6万亿 元，通过促进专业化和标准化，推动中国企业的现代化经营管理。 技术变革：1）大模型：大模型赋予生成式AI应对复杂任务的泛化能力，拓宽企 业服务的能力边界。将行业专业知识、企业私有数据与大模型相结合，降低模型 幻觉，提高对特定任务的适应性，可以更加符合专业场景的诉求。 2）Agent：大模型兴起后，Agent与大模型两者融合相互成就。AI Agent通过 选择性综合大模型和多种先进算法，形成具备独立思考、工具调用能力等特征的 • 基于大规模数据训练而来的大模型 在跨领域、多任务的处理中表现出 更强的学习和理解能力 • 各细分赛道的企业服务厂商，通过 寻求叠加大模型能力，对现有服务 进行升级，实现服务价值的跃升 • 结合企业管理理论与各类技术手段， 促进企业流程标准化，提升企业经 营管理的现代化程度 • 外包型服务的发展趋于成熟 • 2015年国家首次提出数字化转型的 概念，以云服务为代表的租用型服 务进入快速发展阶段，技术密集型 技术侧：大模型 14 ©2024.7 iResearch Inc. www.iresearch.com.cn ©2024.7 iResearch Inc. www.iresearch.com.cn 来源：结合公开市场资料和专家访谈，由艾瑞咨询研究院整理及绘制。 注释：问题：您希望通过生成性人工智能努力实现哪些关键收益？（2023年10月/12 月）；N= 2,835。 来源：德勤2024年一季度《企业

支持。此外，向量数据库的引入进一步提升了多模态数据的管理能力。向量数 据库能够通过向量化技术对数据进行高效索引和检索，例如在工业视觉检测中， 向量数据库可以快速匹配图像特征，从而实现实时缺陷检测。这些数据存储技 术的结合，确保了数据的完整性、安全性和可用性，为工业大模型的高效运行 提供了坚实保障。 网络连接技术则是基础设施层中不可忽视的另一关键要素。工业场景中， 数据的实时性和传输效率直接影响到模型的应用效果。例如，在智慧工厂中， 位浮点数）降低到低精度（如 8 位整数），在不显著影响模型性能的前提下大 幅提升推理速度；知识蒸馏则通过将复杂模型的知识提炼到轻量化模型中，使 得后者在保持高性能的同时具备更快的推理能力。这些优化工具的结合，使得 工业大模型能够在资源受限的环境中高效运行。例如，在边缘计算场景中，经 过优化的大模型可以在工业机器人或传感器终端设备上实现实时推理，从而大 幅提升响应速度和系统效率。 基座层通过多 模型层是工业大模型技术体系中面向实际需求的核心环节，其目标是通过 深度适配实现模型在特定任务和行业中的高效应用。这一层的设计直接决定了 工业大模型能否在具体场景中发挥价值。通过任务导向模型和行业领域模型的 结合，模型层不仅提升了模型的表现力和精准性，还使其能够满足不同行业的 专属需求，为工业智能化的落地提供了关键支撑。 任务导向模型是模型层的关键组成部分，专注于针对特定工业任务的微调 和优化。工业

图片、音频等各类任务。在众多的大模型技术中，大语言模型有着更为广泛的应用场景，也受着资本投入的青睐。 它可以帮助 C 端用户完成大量的文字类工作，回答他们的各类问题；同时也可以与 RPA 等技术结合，为 B 端 用户带来更好的流程体验。 经济学家约瑟夫 • 熊彼特所提出的“创造性破坏”可以较为贴切地概括大语言模型为企业带来的影响。 熊彼特认为，创新会破坏企业内部的旧结构，创造新结构。技术 技术在 HR 领域的运用概况讲起， 为大语言模型的落地提供基础。而后，研究将聚焦于讨论大语言模型在 HR 领域的实践。研究通过对国内外学 术资料的研究，阐述了大语言模型的技术原理；通过定性与定量研究的结合，讨论了大语言模型为企业与 HR 部门带来的价值与变化，并对大语言模型在 HR 领域的应用场景重点展开了讨论。 阅读此报告，您将了解到如下信息： █ 人工智能技术在 HR 领域的发展现状 █ 领域带来新的解决方案。70% 以上的 HR 当前最为关注大语言模型的发展与 运用 █ Part2 认识大语言模型：从原理到应用 大 语 言 模 型 是什么？ 大语言模型是大数据、大规模算力、智能算法的结合产物，它可以进行自监督学习，理解 和生成人类语言 性能突破在哪里？ 更强大的语言理解能力、更高的内容生成质量、更广泛的应用领域 可以用在哪里？ 对话、语言生成、翻译等通用领域 主要发现

本书整理了阿里云在 Data+AI 领域的最新实践案例与深度洞察，涵盖电商、游 戏、营销、运营等多个行业的成功经验，以及技术专家对数据库与 AI 融合趋势 的专业解读。通过理论与实践的结合，我们将共同探索 Data+AI 如何成为企业 智能化转型的核心驱动力，帮助每一位读者找到属于自己的数据智能之路。 目录页 第一部分：Data+AI 大咖观点 . 1 第一部分：Data+AI 大咖观点 1. 大咖说 | Data+Al：企业智能化转型的核心驱动力 在数字化浪潮的推动下，企业正面临前所未有的挑战与机遇。数据与人工智能的结合， 形成了强大的 Data+AI 力量，尤其在近期人工智能迅速发展的背景下，这一力量正 在加速重塑企业的运营模式、竞争策略和市场前景，成为适应变化、提升竞争力、推 动创新的核心驱动力。本章将讨论企业采用 Data+AI 方案。德勤的调查显示，28%的 AI 领先企业正利用 Data+AI 方案整合数据和 AI，以 实现高效、高价值的 AI 应用。 Data+AI 是指将数据和人工智能结合起来，以支持从数据收集和准备到模型开发、部 署、监控和治理的端到端工作流。 有了 Data+AI，企业实施 AI 的挑战将得到有效解决： 数据治理和质量提升 Data+AI

筹发展和安全，深刻把握新时代新征程 推进新型工业化的基本规律，积极主动适应和引领新一轮科技革命和产业变革，把高质量发展的 要求贯穿新型工业化全过程，把建设制造强国同发展数字经济、产业信息化等有机结合，为中国 式现代化构筑强大物质技术基础。 从国家发展大局看，新型工业化是实现经济高质量发展的战略举措，是构建国家竞争力、实 现中国式现代化的必然选择。特别是面对当前发展新质生产力的新要求，新型工业化能够深度结 油、钻井、油气提取和化工转化等关键环节的生产效率和产品质量。例如，炼油技术通过数字技 术优化环保和过程控制，钻井技术利用智能化设备在复杂地质条件下实现高效钻探。在这些应用 中，AI通过与大数据、物联网技术的结合，提升生产过程的自动化水平和质量。 但石油石化作为流程制造的典型代表，不仅需要强化关键环节的能力，更需要从产业链、供 应链的全局视角持续进行洞察、优化和决策；在提升整体生产效率和安全性的同时，更应关注产 拓展AI部署，场景化AI赋能 结合业务场景，提升智能化成熟度 深入与普惠 深度融合AI在生产端与流通端的应用 建立AI导向文化，推动组织内普及与应用 将AI优化作为未来业务创新的关键环节 �� 第一步：认知与规划 建立体系性认知：结合产业特点及企业自身的实际情况，做好成熟度诊断，理解并结合 企业智能化应用场景，规划制定未来智能化发展战略； 诊断成熟度：绘制企业智能化发展蓝图，结合产业现状和企业发展实际情况，客观评价

织 架 构 及 管 控 体 系 引导、塑造员⼯ 的⾏为，增强员 ⼯的使命感和组 织的凝聚⼒，培 育并发展的核⼼ 能⼒，⽀撑战略 ⽬标的实现 ⼈⼒资源管理体系示意图 结合前期的管理诊断，正略钧策项⽬对集团的⼈⼒资源管理体系作了 系统的分析 评价项⽬ 战略相关度 体系完整性 执⾏/应⽤效 果 评价综述 ⼈⼒资源管控 ⼈⼒资源管控与集团战略⾼度相关，集团的⼈⼒资源管控关 ⼈ ⼒ 资 源 部 × 总 经 理 ⼈ 事 部 × 总 经 理 ⼈ 事 部 × 总 经 理 ⼈ 事 部 × 总 经 理 ⼈ 事 部 审批权 审核权 监督权 提案权 结合管控定位，针对各业务板块的业务特点，进⼀步明晰集团总部 与成员企业⼈⼒资源管理相关的管理权限 并依据管控权限进⼀步梳理集团⼈⼒资源部与成员企业的分⼯界⾯ 分 ⼯ 界 ⾯ 集团⼈⼒资源部 成员单位⼈⼒资源部 ⼈员以及集团公共课 程的培训需求调查、培训组织及评估。 • 负责集团通⽤系列的员⼯梯队建设（如： 中层以上管理⼈员、⼈⼒资源及财务⼈员） 1、成员单位⼈⼒资源规划 • 按照集团⼈⼒资源规划纲要，结合所在成 员单位业务发展⽬标，制定⼈⼒资源规划 报告，上报集团总部审批 • 各成员单位参与集团总体⼈⼒资源规划⼯ 作，规划审批后组织实施与意⻅反馈。 2、招聘与调配管理： • 负责本企业的各职能部⻔⼈员的招聘、

面向近期，以文件存储为核心的存储系统应聚焦智算场景的关键需求，基于 全新的软硬件融合技术以极简化思维进行系统重构，消除其在数据访存性能、流 转效率等方面对智算应用的制约。 面向中远期，文件存储应推动新型访存协议的标准化，并结合多级推理缓存 等组件形成层次化技术方案，打造云智算场景下智算文件存储系统设计新范式。 2.2.2 训推多级缓存 随着 AI 大模型应用及训推场景的爆发式增长，GPU 显存和宿主机内存容量 有 面向中远期，引入 GSE 通信库优化，利用网络拓扑的天然聚合特性实现梯度 聚合的高效卸载，减少网络通信流量，并通过合理规划梯度分配及聚合功能的放 置加速聚合过程，降低通信延迟。引入光电路交换机（OCS），结合 GSE 技术体 系，优化光电混合组网协同、纳管机制，持续探索光路交换潜力，突破传统电路 交换容量瓶颈，提升智算网络集群规模及算力水平。 2.4 算网一体技术 随着大模型、智能体等新一代人工智能技术的快速发展，社会对算力基础设 面向中远期，将围绕智能化、实时化与生态协同深化发展。基于 AI 实现全 链路血缘追踪与异常根因定位，推动数据治理从被动转向动态自愈；通过元数据 驱动跨系统数据动态整合，支持多模态数据与实时流批处理的统一管理，破除数 据孤岛；结合多模态大模型实现自动化数据标注、清洗与洞察生成，赋能业务敏 捷迭代；通过联邦学习、边缘节点算力优化实现数据“可用不可见”，保障敏感 场景合规性。 2.5.2 训练框架 模型训练存在混合并行效

本报告基于近年来技术研发的最新进展、业界前沿的技术路线以及各大科技企业在商业落地 方面的丰富实践，精心归纳出 2025 年感知技术的十大趋势。报告不仅将详细介绍每一趋势的技 术原理、关键算法和实现方式，还会结合国内外领先企业的实际应用案例，深入分析各趋势对未 来商业生态所产生的深远影响。这份报告旨在为技术研究者提供全面、深入的参考，同时也为决 策者、企业管理层和投资人指明未来技术发展的明确方向。 用户的指令，控制家中的灯光、电器等设备，实现智能化的家居控制。 在未来，多模态感知技术将不仅在自动驾驶、智能安防等领域发挥重要作用，还将广 泛应用于医疗健康、工业检测、智慧农业等领域。在医疗健康领域，多模态感知技术可以 结合医学影像、生理信号和病历数据，为疾病的诊断和治疗提供更加全面、准确的信息。 在工业检测方面，它可以对产品的多个维度进行检测，提高产品质量控制的精度和效率。 在智慧农业中，多模态感知技术可以实时监 等模型已证明，跨模态预训练可提升小样本场景下的泛化能力，加速技术普 惠化进程。 从感知到认知的跃迁：融合因果推理、神经符号 AI 等技术，多模态系统将从浅层特 征融合转向深层次语义推理。例如，结合物理规律模型（如刚体运动方程）优化机器人操 作策略，或基于多模态因果图诊断医疗影像中的病理关联，实现“感知 - 理解 - 决策” 全链条智能化。 四、 面临挑战 数据异构性与对齐难题：跨

中央企业应当于规划期第三年开展中期评估，并将中 期评估报告报送国务院国资委。中期评估应当重点对内外部环境形 势变化等进行分析，客观评判发展规划执行中发展目标、重点任务 10 和重大工程项目完成情况，结合实际作出细化完善。 第三十一条 中央企业应当强化发展规划权威性、严肃性,审慎 评估发展规划调整的必要性，确需调整的报经国务院国资委同意后 重新履行审核程序。 第三十二条 发展规划调整的情形包括： 医疗机构同等政策。鼓励有条件的国有企业办医疗机构申报医疗卫 生领域重点课题和重大项目。（国家发展改革委、自然资源部、国家 卫生健康委、国务院国资委、国家中医药局按职责分工负责） （二）纳入分级诊疗和医疗急救体系。结合区域卫生规划，将 13 区域内国有企业办医疗机构纳入分级诊疗体系和各级医联体建设， 加强不同类别医疗机构间的分工协作。在分级诊疗体系建设中，保 证各主体的平等参与权，不以举办主体为前置条件。支持具备条件 委、国务院国资委、国家中医药局按职责分工负责） （三）支持提供多样化医疗健康服务。鼓励国有企业办医疗机 构在提供基本医疗及公共卫生服务基础上，依托良好声誉和精益化 管理，在职业病防治、健康管理、康复、护理、医养结合、安宁疗 护等领域提供多层次的医疗健康服务，引导支持国有企业办医疗机 构医生加入家庭医生队伍，在基层医疗卫生机构开展签约服务。鼓 励有条件的国有企业办医疗机构转型康复护理机构，支持医疗资源

企业数字化转型 AI 大模型底座项目旨在通过构建一个高效、 灵活、可扩展的 AI 大模型基础设施，为企业提供智能化决策支 持、业务流程优化和客户体验提升的核心能力。该项目将基于先进 的人工智能技术，结合企业现有的 IT 架构和业务需求，设计并实 施一套全面的 AI 大模型底座解决方案。该底座不仅能够支持多种 AI 模型的训练和部署，还能实现模型的高效管理、监控和迭代，确 保其在企业实际业务场景中的持续应用和价值创造。 预测税务风险等，帮助企业实现财务管理的自动化和精细化。 具体业务流程优化的实施路径可以按照以下步骤进行： 1. 流程梳理与诊断：通过 AI 技术对现有流程进行自动化分析， 识别出低效环节和潜在问题。 2. 流程重构与设计：结合 AI 大模型的能力，重新设计业务流 程，确保流程的智能化、自动化和高效化。 3. 流程实施与监控：在实施过程中，持续监控流程的运行效果， 确保优化目标的实现，并根据反馈进行动态调整。 通过 例如，通过客户行为数据分析，找出导致客户流失的主要因 素。  预测性分析：基于机器学习算法，构建预测模型，支持销售 额、市场需求、设备故障等预测。例如，利用时间序列分析预 测未来季度销售额。  规范性分析：结合业务规则与优化算法，提供决策建议。例 如，通过供应链优化模型，提出最优的生产计划与库存策略。 此外，企业需构建统一的数据管理体系，实现数据的标准化与 资产化。数据标准的制定应涵盖数据命名规范、数据格式、数据质