来⸺石油石化行业数字化转型白皮书》应时而生。该白皮书从技术、 业务、组织三个维度表明石油石化行业数字化转型应以数据为核心，以 平台为抓手，全方位、全链条推进企业高效质量变革、效率变革、动力 变革，打造高效益的开发模式，其本质是以价值创造为目的，以提升效 率和效益为导向，用数字技术驱动业务变革的过程。 2022年，在全球绿色技术加速发展、碳捕获与封存（CCUS）等关键技 术不断成熟的背景下，我们共同发布了《绿色可持续 赖 历史经验导致机会成本巨大，炼化装置能效优化滞后加剧碳减排压力，供应链韧性不足放大市场 波动风险等。为此，构建覆盖石油石化全产业链的实时感知网络与智能决策体系，已成为突破运 营效能边界、实现本质安全与绿色低碳转型的核心路径。在此背景下，石化盈科与IDC携手提出 “新智运营”概念，引领石油石化运营变革，推动重构以数据×知识双轮驱动为核心的决策机 制，实现行业从经验依赖向模型驱动的根本性转 合多源数据与工业知识，系统构建数据×知识双轮驱动、协同高效的新型运营体系。该体系旨在 推动形成管理新模式、研发新范式、生产新方式与服贸新生态，持续为石油石化企业感知赋值、 认知赋智、应用赋能，最终实现创新引领、全链协同、本质安全、绿色低碳和全球卓越的高质量 发展目标。 �：新智运营相较于智能运营，更突出“新时代技术深度融合+全链数据×知识双轮驱动+体系化创新”，强调形成“新模式、新范式、新方式、新生态”的系统性

括人在内的世间万物将会被一张无形的大网连接在同一个 系统内，由此带来的改变是前所未有的，企业的数字化转 型唯有顺应变革的内在业务逻辑才能走的更远。 数字化时代的业务逻辑之变 商业模式逻辑之变 商业的本质一个公式便可说明：收入-成本=利润，而收 入来源与连接的数量有着非常重要的相关性，在传统商业 模式之下，受到连接数量的限制，单个连接贡献的收入 必须足够大，才能保证利润。而在数字化时代，连接数 物理世界对应的数字世界；并以数据为核心，人工智能 为手段，云化服务为形式，企业组织制度流程优化重构 和人才文化为保障，实现在数字化技术支撑下的组织业 务创新发展。 数字化转型内涵 数字化转型的本质 所谓转型是弥补现状与预期状态的差距，本质是借助数字化技术，促进企业与组织能够在变革的数字化世界中创造更大 的价值，实现更强健的生命力。 数字化转型和传统信息化的主要区别 信息化技术的革命，曾经给社会带来巨大的影

云团队撰写了这本《制造业数智化发展白皮书 2025》。这不仅 仅是一份行业报告，更是我们深耕制造业人力资源数智化领域多年的实践总结与思考结晶。 在本白皮书中，您将看到： 清晰的演进路径 - 我们从“数字化”与“数智化”的本质区别入手，帮助企业厘清转型的 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 定地基，“数智化升级”是构建智慧大厦，二者是递进且共生的关系，缺失任何一环，都无 法在新时代的人才竞争中占据高地。 1.1.1 正本清源：数字化——将传统世界“翻译”成数据语言 当我们谈论人力资源的“数字化”时，我们本质上在谈论一场 “业务流程的数据化映射”。 核心是“连接”与“记录”：它的首要任务是将所有与“人”相关的线下、分散、非标的行 为与流程，通过 IT 技术进行线上化、标准化和结构化。例如： 数据采 这种市场压力传导至内部，要求人力资源模式必须柔性化。传统基于固定岗位的“金字塔” 式组织已难以为继，取而代之的是基于任务的项目制、共享人才池与敏捷团队。 全球化竞争重塑人才争夺格局 在全球产业链重构的背景下，高端制造竞争本质是高端人才竞争。企业不仅面临国内同行 的竞争，更需在全球范围内吸引和保留精通 AI、物联网、数字孪生等技术的复合型人才。 人力资源部门需构建全球化招聘与薪酬体系，并借助 AI 技术提升人才甄别与吸引效率。

能否替代管理者 " 的伪命题，我们更应直面一个更具革命性的真相：当管理决策的底层逻辑与人工智能的核心 能力实现深度耦合，所有的管理问题都将被重新定义，而这场变革的深度和广度，将远超我们的想象。 管理的本质，是管理者在资源约束、市场波动、组织博弈等多维变量构成的超平面中寻找帕累托最优解的过程。 这个过程曾被认为是人类管理艺术的专属领域，直到大模型展现出比人类更强大的系统建模能力——它能同 时处理百 门精 密科学。 在易路构建的 AI 辅助决策矩阵中，我们验证了这种革命性转变的可行性。以新员工定岗定薪场景为例，传统 HR 需要平衡的 " 外部竞争力 " 与 " 内部公平性 " 双螺旋结构，本质上是一组包含行业薪酬分布、企业支付能力、 团队绩效方差、员工成长曲线等上百个参数的动态方程。我们的 AI 平台不仅能够接入 30 余个细分行业的薪酬 脉冲数据，更能通过组织网络分析（ONA）捕捉 400%，员工留存率提高 35%。 但这仅仅是 AI 重构企业管理的冰山一角。当我们把视角扩展到组织设计、战略规划、文化塑造等更宏观的领域， 会发现每个管理命题都是特定约束条件下的最优解方程：人才盘点本质是能力图谱与业务战略的傅里叶变换， 组织变革实质是科层结构与网络效应的拓扑转换，甚至企业文化建设也可解构为价值信号与行为模式的卷积神 经网络。这些曾经被视为 " 不可量化 " 的管理艺术，正在被

对模型部署和应用实施必要的治理措施 人工智能能力的快速 人工智能能力的快速发 发展，使得 展，使得这 这项 项技 技术 术逐 逐渐 渐融入到工作 融入到工作场 场所的方方面面。 所的方方面面。 本质上，它们帮助企业克服碎片化，为人工智能的使用和管理建立一个更智 能、更具凝聚力的基础。 正如API革命性地改变了应用程序之间的通信方式，人工智能编程平台也将 重新定义人工智能代理的交互方式——例如，一个分诊机器人可以将任务交 Source: Omdia 在当今瞬息万变的商业环境中， 在这个瞬息万变的时代，清晰的战略 和果敢的决断只是参与竞争的基本条件。要想真正领跑市场，您需要 的是能深度洞察行业趋势、精准把握客户需求、透彻理解商业本质的 战略伙伴。 作为全球领先的科技研究和咨询机构，Omdia始终坚持以客户洞察为 核心。我们通过专业的行业研究和数据分析，将市场洞见转化为可执 行的商业策略，助力客户在竞争中抢占先机。 专 专业

以"数据洞察自动化-决策反馈实时化-知识沉淀系统化"为方 法论，重构"采集-分析-决策"的传统链路，推动企业决策范 式从依赖历史经验的被动响应，转型为基于认知智能的前瞻 预判，实现商业价值链的深层重塑。 ❑ ABI应用的核心矛盾本质上是“数据-技术-业务”三角动态失 衡所致，其症结在于数据治理滞后、场景碎片化、算法黑箱 与行业适配断层四大维度，共同构筑了技术落地与价值转化 的系统性障碍。 ❑ 未来，在法律服务、媒体传播、旅游服务等知识密集型领域， 体验，最终实现人力操作向知识价值的转化升级，重新定义 数据驱动的商业文明形态。 18 www.leadleo.com 400-072-5588 中国：人工智能系列 白皮书｜2025/05 AI与BI的本质与区别 AI for BI模式更注重于利用AI技术来增强BI产品的能力，用于提升BI工具在 数据处理、分析、可视化等方面的效率和准确性，主要产品类型包括智 能问答式BI、对话式BI、AI增强式BI ◼ “AI + BI”的模式并未成为BI市场的主流趋势，相反“AI for BI”的理念逐渐崭露头角 在数据驱动的决策时代，人工智能（AI）与商业智能（BI）作为两大关键技术，展现 出截然不同的本质特征与发展轨迹。BI的核心旨在将数据转化为有价值的知识，为 企业的决策过程提供有力支持。它侧重于通过结构化的数据分析，展示业务背后的 洞察与趋势。相比之下，AI则致力于通过更加智能、先进的算法，追求结果的极致

个更为深刻且常被 忽视的洞见浮现出来：这并非一条单行道。正如工程需要 AI，人工智能的未来， 同样亟需工程智能为其开辟规模化之道路。 为何如此断言？因为当前的人工智能，尽管声势浩大、发展迅猛，本质上仍 是一种“先进技术”，距离成为真正的“生产力”尚有漫漫长路。纵观历史，无 论是蒸汽机还是电力，任何一项革命性技术，唯有在实现规模化应用后，才真正 转化为推动社会变革的生产力。一项技术若只能在实验室、在少数专家的手中、 可控与技术领先地位，增强国家在全球产业链中的话语权、影响力和安全性，对 于推动国家制造强国、科技强国战略目标的实现，具有不可替代的战略支撑作用。 1.2 工程智能的定义 科学与工程，两者在人类文明进程中相辅相成，却有着本质区别：科学以“认 识世界”为目标，致力于探索自然规律、构建理论体系，其方法论核心在于理论 工程智能白皮书 AI for Engineering White Paper ©同济大学工程智能研究院版权所有。如需引用，请注明出处。 标准和实践经验。例如，土木工程中结构力学的承载计算逻辑、机械制造中公差 配合的精度控制规范、航空航天中气动布局的仿真验证流程，均需深度专业知识 支撑，而人工智能模型若脱离这些领域知识，仅依赖数据驱动，极易产生“表面 拟合”而非“本质理解”的问题。 从数据层面看，工程数据的专业性特征显著：设计图纸包含二维/三维几何 约束与工程语义，仿真数据关联多物理场耦合规律，运维数据嵌入设备运行的隐 性故障特征，这些数据的解读需结合领域

清华大学五道口金融学院金融安全研究中心研究专员 丁浩洋 清华大学五道口金融学院技术转移专业硕士研究生 刘铠硕 华中科技大学金融学专业 张琪瑞 中央财经大学金融学专业 1 序言一：构建面向未来的可信数据生态 金融的本质是服务实体经济，而信息是现代金融市场的基石。在可持续发展 成为全球共识的背景下，ESG信息正以前所未有的速度成为影响资产定价、资产 配置与风险管理的核心因子。ESG数据资产化的提出，标志着我们将非财务信息 风险敞口，提前预警行业风险；微观层面可精准识别企业 ESG 违规行 为，实现 “穿透式监管”。同时，这些数据还能为产业政策制定提供数据支撑， 推动政策从 “普惠式” 向 “精准化” 转变。 7 ESG 数据资产化本质上是打通绿色金融 “最后一公里” 的关键节点 —— 它解决了绿色金融领域 “价值难衡量、风险难评估、流通难实现” 的核心痛点 ，同时也是数据要素与实体经济深度融合的重要实践：通过将 ESG 数据转化为

意义的判决，明确数据处理者投入智力劳动形成的数据产品的合 法权益与市场价值，为数据要素市场化配置提供清晰规则指引。 三是树立穿透思维，把握新业态模式本质。树立“穿透式、实质 化”的审判思维，针对智能制造领域高度复合的商业模式，应穿 透表象直击本质，准确界定各方在新业态中的角色定位与权利义 务，避免因沿用传统、形式化的审判思维而导致裁判结果偏离产 22 业实际。 （二）深化专业审判，以过硬司法能力应对产业技术挑战

传输带宽，并将延迟降低至纳秒级，能够更好的契合 AI 模型训练的 需求。另外，由于消除了电气走线带来的巨大能量损耗，OIO 将带 来颠覆性的能效提升。 2.3 光交换 2.3.1 光线路交换 OCS 的本质是通过光学器件直接操控光信号的传输路径，实现 输入端口到输出端口的连接。与需要光电转换的传统电交换不同， OCS 全程在光域操作，因此具有协议透明性、超低延迟、高能效等 优势。但 OCS 也存 OCS 替 代原有的 Super Spine。OCS 替代 Super Spine 并非单一设备升级， 而是移动云算网架构从“电为主、光为辅”向“全光原生”的范式 云智算光互连发展报告 转变，本质是通过算网底层的全光重构，破解大规模 AI 算力集群的 带宽瓶颈、延迟损耗与扩展桎梏，为“N+X”智算节点的弹性组网提 供核心支撑。这一升级并非简单的硬件替换，而是覆盖数据、控制、 管理多平面