上下游产品和技术，将物理世 界全方位的数字化，实现一个真实的可以实时感知和管理的数字孪生世界。 为促进生态合作、行业交流、创新发展等工作上的融合共生，由联盟理事长单位杭州 易知微科技公司牵头，结合联盟内各成员单位的行业实践，于 2022 年 5 月首次编制数字 孪生世界白皮书（案例实践篇），于 2023 年 4 月编制数字孪生世界白皮书（技术实践篇）， 于 2025 年 4 月编制数字孪生世界白皮书（智能算法篇）。 心趋势；技术架构对比分析 B/S 与 C/S 体系优劣势，结合案例提出建设参考；核心技术提 出七大能力体系，包括感知、数据治理、仿真推演等，支撑城市、工厂等场景深度应用； 通过技术成果展示物联网、AI、GIS 等技术聚合创新，如易知微的渲染引擎、数字人插件 等实践突破；五、行业应用聚焦园区、港口、水利等五大场景，结合政策与市场需求推动 技术落地。全文通过理论剖析与实践案例结合，为数字孪生技术跨领域融合及产业化发展 定律提 供可解释性强的基线预测，而智能算法（如 LSTM、随机森林、强化学习）通过海量数据 捕捉非线性关系，修正残差、优化参数，显著提升系统精度与响应速度。例如，某水利项 目中，LSTM 网络结合水文数据将水质预测误差降至 3%以下；在工业场景中，自编码器 驱动的设备故障预警系统减少非计划停机 30%。 智能算法的融合应用还体现在多源异构数据的实时处理与动态适应上。通过集成传感 器数据

业对数据驱动决策的依赖日益加深， 传统商业智能（BI）工具已难以满足企 业日益复杂的决策需求，其局限性日 益凸显。在此背景下，人工智能（AI） 与BI的融合成为发展趋势，人工智能与 行业智能（ABI）通过结合AI的自动化、 智能化能力与BI的数据分析能力，推动 商业智能向智能化引擎升级。 ◼ 研究目标 • 了解ABI的发展现状与代表产品 • 探析ABI当下的应用场景 • 挖掘ABI的行业实践与机遇 图像分析：比如从广告图片或产品照片中提取品牌信息。 • 库外数据：通过网络搜索或知识库，补充数据库外的背景资料。 应用效果 • 例如，老板问“为什么这个月销量下降”，传统BI只给数字（下降10%），而AI能结合新闻说“可能因为竞 争对手推出新品”等。 • 分析更贴近现实需求，符合“老板的思维和进度” 当前状态 • 大模型可以用RAG技术进行知识增强 AI大模型 文本数据 图像数据 库外数据 ◼ 自然语言生成（NLG）：把分析结果变成文字报告，比如“销量下降因促销减少，建议下月加大广告”。 • 用户意图理解：通过对话，AI推测老板关心什么（比如不是单纯要数据，而是想知道对策）。 • 可视化增强：结合图表和文字，动态调整呈现方式。 应用效果 • 老板看报告不再是冷冰冰的数字，而是“为什么”和“怎么办”的完整故事。 • AI能够“以用户更容易理解的方式呈现痛点”，AI能直接说“你的痛点是库存积压，建议促销清仓”。

尺度、更高精度的天气预测。普林斯顿等离 子物理实验室利用强化学习优化等离子体控 制，解决撕裂不稳定性问题，加速核聚变能 源的实现 5。加州大学伯克利分校和劳伦斯 伯克利国家实验室利用机器人执行实验，机 器学习规划实验并结合主动学习优化实验过 程，研发用于无机粉末固态合成的自动实验 室 A-Lab，显著提高了材料合成效率 6。 2.2 前沿科学问题与突破路径 2.2.1 如何构建跨尺度的科学智能模型 科学研究涉及从原子尺度到宏观系统的 新的领域或任务，限制了其在实际科学问题 中的应用。 为了解决这一挑战，可以从以下几个方 面寻找突破路径： 利用生成式模型生成高质量科学数据， 补充数据稀缺领域的样本多样性。通过预训 练跨领域基础模型，结合小样本学习技术， 快速适应新任务或学科场景 2.2.3 如何利用 AI 拓展科学发现的创新 边界 AI 目前仍局限于已有知识的重组与推 理，主要通过对已有数据的模式识别和重组 来生成结果，而缺乏真正的创造性思维。科 选假设。例如，在纯数学领域，机器学习可 以辅助数学家发现新的猜想和定理 5。科学 研究依赖于实验评估理论。传统的实验设计 和优化方法依赖人工经验和反复试错，成本 高且效率低，如材料合成以及核聚变。人工 智能与机器人技术结合可以实现实验的自动 化设计与执行，并根据实时数据调整实验参 数，优化实验流程和候选对象。 总之，人工智能可以有效整合不同学科 的数据和知识，打破学科壁垒，促进多学科 深度融合，解决学科的挑战性问题。跨学科

主机现代化应运而生。 主机现代化（Mainframe Modernization）是一项涉及架构演进、应用重构、组织转型的系统工程。其 核心在于将主机的韧性 / 性能同开放平台的敏捷性 / 智能性相结合，构建企业面向未来的数字化能力。企业需 基于自身业务目标、技术积累和人才结构，制定适宜的主机现代化路径，以确保企业核心业务的平滑演进和持 续创新。为此，我们编写本技术白皮书，系统性地总结了主机现代化的关键技术体系与实践方法，包括： 平滑、高效迁移主机应用和数据​：以工程化技术实现主机应用和数据的全流程改造与迁移上云 应用开发与运维现代化转型：业务上云后，开展以应用为中心的敏捷开发和智能运维转型 同时结合我们在众多项目的成功实践，简要介绍了“华为主机上云解决方案”。期望为正在或计划推进主 机现代化的企业提供技术指引与决策参考，帮助客户在延续主机核心价值的同时，拥抱开放、敏捷、智能的新 技术，加速实现企业数字化与智能化转型。 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 5.2.3 统筹构建故障演练与恢复体系，保障故障一站式自动化恢复 主机上云全流程顶设，提供主机现代化最佳指导和实践 主机上云现代化方案，构建主机现代化最优平台和服务

； · 诊断环节，基于影像数据、检验数据等形成辅助诊断，并形成智能化病历和分析报告； · 诊疗环节，在手术中使用 AI 驱动的机器人系统，减少人为错误并提高手术精度； · 康复护理环节，结合患者的生理数据等多维信息，定制个性化康复方案； · 慢病管理环节，使用 AI 确保患者遵循治疗计划，加强预后随访、复诊，并进行日程提醒； · 在医药技术支持和医疗服务体系支持方面，AI 也贯穿了医药研发、精准治疗等环节，助 中，互联网医疗投资范 畴内受关注 对患者描述理解存在偏差， 复杂病情问诊深度和准确 性不足 智能影像诊断 不同病种 AI 辅助影像诊断产品 相继获批上市，在医院得到广泛 应用，但仍需与医生诊断结合 高，头部企业和初创公 司均获大量投资 数据质量参差不齐影响诊断 准确性，在复杂病情和多 模态数据融合诊断方面有 提升空间 智能辅助治疗 一些大型医院试点使用相关 AI 辅助治疗系统，但全面推广面临 的优势高度契合，且该领域技术成熟度较高、 市场需求强烈，成为医疗大模型最常落地的场景之一， 目前应用广泛的典型细分场景应用如下： 1.智能预问诊 智能预问诊通常依托医疗大模型驱动的智能体， 通过图文、语音等方式模拟医患对话，结合患者的病 情描述和辅助检查报告，为其提供初步预诊、医学建 议及判断，并精准推荐就诊科室和医生。目前，智能 预问诊主要有以下三种形式： 一是专业的互联网医疗平台， 如好大夫、春 雨医生等，提供在线图文问诊、电话咨询等服务；

的诊断 或决策都可能直接影响患者的健康和生命，因此，如何确保大语言模型在医疗应用中的正确性、可 靠性和符合伦理，是这一技术应用中的关键问题。 1.2 医疗健康大模型概述 医疗健康大模型是一种结合了大语言模型的强大交互能力和海量的医疗专业知识的智能系统， 专 门用 于解决 医疗和健康领域中的各 种 问题。 这些 智能利用海量专业医疗 文献 和问诊数据进行 训练了 基座大模型， 外接了 个性化治疗和建议是医疗健康大模型的另一个重要应用领域。每个人的体质、遗传 背景和 生活习惯各不相同， 同 一 种疾病在不同患者身上的表现也可能有显著差异。借助于大模型， 医生可 以参考大量相似病例的数据， 结合患者的个人健康档案， 制定出最适合该患者的治疗方案和生活建议。 这种个性化的治疗和建议不仅可以提高疗效，还能减少不必要的副作用和治疗成本。 在药物发现方面， 大模型也发挥了关键作 用。传统的药物研发周期长、成本高， 在每次迭代中， 根据损失和评估结果对模型进行优化， 并不断调整模型的参数。当模型的性能达到 一定水平或不再显著提升时，可以认为模型已经收敛，并可以进行下一步的对齐训练或推理。 RLHF 是一种结合了强化学习和人类反馈的技术，用于进一步提高模型的性能和准确性。在医疗 健康大模型的训练中， RLHF 可以用于优化模型的决策过 程， 同时对齐人类的价值观， 使其更符合 人类的预期和需求。这

的要求。例如，在疾病诊断、治疗方案推荐和患者预后预测等方 面，精准的预测模型能够帮助医生做出更加科学的决 策。DeepSeek 在预测分析方面的优势在于其能够通过大量的历史 数据训练出高精度的模型，并结合实时的患者数据进行动态预测。 这不仅提高了诊断的准确性，还为个性化医疗提供了强有力的技术 支持。 在实际应用中，DeepSeek 的引入还能够显著降低医疗机构的 运营成本。传统的医疗数据分析往往需要大量的人力资源和时间投 于快速筛选可能的抗病毒药物，大大缩短了药物研发的时间。 在远程医疗和健康监测领域，DeepSeek 技术同样表现出色。 通过可穿戴设备和移动应用程序，DeepSeek 可以实时监测患者的 生理参数，如心率、血压、血糖等，并结合历史数据分析患者的健 康状况。一旦发现异常，系统会自动预警并通知医生进行远程干 预。这种模式不仅提高了医疗服务的效率，还使得患者能够在家中 进行长期健康管理，减少了频繁前往医院的需求。 在医疗资源优化方面，DeepSeek 变区域，并进行分类，如肿瘤、炎症、骨折等。 4. 诊断建议：基于检测结果，系统能够给出初步的诊断建议，并 生成详细的报告，供医生参考。 为了进一步提升系统的准确性，可以采用以下策略：  多模态融合：结合不同类型的影像数据（如 CT 与 MRI），进 行综合分析和判断，以提高诊断的全面性。  持续学习：通过不断地输入新的病例数据，更新和优化模型， 使其能够适应不断变化的医疗环境和新的疾病类型。

◆ IaaS层的核心价值在于销售GPU算力，而 获取高价值的关键在于“高端卡保有量”与 “垂直行业能力模块建设”的结合 04 从直接竞争转向价值整合与 生态赋能： ◆ 为克服SaaS市场固有的销售体系与客户 决策链不兼容等难题，大型云厂商的有 效破局路径，是选择“软硬结合”或“构建 Agent平台”，从直接的产品竞争者转型 为价值整合者与生态赋能者 ◼ 研究背景 随着大模型技术的飞速发展与迭代， 传统云趋于饱和，新型 智能资源供给趋于主流 大模型层 大模型厂商 MaaS/Agent平台 盈利难，普遍处于低价 换流量阶段，不同平台 差异化能力是竞争关键 应用与终端层 行业ISV/终端设备厂商 纯软+软/硬结合 企业私有化部署/定制 Agent服务初现盈利模型 阶段一：算力先行 特征：重建设，重投资，关注训练能 力和AI基础设施建设。目前已完成基 本竞争格局搭建，边际红利递减。 阶段二：模型生态构建 行业研读 | 2025/07 • IaaS层的核心价值在于售卖GPU义满足由传统CPU云转向GPU云的产业 价值变革，云厂商获取IaaS价值的关键在“高端卡保有量”与“垂直行业 能力建设”，两者能力结合能够深度绑定头部客户并创造高毛利 IaaS层产业机遇——云厂商在IaaS层的价值实现路径 云厂商在IaaS的价值实现路径 来源：头豹研究院 ➢ 阿里云：高端卡+行业knowhow锁定头部客户（

上下游产品和技术，将物理世界 全方位的数字化，实现一个真实的可以实时感知和管理的数字孪生世界。 为促进生态合作、行业交流、创新发展等工作上的融合共生，由联盟理事长单位杭州 易知微科技公司牵头，结合联盟内各成员单位的行业实践，于 2022 年 5 月首次编制数字 孪生世界白皮书（案例实践篇），于 2023 年 4 月编制数字孪生世界白皮书（技术实践篇）， 于 2025 年 4 月编制数字孪生世界白皮书（智能算法篇），于 心趋势；技术架构对比分析 B/S 与 C/S 体系优劣势，结合案例提出建设参考；核心技术提 出七大能力体系，包括感知、数据治理、仿真推演等，支撑城市、工厂等场景深度应用； 通过技术成果展示物联网、AI、GIS 等技术聚合创新，如易知微的渲染引擎、数字人等实 践突破；行业应用聚焦园区、港口、水利等五大场景，结合政策与市场需求推动技术落地。 全文通过理论剖析与实践案例结合，为数字孪生技术跨领域融合及产业化发展提供系统性 过“渐变梯度控制 法则”塑造层次：  线性渐变（角度 0°- 45°）构建基础明暗关系；  径向渐变（中心透明度 0%→边缘 60%）聚焦视觉中心，配合光源逻辑强化立体感；  材质表现结合高亮描边（1k分辨率对应1-2px）与柔和内发光（不透明度15%-20%）， 还原玻璃材质的透光性与折射层次，保持背景与高光区明度差需≥70%以确保易识 别性。 数字孪生世界白皮书 8 1)

技术栈 创新 应用智能化发展趋势 应用全生命周期智能化白皮书 03 整的技术生态闭环，确保技术独立性与完整性，为关键领域提供安全、稳定的技术支撑，保障应用智能化发展不受外 部因素制约。软硬协同结合自主可控的根技术软件，将促进关键领域的应用智能化发展，提升产业韧性，抵御外部供 应链风险，为应用智能化生态的长期安全稳定保驾护航。 推动人工智能蓬勃发展的前提是应用现代化的发展成熟和壮大。未来，随着深度学习、强化学习、自然语言处理 力也大幅提升，这一系列的演进使得 Agent 能够结合图像、语音、视频等多模态信息，处理更复杂的场景需求。 » 3.1.2 Agent 从单一工具向自主协作系统演进 自主性与规划能力的提升：现代 Agent 架构通过引入“规划层”（如 MetaGPT 的任务分解机制）和长期记忆模 块（如向量数据库、知识库等），支持自主制定目标、分解任务并动态结合已有经验知识，多轮迭代式自主完成复杂 任务。 OpenAI Agents SDK、Dify 零代码 Agent 开发平台、LangChain/LangGraph 等 Agent 框架，极大 降低了 Agent 开发门槛。 架构设计的模块化与可扩展性：结合 Kubernetes 和 Dapr 技术，实现了微服务化部署、弹性扩缩容和服务间异步 通信，为 Agent 系统的稳定性和可维护性提供了技术保障。 开源社区与行业标准的形成：AutoGPT、MetaGPT