Transformer 基础大 模型为核心，构建起的 GT（GPU+Transformer）技术路线正 在成为全球主流的数据技术生态。DeepSeek 采用的 MOE 等 技术创新和模型开源策略，正在构建起以开源为主要特征的 新型技术生态。数智企业生态主要指以大型龙头企业为牵引， 全面赋能中小企业，而形成的一种数智企业协同发展体系。 数智产业生态是指充分发挥不同地区的资源禀赋优势，形成 的 技术路线推出 ChatGPT 而一夜成名，更由于很快推出文生视 频 Sora 而进一步巩固了在人工智能产业的领先地位。我国 Deepseek 公司由于创新了 MOE、数据蒸馏等数智技术，并 采用了模型开源等商业模式，实现了人工智能大模型的“算 力平权”和“模型平权”，一跃成为全球领先的人工智能企 业。反观长达 10 多年引领全球人工智能技术发展的谷歌则 33 顷刻间让出了全球老大地位，并且差距被迅速拉大。 I 公 司还通过不断迭代的大模型技术，彻底改变了原先由谷歌、 亚马逊和 IBM 引领数智产业发展的格局，形成了新的全球数 据企业生态和数智产业生态。当前，DeepSeek 的技术创新和 模型开源，正在颠覆 OpenAI 构建起的数智企业生态，重新 构建新的数智产业生态。 图 22：数智生态多维构建并融合发展 6.数据动态安全和全过程可信安全 区别于传统网络安全和信息安全的一个鲜明特色，数据

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 软件开源 软硬系统自主化 人工智能垂直化 垂直系统平台化 大模型 命运 共同体 人 机器 人机协作 软件链接 应用 资源，实现社会效益最大化。 1.2 数字基础设施逐渐成为国际竞争制高点 随着数字化转型步入深水期，模型库、案例库、知识库、工具库、大型开源平台等数字基础设施正在成为智能时 代的关键战略资源。数字基础设施不仅是技术创新与产业升级的“数字公地 1”，更成为各国争夺未来竞争力的关键抓 手。硬件开放与软件开源的协同演进，通过降低技术准入门槛、激发市场创新活力，推动数字基础设施从“封闭体系” 向“开放生态”加速转型。 要素。数据联接不仅加速了应用全生命周期智 能化的进程，更实现了跨领域的数据融合、分析及应用。硬件开放、软件开源、系统互通、数据共享将构建新的数字 化应用生态。硬件开放将促进数据源的多样性、开放性、统一性及互联性，支持更广泛的数据收集和共享，为构建开 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

...............................................................................................13 开源方案概览 .............................................................................................. 化调度。在软件系统的不同层级，从底 层架构设计到上层应用实现，均有丰富的开源和商用解决方案可供选择，为控制器厂商提供了灵活的技术路径。 厂商可以根据自身的研发能力、产品定位和市场策略，在架构设计、商用软件集成、开源方案定制等不同层级进行差异化选 择：选择成熟的商用方案可以获得专业的技术支持和更快的产品上市速度；采用开源方案则能够实现更深度的自主化控制和 更优的开发成本。无论选择哪种路径，关键在于构建能够有效整合实时控制、AI 是否满足用户需求的考量因素。 • 二次开发及技术支持需求：用户根据已有负载整合解决方案是否满足需求以及自身是否具备二次开发能力对市面上的产 品进行选择。若目前市面上产品没有完全符合需求且具备二次开发能力的用户，可尝试选择开源方案；若不具备二次开 发能力，则要考虑具有本地技术支持的商用方案，可快速响应用户的需求。 13 Kithara RealTime Suite Kithara 实时工具套件是德国 Kithara

(Generative AI) --代 理式AI (Agentic AI) -- 物理AI (Physical AI) ”的路 线。当前中国AI大模型发展正由“暴力美学”转向 “成本效益革命”，由此带来了“基础模型开源化 +垂直领域私有化定制”加速AI普惠化、生成式AI 加速渗透至千行百业等趋势。 从治理环境来看，中国内地在AI领域已形成以政策 战略、专项法规、标准建设和技术赋能为核心的多 维度治理体系，港澳AI治理体系则注重国际化和本 独立成员所全球组织中的成员。版权所有，不得转载。在中国印刷。 7 人工智能就绪度白皮书 大模型发展由“暴力美学”转向“成本效益革命”。2025年以来，DeepSeek凭借 “低成本、高性能、开源共享”的技术路线轰动全球，其在硬件条件有限的情况下， 通过混合专家架构（MoE）和强化学习等技术，实现了训练效率的大幅提升和算力 成本的有效缩减。这不仅引发了科技界对于Scaling Law是否依然有效的质疑，更 8 人工智能就绪度白皮书 “基础模型开源化+垂直领域私有化定制”加速AI普惠 化。科技界的开闭源之争由来已久，而近年来国内各 类开源社区、开源基金会的设立，极大促进了开源生 态的壮大。根据工信部信息，2025年中国已成为全球 开源参与者数量排名第二、增长速度最快的国家1。根 据国际大模型评测榜单LiveBench，全球排名前十的 模型仅两款开源且均来自中国，分别是QwQ-32B和

专注于整合AI能力、管理AI辅助编码工 具。这种全方位的AI融合要求从业者掌握新型复合技能⸺既要具备专业技术能力，又需通晓AI知 识，还要具备管理人机协作的能力。此外，各领域技术人员还应密切关注开源生态在AI时代带来 的新机遇。 IDC认为，组织应通过主动应对技能缺口、革新学习战略并培育“持续适应文化”的组织来释放AI 的潜力，将技术专长与创造力、同理心、伦理判断力等以人为本的技能相结合，以此应对智能时 驱动型组织的出现，标志着企业正从“渐进式应用AI”全面转向“以AI重塑商业模式”⸺将AI 深度融入企业创造价值、提供服务及构建工作体系的核心环节。但这场AI驱动的革命也带来了前 所未有的挑战：企业必须搭建稳健且可扩展的技术栈，拥抱开源生态系统，并紧急填补长期存在 的人才缺口，尤其是在AI、网络安全、数据科学及云计算等关键领域。 在此背景下，企业必须提升自身能力，以吸引人才、培养人才，并赋能员工掌握先进的ICT与AI适 配技 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 开源AI生态系统正在重塑各类组织获取、定制和部署AI的规则。曾经，AI是资金雄厚的科技巨头 专属领域，如今却已触手可及，无论组织规模大小均可使用。TensorFlow、PyTorch、Llama�

机遇，共同为用户带来更美好的全场景智慧生活！ 2. 共建万物智联的开源鸿蒙数字底座 2020 年，华为将 HarmonyOS 的基础能力捐赠给开放原子开源基金会，形成了 OpenHarmony 开源项目。之后由开放原子开源基金会及数十个成员单位共同孵化和发展。 自开源以来，OpenHarmony 已经成为智能终端领域发展速度最快的开源操作系统。截至 2024 年 5 月，已吸引超过 300 家合作伙伴加入共建，7500 式，共建共享 OpenHarmony 技术与人才生态。随着 OpenHarmony 的进一步发展壮大，将会给千行百业相关产业链以及应用软件 产业带来巨大的机遇。 作为 OpenHarmony 开源项目的坚定支持者和长期贡献者，我们期待着更多共建伙伴的加入，凝 聚产、学、研、用各界的智慧，共同打造一个根深叶茂的操作系统基础和生态系统，为千行百业提供万 物智联的数字底座。 让我们以创新引领未来，携手共筑一个万物智联的鸿蒙世界！

型层-应用层” 的转化过程中，基于基础模型二次开发产生的专用模型、算法改 进等衍生创新成果的归属，若无明确约定，极易引发纠纷，影响 产学研合作与技术转化。三是开源技术的法律风险需要关注。企 业在研发中普遍使用开源算法，但部分开源许可证带有强制性的 “代码共享”义务和要求，可能导致企业被迫公开其作为核心商 业秘密的自研算法代码，存在商业秘密泄露的风险。 3．司法对策 （1）创新裁判规则，破解人工智能“算法黑箱”归因困境。 发产生的衍生人工智能成果的归属纠纷，尊重当事人在“模型- 应用转换协议”（MCP）等合同中的约定；约定不明的，可综合 考量各方在数据、技术、资本等方面的贡献程度，合理地确定权 益归属。对于开源软件许可协议引发的纠纷，遵循诚信原则准确 解释协议条款，最大限度还原双方订立合同的真实意图，帮助企 业识别并规避法律风险。对于涉及人工智能核心算法的专利和著 作权案件，平衡技术发展与权利保护的关系，审慎探索其保护边 进行明确约定，事后更易因权益不清而产生纠纷，影响创新成果 的转化与应用。二是开放共享与专有技术保护存在矛盾。产业生 态在鼓励“开放共享”的同时，也增加了知识产权被侵犯的风险。 企业如何在开放核心接口、参与开源社区的同时，有效保护自身 的专有技术，并防范因使用第三方技术而无意中侵犯他人知识产 权，形成了一个开放与保护之间的治理难题。 3．司法对策 （1）完善事实查明与法律适用，厘定多元主体责任。充分

基座模型的厂商，必须采取 “开源+闭源”双轨策略，并依靠性能、性价比、或行业适配性（如百度）等差异化优势来锁定客 户；另一类是不具备基座模型能力的厂商，则必须通过打造丰富的“模型超市”和完善的低门槛 工具链（如数据处理、知识库等）来构建生态，服务客户。 MaaS未来将成为调动I+P+S营收的核心入口，成为各大云厂的战略必争之地。 • 丰富模型超市（至少做到头部开源适配）。 • 丰富且低门槛的开发工具链（数据处理、 丰富且低门槛的开发工具链（数据处理、 模型训推、知识库微调和业务环节部署）。 • 丰富的行业能力模块（如基因组数据库、 机器人训练场等） • 开源+闭源双轨策略。闭源保持性能优势绑定 客户到PaaS平台，开源吸引生态建设。 • 三者至少做到其一，越多越好：性能领先 （阿里）、性价比领先（豆包）、行业适配 性领先（百度）。 做好MaaS的两条路径 具备卷基模资本 不具备基模能力 过去：企业部署AI购买GPU、准备数据、组

的数据保护 1 可信环境 - 机密计算 97 1.1 安全能力概述 97 1.2 阿里云机密计算产品 98 2 可信服务 - 公开审计 100 2.1 基准值发布 100 2.2 开源审计 101 2.3 可重构建 101 3 可信架构 - 阿里云百炼落地 102 3.1 数据全生命周期加密 102 3.2 可扩展与高可用设计 103 3.3 隐私与功能权衡 资源复用，与 ECS GPU 实 例的深度优化形成“云 + AI”一体化降本闭环，模型训练综合成本降幅最高达 85%。 ● 商业模式创新加速 AI 技术普惠化。通义千问模型价格持续下降，配合多款开源模 型构建开放生态。阿里云百炼平台集成上百款大模型 API，支持 serverless 化计费模式， 实现一键开通、按需分配。这套体系已支撑电商、自动驾驶等场景实现万亿参数模型 的高效部署，使中小企业能够以更低门槛获取顶尖 洗和标注管理，落实预训练语料安全管理。 （1）数据源筛选：严格落实 GB/T 45652 对训练数据来源审核、来源配比、公网数 据采集要求、合作数据审核开展对照执行。一是来源审核，优选具备明确开源许可的 数据集，不采集已明确不允许采集的数据。商业采购时要求有完备的法律文件支持， 比如交易合同及协议等；二是合理搭配多源数据组合，以保障数据多样性；三是建立 有害数据源筛选过滤机制，及时动态增补潜在有害站点。

1：您的物联 联网部署策略中包含哪些服 网部署策略中包含哪些服务 务？ ？ Source: Omdia 更小的AI模型可能将开启AIo 更小的AI模型可能将开启AIoTT时 时代 代 更小、更具成本效益的开源模型正推动AI创新，尤其惠及智能手机、个人电 脑、机器人及物联网设备等边缘设备。 这些紧凑型模型可本地部署，因此对重视数据隐私的组织以及开发需要超低 延迟的边缘AI应用的供应商极具吸引力。 仍存 理。员工和客户需要确信人工智能将提升体验，而非取代它们。 3.系 系统 统与流程： 与流程：在人工智能行业快速创新的阶段后，部署选项已呈现显著 差异；企业可选择专有系统（如Salesforce、Oracle）、API或开源解决 方案（如TensorFlow、Hugging Face）。每种方法在灵活性、成本和维 护方面均存在权衡。 要成功应用人工智能，企业必须吸取过去技术部署的经验教训，解决基础性 挑战，并采取战略