规范需求管理流程，加速团队协作优化迭代设计 5.1.2 五维架构协同设计，业务流程驱动敏捷开发 5.1.3 规范开发流程，智能 AI 辅助和低代码加速业务开发 5.1.4 构建三级测试流水线，持续提升测试效率和产品质量 5.1.5 资源申请和软件上线全流程自动化，实现一体化应用发布 应用一体化运维 5.2.1 全链路可观测，支撑故障快速发现 5.2.2 AI 模型结合混沌工程，实现故障智能定界 开放平台底座 开放平台底座 业务应用 Java、GO、JSON、XML、HTML、JavaScript 应用 一体化运维 应用 敏捷发布 CI/CD流水线 Jenkins、Argo CD 需求与 设计管理 协作开发 管理 自动化 流水线 全链路 可观测 故障 智能定界 故障 自动恢复 中间件层 数据层 基础设施层 软硬协同高性能 超大规模算力 多层冗余高可靠 纵深防御安全 求如下： (1) 敏捷开发需求 ① 需提供应用开发和管理工具集，支持可视化设计、一键部署，实现自动调度与智能监控，将开发周期 压减至周级。 ② 建立标准化流程，预设微服务规范与 CI/CD 流水线，规避人工操作的偏差。 ③ 设计、开发、部署全流程信息端到端管控，变更可动态感知和同步，确保应用全生命周期信息一致。 (2) 智能运维需求 ① 提供自动化运维工具，支持执行部署、配置、巡检等

Circuit）两类路线。 GPGPU 是一种突破性的异构芯片架构，其核心在于将 GPU 从专有图形处理器转化为 6 通用并行协处理器。这一技术通过重构 GPU 底层硬件资源流水线设计与调用逻辑，使原本 仅处理图形渲染流水线的数千个计算核心，能够高效执行科学计算、数据分析和机器学习等 非图形化任务，实现了对传统 CPU 计算体系的革命性扩展。ASIC 通过定制化硬件架构，将 计算任务固化于电 易用但深度受限于框架性能未能极致优化。 统一算子加速库关键技术主要包括高性能算子实现、跨架构算子自动优化和轻量级运行 时： （1）算子高性能实现：通过极致利用统一编程模型的编程优化技巧，最优内存布局选 择，极致分块策略和计算流水并行，线程特化和内存合并优化等编程优化技术，编写高性能 的算子实现。 （2）跨架构算子自动优化：通过扩展 Tile/Block 调度原语，为不同的异构 AI 芯片后 端提供独立的代价模型，在 Block 力等 7 大场景，形成多个 可量化指标，实现主流 AI 芯片的统一度量全面评测横向可比。 （2）自动化测试平台：提供可复用和可自定义的测试脚本用例库，可按需组装测试方 案，采用基于容器化调度与流水线编排，平台可一键拉起千卡级集群测试任务，支持多种国 内外主流 AI 芯片，极大提升测试效率。 （3）算力排行与推荐：以真实测试数据构建可滚动发布算力排行，可实时调用最新基 线数据，提供场景化

关键技能演变 ·设计并部署可扩展的AI环境 ·端到端AI生命周期管理 ·模型训练、验证与监控的自动化 ·AI工作负载与IT基础设施的整合 核心能力 ·高级云/计算资源管理能力 ·AI流水线自动化与协调能力 ·对AI平台技术的深度掌握 ·企业AI工作负载的性能优化能力 随着这些新兴岗位与职位持续重塑商业格局，企业必须为更深远的变革做好准备。在下一章中， 我们将探讨IDC对未来五年AI革命发展趋势的预测。 ·基础设施自动化（云环境与本地部署）能力 ·大规模智能系统的监控与可观测性管理能力 · ·设计并管理AI增强型操作系统 ·实现资源分配与系统性能的自动化 ·开发并维护用于持续交付的CI/CD流水线 ·为AI工作负载协同设计硬件/软件系统 ·操作系统工程：从静态操作系统架构向支持智能体与预测分析的AI增强型平台转型 ·资源管理：借助AI实现资源分配与系统优化的自动化 ·软硬件整合：与AI团队协作开展智能系统设计 ·智能监控：借助AI驱动分析实现预测性维护与性能优化 ·基于AI分析的性能调优与成本优化 ·自愈系统：AI自动检测并解决故障，减少停机时间 核心能力 ·云运营协调与自动化能力 ·AI/ML应用的CI/CD（持续集成/持续部署）流水线设计能力 ·AI驱动的监控与资源优化能力 ·多云环境下的安全与合规管理能力 ·利用AI工具实现自动化配置、扩展与监控的能力 ·面向AI就绪的云架构迁移策略制定能力 智 能 世 界 的 I

结构化数据 文本、 图片、 音频、 视频 … CRM 、 数据库、 ERP 、 资金 流水 … 荷源预测 ： AI 辅助预测 运行控制 ： AI 辅助智能调控 智能运检 ： AI 辅助设备诊断 学习能力：主动学习 • 典型应用场景：多步骤的技术故障排查、 高纬度模糊问 链式推理 无跨文档多实体关系推理能力 • 核心：关键词 / 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 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） • 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

千亿级 H100（万卡级） 5,000-10,000 10M-100M 万亿级+ H100/B100（数万卡） >20,000 100M-500M+ 大模型参数量达到万亿，迭代训练需使用数据并行、流水线并行、 张量并行和专家并行等技术。并行推理将每个模型层的计算任务拆分 到各个服务器中多卡 GPU 上执行。各 GPU 无法独立完成计算工作。 在训练的过程中需要进行频繁且复杂的通信。这就要求构建 可编程的网络控制能力，但将传统 SDN 架构直接应用于光电协同网 络时，面临显著的扩展性与时延瓶颈。集中式控制节点需要实时感知 全网拓扑状态、计算最优拓扑配置，并将新的路由结果下发至各个网 络设备。即便采用流水线化的计算与推送机制，整个流程的耗时依然 可能达到秒级，远无法满足光链路数十微秒至百纳秒级的拓扑更新需 求。随着网络规模的不断扩大，单一控制节点还会成为性能瓶颈，进 一步延长路由配置下发的时延。 别的重配置开销对于许多时延敏感的通信任务来说仍然过高。为了进 一步提升光电协同网络的性能上限，需要推动更加快速的光交换技术 发展，同时在系统层面通过预测性重配置、并行重配置和重配置与通 信的流水线处理等技术手段来掩盖和减少重配置延迟的影响。 标准与可交互性：实现通信模式动态重构需要对底层通信库进行 深度修改或开发全新的通信库实现。如何在提供先进的通信模式重构 能力的同时，保持与现有代码生态的良好兼容性，成为了技术落地过

检索增强生成（RAG）的基本流程 RAG 技术目前在多个领域都发挥了重要作用，如智能客服、医疗、金融和研发领域。在研发领域，如上图所示， 通过数据飞轮与 RAG 技术的结合，构建知识数据清洗、转化和评测流水线，可以支持各类研发作业，迭代优化高质量 领域知识，淘汰冷门知识，实现知识的 E2E 生命周期闭环，持续提升大模型推理的效果；通过为应用层抽象并统一多 种知识数据与存储，可以实现安全高效的访问，简化并提升 知识检索Agent 信息查询Agent 变更处理Agent 事件处理Agent Agent 平台 场景层 应用层 运维大模型 运维小模型 异常检测类 智能告警类 根因分析类 时序预测类 故障处理流水线 提前预防 故障发现 故障定界 故障恢复 日志/指标/调用链运维大模型 统一运维大模型 商业大模型 开源大模型 算法层 可观测数据统一存储分析底座 数据层 智能应用平台，应用智能化的技术底座 提高软件质量。引入测试驱动设计（TDD）与自动化测试，系统性提升代码健壮性，同时优化高可用架构实现 分钟级容灾能力，整体软件质量跃升约 40%。 3. 提升交付速率。依托 CI/CD 全链路集成与云端自动化流水线，结合敏捷发布模式，从月度升级至每周高频迭代， 交付效率提升约 3 倍，加速业务需求响应。 同济大学作为国内顶尖高校，以培养拔尖创新人才作为使命和责任。学校的教学管理系统需支撑超 5 万名在读学

CONTENTS 05 投资亮点  实业投资  互联网投资 投资亮点 实业投资 停车入口：十年特许经营权，以低获取 成本换来长期稳定收益 车位金融属性：收入逐年增加 互联网投资 用户流量及订单流水：百城百万级高频粘 性用户 高净值用户增值：覆盖城市 80% 以上高净 值车主用户 CONTENTS 06 财务分析  盈利预测  估值预期 盈利预测 • 公司给出近期 3 年收入和利润预测情况如下：

ABI应用的核心矛盾源于"数据-技术-业务 "三角失衡，数据治理滞后、算法黑箱与 行业适配断层是主要障碍 01BI受限，AI重构决策： ◆ 传统BI受限于封闭架构与技术壁垒，难以满 足实时动态决策需求 ◆ AI通过自动化数据流水线与智能算法重构 全链路效率，推动主动预测式决策 02ABI爆发增长，厂商驱动转型： ◆ 中国ABI市场呈现爆发式增长，未来将持 续高速扩张 ◆ 头部厂商正加速ABI的自动化、智能化、 普惠化，驱动企业决策机制深度转型 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。 ❑ AI赋能通过构建自动化数据流水线释放人力冗余，依托智能 算法提供动态预测与战略决策支持，不仅重构数据采集、处 理与分析的全链路效率，更推动决策机制从被动响应转向前 瞻预判，实现资源精准配置与业务流程深度优化，最终构建 起 动，而数据分析需跨源整合 信息，由此催生了联邦学习、 差分隐私、同态加密等技术。 ◼ 应用场景：1）多家医院可通 过联邦学习共建疾病预测模 型，无需共享患者原始数据。 2）金融机构利用同态加密分 析跨机构交易流水，识别洗 钱风险而不暴露敏感信息。 ◼ 核心驱动：企业对效率与精 度的双重需求驱动，传统人 工分析依赖专家经验且耗时 冗长，难以应对海量数据与 动态业务场景。 ◼ 应用场景：在销售预测中， AI自动关联历史订单、市场

满足客户个性化需求 • B2C 以生产企业为中心，旨在最终环节面向用户 • 大规模、标准化流水线生产 通过互联网直达客户 • 网店 / 平台，节约中间成本 • 消费者选择更多元，更便捷 • 基于消费者数据反推生产、采购和研发需求 u 传统模式的 B2C 以生产企业为中心，推行大规模、标准化流水线生产，经过研发、采购、生产、销售、服务等环节，只在终端环节面向用户，供应链缺乏协同，容易导致产

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 AI 完成，转而释放更多精力专注非标准化工作成为必然。典 型场景诸如：早期电商平台采用智能自动回答顾客问题；以特斯拉等工厂流水线借由机器人完成零部件组装。 而作为企业管理者，如何界定与划分人力资源业务场景中的标准工作与非标准工作，成为企业管理者，尤其是 人力资源管理者面临的新难题。 所谓标准工作，具有明确操作流程、固