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——均需围绕智能体的自主性、协同性与进化能力重构。 从技术视角看，AI-Native 架构的关键在于数据与 API 可信数据资产目录实现跨域流通，为 Agent 提供实时、高质量的训练与推理燃料；而 API 则从传统的服务接口演进为“智 能连接器”，通过动态编排与语义理解，支撑 Agent 间的自主协商与任务分解。此外随着云原生 AI 技术（如多模态大模型、 智能 Agent 开发与运行、检索增强生成、智能应用管理引擎、智能组装与集成、统一可观测、多模态交互、AI 内生安全等） 的成熟，使得 Agent 的开发效率提升 年的 AI 技术，迎来了应用大规模落地的奇点时刻。以应用智能体为代表的 AI 新范式，已成为推动行业变革的重要力量， 智能化必将成为驱动数字经济发展的核心引擎。 过去十年，云原生重构了 IT 基础设施；未来十年，AI 原生将重新定义企业运营范式。这场变革不是简单的技术迭代， 而是认知维度的跃迁——企业需要从“功能驱动”转向“价值创造”，从“流程优化”升级为“智能决策”。 华为云始终践行“一切

基础设施层 3.1.1 软硬协同一体化，构建融合高性能基础设施 3.1.2 调度和升级优化，支持超大规模算力管理 3.1.3 端到端可靠性设计，保障系统稳定可靠运行 3.1.4 原生安全能力基线，构筑纵深防御高安全体系 数据层 3.2.1 五大核心要素，定义和设计云上数据库 3.2.2 基于数据迁移和同步技术，保障数据完整性与准确性 3.2.3 数据库和存储设备协同，高效实现大库备份和恢复 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 有限：一方面，传统主机的编程语言（如 COBOL、PL/I）与现代开发工具及编程语言兼容性不足，原有开 发环境与工具链较为陈旧，且与云原生开发所采用的 Java、Go、Python 等语言存在明确的兼容壁垒；另一 方面，主机系统通常依赖传统的数据存储格式和协议（如 VSAM、IMS 等），而现代的大数据技术框架（如 Hadoop、Spark）使用分布式文件系统（如 API设计与管理 Swagger、Postman 代码管理 Git、GitLab 应用评估与设计 架构评估与设计 资源评估与设计 安全评估与设计 批次评估与设计 应用转码与语言重构 中间件/数据库替换 云原生改造 信息调研、迁移评估、 迁移规划 迁移演练/正式迁移 灰度发布/割接并线 功能与回归测试 性能与压力测试 安全/合规测试 用户验证测试 双轨并行验证 灰度切流 全量割接 上线监控与回退 瀑布开发

安全解决方案：安全可信的 MaaS 24 2 MaaS 安全核心理念：客户数据主权、25 负责任的 AI 与云原生安全保障 2.1 客户数据主权：平台可靠、数据自主可控、链 25 路可信、操作可审计 2.2 负责任的 AI：安全、合规、向善、透明 26 2.3 云原生安全保障：打造可靠 AI 基础设施 27 目录 大模型发展趋势、风险挑战与 解决方案 1 模型商业落地加速，面临多样化的部 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 能力、效率 1.1 安全挑战：系统软件漏洞、资源滥用、供应链 30 攻击与隐私合规风险 1.2 高可用性挑战：系统稳定性压力增加 68 1.2 MaaS 时代下的新型安全风险研判 68 1.3 拥抱全球合规框架，构建可信 AI 基石 70 2 阿里云百炼全链路安全能力框架 72 2.1 安全设计理念：纵深防御与原生集成 72 2.2 核心：贯穿生命周期的数据安全与隐私保护 73 2.3 扩展：支持客户弹性、灵活地应对外部攻击 78 3 阿里云百炼关键场景安全实践 82 3.1 场景一：发布并调用一个线上模型推理服务

位置服务 NO.1 电商 、游戏类市占率 I DC : 电商 、游戏类公有云市占率第 一 100+ 行业解决方案 深厚数字化转型升级实践沉淀 300+ 云产品服务 全面覆盖基础服务 、云原生 、安全等 服务全球 300 万 + 客户 亿级规模自有业务 技术基座 血 行业引擎 超大规模算力支撑海量业 务 云计算 区块链 深圳防 e 通 敏捷弹 性 • 开箱即用的 PaaS 平台 • 异构资源调度 • 边缘自治 交通、工业、教育等 边缘业务就近运行、分支机构业务上 云 软硬一体交付效率高、管控开销低、 云原生及虚拟化能力集成、 自主可控、 边缘自治降低运维风险 客户场景 / 价 值 客户案例 - 某地铁集团 客户简介 某地铁集团目前运营的轨道交通里程已 达到数百公里 客户场景 客户痛点 l 需要通过中心的云平台实现统一管理 l 弱网无法运行 采用 TCS Edge 原因 优势 l 软硬一体化交付： 软件与硬件深度优化整合， 实现快速交 付开箱即用， 发挥 TCS Edge 平台最大效能 l 原生无侵入： 以无侵入方式将 K8S 的管理和编排能力扩 展到边缘端 l 边缘自治： 在通信网络连接不稳定或离线状态时， 边缘节 点可以自主工作 成果 通过 TCS Edge 一体机方案， 提供了容器及轻量化虚拟机实例，

价值和愿景 “全光网 3.0”是推动新型工业化与数字基础设施融合发展的关 键支撑。通过能力升级、架构重构、服务模式创新，光网络向数智融 合、多维感知与天地协同转型，并具备超大带宽、极低时延、原生智 能、弹性敏捷等核心能力。促进区域资源协同共享，支撑算力资源灵 活配置、数据要素高效流通，加速智慧工厂、智慧办公等产业数字化 升级，推动远程教育、远程医疗等城乡数字鸿沟弥合，带动实体经济 间（FTTR）等边端算力，满足 AI 智能体及应用对于本地存算资源的 弹性部署及调度编排要求。 4、多层原生的全流程光智能（原生光智能） 原生光智能基于原生在网络各层次中的 AI 技术，构建“三层原 生智能”网络架构，全面赋能光网络“规、建、维、优、营”全流程。 在新一代云网运营系统框架下，光网络以原生光智能为根基，深 度融合通感一体、数字孪生和人工智能等新技术，为千行百业提供“自 配置、自修 护更快速 地处理故障、网络优化更及时地发现隐患和调优、网络运营更敏捷地 满足多样性业务诉求，从而实现 AI 时代的智能光网络。 8 Ⓒ中国电信版权所有 基于 AI 构建的光网络原生智能包括网络层、运营层和业务层智 能，其中网络层智能包括多参量精确感知、快速采集、基于小模型的 网元数字孪生（实现“入网即孪生”）和健康度分析等，运营层智能 包括基于智能体的光网络运维大模型、开放管控、故障溯源、性能评

互入口也随之从基于应用程序的界面逐步演进为基于 AI Agents 的界面。 面向未来，鸿蒙系统将在整个 OS 层面构筑统一的 AI 系统底座，达到系统内所有组件都 高效灵活使用 AI 能力的系统级原生智能。在此基础上，构建常驻系统、结合系统底层能力的 系统级 Agent（即超级智能体），识别用户意图，完成服务闭环。同时，鸿蒙系统也将进一步 图 3 鸿蒙 2030 愿景及关键特征 ����������� 效率、空间计算应用的流畅交互体验、多 Agent 协同、系统性安全问题等。下一代编程语言应 提供原生 AI 应用开发框架和设计特定 DSL（即 Agent DSL）来简化应用开发，使模型部署、 智能决策等 AI 相关功能成为开发框架的一部分，给开发者带来高效的开发体验。 针对以上挑战，我们设计并实现了一款新的编程语言仓颉。仓颉编程语言具备原生智能化、 天生全场景、高性能、强安全等特点，内置定制的 Agent DSL 面向领域的声明式开发，提供模型部署、智能决策、Agent 协同的框架能力。 当前在鸿蒙原生应用的开发中，支持声明式 UI，一次开发、多端部署的 ArkTS 语言已经 被广泛使用。仓颉语言作为面向未来的下一代编程语言当前已经完成设计与实现，并启动了开 发者预览，未来将与 ArkTS 共同发展，为鸿蒙原生应用开发者提供极致高效的开发体验。 鸿蒙 2030 倡议 - 34 - 鸿蒙 2030

终，容灾方案（如按业务模块拆分部署、按数 据分片分布）因缺乏明确的拆分依据而难以决 策，成为多活落地的第一道障碍。 ·分布式技术平台难以直接实现多活：多数分 布式技术平台的原生架构并未针对跨地域多活 场景设计协同机制，因此难以直接支撑多活能 力。如果直接按原生架构部署，应用与平台 间、平台内部模块间都可能存在跨地域的结构 性依赖，造成“分而不断、多而不活”需要通 过集群解耦，架构优化减少跨地域的服务调用 系，提高生存底线、降低恢复时间。 面对智能化演进、数据跨域流通、云原生架构普及及 高级攻击向内网渗透等新趋势，数据中心安全需在 巩固传统“五横”（应用、数据、主机、网络、物 理环境安全）基础上，重点关注以下新安全领域。 1、应用安全：关注生成式人工智能（GenAI）安全 数据中心应用安全的发展与信息技术架构的迭代深 度绑定，整体可划分为单机应用安全、Web应用安 全、云原生应用安全和生成式人工智能（GenAI） 为 关键挑战。 五横：夯实基础 图 3 - 3 3 应 用 安 全 发 展 历 程 图 3 - 3 2 “ 五 横 三 纵 ” 安 全 防 护 单机应 用安全 Web应 用安全 云原生 应用安全 生 成 式 人 工 智 能 （GenAI）安全 -1990s 2000s 2010s 2020s- 攻击技术有限、扩散慢， 已知威胁单点防御为主 典型攻击： ·本地病毒/恶意脚本等

第三章：技术引擎：驱动数智化的核心力量.......................................................................22 3.1 云智一体：云原生与 AI 的深度融合......................................................................22 3.2 工业大脑：AI 大模型在制造业的落地 阶段性目标，避免盲目投资。 全景的现状扫描 - 通过对四大类型企业的深入剖析，辅以研发、生产、供应链等关键领域 的成熟度分析，为企业精准定位自身坐标提供参考。 落地的技术指南 - 我们不空谈概念，而是深入解析云原生、AI 大模型、数字孪生等技术的 实际应用场景，展示它们如何真正为制造业创造价值。 真实的行业实践 - 汽车、电子信息、化工医药三大行业的典型案例，见证了领先企业如何 通过数智化实现质的飞跃。 1 云智一体：云原生与 AI 的深度融合 在数智化转型的深水区，企业往往面临一个核心矛盾：对智能化的迫切需求与高昂的技术 门槛和成本之间的矛盾。解决这一矛盾的关键，在于“云智一体” 的战略选择。云平台 已不再是简单的 IT 资源池，而是承载一切数智化应用的“基座”，它通过提供弹性、可 扩展、按需付费的算力与服务，极大地降低了企业，特别是制造业企业拥抱 AI 的门槛。 云原生：重塑应用开发与部署模式

代化、网络恢复与韧性强化，以及核 心企业应用更新。 近三分之一（31%）的组织表示，数据中心基础设施现代化将是首要投资方向，这一趋势反映出 从“云原生”到“AI原生”系统的广泛架构演进。与以往仅将AI作为附加功能整合的模式不同， AI原生架构从设计之初就以AI为核心，通过实时数据管道、自适应基础设施和持续学习能力，支 撑高性能、可扩展的AI工作负载。这一模式不仅对计算资源提出了新要求（如高性能GPU与专用 = 1007，金融服务 = 145，软件与信息服务 = 132，制造业 = 193，零售业 = 101） 综上，这些趋势代表着企业IT策略的根本性转变：从“附加AI能力”转为“智能体驱动、AI原生 的未来，系统性地设计、保障并优化技术栈的每一层”。优先进行这些投资，并联合各业务职能 相关方的技术领导者，企业才能更好把握AI驱动转型所带来的优势与机遇。 趋势 3：开源生态系统推动AI普及，助力创新与业务增长 如今，AI、大数据工程与高级分析技术已渗透到几乎所有ICT岗位中，它们将企业的数字化成熟度 与智能系统的掌握程度紧密相连，助力企业提升运营效率、实现明智决策。网络与网络安全领域 的专业人才需求也在大幅增长⸺由于云原生架构模糊了基础设施与安全之间的界限，要求相关 人员必须熟练掌握云管理、威胁建模及自动化事件响应等技能。 然而，仅掌握技术知识已远远不够。创造性思维、适应性推理能力与敏捷执行能力，正变得与编 码

YuanRong 项目， 聚焦 AI 推理框架开源，兼容 PyTorch 与 MindSpore 模型，支持异构硬件自动优化，上线三个月即被 30 余 家云服务商集成。天翼云则发布 TeleDB——一款面向云原生的分布式数据库开源项目，支持多模态数据 处理与强一致性事务，在电信级高并发场景中表现优异，已被多家省级政务云采用。2025 年中国云计算 开源项目不仅在数量上快速增长，更在关键技术自主可控与生态协同方面展现出强大生命力，正逐步改 大模型推理、分布式调度、云原生等前沿主题的论文，展现出学科交叉和新兴应用的广泛需求。企业直 接参与论文署名愈发普遍，研究紧贴实际生产和业务需求，产学研融合不断加深。同时，国际机构的积 极参与进一步推动了全球学术交流。顶会对新团队和新思想的包容性持续提升，越来越多新兴单位能够 在学术舞台崭露头角，行业创新生态更加开放与活跃。 综上，2025 年云计算领域在软硬件协同、AI 原生架构和分布式系统等方面取得突破，学术与产业的 Service）在进程级别上将多进 程请求合并到同一 GPU 上下文中，提升了多任务并发度。针对多租户环境的强隔离场景, NVIDIA 又提出 了 MIG（Multi-Instance GPU）技术，使得云原生环境下能够实现划分物理 GPU。在此基础上，学术界也围 绕不同服务的资源使用模式开展了一系列工作。SpotServe [36] 基于多实例负载变化，提出使用可回收实 例来降低服务成本并提升资源效率。FlexLLM