DSP，发送端保留了重定时器，是相较于 LPO 的折中方案，如图 2 所示。重定时器可以对信号进行整形、重 新计时和放大，发送端保留重定时器能够补偿了信道损耗，确保了 发送信号的质量，并提供了更好的互操作性和链路诊断能力。而接 收端采用线性模拟组件直接接收来自主机 ASIC 的信号，这在一定程 度上减少了的光模块的功耗，以实现节能降本的功效。 图 2 线性接收光学结构示意，左侧为 LRO，右侧为 LPO 2.2.2 近封装光学 NPO 的核心思想是：将光引擎非常靠近电芯片放置，但并不像 CPO 那样与电芯片共封装在同一基板或中介层上。它通常将光引擎 安装在同一基板上，通过极短的高性能电气链路与电芯片相连，形 成一个高度集成的系统，如图 4 所示。 图 4 近封装光学结构 NPO 将光引擎与电芯片物理分离，避免了电芯片的高温热量直 接冲击光器件，散热设计更简单、高效。由于电芯片本身是巨大的 由于光 引擎未与电芯片共封装，NPO 在可维护性层面具有优势，如果光引 擎失效，只需更换光引擎子模块即可，避免了大量的维护成本。 相比激进的 CPO 技术，NPO 技术是一种更务实、风险更低的路 径。并且，NPO 与传统光模块相比，其性能远超传统光模块，其主 要优势包括以下几点：  NPO 的光引擎拥有更大的可布置面积和更灵活的走线方案，可以 方便地使用 LGA 封装，且有利于光引擎散热；

作为孤立系统之间的连接纽带 促进人工智能代理之间的无缝协作 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

时处理百万量级的约束条件，在纳秒级时间内遍历传统管理咨询公司需要耗费数月才能构建的决策树。这正是 DeepSeek 等大模型为管理科学带来的范式革命：将管理者从经验主义的迷雾中解放，让决策真正成为一门精 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、 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，正在被转化为可计算、可迭代、可验证的智能模型。 作为全球首个将大模型深度植入 HR SaaS 内核的科技企业，易路正在构建下一代智能人力资源系统。它不是 简单的流程自动化工具，而是具备战略推演能力的数字孪生体——它能模拟企业未来三年的3000 种发展轨迹， 预判每一次组织调整带来的文化相变，甚至为 CXO 团队提供基于强化学习的战略沙盘。 型曲线。 易路人力资源科技董事长 2025 年 1 月，于上海 当管理科学遇见人工智能——开启企业决策新纪元 序言 1 3 AI 在企业人力资源中的应用白皮书 2.0 CHAPTER 1 易路 AI 在企业人力资源中的应用白皮书 2.0 原定于 2025 年 1 月发布，经过对线上 150 多家企业的调研问卷和 线下 40 多家企业的深度访谈，旨在全景呈现当前企业 AI 应用的实践图景。然而，正当白皮书即将收官之际，

...........39 软件定义 自动化发展 趋势与挑战 01 02 随着软件定义自动化技术在工业领域的深入应用，以及基于 PC 架构的运动控制器广泛部署，特定的技术需求和行业趋势逐 渐显现： • 多轴协同控制需求激增：生产流程的复杂化和精细化推动了对更多电机和执行器同步控制的需求增长，以实 现精确的多点协调和同步。传统的单一控制解决方案，如独立的 PLC 或微控制器，在处理大规模轴控任务时 移动到红色盘子上方，结合视觉信息找到的红色盘子，计算得出上方的坐标信息，经过 interpreter 时也会做 代码级别的验证，之后就可以给到 MoveIt2 路径规划，来规划出中间的一个一个路点。 • 第三阶段 — 执行：有了路点的信息后，通过共享内存机制，实时系统将会得到路点数据，通过 RTMotion 运 动控制功能块，驱动机械臂上电机执行对应的加减速控制，来完成最终机械臂的整体运动，从而整体实现使 用自然语言对机械臂的操控。 时的严格要求。在精密制造和高速生产线等对响应时间极为敏感的场景中，传统架构的延迟问题成为制约智能化 升级的关键瓶颈。 • 可靠性挑战：数据需要在多个系统间流转，从数据采集、SPC 分析到智能决策再到控制指令执行，复杂的链路增 加了系统故障风险，每个环节都可能影响整体系统的稳定性和可靠性。 • 可扩展性限制：随着传感器数量激增、AI 功能增加和边缘智能需求增长，传统集中式架构难以灵活扩展，系统集 成复杂度高，维护成

式。加快推广农产品“生鲜电子商务 + 冷链宅配”、“中央厨房 + 食材冷链配送”等服务新模式。组织开展形式多样的 网 络促销活动，促进品牌消费、品质消费。 统筹推进国际物流供应链建设，开拓国际市场特别是“一带一路”沿线业务，培育一批具有全球资源配置能力的国际 一 流平台企业和物流供应链企业。 积极开展消费服务领域人工智能应用，丰富 5G 技术应用场景，加快研发可穿戴设备、移动智能终端、智能家居、超高 旧动能转换新载体。 • 以数字、创意、科创、人才、资本为核心，以总部平台为承载，构建区 域新旧动能转换的能量场。 科技、数据、算力的发展 数字化时代 数字化技术 趋成熟 数据和算力 渐丰富 © 华润（集团）有限公司 产业联合生态化 核心业务在线化 物联网 驱动实 时库存 跟 踪 机器人 驱动自 动物流 获客难 缺乏用户感知 用工成本提高 获客成本提升 流量及数据垄断 无法全链路触达 买家增速放缓 转化率低 龙头电商垄断 顾客深度洞察 成本降低 顾客体验优化 线上线下融合 供应链数字化 产品定制化 3D 打 印 驱 动大 规模定 制 AI 驱 动 自

调用通义全尺寸、多模态模型，应用在临 床辅助诊断、健康报告解读、病历 OCR 识别等多个领域。其中， Qwen3 全面开源，能有效满足医疗健康在基础 模型上进行行业微调、训练垂直领域模型的诉求。 综上，阿里云通过弹性智算集群、全链路 AI 平台及大模型服务生态，为医疗健康行业的 AI 技应用提供整 体技术底座。算力基础设施上，打破传统 HPC 高成本、低弹性的限制，提供按需扩展的 GPU/HPC 资源；AI 开发平台上， 降低 跨学科协作，以实现从数据到精准决策的高效转化，从而推动多模态大模型切实成为临床医生的得力 智能参谋 ， 显著提升诊疗效率与个体化治疗质量。 智能医疗助手革新医疗服务体验 患者对医疗服务便捷性和沟通性需求渐长，智能医疗助手基于海量的医学知识储备、患者全生命周期多模态数 据的快速分析能力、独特的 24 小时连续性服务优势等，成为提升医疗服务体验的重要手段。未来，智能医疗助手 不再局限于预约挂号、导诊咨询等基础工作，将深度融入患者诊疗全程。

发展与态势 2.1 最新进展 随着深度学习、生成模型与强化学习等 技术的突破，人工智能不仅能从海量数据中 识别人类难以察觉的复杂模式，更展现出自 主提出科学假设、设计实验方案、优化研究 路 径 的 惊 人 能 力。DeepMind 推 出 的 AlphaFold 31 突破性地实现了对几乎所有分 子类型的蛋白质结构预测，提高了蛋白 - 配 体相互作用预测的准确度，为新药研发、疫 度实现神经系统的分层精准调控，进而达 成更高效、更精细的全脑神经功能干预目 标。 如 何 实 现 脑 功 能 动 态 过 程 的 精 准 调 控？建立基于神经生理与神经递质等信息 的疾病特异性生物标记体系，构建神经环 路动态因果计算模型，开发集成感知 - 存储 - 计算 - 控制功能的智能神经调控芯片，最终 形成具备神经信息实时感知、动态建模与 智能决策能力的闭环脑机交互系统，实现 神经核团、神经环路功能动态自适应调控。 与算法设计的促进作用，但是如何设计运作 可控的机制还需要更加深入的研究。 理论 方面，机器学习中优化算法的泛化性研究在 理想情形下已经有了一些进展，但是离对实 际应用产生有效的促进作用仍有很长的路要 走。 3. 统计 统计学作为数据科学的基础，为人工智 能的发展提供了重要的理论支撑和方法工具。 它通过数据分析、模型构建和优化算法，帮 助人工智能系统应对不确定性、提取特征并 实现高效决策。统计学中的收敛性质分析和

在人工智能发展热潮下，不少企业纷纷乘借新技术的东风，在原有业务基础上搭载或者嫁接外 部 AI 技术，于是一时间市场上涌现众多 “HR+AI”、“RPA+AI” 的人力资本产品或服务，可谓 乱花渐欲迷人眼。 但通用 AI 技术往往与业务场景有着巨大的鸿沟，AI 技术与垂直行业的融合，绝非一朝一夕之事。 诚然，目前的 “AI 热” 或者 “RPA 热” 反映了市场的焦虑和人力资本领域数字化转型的迫切需求，

覆盖特点，人工智能数据化和数据人工智能化相向而行。 二、全球数智产业蓬勃发展 全球数智产业已取得七方面成效，包括：数据规模快速 IX 增长、数智企业梯度发展、数智技术创新突破、可信流通渐 成趋势、数智应用工具丰富、数据安全得到重视，面向人工 智能的产业链已经形成。美国、欧盟、英国、日本、韩国等 世界各国，在促进数智产业发展方面表现出不同特点。 三、我国数智产业发展成绩斐然 阶段，数据要素在经济社会中不断发挥关键要素作用，提出 的新问题和新特征，需要对 30 多年互联网发展形成的信息 流通规则、标准、技术、产品等进行系统性重构和颠覆性创 新。当前业内提出的区块链、数据空间、隐私计算等技术路 线仍处于探索阶段，还没有形成大规模的场景应用。 二是人工智能等核心数据技术与国外差距拉大。在算法 方面，我国人工智能的训练算法和训练架构几乎都源自于美 国谷歌、Meta 等美国科技巨头，这些科技公司以开源和免费 远不够丰富， 特别是数据要素化与实体经济融合发展方面还有很大差距， 传统企业的数字化含量还很低，数据要素在传统企业发展过 程中的价值潜能还远未发挥出来，传统企业向数据企业转型 升级还有较长的路要走。 三是中小型数商成长环境不宽松。在数据要素化发展过 程中，不仅需要大型数据平台企业快速发展、大中型央国企 转型为以数据为关键生产要素的数据企业，更需要一大批为 经济社会数字转型提供技术服务、中介服务和应用服务的中

题愈发突出。 在此背景下，光交换技术凭借超大带宽、超低延迟与低功耗等特 性，正与电交换形成互补融合的“光电协同”架构，成为新一代智算 中心网络的重要发展方向。光电协同不仅能够在物理层显著提升链路 性能，还为网络的灵活重构、智能调度与按需适配提供了技术空间。 全球领先的产业与科研力量均已在此领域展开探索，并在部分应用场 景实现试点部署。 然而，要实现光电协同网络在智算中心的规模化落地，仍需跨越 3.4 链路层：面向光电网络的智能双工重构...............................39 3.4.1 上下行非对称带宽的链路利用..................................... 40 3.4.2 智能预测与链路池化资源管理策略.............................41 3.5 物理层：分布式光交换与物理层优化.......... 制程工艺，可提供多达 12 8 个 800 G 端口或 64 个 1.6T 端口。而国产交换芯片仍停留在 7nm 制 程的 25.6Tbps 交换容量，瓶颈效应更加严重。然而在实际部署中， 为保障链路冗余、流控带宽和管理接口，芯片可用端口通常不到理论 最大值，导致整体带宽扩展能力受到压制。尤其是在并行训练中伴随 的突发性大量同步与广播时，网络时常出现瞬间拥塞、缓存溢出与延 迟剧增等问题[7]。