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

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

、 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

时代：智能体驱动的应用现代化新范式 近两年来，随着 ChatGPT、DeepSeek 等大模型技术的快速发展，人工智能正以前所未有的速度重塑产业格局，而 Agent 智能体的崛起标志着应用现代化迈入全新阶段。未来大于 50% 的人类工作任务场景将被大模型影响，据麦肯锡预 测，生成式 AI 每年可以增加 2.6~4.4 万亿美元经济收入，AI 驱动的自动化决策与交互将成为业务常态。与此同时，传统 应用与 链等）的自主研发。通过形成完 1.1 大模型技术加速全球产业价值链重构 应用系统适配 软件硬件适配 算力数据适配 创新 生态 技术、场景与生态的深度融合，推动各行业应用智能化向价值共生新阶段迈进 数字基础设施从“封闭体系”向“开放生态”加速转型 软件驱动、算力赋能、应用引导，推动产业转型 智能化“技术奇点”，重塑竞争力，凸显商业价值 应用开发从“工具型交付”向 “价值型服务”演进 造新的商业模式和市场机会，使人工智能成为推动社会进步的重要力量。应用现代化走向智能化发展也将迎来“技术 奇点”，爆发出更大的潜力，重塑竞争力，持续提升商业价值，推动应用全生命周期智能化从效率革命迈向价值共生 新阶段。 1. 数字公地（Digital Commons）指基于互联网与数字技术形成的公共资源形态，其核心是通过共享基础设施、数据要素和知识 资源，实现社会效益最大化。 1.2 数字基础设施逐渐成为国际竞争制高点

1 - 行业趋势 鸿蒙 2030 白皮书 ���� ��������� - 2 - 行业趋势 鸿蒙 2030 白皮书 在人类历史进程中，从农业革命到工业革命，再到当前的信息革命和智能革命阶段，科学 技术扮演了最重要的作用。未来 5 到 10 年，随着人工智能、通信、虚拟现实等新一代信息技 术的突破和广泛应用，我们正加速迈进一个万物感知、万物互联、万物智能的世界，它将重塑 我们的数 在这个宏大的历史进程中，操作系统仅仅只有不到 70 年的历史，但其自诞生以来，不断 演进，多次推动了信息产业浪潮的发展。 操作系统的演进大体上经历了批处理、主机、PC 互联网、移动互联网几个阶段的发展， 正走向万物智联的时代。不同历史时期的操作系统在底层硬件架构与形态、人机交互方式、信 息呈现方式，以及生态范式上展现出不同的技术特征。 进入全新的万物智联时代，新技术的发展趋势、用户体验诉求以及随着而来的新应用场景， 的交互体验。 ◎ 第一阶段：命令行界面（CLI）交互阶段。这一阶段主要通过键盘输入特定命令来 操作计算机，对用户的专业知识和技能要求较高。 ◎ 第二阶段：图形用户界面（GUI）交互阶段。具有可视化的操作界面，通过鼠标点 击等方式进行交互，大大降低了用户使用计算机的门槛，极大地提高了人机交互的 便利性。 ◎ 第三阶段：自然用户界面（NUI）交互阶段。包括语音交互、触摸交互等更加自然

佩信集团 团 佩信集团 佩信集团 佩信集团 佩信集团 佩信集团 佩信集团 佩信集团 佩信集团 佩信集团 佩信集团 佩信集团 佩信 大型企业人力资源数字化转型一般性规划蓝 图 发展阶段 方向目标  实现流程线上化、自动化  实现数据结构化、关联化  提升员工服务需求洞察  实现数据驱动人力资源管理  提高服务质量，降低运营成本  创新解决方案和运营模式 基于实践经验，企业推进人力资源数字化转型的过程可以分为 3 个阶段，依次是人力资源服务和管理数字化，数字化支持人力资源服务和管理，数字化引领人 力 资源服务和管理创新。企业的数字化转型办公室及 HR 、技术、业务团队在 3 个阶段关注点有所侧重，阶段一主要关注建设和交付，阶段二主要关注质量和成 本， 阶段三主要关注数据和创新，从而形成各阶段不同的方向目标、任务路径、工作重心。 阶 段 2 数字化支持人力资源服务和管理 包括了人力数据分析功能； 1/3 至一半在 全 面运行或试点运行阶段的 HRSSC 包括了员工咨询、招聘、培训方面 的服 务和功能。这些功能的复杂度和实现自动化的难度远高于基础功能。 来源：佩信行业研究院自主研究绘制 08 HRSSC 包括的服务内容和功 能 佩信集团人力资源数字化解决方案的 业务负责人史会斌介绍，现阶段从人 力资源“六模块”来看， HRSSC 承担 的 招聘工作主要是批量招聘形式，