什么是 数字化转型 前一章节已经讨论了数字化转型的原因，可对数 字化转型具体是什么，仍然存在很多不同认识。 本章节试图帮助企业和组织更清晰的认知，到底 什么是数字化转型。 型，可以是分散式的，跨越企业的。例如：某销售公司的 网上商城，主要产品的定价、供应在企业内部；但销售界 面位于公有云上，由公有云负责直接用户体验环节。 组织构成 组织的人员构成，在数字化转型后一个重要特点是技术驱 动，因此对人员能力提出了较高的要求，因此数字化组织 的构成也体现出了更多型态。 企业内跨部门重组：例如成立单独的数字化部门，由原 先的业务部门和信息化部门抽调人员共同组成。 企业间重组：例如同一个业务方向上，能力互补的公 后台建立“新华三百科百问”平台，进行数字知识传播与培训。 转型部门：IT信息化部 IT信息化部从传统的“成本中心”，进行了定位的转型，定位于“业务的共同创建者”，并随之进行了如下调整转型： 人员：由原先的运维人员构成为主，增加软件开发、数据管理人员。 流程：由原先的遵从业务部门要求开展支撑工作，转变为和业务部门共同探讨业务需求，并一块确定工作内容。 内容：由原先的后端支撑为主，转变为协助业务部门创新内容为主。

于 传统的自动化技术，这种“智能”的价值尤其体现在它解决了传统自动化无法应 对的非确定性问题，是改进流程、优化决策和驱动创新的关键技术引擎。 当“工程”的实践使命与“智能”的技术引擎相结合，便构成了本文的核心 概念：工程智能（AI4E，AI for Engineering）。工程智能是人工智能与工程实践 深度融合，利用人工智能技术深入解决工程领域核心问题、实现对工程实践的规 模化赋能的 除了上述四个关键维度外，工程智能的规模化还体现在其他方面，如行业或 学科覆盖的宽度（即能支持多少行业或学科）、问题解决的深度（即能覆盖多少 不同级别的问题）以及服务用户的广度（即能服务多少不同类型的用户）等，共 同构成工程智能个发展的完整图景。 工程智能白皮书 AI for Engineering White Paper ©同济大学工程智能研究院版权所有。如需引用，请注明出处。 5 图 1-2 工程智能规模化的“三个层次”示意 行端”，承担将设计蓝图转化为物理实体的核心任务，破解传统施工的静态管理 局限，保障高效安全落地；运营与维护阶段为“长效价值端”，覆盖工程交付后 的长期运转，最大化工程全生命周期价值。三者环环相扣，共同构成工程智能从 规划到落地再到长效运营的完整体系。 工程智能白皮书 AI for Engineering White Paper ©同济大学工程智能研究院版权所有。如需引用，请注明出处。 10 2

大规模智算集群呼唤“光进电退”技术 目前，超节点智算集群展现出三大技术特性，一是互连性能高， GPU之间具有超低时延超高带宽（百纳秒级，TB/s级）且无收敛的互连 能力；二是算力密度高，由单个或多个机柜构成，包含32个以上甚至 到千卡的GPU数量，不断逼近电互连物理部署极限；三是能效PUE高， 超节点单机柜功率可达40kW以上，采用液冷为主、风冷为辅的散热方 案，配合柜级集中电源供电，在提供更高供电效率的同时大幅降低数 非聚合数据中心（Disaggregated DC）的互连带宽要求[7] 2.1.4. 新型光互连技术具备巨大潜力 可插拔光模块、NPO、CPO和OIO四大技术在带宽密度、时延、能耗、 兼容性等方面表现各异，共同构成了覆盖数据中心内不同需求场景的 光互连技术体系（见下表），其中芯片级光互连展现出更能精准匹配 智算集群未来演进需求的潜力，后续将聚焦该类技术展开具体分析。 表 2-1 传统电交换和光交换（OCS）对比分析 片间直连 （10米内） 2.2. 芯片级光互连三大技术路线场景互补 2.2.1. 芯片级光互连技术的组成原理 从器件构成上来看，相较于采用分立式器件的传统可插拔光模块， 主流芯片级光互连技术由于硅光的引入，除激光器外，大部分已实现 了多种光电器件的硅基集成。其技术方案构成主要分为三大关键组件： 激光器（外置或与光引擎耦合）、光引擎、光纤及连接器。无论与电 芯片的距离与集成度如何，实现高效光电转换的光引擎和激光器都是

来源：WHO，国家统计局、头豹研究院 中国65岁及以上人口数、占总人口数量比及老年抚养比，2010-2024年 中国人口结构正持续且不可逆转地向深度老龄化演变，老年人口规 模、占比及社会抚养压力均呈长期上升趋势，对社会经济发展构成 系统性挑战 单位：万人；% 11,894 12,277 12,777 13,262 13,902 14,524 15,037 15,961 16,724 17,767 19,064 20 软件供应商 智慧养老产品与服务供应商 ❑ 专注于为可穿戴医疗设备和养老机器 人提供感知层硬件（如传感器）、控 制层硬件（如集成电路/芯片）及执 行层硬件（如伺服电机、减速器）。 ❑ 软件部分则构成了系统的“大脑”与 “神经”，涵盖终端设备上的嵌入式 操作系统，以及支撑数据汇聚与智 能分析的云计算平台。 智慧养老产业链的中游主体将上游资源整合为四大核心输出：以可穿戴医疗设备和养老机器人为代表的智能终端 可穿戴医疗设备 智慧养老机器人 互联网医疗服务 智慧养老平台 智慧养老产业链的终端需求来 源于并服务于以居家养老为基 础、社区养老为依托、机构养 老为补充的多元化养老服务体 系，三者共同构成了智慧技术 落地应用的核心市场。 ◼ 智慧养老产业链涵盖技术供应、产品集成与场景应用三大核心环节 智慧养老产业上游是技术基石，由核心软硬件供应商组成，提供传感器、芯片、操作系统等关键组件。中

能精准引导资本流向绿色、低碳、可持续的领域，为实现高质量发展提供强大 动能。 然而，机遇与风险并存。数据质量参差不齐、技术安全存在隐患、法律法规 尚待完善、应用场景价值评估困难等一系列问题，构成了ESG数据资产化进程 中的障碍。如何构建一套切实可行的风险识别、评估与治理体系，是摆在所有市 场参与者，包括监管机构、企业、金融机构、技术服务商面前的共同难题。 基于此，财联社联合清华大学五道口金融学院金融安全研究中心，集结业界 提供精准的风险画像 与科学的评估工具。 4.1 ESG数据资产化的风险全景图谱 基于 ESG 数据资产化的全生命周期特征，我们将风险归纳为四大类，并根 据其发生频率和潜在影响进行了初步分级，构成一个直观的风险图谱，为后续风 险评估提供分类框架与优先级依据。 图4-1 ESG数据资产化风险图谱 4.2 ESG数据资产化的风险类别详解 （1）数据质量风险(高频核心风险) 数据漂绿：企 律与社 会监督力量，形成一个自上而下与自下而上相结合的立体框架，确保治理触角 延伸至数据采集、处理、披露、应用的全链条，真正消除治理盲区与漏洞。 17 图5-1 多层次协同治理框架图 框架构成解析： （1）国家级数据治理委员会（中心枢纽）： 建议设立一个跨部门的协调机构，负责制定国家层面的数据战略、核心法 规和伦理准则，协调各监管部门的行动。 （2）顶层设计与监管（自上而下）：

系统，还包括一站式模型 训练与推理平台、智能调度管理系统、GPU 容器化支持等关键技术组件。同时为了让 部署运行的 AI 系统能安全稳定运行，配套的安全防护能力也不可或缺。这些技术和 平台共同构成了支撑 AI 系统高效运行的核心基础设施。 在 AI 加速迈向规模化商用的过程中，基础设施层面也暴露出一系列深层次挑战，正 在成为制约 AI 持续发展的关键障碍： 1.1 安全挑战：系统软件漏洞、资源滥用、供应链攻击与隐私合规风险 算力经济性失衡：资源碎片化与供需错位下的成本与效率挑战 全球 AI 热潮推动各国对高端 GPU 的需求激增，AI 基础设施正成为下一代计算架构的 核心支柱。当前，训练和部署大模型的基础设施成本已构成企业发展的关键瓶颈。 ● 资源碎片化与低效利用是算力经济性失衡的核心矛盾。我国数据中心服务器的平 均算力利用率仅为 5%-10%，异构架构复杂性和资源分配僵化导致算力利用率与投资 回报率（ROI）显著下降。 基础上更安全 阿里云的 AI 基础设施提供了 AI 所需要的高性能 GPU 集群、高性能网络架构、高性能 存储系统，还包括一站式模型训练与推理平台、异构计算容器等关键技术组件。这些 技术和平台共同构成了阿里云支撑 AI 高效运行的核心基础设施。在 Forrester Wave 1 报告中，客户对阿里云提供的大规模 AI 基础设施负载能力以及 AI 产品和服务的丰富 程度给予高度评价，Forrester