这一融合 过程中，负载整合技术发挥着至关重要的作用，它打破了传统系统中 AI 处理和实 时控制相互独立的架构壁垒，实现了多种计算任务在统一平台上的协同优化。 新一代计算平台的异构架构优势在此背景下显得尤为重要。通过整合高性能 CPU、 GPU 和专用 AI 加速器，结合先进的负载整合技术，单一平台即可同时处理实时 控制任务和复杂 AI 推理，实现了前所未有的计算效率和系统简化。这种技术创新 诺达佳：人-机-AI 协同工业控制代码自动生成系统 ......................................... 30 易码智能：基于 Kithara 负载整合的实时数据采集处理解决方案 ..................................... 34 关维技术 U2：基于 ACRN 的液压机械加工专机 .......................... 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 PLC 或微控制器，在处理大规模轴控任务时 面临性能瓶颈，难以满足现代工业对高度集成和协调性能的要求。 • 超短控制周期追求：追求更短的控制周期以提高控制精度已成为行业发展的核心趋势。在高速自动化生产线、 精密加工以及

....................................................................................15 2.1.2 图像增强与处理................................................................................................... .....................................................................................46 3.2 数据采集与预处理................................................................................................... 引言 随着医疗健康行业的快速发展，传统的数据处理和分析方法已 逐渐无法满足日益增长的需求。特别是在患者数据的采集、存储、 分析和预测方面，传统的技术手段面临着效率低、准确性不足以及 成本高昂等问题。在此背景下，引入先进的技术手段以优化医疗健 康场景的运作已成为行业的迫切需求。DeepSeek 作为一种基于深 度学习的智能分析工具，具备高效的数据处理能力和强大的预测分 析功能，为医疗健康领域的智能化转型提供了新的可能性。

电力监控系统需要实时分析和响应，这对于确保电网的稳定运行和电力供应的连续性至关重 要。然而，在大数据量环境下，复杂的计算任务常常耗时过长，难以满足对实时性的要求。 这种处理时效性低的问题限制了电力系统对突发事件的快速响应能力，进而影响了电网的可 靠性和运行效率。 处理时效性低 (实时监控与分析需求) 随着电力行业对实时数据和智能分析需求的日益增长，预测性维护技术的需求也相应上升。 然而，面对源荷剧烈波动以及多 方面显得力不从心。这种预测精确性的不足不仅影响了设备维护的效率，也增加了电网运行 的风险。 预测精确性差 (预测性维护的迫切性) 针对数据管理难题，电力行业需要一个强大的数据管理和分析平台，以实现数据的高效存 储、快速处理和深度分析，从而提升决策质量和响应速度，而平台的建设需要融入更具创新 性和多元化的技术。 数据管理和分析能力提升 这些挑战和痛点清晰地指出了电力行业在数字化和智能化转型中的关键需求。这些需求不仅 如下： 业务需求提炼 随着分布式新能源的大规模并网，电力行业产生的数据量呈井喷式增长。这不仅对数据存储 提出了高要求，也对数据实时处理和分析能力构成挑战。传统电网技术在全面、准确地建模 和管理数据方面力不从心，传统数据库更难以应对数据的高速增长和实时处理需求。 数据管理难 (数据量激增与管理挑战) 需要实时监控电网状态并快速响应突发事件，以提升监控的实时性和准确性，以确保电网的 稳定

com 400-072-5588 Chapter 1 中国人工智能与商业智能 市场洞察 ❑ 企业数据生命周期贯穿多环节软件服务协同，凸显数据作为 核心生产要素的战略价值，但传统BI因封闭架构、静态处理、 技术壁垒及历史决策惯性，难以支撑从实时感知、多元分析 到预测决策的现代化转型需求，其滞后性不仅削弱企业对市 场动态的敏捷响应能力，更成为全员数据赋能与战略前瞻决 策的关键瓶颈。 ❑ A 分析、商业智能工具和数据科学平台等，来从大量数据中提取有价值的信息，并做 出数据驱动的决策。2024年中国数据库市场的规模为598.5亿元，而数据仓库市场则 为73亿元，这两者都体现了企业在数据存储、处理和分析上的巨额投入。 数据发布：数据发布环节包括将数据通过API或共享平台发布给内部用户或合作伙伴。 这一环节帮助企业促进数据的流通和共享，支持业务合作和创新。企业在数据发布 方面的投资推动了API管理平台和数据共享平台的发展。 障 企业数据安全的重要措施。 7 www.leadleo.com 400-072-5588 中国：人工智能系列 白皮书｜2025/05 传统BI产品局限性分析 传统BI受限于数据封闭、静态处理、高技术门槛与历史导向等，难以适应 实时、多元与预测驱动的现代商业需求。这些短板削弱了企业对外部动 态的感知，也无法满足敏捷决策与全员赋能的时代要求 人工智能与商业智能发展背景——传统BI局限性

编写组成员：孟清超、钟志成、郑航、兰泽勇、张惠乐、蓝超文、谭浩明、 谭升太、左瑞君、黄劲安、宋为民 - 1 - 前言 随着数字经济的蓬勃发展，算力已成为支撑社会信息化建设与产业数字化转型的 核心生产力。从海量数据处理到人工智能训练，从云端服务支撑到边缘场景落地，算 力基础设施的规模与复杂度呈指数级增长，其稳定运行与高效管理已成为关乎企业核 心竞争力与社会数字化进程的关键命题。在此背景下，传统 IT 运维模式面临着从硬件 算力运维体系技术白皮书 - 3 - 1 概述 1.1 算力基础概念 1.1.1 算力定义 算力本质上是对信息数据进行加工处理的能力，其核心体现为计算设备通过硬件 （如 CPU、GPU、ASIC 芯片等）和软件协同工作，完成各类计算任务（如数值计算、逻 辑运算、数据处理等）的效率。 1.1.2 算力分类及应用场景 通用算力场景：面向日常计算需求，涵盖个人终端、通用服务器计算能力，应用 以 CPU 为代表。 智算算力场景：支撑人工智能算法训练与推理的专用计算资源，应用于人工智能 计算领域，处理自然语言、图像识别、语音识别等任务，以 GPU 为代表。 超算算力场景：面向科学研究、工程仿真等高性能计算场景的集群化计算能力， 应用于需极高计算能力的科研及工程领域，处理大量数据和复杂的科学计算任务，如 气象、医疗、生物、仿真等领域，以 HPC 为代表的计算集群。 1.1.3

在全球数字经济的浪潮下，企业核心业务系统作为企业运营的“心脏”，其数字化、智能化转型的成败， 不仅是企业在激烈的市场竞争中能否快速响应客户多样化需求的关键，也是企业开创增长新赛道的基础。 数十年来，主机系统凭借其强大的计算处理能力和高可靠的体系架构，支撑着众多企业的核心业务。然而， 我们必须坦诚地认识到：主机系统技术体系在应对爆发式业务增长和海量交互时，无法快速赋能业务智能创新， 并且与开放协同的产业生态相悖，主机技 之旅提供强大 助力。 马海旭 华为副总裁 ICT 产品组合管理与解决方案部总裁 序言一 03 李亚为 华为主机上云军团总裁 主机（Mainframe）起源于上世纪中叶，以其卓越的事务处理能力和极高的可靠性，长期以来支撑着金融、 政府等领域核心业务系统。然而，在云计算、人工智能技术迅猛发展的今天，传统主机架构无法满足核心业务 系统在资源弹性扩展、应用迭代速度、业务创新效率和技术开 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 中间件层 3.3.1 业务中间件，支撑敏捷、高效的消息和事务处理 3.3.2 接入中间件，实现云上业务同云下业务的无缝连接 1.1 1.2 1.3 2.1 2.2 3.1 3.2 3.3 0 1 02 03 06 10 15 05

博士，英飞凌科技股份公司数据中心配电主管 www.infineon.com/wepowerai 2 目录 Adam White 寄语 3 引言 4 一、现代处理器的供电 5 预测一：垂直供电将成为现代处理器的关键技术 5 预测二：服务器主板将采用高压直流供电架构 7 二、AI 服务器机架的供电 12 预测三：AI 服务器机架的功耗将超过 1 兆瓦 12 电源与传感器系统事业部总裁 4 引言 在大型数据中心中，训练日益庞大的 AI 模型需要更强大的计算能力，并将多达 10 万颗处理器聚合成一个虚拟机。 这将带来三个层面的挑战： • 现代处理器的供电：需要应对更高的负载电流和剧烈的瞬态负载阶跃。预计在未来十年，单颗处理器的负载电 流将达到 10,000 安培，是当前水平的 10 倍。 • AI 服务器机架的供电：功率需求将超过 1 兆瓦（MW），是当前最先进水平的 提供电力的可能情景，并阐述其基础技术概念。 5 一、现代处理器的供电 预测一：垂直供电将成为现代处理器的关键技术 图形处理单元（GPU）以及专用于 AI 负载的处理器（例如，张量处理单元（TPU））正在采用最先进的工艺制程（例 如，台积电的 N4P），以在单一硅片上集成更多的晶体管。通过将两片或多片硅片集成到单一处理器中，可以突 破特定制程下光刻掩膜尺寸的限制，从而打造更大、更强的处理器。 尽管这些 GPU/TPU

强化学习），将洪水预测误差降至 3%以下，推演效率提升 20 倍。 动态交互与智能决策。通过数字人、大语言模型（LLM）实现自然语言操控，支持应 急指挥、设备运维等场景的智能响应。 围绕复杂数据处理与孪生场景应用、机理模型与数据驱动模型、超大体量数据处理与 实时渲染能力、自动化模型构建能力、大模型算法能力在数字孪生中的应用做了深度的技 术剖析。 同时，本白皮书围绕智慧城市、智慧水利、智能制造、智慧能源、智慧园区等场景， 复杂数据处理与孪生场景应用...................................................................... 1 1、 气象数据处理与应用.................................................................................... 2 2、 地理数据处理与应用. ...................................13 3、 3DTiles 数据处理与应用............................................................................ 25 4、 视频数据处理与应用..................................................

在此背景下，人工智能、区块链、大数据、云计算等新一代数字技术快速发展，深刻 重塑着企业治理结构与运营模式，为外汇风险管理注入了新的动能。将数智化技术贯穿 于敞口识别、策略制定、交易执行和会计处理的全流程，为企业构建更为智能和高效的 外汇风险管理体系带来了新机遇。企业数智化转型不仅显著增强了企业的风险应对能力 与经营稳健性，还将日益成为财务数字化与全球业务拓展的重要支点。 本白皮书聚焦 系统采用本地化部署，各组织间交易信息为私密数据，不对外透明，确保了数据的安全 性与保密性。在套期保值业务中，系统可实现预设规则驱动的自动交易逻辑，减少人工 干预，降低操作风险，并支持交易信息的实时共享与自动化处理，有效提升交易效率与 风险管理水平。这种“数据驱动—智能决策—自动执行”的闭环模式，正成为跨国企业 外汇风险管理的标准配置。 企业外汇风险数智化转型白皮书 从被动应对到主动管理 2025年度 外汇市场的高频波动与非 线性特征。通过整合宏观经济指标、市场舆情、历史交易数据等多维度信息，建立自适 应预测模型与情景分析框架，实现汇率走势的前瞻性研判与极端风险场景的压力测试。 借助自然语言处理等技术解析政策动态与市场信号，为企业预留策略调整窗口期，提升 风险响应的主动性与精准度。 2.1.4系统性原则 以业财数据融合为核心构建全周期风险管理闭环，打通业务、财务、资金系统的数 据壁

从“工具执行者”进化为“智能决策体” 重塑“以客户为中心”的价值链 涌现“需求即服务”的应用创新范式 算法 算力 数据 安全 人工智能驱动 数字基础设施 数据联接价值 软硬系统自主化 深度学习、强化学习 自然语言处理等 模型库、案例库、知识库 工具库、大型开源平台等 数据融合、数据分析 数据应用等 应用产品安全、供应链安全 （应用开发、运行、运维） 数字 应用生态 硬件开发 数据共享 系统互通 领域的应用智能化发展，提升产业韧性，抵御外部供 应链风险，为应用智能化生态的长期安全稳定保驾护航。 推动人工智能蓬勃发展的前提是应用现代化的发展成熟和壮大。未来，随着深度学习、强化学习、自然语言处理 等人工智能技术的不断迭代创新发展，AI 将在更多垂直领域实现深度应用，不仅将提升生产效率和服务质量，还将创 造新的商业模式和市场机会，使人工智能成为推动社会进步的重要力量。应用现代化走向智能化发展也将迎来“技术 放协同的数据生态奠定基础。软件开源则推动知识共享与模块化复用，促进开发者协作和加速技术迭代，降低开发成 本，两者融合将催生出更丰富的数据应用场景，持续释放数据价值，加速知识向生产力的转化。算力与数据匹配将提 高处理效率，系统互通和数据共享则打破数据孤岛，推动数据联接的深化。数据联接不仅促进商业创新，还将深刻影 响政府决策、公共服务及社会治理的方方面面。随着新一代信息技术的发展进步，数据联接不同领域、不同行业的能