1.1 定义 面向科学研究的人工智能（AI) 创新和 人工智能驱动的科学研究的总和可被定义为 科学智能（AI for Science, AI4S），是体现 了人工智能创新与科学研究双向促进与深度 融合 1，从而变革科研范式。 1.2 范式 科学研究促进人工智能创新。传统科研 范式大致可分为经验归纳（实验科学）、理 论建模（理论科学）、计算模拟（计算科学） 以及数据密集型科学 2。实验科学由自然现 一系列新的因果推断方法。针对高质量科学 数据缺乏问题，如大气数据、天文数据等， 发展了生成式人工智能技术，如扩散模型和 大语言模型。针对处理复杂系统的局限性， 发展了融合先验知识的深度学习，将先验知 识嵌入深度神经网络，在增强模型可解释性 的同时，显著提高模型的泛化能力，如物理 信息神经网络 3。 人工智能创新重塑传统科学研究过程， 加速科学发现。人工智能通过融合数据和先 验知识的模型驱动、假设生成与验证、自动 如物理定律。人工智能则采用模型驱动的方 式，从大规模数据中自动发现隐藏的规律， ©️diyun Zhu / Moment / Getty 科学智能白皮书 2025 4 5 2. 发展与态势 2.1 最新进展 随着深度学习、生成模型与强化学习等 技术的突破，人工智能不仅能从海量数据中 识别人类难以察觉的复杂模式，更展现出自 主提出科学假设、设计实验方案、优化研究 路 径 的 惊 人 能 力。DeepMind

从机械、琐碎的招聘工作中解放出来。 第一部分 让AI技术提升人岗匹配效果，我们做了这些探索 3 第一部分 | 那么，实现 AI 人岗匹配背后的依据和逻辑又是什么呢？ e 成科技基于前沿的自然语言处理技术 和深度学习模型，并结合大量数据和知识图谱，通过不断探索和反复实践，形成一套高效的人 岗匹配推荐算法系统，下面院长将详细为大家介绍这套系统及其背后的逻辑。 在人岗匹配的任务中存在 HR、职位（JD）、简历（CV）三种实体，人岗推荐系统中由 类特征，二分类特征，连续特征离散化，统计类特征，以及 embedding 产生 的 vector 的交叉特征都会给模型带来正向收益。 图 2 5 第一部分 | 02 模型演变 3.2 深度模型的探索 > 深度模型对比树模型更加突出了非线性的拟合能力，以及高阶特征的交叉融合功能。但是带来 的弊端就是模型的可解释性变差，根据结果反向特征工程变得困难起来。我们在 JD 和 CV 匹配 场景下分别使用了 embedding 知识结构不同导致，此处知识结 构可以理解为不同训练任务下的 embedding 空间结构。 6 第一部分 | 图 3 经历了 DNN 尝试没带来正向收益我们偏向于以线性和深度非线性结合的 Wide&Deep 结构（如 图 4）进行适配，此时我们考虑到 DNN 的实验产生的问题。 7 第一部分 | 图 4 图 5 我 们 并 未 直 接 加 入 由 知 识 图 谱

越，数字孪生、时空多模 态基础模型与工程场景深度融合，工程智能操作系统的核心架构逐步成型，让曾 经的技术构想正在变为现实。应用层面，智能建造的生成式设计、智能制造的预 测性维护、智慧城市的动态调度等场景，已从实验室走向产业一线，用实际成效 证明了工程智能的巨大价值。 这一切现象表明，工程智能的发展大潮势不可挡，它既是科技革命与产业革 命深度融合的必然产物，也是工程领域自身转型升级的内在需求。在创新驱动发 大飞机翱翔蓝天，到“深海一号”能源站矗立碧波；从“中 国天眼”遥测宇宙，到“东数西算”织就算力网络；再到“祝融号”登陆火星、 “嫦娥号”月背探秘，一项项新时代的重大工程，其规模之宏大、系统之复杂、 学科交叉之深度，都远超以往。这些超级工程早已不是单一学科知识的线性延伸， 而是需要融合材料、信息、控制、能源、生命等多学科知识的庞大异构系统。如 何实现跨领域知识的高效整合与涌现创新，如何应对极端工况与未知环境下的动 临前所未有的挑战：系统规模的指数级增长、多学科交叉的深度融合、全生命周 期管理的极致要求，以及对安全性、可靠性和可持续性的严苛标准。这些挑战， 已然超出了传统方法和人类智力的极限。我们迫切需要一种新的力量，来驾驭这 份复杂，洞悉其规律，优化其进程。人工智能，无疑是这个时代最响亮的回答。 这便是我们探索工程智能（AI for Engineering）的第一个动因：工程学科的 发展，亟需人工智能的深度赋能。将 AI 的感知、认知、决策与生成能力，注入

组数据等多源异构数据的整合与分析，需要处理大量的非结构化数 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 先进技术解决方案，不仅能提升医疗服务的质量和效率，还能在保 障数据安全的同时，推动整个行业向更加智能化和个性化的方向发 展。 1.2 DeepSeek 技术的基本介绍 DeepSeek 技术是一种基于深度学习和大数据分析的先进解决 方案，旨在通过智能算法和自动化工具提升数据处理和决策效率。 该技术的核心在于其能够通过海量数据的训练，形成高度精确的预 测模型，并能够在复杂的场景中实现高效的实时分析与响应。在医 始医疗数据进行清洗、整合和标注，确保数据的质量和可用性；模 型训练层通过深度学习算法对预处理后的数据进行训练，生成高精 度的预测模型；推理引擎则负责在实时场景中对新数据进行快速分 析和预测；用户交互界面为医疗专业人员提供直观的操作平台，便 于他们利用 DeepSeek 技术进行决策支持。 以下是一些 DeepSeek 技术在医疗健康场景中的典型应用示 例：  疾病诊断：通过深度学习模型对医学影像、病理数据等进行分

以满足AI训练与推理带来的海量算力需 求，市场正加速向以GPU为核心的智能 计算演进。在此背景下，云服务产业 的价值链被重塑，IaaS、PaaS、SaaS各 层的业务逻辑、商业模式与竞争要素 均发生了深刻变化。本报告旨在深度 剖析AI时代下中国智算云服务行业的产 业新机遇。 ◼ 研究目标 • 绘制智算产业全景图谱 • 解析云厂商在IaaS、PaaS、SaaS各层的 价值实现路径 ◼ 本报告的关键问题 • 群为“压舱 石”，稳固业务基本盘；其次，依靠政策和预算驱动的政企单位作为“稳定器”，获 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 | 2025/07 • IaaS层的核心价值在于售卖GPU义满足由传统CPU云转向GPU云的产业 价值变革，云厂商获取IaaS价值的关键在“高端卡保有量”与“垂直行业 能力建设”，两者能力结合能够深度绑定头部客户并创造高毛利 IaaS层产业机遇——云厂商在IaaS层的价值实现路径 云厂商在IaaS的价值实现路径 来源：头豹研究院 ➢ 阿里云：高端卡+行业knowhow锁定头部客户（ 拥有六大人类基因组数据库为客户省去数千万

熟度提供了清晰的实施方法论。 2024年，为深入推进产业高端化、智能化、绿色化转型，我们撰写并发 布了《向“智”而行 迈进新型工业化⸺石油石化产业新型工业化白皮 书》。该白皮书系统阐述了人工智能技术与石油石化全产业链的深度融 合路径，并定义了石油石化新型工业化是以技术创新为基础，以构建现 代石化产业体系、促进产业高质量发展、培育新质生产力为目标，以高 端化、智能化、绿色化为方向，推动石油石化产业结构优化、智能化升 智能化与绿色化成为政策核心导向。2025年国务院《关于深入实施“人工智能+”行动的意 见》（下文简称意见）明确提出，应推动人工智能与全要素生产、运营管理及供应链深度融 合。国家发展改革委和国家能源局落实意见要求，抢抓人工智能发展重大战略机遇，加快推 动人工智能与能源产业的深度融合，要求到2027年，初步构建能源与人工智能融合创新体 系，人工智能赋能能源核心技术得到显著突破。在此背景下，“智能原生”作为关键实现路 对企业效益和社会形象造成重大影响。为进一步降低事故发生概率，企业需要持续提高安全 管理水平，实现从被动合规到风险预控的转变。 1.3 新技术加速石化运营智能变革 以5G、物联网、云计算、大数据和人工智能为代表的数智技术，正深度驱动石油石化运营向高端 化、智能化和绿色化转型。这些技术不仅增强了数据感知、汇聚与价值挖掘能力，支持智能分析 与决策，更通过数字员工、机器代人、人机协同等模式提效降本，推动无人化、少人化场景落

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 键阶段，推动 5G-A 与 AI 深度融合，构建“算力、网络、智能”一体化 融合的新型基础设施，成为支撑千行百业数字化转型、实现高质量发展的 战略基石。 随着企业数字化转型步入深水区，对网络与算力的需求不断提升，传统网 络架构面 系统性挑战，难以支撑工业控制、智能制造等场景对低时延、高可靠、数 据本地化与智能决策的极致需求。与此同时，尽管 AI 技术发展迅速，但 其在边缘侧仍存在部署门槛高、资源协同难、业务适配弱等现实瓶颈。唯 有通过“算 - 网 - 智”深度融合，实现从“连接赋能”到“智能赋能”的 跨越，才能为实体经济注入强劲新动能。 在此背景下，中国移动积极响应国家战略部署，依托自身网络优势与技术 创新能力，提出“5G-A×AI 算网智一体化”解决方案。本白皮书系统阐 络传输效率与智能化水平，更要强化 设备“靠近生产要素”的优势，使其具备更优的移动性、实时性、安全性与端边协同能力，为 AI 应 用提供坚实的基础设施支撑；垂直行业参与者应主动联合运营商与设备商，深度参与行业需求定义、 场景化应用开发、落地推广与生态共建，成为技术与业务融合的核心纽带。 1.1 政策导向和产业现状 5G-A与AI融合驱动发展 的背景 面向 5G-A 与 AI 融合驱动的算网智一体化解决方案白皮书

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 API 的深度协同，构建起“感知 - 决策 - 执行 - 学习” 的闭环智能体系。在这一趋势下，应用现代化的核心命题已从“云原生”升级为“AI-Native”，即应用的全生命周期—— 从开发、运行到运维、集成 是产业界集体智慧的结晶。这本书系统梳理了技术趋势、架构设计和实施路径，将为行业的智能化转型提供重要参考。 面对千行万业的智能化浪潮，华为云将持续夯实“云原生 +AI 原生”的融合底座，让智能化应用深度融入企业核心 业务流。我们将长期坚持深耕根技术，在 AI、云计算等基础领域持续突破；坚持开放协作，与伙伴共建智能化生态；聚 焦客户价值，让技术创新真正服务于业务发展。 感谢应用现代化产业联盟所 共促软件产业新发展，加速数字中国建设 应用智能化发展趋势 应用全生命周期智能化白皮书 01 应用智能化发展趋势 01 PART ONE 应用智能化发展趋势 应用全生命周期智能化白皮书 02 应用现代化与智能化的深度融合，正通过开放生态、软硬协同、垂直平台、人机协作与人工智能服务化等特征重 构技术、产业与社会生产生活方式。从政务服务到社会治理，从智能制造到智慧生活，从算力基建到数据价值释放等 等，应用智能化不仅加速了行业变革，更催生出了“技术

������� �������� ������������ ������� 邬贺铨 当前，全球数字技术正经历智能化、泛在化的深刻变革，人工智能与万物 互联的深度融合，推动着产业生态的颠覆性重构。在这一进程中，鸿蒙智能体 的崛起，不仅是中国信息产业自主创新的重大突破，更是全球智能终端生态迈 向新范式的重要里程碑。作为新一代操作系统与 AI 技术的集大成者，鸿蒙智能 体以技术自主为根基 系的依赖。更为深远 的是，鸿蒙通过定义智能终端交互标准，在消费电子、智能汽车、工业互联网 等关键领域推动“中国标准”走向世界。这种“技术自主 + 标准引领”的双重 突破，与“数字中国”战略形成深度共振，成为提升国际竞争话语权的关键支 点。鸿蒙智能体的成功实践，标志着中国的终端操作系统从“技术跟跑”到“生 态领跑”的历史跨越，它不仅证明了自主创新道路的可行性，更展现了开放协 同生态的旺盛生命力。 通过系统架构与软硬芯云垂直整合创新，将 AI 融入到鸿蒙操作系统底座， 让 AI 成为驱动新一代智慧体验的关键引擎。去年华为正式发布全场景智能 操作系统 HarmonyOS NEXT，率先将 AI 与操作系统深度融合，小艺也正 式升级为“系统级智能体”，无处不在、随时可被召唤，从而将 AI 的便捷 性和实用性提升到了一个新的高度。现在，我们进一步提出鸿蒙智能体的 技术和生态发展主张。鸿蒙智能体是对传统智能体的升级，实现了系统级

协同场景。从车 路云一体化到空天地海一体化信息网络，从工业智联到全屋智能，这些场景不是技术 的简单堆砌，而是响应国家"人工智能+"战略、打造一体化全场景智能交互环境的生动 实践。每个场景都经过深度调研和反复验证，既体现技术前沿性，又具备商业可复制 性，为产业发展提供了清晰的路径指引。 图谱还特设"无锡样本"专章，深入剖析这座物联网之城如何从先行先试到引领示范， 如何将技术创新转化为产业 .............................. 8 洞察 5：星地融合成为广域物联基建：低成本卫星物联网补盲与广覆盖成为边远/海洋 /应急的常备项，6G 预研场景试点与 AIoT 深度耦合...........................................................9 一、通信............................... 数据被转化为可量化、可交易、可复用的数字资产。 视觉、雷达和声学的深度融合在高安全场景中已经成为事实标准。2025 年领先的自动 驾驶汽车标配了至少 8 个高清摄像头、4 个毫米波雷达、1 个激光雷达和多个超声波传 感器，通过时空同步和特征级融合，构建 360 度无死角的环境感知能力。更重要的是， 多模态融合不是简单的数据叠加，而是基于深度学习的语义级理解。系统能够理解不 同传感器数据之间的互补性