执行 - 学习” 的闭环智能体系。在这一趋势下，应用现代化的核心命题已从“云原生”升级为“AI-Native”，即应用的全生命周期—— 从开发、运行到运维、集成——均需围绕智能体的自主性、协同性与进化能力重构。 从技术视角看，AI-Native 架构的关键在于数据与 API 的智能融合，传统企业系统沉淀的海量数据，需通过统一的 可信数据资产目录实现跨域流通，为 Agent 提供实时、高质量的训练与推理燃料；而 Agent 开发与运行、检索增强生成、智能应用管理引擎、智能组装与集成、统一可观测、多模态交互、AI 内生安全等） 的成熟，使得 Agent 的开发效率提升数倍以上，支撑智能化应用的多模交互、自主运行、智能进化、环境理解、智能协作、 智能研发等特征落地，形成更广泛、更灵活的智能体系统，从而能够在降本增效、体验优化等各方面得到大幅提升。 目前， AI 在医疗、科研、教育、物流等各个领域的应用，为社会带来了巨大价值的同时，又进一步支持了 当今，应用现代化的推进目标已从“数字化 IT 提效”提升至“重塑智能商业价值”。未来，企业需以“应用现代 化的三驾马车”，即：“敏捷架构、智能数据、生态开放”为基石，建立支持 Agent 自治与进化的全生命周期的数字基 座。应用现代化产业联盟的各成员，要加强智能体应用、跨域协作标准等前沿议题的探索研究，以《应用全生命周期智 能化白皮书》为起点，共同推动中国在全球智能化竞争中占据制高点，携手迈向应用现代化的智能时代！

1 背景 具身智能是基于物理本体感知和行动 的智能系统，通过与环境交互感知信息、 规划任务、做出决策并控制本体完成任务， 产生智能行为并持续演进。具身智能需可 信、行为符合人类价值并能自我进化。 2.2 最新进展 具 身 智 能 技 术 近 年 来 取 得 突 破 性 进 展，在感知、决策、控制及商业化应用等 方面实现重大提升。高精度传感器增强了 智能体的环境感知能力，融合感知与推理 随着新理论和方法的不断发展，统计学能够 更高效地应对人工智能中的前沿问题，推动 人工智能技术迈向更高水平，而人工智能的 不断突破也将反哺统计学，使其变得更加智 能与高效。人工智能与统计学之间的双向互 动与协同进化，必将在未来智能革命中发挥 关键作用，为社会智能化转型注入持久而强 大的动力。 4. 科学计算 随着上世纪的计算机出现，科学计算迅 速发展，在天气预报、油田勘探、药物设计、 金融分析等领域取得巨大成功，成为理论、 RFdiffusion 蛋白质生成工具 3，为蛋白质从 头设计提供了全新路径。基于自然语言模型 的 ProGen 4、EVOLVEpro 5 等 工 具， 实 现 了酶、治疗性抗体等特定功能蛋白从头合成 和定向进化，展示了 AI 在全新功能蛋白设 计中的强大潜力。 1.2.3 人工智能重塑生物智造 人工智能与微生物基因组学的深度融 合，为合成生物学提供革命性工具。通过 AI 驱动的数据分析和模型优化，精准确定并优

续性。本白皮书指出，“数据中心的每一次升 级换代，背后都在回应数字经济对于更高性能、更高安全、更高灵活性的新要求——这正是韧性建设的应然 逻辑”。它系统阐述了如何构建面向未来、具备感知、决策与自进化能力的AGI驱动型数据中心，为电力行 业在规划、建设与运营高韧性算力基础设施方面提供了重要参考与实践指南。该书理念先进、内容务实，对 电力及相关行业单位具有显著的启发与借鉴价值，特此推荐。 — 的确定性。这本白皮书能 为行业伙伴梳理出韧性升级的清晰路径，企业无论是在技术选型、生态协同还是合规布局存在疑惑，都能从 中找到启发。因此，我推荐此书，希望能够携手业内各方共同推动数据中心从“能承载”向“可进化、更安 全、高弹性” 的方向持续迈进，在不确定性的数字时代，锚定业务发展的长期确定性。 ——沙利文公司大中华区合伙人兼董事总经理 人工智能技术的迅猛发展，正在以前所未有的速度推动算力需求的增长。随着智能化的普及和渗透，算力将 须打破孤岛，端到端设计，构建整体化的稳定 性体系。 这意味着，数据中心与传统“静态工程”设施根本 不同，它更像是一个动态进化、实时自调节的“数 字生命体”。正因如此，韧性成为其核心生命力： 韧性不仅意味着“承受压力”，更强调在压力中稳 定、在风险中调整、在冲击中恢复、在演化中进化。 数 据 中 心 本 质 是 一 个典型的“开放的复杂巨系 统 ”。其复杂性不仅源自其超大规模、多组件、多 层

具身智能依赖本体、智能体、数据、学习进化框架四大核心要素，实现“感知-思考-行动”闭环。 根据中国计算机学会（CCF）的定义，“具身智能（Embodied Artificial Intelligence, EAI）是一种基于 物理身体进行感知和行动的智能系统，通过智能体与环境的交互获取信息、理解问题、做出决策并实现 行动，从而产生智能行为和适应性。” 根据定义，具身智能包括本体、智能体、数据、学习进化架构四大核心要素。其中，本体作为物理载体 生成控制指令；数据是智能体进行理解和决策的基础，数据的数量和质量是具身智能实现能力泛化的关 键，尤其是真实环境的多模态交互数据；学习进化架构则是具身持续进步和适应性提升的关键，它支持 智能体通过仿真或真实交互持续优化策略、减少失误率、提高任务执行效率、适应新环境，通常通过强 化学习、进化算法等多种技术实现。 四大核心要素最终形成“本体收集环境数据 → 数据训练智能体 → 智能体生成决策 → 学习框架优化策略 L4：超级智能。机器人具有极高的自主学习和决策能力，能够在极端复杂的环境中执行任务，完全替代人 类。 目前市面上的智能机器人大多处于L1到L3级别，随着技术的不断发展，当前人形机器人智能级别正处在L3向 L4进化的关键阶段。 按照智能化程度，人形机器人通常分为L0到L4五个等级： 人 类 结构层 结构驱动 关节驱动 算法驱动 执行规划 的运动轨迹 感控一体 定位导航 环境感知 自主行为

更进一步地，人类与智能 的协作将逐步演化为“共生智能”的新模式，在此模式下，人工智能的目标不再 是完全替代人类的“完美机器”，而是作为“灵魂搭档”激发人类创造力和智慧， 实现人机优势互补与共同进化，让高价值、高难度的工程创新成果从偶然变为必 然[10]。 其次，工程智能的快速发展也带来了复杂的伦理、安全和治理挑战。工程智 能系统可能从训练数据中吸收社会偏见，导致性别歧视、种族歧视或能力歧视的 供强大的计算智能，系统提供稳固的执行框架，而人则贡献创造性思维、非逻辑 思维与最终的价值判断。它并非旨在取代人，而是通过三者能力的优势互补与迭 代进化，共同实现更高效的智能。 在上述设计原则的引导下，基于“分层解耦，软硬结合，云边协同，开放协 作，智能进化”的建设方针，工程智能操作系统的整体架构如图 5-2 所示，包含 基础设施层、数据资源层、工智模型层、工智智能体层以及规模化实践层五层架 构 提供高性能的推理引 擎和资源调度系统，支持对模型进行压缩、量化等优化，以满足不同场景对响应 延迟和吞吐量的要求，确保模型服务能够经济、高效地运行。该平台为工程智能 操作系统构建了一个可循环、可进化的模型生产体系，保障了其核心智能能力的 持续领先与稳定供给。 （5）小模型算法平台 小模型算法平台是工智模型层的重要补充。在工程实践中，大量任务场景， 如特定缺陷的工业视觉检测、设备运行状态的时序数据预测、或嵌入式系统中的

答案源头权限校验和输入输出内容管控 Embedding 服务 内容安全模型 输入端：敏感内容检测 大语言模型 提出问题 电力企业独有的高质量数据与 Know-how ，是通用 AI 模型进化为“行业专家”的关键燃料 ，是将企业智慧沉淀 为不可复制竞争优势的核心资产。 知识驱动 AI ： 高质量数据与 Know-How 知识库是 Agent 成功的关键

评测闭环：对于发现的薄弱点与风险隐患，输出详细的安全分析报告，并联合模 型团队制定有针对性的优化方案，完成从问题发现、方案制定、效果验证到安全能力 模型安全评测 增强的闭环管理，确保大模型安全性持续进化。 此外，通义实验室开源了“CValues-Comparison 中文大模型价值观比较数据集”， 向行业提供安全与价值观评测基准，体现了“科技向善”的理念。 3.2 部署安全：过程控制，构建防御屏障 针对音 频和视频采用异步防控策略，赋予用户对内容做拦截和撤回的能力。 3.3.3 持续提升防护能力 对内总结提炼防御方法，开展红蓝对抗驱动威胁识别能力升级；对外依托安全挑战赛 促进防御体系进化。 65 64 ALIBABA CLOUD MODEL STUDIO SECURITY WHITE PAPER 安全 可信的 MaaS 阿里云百炼 安全白皮书 SECURE & TRUSTWORTHY 弱点，蓝队对这些弱点和漏洞进行修复，从而不断提升模型和系统的安全性。 （二）AI 安全挑战赛 构建了集学习、竞技、交流与成长于一体的平台。 赛事通过三大赛道实现全方位能 力验证与促进安全能力进化：赛道一聚焦大模型内生安全，收集越狱与操控手法以直 接驱动模型防御升级；赛道二采用漏洞赏金模式，挖掘模型服务生产环境中的非内容 风险（MCP 安全、RAG 窃取污染、Agent 越权等），推动真实场景漏洞修复；赛道

因而，智能制造企业应聚焦高品质与高效率提升两大核心。战略布局服务化转型，打破传统 商业模式，将产品融入服务；发展个性化定制，构建C�B链条，满足个性需求；布局数字化 全面升级，信息技术融合，推动产品智能进化。 全面数字化转型是制造企业发展的必经之路 在当前数字化浪潮席卷各行业的大背景下，中国制造业企业也必须全面拥抱数字化转型，从 领导力、全方位体验、信息和数据、运营模式、工作资源等方面全面发力，才能在数字化时

，通过 AI 算法优化资源调度、网络拥塞 控制、能耗管理与安全防护，云计算系统自身也变得更加智能、稳定与高效。这种“以 AI 优化云，以云 承载 AI”的双向赋能机制，正在推动云计算进入一个自我进化、持续增效的新阶段。总的来说，在 AI 智 能时代，云计算已不再仅是资源供给平台，而是演变为集 AI 算力供给、AI 能力构建、模型服务化与智能 应用输出于一体的全栈 AI 服务平台。这一变革更 业务收入显著提升。从技术发展趋势上 看，智能体驱动下的算力需求、工具链需求和行业场景需求的三重叠加，将在未来成为支撑国内 IaaS 与 PaaS 高增长的主引擎。 1.1.1.2 软硬件创新驱动云基础设施持续进化 过去一年，云计算在硬件架构革新、软件系统智能化升级以及开源生态共建方面取得显著突破，形 成以“硬件突破—软件革新”协同发展的技术发展格局。本部分聚焦行业实践，从硬件基础设施、软件平 台能力两 化-能力进化为核心逻辑链，支撑战略落地。数据驱动 为理论基础，通过全域设备采集全量数据，经网络传输至云端存储计算，再依托 AI 挖掘数据价值，形成 数据全生命周期闭环，并以此为核心依据，指导基础设施建设；效能优化为理论核心，强调资源最优分 配。依托最优化理论体系，基于数据驱动环节形成的全量数据，通过操作系统一体化调度，实现资源供 需精准匹配与跨域补位，达成异构资源全局最优；能力进化为理论目标，实现自适应的大规模系统演进。

......52 6. 数智交付：重塑透明、高效的用户交付体验...................................................54 7. 数智售后：创造持续进化的全生命周期服务...................................................56 8. 乘用车价值链协同总结：构建端到端的数据驱动闭环.......... 打破了时间与空间的限制，让用户随时随地都能获得指导，极大地提升了新车主 的用户体验和品牌好感度。 图 39：数字人车主伙伴即时讲解 袋鼠云 汽车行业 Data+AI 数智化转型白皮书 — 56 — 7. 数智售后：创造持续进化的全生命周期服务 在传统模式下，车辆的交付即服务的终点，车企与用户的连接是“事务性”而非 “持续性”的；售后服务多为被动式维修，用户体验不佳；车辆数据作为最宝贵的资 产，未能被有效利用以创造新的价值。 （一）实施总体思路与指导原则 汽车行业的数智化转型，并非一次性的技术项目交付，而是一场由集团战略驱 动、以数据为核心要素、由业务价值引领的长期性、系统性企业变革。其实施的核心 目标，是为企业构建一套能够自我进化、持续创造价值的数智化“新基建”与运营体 系，从而在日益激烈的市场竞争中获得可持续的差异化优势。本方案的规划与执行， 将严格遵循以下五项基本原则，确保转型的方向正确、路径清晰、成果可期。 1.