2023-2024 2025 2026-2027 2028-2029 2030+ 1 2 3 4 5 当前，大多数企业处于“AI转折”阶段：能识别具有高投资回报率的AI应用场景，并采用更标准 化的开发与部署流程。当组织进入“AI对齐”阶段，其AI应用场景将实现规模化扩展，覆盖整个 业务职能领域；同时，在推动财务、IT运营及供应链转型方面，企业需要进一步开展自上而下的 协同协调。 在“AI转型”与 值得关注的是，截至2024年底，超过四分之一的欧洲组织表示，其已在智能体领域投入大量资 源；在亚太地区，约41%的组织称其正在对智能体解决方案进行初步测试，并重点推进概念验证 （PoC）工作；而北美组织则更倾向于聚焦开发智能体部署的潜在应用场景。 在全球范围内，各组织既面临采用智能体工作模式的压力，又对自身组织的准备度存在切实担 忧，故正努力在二者间寻求平衡。IDC在调查中询问全球受访者“AI应用面临的最大风险”时，IT 础设施的投资：搭建具备可 扩展性、灵活性与安全性的技术栈，以支持跨业务领域的各类AI工作负载。组织普遍认识到，若 缺乏功能完备的AI基础设施（包括云计算平台、数据分析能力与机器学习框架），将难以部署和 规模化推广先进的AI解决方案。 对技术栈的投资不仅能增强AI能力，还能促进与现有IT系统的整合，进而实现更顺畅的工作流程 与更高效的数据编排。AI与云技术、边缘计算及先进数据架构的融合，成为组织持续创新、在动

的云网架构，并依托这一城市级云网平台，积极提供本地化普惠服务、推动产业创新生态发 展。 “智云上海”的成功实践展现了云网融合创新对运营商业务发展和战略转型的促进作用。上海 电信依托完善的基础设施资源，部署了高速灵活的接入网，实现了宽带接入和边缘应用的融 合；构建了开放的云云相连的城域网，实现以云为核心组网的新型城域交换矩阵；打造了云边 协同的算力结构体系，通过异构多云算力调度平台实现多层级资源一体化管理；支持用户“一 。 作为全球首个可支撑“全城上云”的超大城市级云网平台，“智云上海”在网络用户数量、算 力部署规模以及本地化特色服务种类等诸多方面均显著领先其它类似部署，成为目前全球已投 入运营的最大规模的云网融合信息服务基础设施。 “智云上海”的成功实践显示了云网内生融合的重要价值。正是由于在电信网络部署运营和云 计算平台能力两方面同时拥有丰富的技术积累和运营经验，上海电信才能率先实现云网深度融 对边缘网络建设提出新的要求。 Omdia 的全球运营商调研显示，64%的受访者表示将在网络深边缘（Far edge）节点部署人 工智能应用，比选择利用公有云数据中心部署人工智能应用的受访者比例高出 12 个百分点。 同时，还有接近 50%的受访者表示，将在浅边缘（Near Edge）节点部署人工智能应用。根 据调研数据以及对典型人工智能应用及其流量特征的分析， Omdia 预测，至 2030 年，流向

、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 融合驱动发展的背景 1 03 04 2.1. 设计理念 2.2. 算网智一体化架构 2 03 5G-AxAI 算网智一体化技术体系 3.1. 赋能边缘智算核心网的算力平台 3.1.1. 轻量化与弹性部署 3.1.2. 跨异构适配 3.1.3. 云边模型与数据协同 3.1.4. 安全与高可靠运行 3.2. 赋能企业专网的边缘智能核心网 3.2.1 异构接入 3.2.2 意图化用网 3.2.3 一网多能 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 5G-A 与 AI 融合驱动发展的背景 在推进 5G-A×AI 算网智一体化的过程中，5G 专网存在部署不灵活、自运维难度高等问题，以及传 统算力平台的负载适配不足与资源协同较差，以上问题均成为亟待突破的关键。 企业专网面临系统性挑战：网络接入“多而不融”，园区内 5G、Wi-Fi、有线等异构网络并存，形成

，灵活性有限；而云计算技术则以横向扩展 （Scale-out）为核心，通过增加通用服务器节点实现资源池化与弹性伸缩，可在分钟级甚至秒级完成资源扩 容，能够快速应对业务负载波动，并支持跨地域分布式部署，更适合应对动态、快速变化的大规模业务需求， 例如 Kubernetes 集群可轻松支持上万个节点。 (3) 新兴技术适配能力薄弱 在数字化转型中，企业业务敏捷转型需融合云计算、大数据、AI、区块链等技术，但主机技术栈对此支持 支持大规模的算力部署和调度，并具备灵活的弹性伸缩能力，提升资源利用率，有效降低 OPEX 成本。 ② 分层设计并构建高可靠冗余架构，支撑主机应用高可靠性达到 99.99% 及以上要求。 ③ 提供统一的安全运营平台，多层次保障数据、应用及网络传输等全场景安全。实现云平台集中式安全 管控，并支持统一密码周期修改策略的变更。 (2) 数据层 ① 数据库具备池化架构及弹性扩展能力，提供多种高可靠部署架构方案，满足主机应用大容量、高性能、 ① 需提供应用开发和管理工具集，支持可视化设计、一键部署，实现自动调度与智能监控，将开发周期 压减至周级。 ② 建立标准化流程，预设微服务规范与 CI/CD 流水线，规避人工操作的偏差。 ③ 设计、开发、部署全流程信息端到端管控，变更可动态感知和同步，确保应用全生命周期信息一致。 (2) 智能运维需求 ① 提供自动化运维工具，支持执行部署、配置、巡检等重复性操作，提升运维效率，规避人工操作偏差。

先倾斜至那些直接促进业务增长和市场扩张的领域。 这个时期的数字化建设，建议企业优先采用 IT“轻资产”模式，公有云服务和软件即服务（SaaS）的模式显得尤为适 宜。它们使得企业能够把应用程序和数据部署在海外市场的本地云平台上，从而快速响应当地的业务需求。这种模式的 灵活性在于按需使用的特性，企业可以根据实际需求随时启动或关闭服务，实现“即开即用”的便捷，从而快速适应市场 的变化，优化成本结构，并最大化业务的敏捷性。 业数据的安全性。Cisco SSE 的部署灵活、管理简便，为企业海 外运营提供了稳固的网络安全基础，支持企业全球扩张的同时，保障关键信息资产的安全。 场景方案：海外 SOHO 办公 随着企业全球化扩展，海外 SOHO（Small Office/Home Office）办公室成为支持本地化运营、市场拓展、远程协作的 关键。为满足快速部署、安全接入、远程管理和扩展性需求，企业可采用 无需硬件采购 云服务提供海外安全防护 云安全防护 Duo 双因子安全认证 Umbrella 云应用安全访问 总部统一管理SaaS 跨境安全连接 中国企业总部 云安全访问 22 快速部署，远程管理 o 设备预配置，现场即插即用，办公室无线快速上线，减少海外 IT 投入。 o 通过 Meraki 云管理平台，总部可远程监控和管理全球办公室，实时更新配置、排除故障，降低现场维护需

规避任何通道发生 的故障，将链路可靠性提升万倍以上（助力 AI 网络互联可靠性超越 5 个 9），保 障 AI 训练和推理业务不受影响。FlexLane 技术支持在现有设备上通过软件升级快 速部署，或升级硬件实现更优的性能，同时可支持主动降速，在链路轻载和空闲 期间动态节能，为智算中心提供灵活、经济、高效的可靠性保障。 本白皮书旨在提出中国移动及产业合作伙伴对以太网链路高可靠 FlexLane 进入了一个全新的发展阶段。大 模型通常拥有数千亿甚至万亿的参数，中小模型通常也有十亿参数以上，需要海 量的算力进行训练和推理。为满足庞大的算力需求，智算中心作为 AI 发展的新 型基础设施底座，正加速在全球范围内建设和部署。 图 1-1 传统数据中心与新型智算中心流量模型对比 传统数据中心主要承载企业级应用，提供云服务，如 Web 应用、数据库、 存储等。如图 1-1 所示，这些应用的流量模式以南北向通讯为主，网络的主要任 200���������1，��� = 3 时，��� × ��� ≈ 6 × 102���������），单个服务器或链路的故障通常只会影响到部分客户端，影响范围相 对有限。 新型智算中心主要承载 AI 训练与推理业务，部署大量服务器协同工作，流量 模式与传统数据中心不同，东西向流量特征明显。在这种流量模式下，大量服务 器共同承载 AI 任务并行计算，对网络的可靠性提出了前所未有的挑战。服务器 之间逻辑连接的任何

能够满足AI应用日新月异的需求，更能通过标准化、通用化来降低企 业的初始投入和长期运维成本，显著提高基础设施的利用率，避免技 术锁定带来的风险。其次，为了保障AI应用的高性能和优质服务，我 们必须积极引入和部署防止网络拥塞、避免数据丢包以及高效处理多 媒体数据的先进技术。这些技术的应用，将直接关系到AI模型训练的 效率和推理的精度。 伴随AI新技术的广泛应用，安全与合规问题也日益凸显。我们必须构 技术、数据、业务主要对应“硬实力”；战略、治 理、人才和组织结构则对应“软实力”。 聚焦企业AI实践， 调研总结企业AI变革之路 毕马威与思科携手开展专项调查，面向全国范围内 已进行AI战略部署并且在业务中有明确AI落地场景， 并对期望借助大模型技术进一步扩大的泛行业企业 进行了问卷调研，以期深入了解企业AI战略认知与 布局、AI变革需求与核心挑战、AI体系变革路径等 最新实践。 计为起点，采取混合部署方式推进大模型落地 应用，并统筹考虑云端风险应对、私域安全防 护、模型幻觉应对等问题，以重构技术底座， 适应创新之变； • 在数据语料侧，企业着眼于数据治理框架搭建 和数据质量提升，推进数据语料的深度治理， 并且已初步形成数据标准化体系、智能清洗工 具等共性选择； • 在基础设施侧，企业兼顾创新与务实，充分权 衡AI基础能力建设与业务需求满足，通过混合 部署和协作管理措施等实现协同优化；

的全方位变革挑战， 亟需构建一套适配算力时代特征的系统化运维体系。 当前，算力基础设施正经历着通算、智算、边缘计算多态融合的发展阶段，高密 度计算集群、异构芯片架构、分布式存储网络以及云边协同部署等技术趋势，使得运 维对象从传统服务器扩展至 GPU/TPU 加速器、液冷系统、智能能效管理平台等多元组 件。同时，“双碳”战略推动下的绿色运维要求、数据安全法规强化带来的合规压力， 以及人工 大化与能耗比最优；服 务对象主要是高性能计算、人工智能训练/推理、云计算等对算力需求极强的 场景。 （2）. 传统运维管理模式标准化，流程成熟，侧重流程合规与故障快速恢复；团 队需掌握服务器部署、网络排障等基础技能，对硬件底层原理深入理解要求较 低；算力运维管理模式动态化，需结合业务负载实时调整资源分配；团队需掌 握芯片级知识、能耗建模、分布式系统调度等技能，甚至需与算法工程师协作 优化算力使用效率。 - 13 - （GPU/TPU/FPGA）、存储设备（SSD/NVMe 阵列）、网络设备（交换机、路由 器、光模块）等。需根据业务需求建立设备台账，标注性能参数、部署位置及 使用状态。 （2）. 生命周期管理：建立从采购、部署、运行、升级到退役的全生命周期管理 体系，结合硬件老化模型（如 GPU 算力衰减曲线）制定迭代计划。 （3）. 异构算力兼容性：在混合架构（CPU+GPU+专用芯片）中，需解决驱动适配、

.............................39 软件定义 自动化发展 趋势与挑战 01 02 随着软件定义自动化技术在工业领域的深入应用，以及基于 PC 架构的运动控制器广泛部署，特定的技术需求和行业趋势逐 渐显现： • 多轴协同控制需求激增：生产流程的复杂化和精细化推动了对更多电机和执行器同步控制的需求增长，以实 现精确的多点协调和同步。传统的单一控制解决方案，如独立的 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 过将异构工作负载整合至单一硬件平台实现资源优化配置。随着软件定义自动化技术的深入发展，实时任务与非实时任务的 协同部署已成为行业趋势，这使得现代工业设备需要在确保实时任务严格时序要求的同时，高效调度剩余硬件资源处理非实 时计算任务。这种多模态负载的并行处理需求，对系统资源调度算法和架构设计提出了新的技术挑战。 架构及方案概览 Linux 系统具备了处理实时任务的能力。 基于 Preempt RT 技术，我们得以实现 Linux 环境下实时任务与非实时任务的整合部署方案。该方案通过 Linux 系 统的核隔离技术、中断亲和性设置以及 RCU 回调亲和性配置等手段，将实时任务部署在隔离的物理核上运行，同 时将非实时任务调度至非隔离核执行，从而实现两类任务的高效负载整合。 Windows 作为工业自动化领域的主流操作系统之一，Windows

全尺寸覆盖的弹性架构 48 2.2 全模态融合的认知能力 48 3 通义大模型全生命周期安全实践 49 3.1 研发安全：数据与算法根基防护，强化内生 49 安全能力 3.2 部署安全：过程控制，构建防御屏障 59 3.3 运行安全：上线监测，实现动态防护 60 CHAPTER CHAPTER 阿里云AI基础设施：原生安全 保障 1AI 基础设施及其关键挑战：兼顾安全、30 随着大模型的能力提升，其产业应用渗透加速。模型围绕用户场景构建应用生态，面 临场景驱动的多样化部署需求。阿里云基于通义系列大模型，提供包括 API 服务、模 型定制、工具链、应用构建等在内的全栈解决方案，真正将大模型能力嵌入业务流程， 提供新质生产力，助力企业实现智能化升级。 1 模型商业落地加速，面临多样化的部署与应 用环境 从模型应用搭建到部署运行的架构视角，大模型服务所面临的安全挑战可分为：AI 基 础设施 得模型应用得以突破地域限制，实现全球范围内的高效部署与优化，助力用户全球业 务创新。 MaaS 成为模型服务的主流模式。MaaS 为企业提供开箱即用的 AI 能力，大幅降低了 使用门槛，提升了部署效率，显著提升了业务敏捷性和创新能力。此外，MaaS 提供 了 AI 基础设施层的算力调度、存储管理、网络传输等核心支撑能力，覆盖了模型训练、 评测、部署、推理等全流程服务，从而满足不同行业对服务可用性的差异化需求。