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 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 高可靠：硬件组件（处理器、内存、存储）普遍采用冗余设计，不会因单点硬件故障而引起系统中断 高安全：主机通常采用内置硬件加密模块，实现数据的加密处理与密钥管理，从而保障数据在存储、传 输及处理过程中具备机密性与完整性 (2) 管理运维层 主机的管理运维层包括硬件管理、操作系统管理、性能监控、故障恢复和备份管理等，它通常使用专有管 理工具进行集中控制和自动化运维。 业务应用层 硬件 与 操作系统层 管理运维层 功能。中间件层通常由多个组件组成，包含在线事务管理 器、数据库事务系统、MQ 消息队列、企业服务总线、Web 应用服务器、批处理等。该层与操作系统、数据 库深度绑定，通过 ACID 特性保障交易完整性。 (5) 业务应用层 业务应用层主要承载着客户核心业务应用系统，同时承担业务逻辑分析、数据处理、应用运行与管理等 核心功能。业务应用层直接面向企业和最终用户，负责支撑关键业务操作和提供服务。传统主机应用一般基于

本文档仅作为用户使用阿里云产品及服务的参考性指引，阿里云以产品及服务的“现 状”、“有缺陷”和“当前功能”的状态提供本文档。阿里云在现有技术的基础上尽 最大努力提供相应的介绍及操作指引，但阿里云在此明确声明对本文档内容的准确性、 完整性、适用性、可靠性等不作任何明示或暗示的保证。任何单位、公司或个人因为 下载、使用或信赖本文档而发生任何差错或经济损失的，阿里云不承担任何法律责任。 在任何情况下，阿里云均不对任何间接性、后果性、惩戒性、偶然性、特性或刑罚性 安全白皮书 SECURE & TRUSTWORTHY MaaS 阿里云百炼集成云原生安全设计，实现租户隔离、数据加密存储及传输、细粒度权限 控制等能力，确保客户数据在整个生命周期内保持机密性和完整性。此外，阿里云百 炼通过建设 CMaaS（Confidential MaaS）帮助客户解决“使用中”的数据保护问题， 打造 AI 隐私保护信任新范式。 2.2 负责任的 AI：安全、合规、向善、透明 生防护，全栈多层纵深防御”为核心理念，深度融合产品全流程安全建设、纵深防御 与零信任架构、红蓝对抗反向校验。 2.1.1 面向攻击的安全高可用 为保障 AI 基础设施的持续稳定运行，阿里云设计了完整的高可用架构，建立了专业 的稳定性团队与故障应急响应机制，并将多年实践经验沉淀为产品能力，助力客户实 现系统级稳定性保障。 ● 系统网络层：DDoS 防护。阿里云的 DDoS 防护能力，可随业务流量峰值、威胁

的透明化推理机制重构企业决策信任体系。与传统大模型的 " 黑盒生成 " 模式不同， DeepSeek 以低成本、开创性地实现了推理过程的可视化追溯。通过思维链（Chain-of-Thought）的完整呈现， 决策者可以清晰洞察 AI 的思考路径：从问题解析、知识调用到逻辑推演的全过程透明可见。这种 " 白盒化 " 设 计不仅使技术专家能够验证算法可靠性，更让业务管理者直观理解结论生成逻辑进行判断，有效解决了传统 等多方面趋势相互交错影响，基于 AI 实现员工入职 环节高效自助，既是彰显雇主品牌形象、增强“第一印象”的有效手段，同时也是人力资源部门精简人力、赋能 员工融入的得力助手。 添加小易机器人获取完整版方案 22 CHAPTER 2 AI 在企业人力资源中的应用白皮书 2.0 试点是主旋律，AI 迎新、一站式入职成探索主战场 现有数据表明，员工入职模块应用 AI 仍以“试点”居多，能实现单个或多个业务单元全员启用的不足 价值仅在算薪、薪资结构分析初有尝试，此次调研发现，AI 能力已被深度应用于薪酬自动 化处理、薪酬市场分析、薪酬预测与规划、薪酬结构优化等多个业务场景中。本次受访企业中，实现 AI 应用的 添加小易机器人获取完整版方案 27 CHAPTER 2 AI 在企业人力资源中的应用白皮书 2.0 场景中以薪酬自动化处理、薪酬市场分析最为普及，占比均为 33.3%，此外薪酬结构优化、薪酬预测与规划次之， 分别均为

开发者：帮助开发者了解 HarmonyOS 生态的技术架构、开发工具和关键创新， 以便能够更高效地进行应用开发。 ⚫ 合作伙伴：如硬件厂商、软件供应商、服务提供商等，为他们提供合作的机会和 方向，共同打造完整的生态链。 ⚫ 行业用户：包括企业、政府机构等，助力伙伴了解 HarmonyOS 生态在行业应用 中的潜力和解决方案，推动行业数字化转型。 ⚫ 其他对 HarmonyOS 生态感兴趣的读者。 也提供了语言基础类库，为应用开发者提供常用的基础能力。 ArkTS 语言基础类库能力示意图: 14 2.1.5ArkUI（方舟 UI 框架） ArkUI（方舟 UI 框架）为应用的 UI 开发提供了完整的基础设施，包括简洁的 UI 语法、 丰富的 UI 功能（组件、布局、动画以及交互事件），以及实时界面预览工具等，可以支持 开发者进行可视化界面开发。 针对不同的应用场景及技术背景，方舟 UI 机密文件会 通过密文存储，在支持 DLP 机制的设备上可以通过端云协调进行认证授权，获取对数据的 访问和修改的能力。 DLP 是系统级别的，应用开发者只需要做少量的适配甚至无需适配，即可获得完整的数 据防泄漏保护。 27 DLP 整体解决方案有 3 个主要部件构成。 ⚫ DLP 权限管理部件： 权限管理底层服务，负责沙箱应用创建、凭据管理交互。 ⚫ DLP

与机器视觉技术在控制领域的深度融合，智能化控制已成为推动产业数字化转型的核心引擎。英特尔基于异构计算 优势，为不同应用场景构建了分层化的 AI 赋能体系，提供从轻量级到高性能的全谱系解决方案。 依托英特尔统一的软件工具链和完整生态体系，这一技术架构为边缘产业的多场景应用提供了坚实的技术基础，加速 AI 技 术在各行业的深度融合与规模化落地，全面赋能智能制造和工业 4.0 转型。 • 集成显卡方案 iGPU：例如，英特尔® RTX64 RTX64 是英特蒙 (IntervalZero) 实时操作系统 RTOS 平台里的主要产品，与 Windows 操作系统并存的同时还可以 在多核心处理器上支持确定性与硬实时。这一完整的解决方案提供了世界级的使用者体验，优于诸如 DSP、FPGA 和 MCU 等实时硬件，并且大幅减少了需要确定性或硬实时性的系统开发成本。对称多处理架构的 RTX64 充分利用 了 64 位内存和效能的优势。独特的是 本地化工业级大模型：MCCoder 采用专门针对工业控制领域优化的中小模型 (SLMs)，结合丰富的自动化代码生成示例 与训练数据，能够通过用户的自然语言指令实现高效的控制代码自动生成。系统完成了代码生成-验证-解读的完整闭环流 程，确保生成代码的质量和可靠性。 • RTX 负载整合技术：基于英特尔酷睿 Ultra 系列处理器和 RTX 负载整合方案，MCCoder 实现了运动控制和 AI 推理在同 一处理器上

：引入智能体思想进行知识增强 • 闭环（网状）：动态多向循环迭代 • 优势：异构数据 / 长链路 / 多跳 / 强逻辑 关 系类推理效果好 • 知识内容：动态 / 完整性 • 检索质量：高（多专家协同研判 / 验证） • 响应方式：主动优化 • 计算能力：优（数学智能体 /SQL 智能 体） • 学习能力：主动学习 • 向量检索 • 单向（流水线）：检索 --> 重排 --> 生成 • 问题 ： 3 跳以上逻辑的任务 ，链式方法 会 因早期错误不可回溯而崩溃 • 知识内容：静态 / 不完整性 • 检索质量：低 • 响应方式：被动 • 计算能力：弱 • 学习能力：无 • 典型应用场景：简单的文档问答 图式推理 + 非实时证据 （仍然是静态推理） （仍然是静态推理） • 核心：基于知识图谱的关联关系进行推 理 • 单向（流水线）：检索 --> 重排 --> 生成 • 问题 ：图谱构建、维护成本高 • 知识内容：静态 / 不完整性 • 检索质量：中（保障事实性正确） • 响应方式：被动 • 计算能力：弱 • 学习能力：无 • 典型应用场景： 医疗症状关联诊断辅助 AI 企业知识库特点

智算产业通过“硬件-云平台-大模型-应用”的四层结构联动，构建了从底层 算力到顶层商业场景的完整价值链 智算产业链可分为四层，底层为基础硬件，包括GPU/AI芯片等底层基础设施。 上一层为云平台层，包括智算平台及云服务厂商。再上一层为大模型层，包括 MaaS/Agent平台，以及最上层的应用与终端层，是以软硬件的形式将模型和技 术能力落实在实际的商业场景中。四层共同组成智算完整的产业价值链。 层级 核心角色 代表环节 当前态势 底层硬件 研发的算法，结合行业交叉的大数据，以多元化的调研方法，挖 掘定量数据背后的逻辑，分析定性内容背后的观点，客观和真实地阐述行业的现状，前瞻性地预测行业未来的 发展趋势，在研究院的每一份研究报告中，完整地呈现行业的过去，现在和未来。 ◆ 研究院密切关注行业发展最新动向，报告内容及数据会随着行业发展、技术革新、竞争格局变化、政策法规颁 布、市场调研深入，保持不断更新与优化。 ◆ 研究院秉承匠心 况下，头豹可能会为报告中提及的企业提供或争取提供 投融资或咨询等相关服务。本报告所指的公司或投资标的的价值、价格及投资收入可升可跌。 ◆ 本报告的部分信息来源于公开资料，头豹对该等信息的准确性、完整性或可靠性不做任何保证。本文所载的资 料、意见及推测仅反映头豹于发布本报告当日的判断，过往报告中的描述不应作为日后的表现依据。在不同时 期，头豹可发出与本文所载资料、意见及推测不一致的报告和文章。头豹不保证本报告所含信息保持在最新状

得率和品质 对于需要干燥的产品，含水率过低导致得率下降，过高导致产品不合格 综合 OEE 单机设备和整线的生产效率统计和分析功能仍不完善，缺少跨产线、车间级的效率统计 分析系统 能源消耗 没有完整的三级计量体系，缺乏完善有效的能源管理系统，能耗分析无法细化到单线与 单品消耗，无法为减能增效提供有力支撑 生产 计划和 管理 生产计划 计划变动频繁，依靠人工计算和排产，不 件，还具备虚拟调试、数字化设计和云连接 功能，有效支持设备的快速开发和部署；二 是应用于淀粉糖制备、发酵、分离、纯化、 干燥全流程的过程自动化系统（如西门子 PCS 7）。两者协同运作，为生物发酵工厂的 数字化转型打造了完整的自动化基础架构。 3.2 数字孪生 基于西门子强大的产品组合，通过打造 “生产”的数字孪生体，企业可以实现在虚拟 孪生环境中提前对工艺、设备、产线、工厂 及物流等进行仿真、验证、调试及优化，并 身打造数字化转型解决方案。 3.16 . 生命周期服务 西门子生命周期服务为生物发酵企业提 供全方位运维保障。从技术团队支持到备件 管理，从过程监测到预防性维护，再到快速 响应机制，形成了完整的服务体系。 这种系统化的服务模式帮助企业实现从 被动维护向主动预防的转变，不仅提高了设 备可靠性，降低了维护成本，更确保了生产 的稳定性和产品质量，最终实现经济效益的 全面提升。

其次，DeepSeek 技术支持实时的数据共享机制。通过基于区 块链的数据安全协议，DeepSeek 确保在数据共享过程中，患者的 隐私得到充分保护。医疗机构可以在获得患者授权后，实时访问其 完整的医疗记录，从而为患者提供更加精准和个性化的诊疗服务。 在实际应用中，DeepSeek 技术的数据整合与共享功能已经证 明能够显著提升医疗服务的效率。例如，在某大型医院的试点项目 中，通过引入 更 高的疗效和更低的毒性。这一成功案例充分证明了 DeepSeek 技术 在药物研发中的巨大潜力。 2.5.2 临床试验数据管理 在药物研发与临床试验中，临床试验数据管理是确保数据质 量、完整性和合规性的关键环节。DeepSeek 技术的引入为临床试 验数据管理提供了全新的解决方案，能够显著提升数据处理的效 率、准确性和可追溯性。 首先，DeepSeek 通过其强大的自然语言处理（NLP）能力， 确保临床试验结果的科学性和可信度。 此外，DeepSeek 的区块链技术应用于临床试验数据管理，能 够确保数据的不可篡改性和可追溯性。每一笔数据的录入、修改和 删除都被记录在区块链上，形成完整的数据历史记录。这不仅增强 了数据的安全性和透明度，还为监管审查提供了强有力的支持。 在实际操作中，DeepSeek 的应用可以显著缩短临床试验的时 间周期，降低研发成本。例如，通过自动化数据采集和处理，临床

的突发性大量同步与广播时，网络时常出现瞬间拥塞、缓存溢出与延 迟剧增等问题[7]。 与此同时，随着大模型参数规模和训练复杂度的持续增长，智算 中心对网络端口密度的需求正加速攀升。以 GPT-4 等万亿级模型为例， 其完整训练任务需部署约 25,000 张 H100 GPU 卡。假设每台服务器 需与 Top-of-Rack（ToR）交换机建立至少 2 条 400G 上行链路，并在 Leaf 层与 Spine 层交换节点之间形成全互联结构，则光是 互连模块或板卡，这对光器件的功率预算、热管理提出 了极高要求。此外，工艺制程的限制也是一大瓶颈。尽管硅光技术降 低了对先进半导体制程的依赖，但其集成度、良率和一致性仍需长期 优化。由此可见，光电协同架构在物理层面不仅面临信号完整性、动 态可重构性和能耗管理的综合挑战，还需解决制造与生态成熟度不足 的问题。 3. 智算中心光电协同交换网络协议栈技术 发展 在第 2 章中，本文已对智算中心网络在采用光电协同交换架构时 集合通信拓扑失配问题是光电协同网络面临的核心挑战之一。由 于光交换网络的稀疏连接特性，传统为全连通网络设计的集合通信算 法在光电协同环境中经常出现拓扑不匹配现象。例如，标准的 Ring AllReduce 算法假设所有节点能够形成完整的环形连接，但在光交换 网络中，由于物理光链路数量限制，仅有部分节点对能够建立直连光 链路，导致传统环形拓扑无法有效映射到实际物理连接上，从而产生 通信阻塞和性能严重下降。 强潮汐流量的调度