主机现代化发展趋势 2.1.1 开放平台架构以“云 + 分布式应用”为主 2.1.2 主机现代化分三阶段实施落地 主机现代化三阶段实施路径技术诉求 2.2.1 云平台建设阶段关键诉求 2.2.2 应用和数据迁移阶段关键诉求 2.2.3 应用开发与运维转型阶段关键诉求 基础设施层 3.1.1 软硬协同一体化，构建融合高性能基础设施 3.1.2 调度和升级优化，支持超大规模算力管理 架构体系的过程。整个工程不仅涉及硬件和软件的替换，更包含 开发模式、运维模式的全面转型。 11 2.1 主机现代化发展趋势 2.1.1 开放平台架构以“云 + 分布式应用”为主 2.1.2 主机现代化分三阶段实施落地 近年来，为了应对主机面临的技术挑战，众多企业和政府主机用户已经着手推进主机现代化进程，全球主 流云厂商陆续推出了各具特色的主机现代化解决方案，传统主机厂商也在寻求新技术突破、积极探索主机现代 建设主机现代化开放平台的主要选择。“云 + 分布式应用”已成为主机现代化的主流技术路线。 基于云平台的主机现代化实施路径通常划分为三个阶段：云平台建设、应用和数据迁移、应用开发与运维 转型。各阶段的主要任务如图 2-1 所示： 图 2-1 主机现代化三阶段实施路径 阶段一：云平台建设 阶段二：应用和数据迁移 阶段三：应用开发与运维转型 开放平台底座 开放平台底座 业务应用 Java、GO、JSON、XML、HTML、JavaScript

新政策驱动行业运营能力升级 1.2 新时代推动企业运营水平提升 1.3 新技术加速石化运营智能变革 第二章 体系：石油石化运营迭代新体系 2.1 石化新智运营特征与能力框架 2.2 石化新智运营发展阶段成熟度 2.3 石化新智运营能力跃迁的价值 第三章 实践：新智运营场景及解决方案 3.1 技术框架：全栈“三智”支撑 3.2 场景案例：石化“四新”方案 3.3 石化盈科的新智运营解决方案 转型。这一模式推动行业从“被动合规减排”转向“主动价值创造”，最终形成数智化、智 能化与绿色增长相互促进的良性循环。 智能运营是企业长期保持竞争力的重要引擎。该引擎的关键在于实现贯穿资源勘探开发、管 道储运、炼化生产、产品销售各阶段的全产业链一体化优化，以及风险控制、财务管理、科 技研发等领域的创新。当前，政策不仅推动单点技术升级，更注重构建可持续的智能运营体 系。例如，《原材料工业数字化转型工作方案（2024—2026年）》强调建立基于数据的数字 力、品牌影响力与可持续发展能力，实现全球范围内的卓越运营与战略引领。 2.2 石化新智运营发展阶段成熟度 基于上述新智运营能力体系，石油石化行业在当前时代的新智运营发展已经呈现出清晰的阶段性 特征。我们的研究成果显示，新智运营的主要发展过程可以归纳为局部赋能、平台整合、全局优 化、生态智能四个典型阶段。该成熟度的本质是数智技术在传统能源产业从简单叠加到深度融合 运用，最终实现运营模式根本性重

政策密集出台，系统优化全国算 力布局，引导智算中心有序落地、协同发展。另一方面，需求端爆发式增长，人工智能大模 型迭代进入“多模态＋AI（Artificial Intelligence）智能体”阶段，对高并发、高能效、低 延时提出新的要求，持续倒逼芯片、架构与系统级创新，需求与政策同频共振，正将中国算 力产业推向新一轮技术革命。 通用算力、智能算力、超算算力均保持高速增长，智能算力在增长竞赛中跑出“超级加 但其在异构算力下平均分配因其计算能力、传输能力差异性造成模型计算量处理不同步、集 合通信数据传输有堵点，“快等慢”造成部分资源浪费。针对大模型推理过程，由于预填充 和解码阶段对算力和显存的需求量不同，传统大模型推理过程算力显存阶段互为瓶颈，造成 低水平资源利用率，需要解决异构算力协同调度问题使其匹配到最优计算任务。 8 第二章 算力协同体系架构 为了打破异构算力生态壁垒，实现不同类型智算异构算力高效协同工作，南向屏蔽底层 算力计算能力差距，面向大模型训练场景构建分布式并行策略组合、业务感知的非均质拆分 等能力，实现跨厂商算力的弹性按需调度；面向大模型推理场景，支持单机多卡异构分布式 推理和跨节点分布式异构推理等多种形式，适配模型推理不同阶段算力需求特性，精细化调 度实现异构算力降本增效；构建大模型训练和推理混合部署的调度底座，实现训推任务的动 态、实时切换，化解算力潮汐矛盾，完成从集群到设备级的异构算力精细化调度，实现异构 算力集群的效能革命。

济 和社会价值，不断激活数据要素潜能，实现原始数据向知识再向智慧 跃迁的更高层次价值释放。 随着人工智能与实体经济深度融合，智算需求已经呈现爆发式增 长。AIGC 大模型参数量达到万亿，训练阶段需要万卡甚至十万卡集 群支持。如表 1-1 所示，训练万亿级模型（如 GPT-4）已突破万亿（10²⁵） FLOPs，需数千至万块 H100 级芯片，训练成本达上亿美元。 表 1-1 不同规模模型的算力需求估算 借助交换机内部元件的运动或物化性质改变等来改变光的出射方 向。主动光交换机的重配置时间一般较长（数毫秒级），成本较 高，但端口数量有明显优势，商用可达 320×320 个端口的规模， 部分技术在实验室阶段已探索更大规模。  被动光交换机典型的例子如 AWGR，则令不同波长的输入光在固 定光路结构中被引导至不同的输出端口，从而实现波长选择性连 接。AWGR 本身无任何可调组件，不具备动态重配置能力，其路 务的同步性和稳定性。其次，基于线路交换的特性使得光交换在灵活 性和可重构性上受限，通常依赖于固定波长或空间切换，无法高效支 持训练任务中频繁的动态通信模式，这可能导致网络瓶颈和资源利用 率低下。现阶段使用光电协同方案组建智算中心网络，以结合光域的 高速传输和电域的灵活控制，是更为实际的方案。 在传统的电交换数据中心网络中，常使用三层交换的网络拓扑， 也就是网络的组织形式。最底层的叶交换机连接同一个机柜内的所有

非逻辑思维 与最终的价值判断。我们的系统设计，必须为人留下空间，赋能人；不是用 AI 技术完全替代人，而是人与智能系统长久地共同成长。 这本五万多字的白皮书，是我们团队对上述思考的系统性梳理与阶段性总结。 它既是一份蓝图，也是一份邀请。我们坚信：智能驱动，工程焕新；智工融合， 创见未来。 这项事业的宏伟，远非任何单一学科或团队所能独立完成。在此，我诚挚地 呼吁人工智能与工程学科的专家 ..9 2.1.1 策划与设计阶段的工程智能.............................................................10 2.1.2 验证与建设阶段的工程智能.............................................................12 2.1.3 运营与维护阶段的工程智能........... ，赋能工业制造、农 业、绿色转型等各个领域，提升人工智能素养，确保人工智能的安全、可靠和可 控。 尽管人工智能技术取得了迅猛发展并受到各国战略重视，其在诸多工程领域 的应用仍处于起步且分散的阶段，虽涌现出了多个单点应用案例，但尚未形成规 模化、系统化的效应。与此同时，工程领域普遍面临着将人工智能的巨大潜力转 化为实际生产力的挑战，例如，工程仿真平台 SimScale 在 2025 年发布的报告中

转向 “数据驱动”。 虽人形机器人面临软硬件协同、成本控制、伦理监管等挑战，工业机器人面临成本与规模挑战，医疗骨科机器人面临系统 稳定性及技术挑战；但产业已告别 “工具时代”，迈入人机协同共生新阶段，这场变革既是技术跃迁，更是生产力模式重 塑，为智能未来开启新篇章。 百思特中国企业变革研究院 冯亚霞 著 第一章 / 机器人产业规模扩张与结构升级 01 第一章 干、头部、四肢以及语言、动作和基础 智力能力。其发展历程可追溯至 20 世纪 70 年代，早稻田大学推出的 WABOT—1 和本田公司的 P2 标志着早期探索阶段； 2020 年至今，随着人工智能技术的突破，人形机器人进入高度智能化阶段，已能够实现语义识别、情绪感知、平稳行走及复杂 动作控制。 2、核心技术模块 现代人形机器人主要依赖三大核心技术模块： 环境感知模块：通过视觉、声学、雷 人形机器人：具身智能的先锋载体 03 3、应用场景与发展阶段 目前人形机器人主要应用于工业领域，如货物搬运、质量检测及数据采集。未来，随着软硬件技术的迭代，其应用将向家庭服务（健康监测、 家务协助、餐饮制作）和商业场景拓展。然而，技术壁垒（如运动控制精度）、资金投入、高端人才短缺及市场接受度等问题，仍对其大规模商 业化落地形成制约，行业发展目前仍处于初步阶段。 行业环境分析 看经济｜电子信息制造业快速发展，为人形机器人发展创造良好环境

、 协同向赢”的“四擎两翼”智慧运营新生态，于更高维度推动网络高质量发展，持续巩固差异 化竞争优势。 2025年，中国联通深化自智网络实施，积极释放智能体生产力，全力加速迈向L4高阶智 能阶段。公司以价值流与成效指标为核心牵引，聚焦高价值场景布局智能体建设，通过夯实数 智基础激活智慧动能、强化网络内生智能使能跨层协同等举措，全方位提升网络智能化水平。 同时，依托技术合作、部省共创、生 同时，依托技术合作、部省共创、生态共赢等创新机制，推动L4自智网络体系化、规模化落地 实施。 本白皮书立足行业发展趋势，从体系架构、实施策略、创新机制、应用案例等维度，系统 全面地阐述了中国联通自智网络的实践思路与阶段性成果。白皮书明确了自智网络L4发展目 标，精准选定面向未来三年的高价值场景，科学定义成效指标体系，精心设计技术架构与实施 2 框架，为自智网络向L4目标迈进提供清晰指引。未来，中国联通将以价值流为导向，持续增强 粒度子场景，支撑行业精准差距分析；推出IG1256A规范，通过标准化方法量化自智网络部署 的商业价值与网络自动化的经济效益，驱动价值转化。 2.3 技术演进：多技术融合夯实 L4 实现基础 全行业推进自智网络从L3向L4阶段迈进，在开展L4规划实践和产业标准制定的同时，将 网络大模型、多智能体协作、数字孪生等几个方面作为重点投入方向，开展技术攻关以实现L4 价值场景的突破。 网络大模型：随着AI技术与网络的深度

运营框架：基础运营、空间运营和生态运营 ....................................................................... 10 1.3 智慧园区历程/阶段 .................................................................................................. ................................................................. 11 1.3.2 AI 等新兴技术赋能，智慧园区进入 5.0 阶段 ........................................................................ 12 1.4 智慧园区建设特点 ....... ........................................................................ 18 2.2.2 企业竞相布局中台，目前趋于成熟阶段 ............................................................................... 19 2.3 飞企互联优势明显，持续蝉联智慧园区运营管理服务商

年代，但真正快速发展其实是在过去 10 年左右。 我们从诸多研究与观察中可以清晰看到，AI 浪潮下的人力资源管理迭代与蜕变正由星星之火，迈向燎原之势。 围绕人才选、用、育、留各主要业务场景，AI-HR 在不同阶段应用落地、价值体现也各有不同，例如： 发展早期：主要应用于人才选拔、面试辅助环节，帮助 HR 节省简历和面试效率、从而提升招聘效率； 发展中期：随着深度学习的持续深入，AI 在人才筛选甄别中价值除了体现在整体效率上，还逐步参与到决策 非标准工作决策 将依然以“人”为本 12 AI 在企业人力资源中的应用白皮书 2.0 CHAPTER 1 从目前 AI 在人力资源各业务场景中的应用可以明显感受到，提升效率、释放人力已经在现阶段取得较为明显 的成效，典型如自动化简历筛选，缩短招聘时间；智能考勤系统，减少人工统计错误；薪酬核算自动化，降低 HR 事务性工作负担，等等。 而随着 AI 技术逐渐成熟，AI 的能力已从简单的 15.5%、15.1%，是本次受访企业频繁提及并期望尽快突破的主要难点。 不难看出，“成本效益”与“优化体验”成为企业人力资源各业务环节深入应用 AI 技术的 2 大关键要素。而在当 前仅处于初期阶段就已实现或已明确可预见的 AI 能力与价值，我们相信，人力资源领域开启物美价廉的智能 化时代就在不久的未来。 企业 AI 应用的主要挑战 相关产品或技术不成熟 缺乏专业支持与培训 技术成本高

易受到人为因素的影响。DeepSeek 通过深度学习算法，能够自动 识别和分析医学影像中的异常区域，显著提高诊断的准确性和效 率。例如，在肺部 CT 影像中，DeepSeek 可以快速检测出早期肺 癌的微小病灶，帮助医生在早期阶段进行干预，提高治愈率。 此外，DeepSeek 技术还可以应用于智能药物研发。传统药物 研发周期长、成本高，且成功率较低。通过 DeepSeek 技术，研究 人员可以快速筛选出潜在的有效化合物，预测其药效和副作用，从 测 最具影响力的特征。这不仅可以减少模型的复杂度，还能提高模型 的泛化能力。例如，在心血管疾病预测中，可以通过特征重要性分 析确定血压、血脂、血糖等关键指标，作为模型的输入变量。 在模型构建阶段，DeepSeek 技术采用深度学习算法，如卷积 神经网络（CNN）、循环神经网络（RNN）和长短期记忆网络 （LSTM），来构建高精度的预测模型。这些算法能够捕捉数据中 的非线性关系和时序特征，从而提高预测的准确性。例如，对于癌 这种方法不仅减少了化学合成的试错成本，还加快了药物开发的进 程。例如，在抗病毒药物研发中，DeepSeek 可以通过分析病毒蛋 白的结构数据，设计出能够有效抑制病毒复制的化合物。 在临床试验设计阶段，DeepSeek 技术同样表现出色。通过分 析历史临床试验数据和患者健康记录，DeepSeek 能够识别出影响 试验结果的关键因素，并优化试验方案，如患者分组、剂量选择和 终点指标。此外，DeepSeek