本白皮书旨在为企业智能化转型提供系统性参考，通过解析智能应用的核心特征、构建分级成熟度模型、设计分步 实施路径，我们希望为不同数字化基础的企业厘清转型逻辑。在技术快速迭代的背景下，期待与产业界共同探索最佳实 践，务实推进应用智能化落地进程。 ——《应用全生命周期智能化白皮书》编写组 前言 迈向 AI-Native 时代：智能体驱动的应用现代化新范式 近两年来，随着 ChatGPT、DeepSeek 2 应用智能化的关键考量点 5.2.1 战略与业务价值对齐 5.2.2 用户体验重构 5.2.3 组织流程适配 5.2.4 渐进式演进策略 5.2.5 法律法规与伦理合规 6 应用智能化最佳实践案例 6.1 华为流程 IT 智能化应用升级 6.2 某智慧家庭解决方案提供商提升运维管理效率，实现资源优化 6.3 社区平台基于华为云打造训推一体化平台 6.4 CodeGenie: 聚焦鸿蒙应用开发场景的智能化研发助手 预测模型对未来态势进行精准预判，确保应用对环境变化作出及时优化响应。典型应用包括：智慧园区系统根 据人流密度预测能耗需求并结合天气预报提前启动供能装置，以平抑用能峰值；智能工厂通过传感器监测设备 运行状态并运用高级预测模型提前识别最佳维护窗口，避免设备突发故障停机。 随着感知硬件迭代、边缘计算与云端服务协同增强以及大模型技术加速演进，环境认知将在未来发挥更关键作 用。多模态感知与数字孪生的精细映射，使物理与数字世界无缝融合；

该地区高校与科技合作伙伴构建网络，让学生接触生物医学、能源与云计算领域的创新。合作围 绕“黑客马拉松”、行业实习以及与研究枢纽的直接对接展开。学生能参与AI、数据科学项目与生 物医学应用，其产业合作模式借鉴了全球人才培养的最佳实践。 代表性高校： 悉尼大学、墨尔本大学 智 能 世 界 的 I C T 岗 位 与 技 能 49 欧洲 欧洲高校在公共政策与研究资金支持下，平衡了本地与全球ICT合作关系。AI实验室、深度学习项 ·将AI、数据科学及云基础设施相关内容融入本科与研究生阶段课程体系。 ·纳入贴合当前行业实践的应用型实操项目，让学生在学习中积累实战经验。 ·确保学生进入职场前，不仅掌握技术能力，还能熟知行业最佳实践。 产业合作 ·与科技企业建立深度合作关系，共同设计应用型学习方案，实现教学与产业需求的精准衔接。 ·通过实习、真实案例分析及与企业联合开展项目等方式，为学生提供接触职场的机会。 ·结合 管理GPU集群和高性能计算资 源。 确保AI环境的安全性、合规性 和数据隐私。 开发和维护用于部署和管理任 务的自动化脚本。 集成监控、日志记录和告警解 决方案以保障系统健康。 持续跟踪AI基础设施发展趋势 并倡导最佳实践。 职位描述 AI基础设施工程师负责设计、构建和维护为大规模人工智能和机器学习 工作负载提供支持的基础系统。该岗位将云架构、自动化和高性能计算 方面的深厚专业知识，与对人工智能模型需求和数据流的深刻理解相结

连通性、SLA（服务等级协议）达标情况，并检测机房是否存在潜在的网络抖动或服务中断风险，确保长期稳定运行。 o 运营商网络质量分析 23 由于不同国家和地区的运营商网络质量参差不齐，企业需要确定最佳的互联网接入方案。ThousandEyes 能够追踪不同 运营商的带宽利用率、BGP 路由健康度、网络拥塞情况，以及动态路径调整情况，帮助企业选择最优的网络服务商， 避免因运营商问题导致业务受损。 Experience Monitoring ThousandEyes Splunk Mobile Wireless (4G/5G) Network / Application Monitoring • 选择最佳站点和线路服务 • 网络/应用性能监测 • 全局可视化溯源 • 承接分析任何结构数据源 30 场景方案：零信任安全防护 安全对于企业至关重要，特别是对于业务规模庞大的 融合：需要确保生产工艺和流程的稳定性，实现全过程的质量监测和数据采集。 • 安全准入要求高 37 解决方案： 采纳了思科的 IOT 融合网络解决方案，具体措施包括： • 基于最佳实践的网络架构：部署了 Catalyst 系列的有线和无线网络设备，以及 IE 系列工业交换机，方案经过 广泛验证， 是行业认可的成熟可靠架构，且实施经验丰富，确保了工厂网络的迅速建设和安全可靠性。

融合驱动的算网智一体化解决方案白皮书 智能驱动中枢与模型服务基座：作为系统的“智慧大脑”，智能驱动中枢层深度融合大模型与行业 知识，通过模型边缘适配技术解决通用大模型在边缘环境下的部署难题，依托硬件协同优化实现性 能与能效的最佳平衡；基于参数化调节机制动态优化推理过程，确保服务质量与资源消耗的精准控制； 通过智能体支撑框架构建多智能体协同体系，实现复杂任务的自动分解与执行；借助 MCP Server 与网络模型上下文协 活选择，针对工业质检、设备预测性维护 等高价值场景，可部署参数量精简、任务针对性强的专用模型。这种选型策略能够在保证识别精度 的同时，大幅降低对边缘硬件算力与内存的需求，帮助企业实现精度与成本的最佳平衡。 通过提供模型剪枝、知识蒸馏、低比特量化等系列轻量化工具，有效解决大模型边缘部署难题。这 些工具能够将大型模型高效转化为适于边缘部署的紧凑版本，显著减少模型对存储和内存的占用， 使模型能够在主流边缘算力平台上流畅运行。 等多种计算精度的动态选择与批处理大小的 灵活配置，使企业能够在推理速度与计算精度之间实现最佳权衡。结合自适应推理框架，还能根据 11 算网智的关键能力特性 面向 5G-A 与 AI 融合驱动的算网智一体化解决方案白皮书 实时系统负载与业务优先级，动态选择最优模型规模或调整计算路径，确保在资源波动环境下始终 维持服务质量与稳定性的最佳平衡。 3.3.1.3 智能体使能与标准化推理服务 为降低企业构建智

支持更高且稳定的 CPU 频率，以满 足高计算需求。 软件方案  Linux 实时操作系统 (RTOS)，用于 支持在 IA 平台上运行控制程序。 英特尔® 边缘控制软件平台 (ECI) 最佳参考配置  提供 Rtmotion 与软 PLC 集成的示 例代码，便于控制概念验证 (PoC) 的简易设置。  Core Boost 指南，介绍如何稳定提 高单个 CPU 核心的性能。 用于实时配置检查和性 能测试。 工具  Linux 实时操作系统  优化的 EtherCAT 主站  Intel TSN 软件开发工具 英特尔®® 边缘控制软件平台 (ECI) 最佳参考配置 参考代码  针对每一代处理器的实时调优指南。 硬件优势 软件方案 06 Intel® VMX (Intel® Virtual Machine Extensions) 技术 序，支持基于虚拟化的工作负载整合。  在虚拟 PLC (vPLC) 场景中，exCAT 用于为与 K8S 集群协同工作的负载启 用缓存分配技术 (CAT)。 英特尔®® 边缘控制软件平台 (ECI) 最佳参考配置 参考代码  在 ACRN 上的工作负载分配指南。 软件方案 硬件优势 07 SR-IOV (Single Root I/O Virtualization) 技术 Intel®

这是一项全面且成熟的云迁移计划，集工具、 培训与专业服务于一体，助您降低成本并加速 转型。 亚马逊云科技优化与许可评估 (OLA): 评估并优化资源使用、第三方许可及应用程序 依赖关系，从而找到云迁移和降本增效的最佳 路径。 在规划迁移及转型路线图时，还需考虑亚马逊云科技解决方案及赋能服务在迁移中的价值： 价值支柱 2 最大程度提升生产力 IDC，《Amazon Aurora 的商业价值》，2025年 CloudFormation 和 Amazon Service Catalog 等工具实现容易出错的 人工流程自动化，支持经验证配置的高 度可重复部署。 安全： 通过自动化流程、工具以及对全球 基础设施持续应用的最佳防护措施， 降低包括拒绝服务攻击在内的安全 风险。 软件： 利用 Amazon CodeDeploy、Amazon CodePipeline 及亚马逊云科技托管服 务等工具，降低可能导致系统中断的

的路径编排能力，能够为每个终端做出最佳的接入 点选择，动态安排边缘算力跟随，快速解析数据流，并为其中最关键任务提供超低时延，超高可靠 性的空口保障。具备了高效编排能力之后，也就具备了智能数据互通的基础。 接下来，TDS 将持续跟踪，感知每个终端的变化，并维护复杂多变的智能群组子网拓扑。在动态多 变的拓扑中，始终维持着每一条业务路径的传输质量，使其保持最佳的业务体验，与此同时，持续 面对终 通， 彼此交互任务信息，完成初步的任务协同。 不同域内的 TDS 智能体需要各自生成本域内的任务蓝图规划，并与其他域的任务蓝图进行蓝图共享， 蓝图合并，蓝图推演，最终，基于蓝图生成跨网、跨域的最佳互联互通方案。 其次，TDS 体系需要引入更强的用户面代理网关功能。不同域内的 TDS 智能体完成了任务蓝图编排， 并结合当前的时间、地点，完成当前子任务的编排，并将子任务下发到用户面代理网关来执行。

大模型能够整合海量设计标准、材料特性 和历史案例数据，快速生成多种设计初稿，并依据性能、成本等参数自动优化，大幅缩短 研发周期。例如，在装备设计中，AI 能精准计算部件受力、散热等关键数据，助力工程 师快速筛选最佳方案。 2.2.2 生产制造：从“自动化”到“自主化” 成熟度：快速提升，是当前投入最集中、见效最显著的领域。 2175 云，人力资源数智化解决方案 第 18 页 共 37 页 智能排产： 工艺参数优化：生产过程会产生大量过程数据（如温度、压力、流量、pH 值）。通过机 器学习模型，寻找关键质量指标（如产品纯度、收率）与上百个过程参数之间的复杂非线 性关系，推荐最优的工艺参数设定，使生产始终处于最佳状态。 能耗管理：化工是能耗大户。通过数据分析和 AI，建立能耗模型，优化锅炉、空压机等 公用工程的运行效率，并在不同电价时段进行生产调度，降低总体能耗成本。 安全生产监控：利用计算机视觉模型 与职级体系，建立持续学习与技能重塑机制。 第六步：迭代推广，生态共赢。 行动：将标杆项目的成功经验复制到其他业务单元。积极与技术伙伴、行业伙伴合作，共建 生态，汲取外部创新养分。 人力资源角色：设计知识管理体系，促进最佳实践的沉淀与传播。推动与生态伙伴的人才交 流与合作。 2175 云，人力资源数智化解决方案 第 35 页 共 37 页 第六章：2175 云：赋能制造业数智化新未来 在制造业波澜壮阔的数智化征程中，2175

人力资源产品借助 AI 能力开始探 测心理需求、参与激励方案设计等研究。人机配合的新兴用工模式由此兴起。与此同时，如何寻求更科学合理 的人机配备比例，从而实现 AI 投入成本最小、HR 业务效率最佳，也成当前研究重点之一…… 10 AI 在企业人力资源中的应用白皮书 2.0 CHAPTER 1 1.2 HRVP 的新难题：如何界定标准工作与非标准工作？ AI 发展日益成熟的背景下，越来越多标准工作由 ， 做出合理排班规划，满足业务需求，不再需要耗费大量人力进行，是成本和效率的双赢； 兼顾灵活性、公平性与合规性。面对突发情况，例如员工临时请假或需求变化，易路 AI 排班能够在最短时间 内给出最佳应对方案，保持业务运行的连续性；此外，AI 会更加客观、严谨的遵循公平原则、合规原则，避免 了人为的偏见。 AI 考勤排班方案示例 AI 排班，全力释放业务价值 企业考勤排班中应用 AI 实现的主要功能 产品成熟度不够、技术成本高以及业务融合度低是本次受 访企业中认为推进 AI 在人力资源应用的 3 大主要难点与挑战，分别占比为 21.6%、18.8%、17.4%。 但在积极拥抱 AI 赋能的主流趋势下，报告研究同时也发现：行业最佳实践、供应商专业指导以及企业内部 培训与能力建设，是当前阶段能纾解 HR 推进 AI 应用落地难的主要”外力“，在本次受访企业中的占比分别为 25.1%、24.7%、22.1%。毫无疑问，在这场

对既有框架进行适配时，因其进度不同具有代际差，使得在多种硬件架构上运行相同的计算 实例时，所依赖的软件环境存在不一致性。 （3）异构算力基于现有调度机制协同“效率低”，因其算存传均有差异导致无法从应 用层映射到最佳硬件：针对传统训练框架，并行策略是按照其算力芯片数量进行平均划分， 7 但其在异构算力下平均分配因其计算能力、传输能力差异性造成模型计算量处理不同步、集 合通信数据传输有堵点，“快等慢”造成部 Recompute、Async Offload 以及异构 TP（不同流水 Stage 采用不同的 TP 策略）等技术，在流水调度层面取长 补短、深度调优，设计异构并行自动寻优机制实现多种拆分策略的最佳组合。 基于上述方案，壁仞科技联合上海人工智能实验室开展四种国产 GPU 千卡规模混合训 练，混训效率达 98.5%，实现千亿参数大模型长时间高效稳定训练，实现了国产芯片+国产 异构通信库+国 以内短输入/2K 以上长输出）、内容分析总结（2K 以上长输入/1K 以内短输出）等 场景下不同异构算力组合的时延、吞吐量两个关键性能指标和成本效能优化情况，基于实测 吞吐动态调整 PD 两阶段资源最佳配比，交叉混合推理吞吐性能最高提升 72%，成本最大降 低 42%，盘活异构国产算力，实现“利旧降本”，为后续推进异构芯片混合部署和规模化 应用提供了技术验证。 25 第五章 未来技术展望