virtCCA/CCA 技术实现 ARM 架构下的机密计算，配合国密算法加 速与可信计算 3.0 满足高安全合规要求；昇腾 NPU 则通过昇盾、PMCC 等技术，确保模型权重、用 户数据和中间结果在推理、训练与微调始终处于机密域，防范恶意用户、恶意管理员等潜在威胁。 在存储安全方面，HCIST 提出了机密存储（Confidential Storage）新理念，旨在从硬件层面构建可 信根基，依 等计算网络新形 态，保障跨节点、跨集群环境中的算力调度与数据传输安全。 HCIST 既支持全栈一体化，也支持分层解耦的组合方式，可在不同硬件平台和不同应用场景中部署， 满足端云协同大模型机密推理、金融行业的零丢失数据安全保护、私有模型的安全存储与使用、云 原生密码应用等高安业务诉求。展望未来，HCIST 将面向后量子安全、集群机密计算、分布式可信 根与 AI 全生命周期保护持续演进。 AI 算力供需失衡的困局 大语言模型的规模化部署遭遇算力瓶颈的严重制约。现代 LLM 参数量已从千亿级迈向万亿规模，其 推理过程需要执行海量矩阵运算，对计算资源需求产生指数级提升。算力供需矛盾在边缘场景尤为 尖锐，端侧设备受限于功耗与体积，难以承载超过百亿参数模型的实时推理；云侧数据中心虽具备 强大算力，但传统虚拟化架构无法满足低时延需求。更关键的是，算力资源与算力安全之间并不统 一，大规模

每个任务， 单独训练， 单独开 发 智能信控 智能研判 交通 AI 应用统一范式 A I 1.0 时代一事一模型， A I 2.0 一个大模 型 支持多种下游任务 交通业务处理自动化 大模型推理、表达、任务扩展能力， 实现 像 人一样交互、思考、行动的交通服务 交通处理能力自学习 大模型提供多种精调和应用技术手段， 快 速 沉淀业务知识和经验 大模型驱动交管智能化升级 大模型技术驱动 数据标签化及检索等全生命周期管理。 支持模型训练 、 调优 、 验证 、 发布全流程 、 可视化闭环管理， 支持 PyTorch 、 MXNet 、 TensorFlow 等 6+ 框架 算法池。 支持模型异构设备推理转换 、 场景化 AI 测试 、 引擎发布， 全面适配华为、 寒武纪、 算能等系列硬件。 图灵 AI 生产力平 台 （ Turing - AICMS - 2.0 ） 依托鹏程 脑海多模态通用大模型 图灵人工智能推理套件 T-ARES 智能体服务 T-Link 星链模型调度中间件 模型注册服务 T-Serve 通用 API 部署框架 大模型资源池底座 鹏城 脑海大模型 智谱大模型 XoT 思维链 认知技术框架 Modular RAG 模块化检索增 强生成 HuggingFace 模 型 仓 … 私有化推理部署调度 云 SaaS API 调度管理 推理算力资源监控

25 五、AI 赋能智慧旅游发展展望与预测....................................................................27 （一）具有深度推理能力的 AI 旅游智能体值得关注........................................... 27 （二）将持续形成通专结合的旅游 AI 大模型新局面........... 模型（MoE）是一种 机器学习方法，将人工智能（AI）模型划分为单独的子网络（或“专 家”），每个子网络专攻输入数据的一个子集，以共同执行任务，能 II 够在预训练期间大幅降低计算成本，并在推理时间内实现更快的性 能。 5.AIGC: 生 成 式 人 工 智 能 （ Artificial Intelligence Generated Content），是指基于生成对抗网络、大型预训练模型等人工智能的 规则的“泛化生成” 特性重塑了人类对AI“思考能力”的认知边界。自2022年12月OpenAI 发布 ChatGPT 以来，两年多时间内，AI 技术迭代路径已从初期的模 型参数竞争，快速跨越至推理能力突破阶段，并加速向具备环境感知 与自主任务规划的智能体形态演进。这一持续的技术跃迁标志着生成 式 AI 正从工具属性向具备准自主决策能力的系统范式跃迁。 图 1 Transformer 架构图

自动学习 （图片，声音，结构化数 据） 模型溯源 模型导入，导出 TensorBoard 模型可视化 推理服务管理 训练任务管理 数据集管理 模型转化（ D 芯片支 持） 训练服务管理 分布式加速训练 （ CPU/GPU ） 推理 实时推理 （深度模型推理调优） 灰度发布 /AB 测试 部署到端边 模型仓库 内置高效 Moxing 算法 （自动调参， UI 配参） Spark Cluster （机 器学习） CCE/CCI （推理服务部署） 训练数据 集 自动学习向导 工作流关系展示 批量推理 训练模型管理 摆摊设点识别 危险驾驶行为识别 道路脏污识别 抛洒滴漏识别 材料堆放识别 人员摔倒识别 泥头车脏污识别 … … ModelArts 提供端到端的 AI 训练、推理平台，深入挖掘 XXX 智慧应 用 XXModelArts 构建

方式升级，改变未来数字发展的底层逻辑，通过 大模型+ ” 知识库 的方式重构传统数字化应用、赋能千行百 AI Agent 成为人机交互和产业应用的关键载体 AI Agent 依托大模型在感知、认知、推理等方面的优势能力，结合智能体工具调用、智 能体工作流、智能体人 机交互等方式，可以更好实现意图理解、任务分解、任务规划并完成具体 “ ” 任务，有效解决了大模型 有脑无手 的问 题。随着行业对 AI 力，始终贯穿城市技术架构、应用场景、产业发展，推动各类 AI 应用在 AI 原生架构上自然生长。 下一代智慧城市的发展模式升维： “ 通过 大模型+ ” 知识库 改造信息化系统，利用大模型的涌现能力、知识存储方式以及跨 领域推理能力，基于 多个智慧场景生产出的高质量数据，训练人工智能模型，最终打造自感知、自适应、自决策、自控制、自组 织、自学习的城市智能体。 从传统智慧城市向 AI CITY 转型的主要表现： 1 型预训练、微调（全量 SFT 、LoRA）、强 化学习（ DPO），支持 导入第三方大模型预训练、微调（全量 SFT 、LoRA）。 模型压缩：支持 NLP 大模型的量化压缩，降低推理资源占用，提升推理性能，支持导入压缩工具对第三方大模 型进行压缩。 模型部署：支持中心和边缘部署，实现 AI 模型的云边协同管理。 21 AI CITY 发展研究报告 云 / 边缘部署 能力 调测

数据采集层 用户 分析：大数据平台公共服务 Syslog 数据 性能指标数据 Spark Druid Kafka HDFS 智能分析系统 应用 分钟级故障定位 智能网络调优 •基于故障推理及专家知识库，提前识别 85% 潜在 故障，提供修复建议 •用户旅程记录和回放，故障信息不丢失 •有线，无线设备，分钟级故障定位 •智能无线射频调优，提升整网性能 50%+ 网络层 AR 02 03 在线自学习 AI 训练 现网数据增量训练， 最高 97% 故障主动预测 数据挖掘与建模 大数据采集 30+ 年运维资产 千万级数据样本 01 增强图嵌入故障模糊推理算 法 90% 故障自动推理 创新传播关系学习算法 1000+ 关系挖掘，独家 5 维建 模 04 华为独家 AI 知识图谱，故障预测实现从 0->90% 突破 Huawei Confidential 35 日 志 日 志 / 流 量 E 防火墙 IPS 安全沙箱 VPN 网关 上网行为管理 WAF 数据库审 计 PC Server 漏扫 E 路由器 交换机 自动响 应引擎 智能推理 引擎 （安全大脑） 自动 调查 引擎 安全探针 安全探针 主机响应动作 设备响应动作 用户 设备 应用 设备零信任 • 持续终端风险评估： • 设备是否合法、自身是否安全 用户零信任

基础设施（华为云） ROMA 接入服务 昇腾 910 Atlas 300 训练 Atlas 800 训练 Atlas 训练服务 昇腾 310 Atlas 300 推理 Atlas 800 推理 Atlas 推理服务 全流程监督指挥系统 智能感知联动 烟 火 检 测 占 道 经 营 打 架 斗 殴 高

国务院总理新间政策互动服务 新一代人工智能发展规划中明确指出 国务院关于印发 “语音识别、 视觉识别技术世界领先 自适应自 新一代人工智能发展规划的通知 18[7017] 35号 主学习、直觉感知、综合推理、混合智能和群体智 各置，自治区，直客市人民政册，国务的各报。各直属机构 国务院 2017年7月80 能等初步具备跨越发展的能力。 (比件开发膏） 2017年7月8日 国务院发布《新一代人工智能发展规划》 iFLYTEK A= 档案智能 声像档案 智能辅助 历史类似事件 划控辅助 数据化 查档阅卷 智能评估 档案超脑平台 感知智能 认知智能 自学习 PA图 OCR语音识别图像识别 语义推理 知识挖掘 反馈学习 增量学习 科大讯茶 A.I.+ 信访 iFLYTEK 国家信访局与科大讯飞战略合作 暨人工智前技术国家信访局（安款）实结室 2018年10月25日：国家信访局与科大讯飞达成战略合 高考机器人：向认知智能发起挑战 科技部启动首个中国人工智能的重大项目“类人答题机器人” 2014年8月，讯飞作为该项目的总牵头单位，正式启动讯飞超脑计划，研发基于类人神经网络的认知智能系统 语言理解 知识表示 联想推理 自主学习 讯·飞超·脑 2014年8月20日，科大讯飞正式发布超脑计划 目标：机器人能理解会思考！ 2016年3月11日，科大讯飞与教育部 考试中心成立联合实验室 人工智能助力高考改革的实施

影响整体系统运行的情况下，快速集成新数据源。 为更直观地展示输入层的设计，以下是一个简单的数据处理流 程示例： 通过上述设计，输入层能够为交通治理 AI 大模型提供高质 量、多样化的数据输入，为后续的模型推理和决策提供可靠的基 础。 3.1.2 隐藏层设计 在隐藏层的设计过程中，我们采用了分层架构，以确保模型能 够有效地捕捉交通治理中的复杂模式和动态变化。首先，隐藏层由 多个全连接层（Fully 更有代表性的特 征，如交通流量、时间特征、天气条件等。特征选择可以通过 LASSO 回归、随机森林特征重要性等方法进行。  模型剪枝：通过去除模型中的冗余节点或层，降低模型的复杂 度，提高推理速度。可以使用基于重要性的剪枝或结构化剪枝 方法。  模型量化：将模型中的浮点参数转化为低位宽的整数表示，从 而减少模型的存储空间和计算量，特别适合在边缘设备上部 署。 此外，为了确保模型的长期有效性，还需要进行模型监控和持 在不同场景下都能做出最优决策。 在实际操作中，协同决策机制还依赖于规则引擎和推理模块的 支持。规则引擎根据预设的交通管理规则和优先级，快速响应突发 事件，如交通事故或天气异常。推理模块则通过逻辑推理和概率分 析，评估不同决策方案的风险和收益，确保决策的科学性和合理 性。例如，当检测到某一路段发生事故时，系统会立即启动应急预 案，通过推理模块评估多条绕行路线的可行性，并选择最优方案进 行推荐。 为

供了极大支持。 认知智能 AI 的认知智能实现对信息的加工、理解 及推理，弥补人类数据处理能力的不足， 通过对行业知识的学习，工作变得更高 效槽准，相关应用更人性化。且能挖掘 隐形关系，辅助决策，实现更深层次业 务场景落地。 肉行动智能 AI 的行为智能构建于感知和认知智能基 础之上，能够进行庶几乎推理，实现人 机协同，通过自动化编排和人工智能结 合的手段，解放人力和提升效率，模拟 大数据，可以快迪确定影响范围，提高对突发事件的响应和决策速度，识别传染源，切断传播途径，保 护易感人群，降低防控成本。 医学影像和医疗器械 人工智能对医学影像数据进行分析与处理，构建深度学习模型，经过打客与优化后，进行智能推理，始 出个性化的判断结果。其主要解决病灶识别与标注、定量分析和三维重建的需求，辅助医生完成疾疾的 诊断，能够大大的提升读片效率和诊断的质量， 药物研发 人工智能技术可应用于药物研发的全流程，