技术生态与市场格局 正在加速重构。 生成式人工智能基于海量数据训练、推理生成新的输出，并能以文本、音频和图像等形式创建新内容。 智算中心是支持生成式AI工作负载的新型数据计算中心，基于AI计算架构，提供AI应用所需算力服务、数据 服务和算法服务的算力基础设施，它融合高性能计算设备、高速网络以及先进的软件系统，为人工智能训练 和推理提供高效、稳定的计算环境。据测算，2023年全球生成式AI市场规模，包括硬件、软件以及服务等， 长到2028年1436EFLOPS（图1-2）。全球算力基础设施高速发展，而以支持AI/LLM为目标构建的新型智算 中心成为数字新基建的重要底座。 趋势洞察 01 图1-1 生成式人工智能市场 趋势洞察 02 随着大模型训练参数以及GPU集群规模的不断提升，智算中心网络组网规模持续扩展，接入速率从 200Gbps升级至400Gbps/800Gbps乃至1.6Tbps，无损、低时延性能要求严格，推动智算中心网络以及智 放等，提升用户体验与商业价值。DeepSeek算法与芯片深度适配，不仅降低对高端GPU的依赖，也推动算 力供应链自主化。高效的算法一方面减缓了AI训练的算力需求，另一方面AI应用的普及导致AI训练与推理的 侧重点发生转变，预计未来几年推理算力占比将远超训练部分。 1.2 技术破局：从GPU集群到分布式协同一体 建设和运营智算中心需要巨大的资本投入，包括购买昂贵的AI芯片、建设高密度机房等。AI工作负载对

......................................................................................61 3.3 模型选择与训练................................................................................................... .......................................................................................64 3.3.2 数据训练与验证................................................................................................ 顾客体验的关键策略。DeepSeek 大模型作为一种前沿的人工智能 解决方案，以其强大的数据处理能力和高效的算法优化，为餐饮行 业带来了全新的变革机会。DeepSeek 大模型基于深度学习框架， 能够通过海量数据进行训练，从而在多个场景中实现智能化操作。 其核心优势在于自然语言处理（NLP）、图像识别和推荐系统的深 度融合，能够精确理解顾客需求、优化菜单设计、提升服务质量， 并实现精准营销。 DeepSeek

编写组成员：孟清超、钟志成、郑航、兰泽勇、张惠乐、蓝超文、谭浩明、 谭升太、左瑞君、黄劲安、宋为民 - 1 - 前言 随着数字经济的蓬勃发展，算力已成为支撑社会信息化建设与产业数字化转型的 核心生产力。从海量数据处理到人工智能训练，从云端服务支撑到边缘场景落地，算 力基础设施的规模与复杂度呈指数级增长，其稳定运行与高效管理已成为关乎企业核 心竞争力与社会数字化进程的关键命题。在此背景下，传统 IT 运维模式面临着从硬件 通用算力场景：面向日常计算需求，涵盖个人终端、通用服务器计算能力，应用 于消费互联网、行业互联网等领域的常规计算能力，通常在云计算及分布式计算中， 以 CPU 为代表。 智算算力场景：支撑人工智能算法训练与推理的专用计算资源，应用于人工智能 计算领域，处理自然语言、图像识别、语音识别等任务，以 GPU 为代表。 超算算力场景：面向科学研究、工程仿真等高性能计算场景的集群化计算能力， 应用于需极 基础设施的稳定运行，侧重 高可用性以确保业务连续性；服务对象多为企业内部业务系统或基础网络服务； 算力运维核心目标高效释放算力资源，侧重算力密度最大化与能耗比最优；服 务对象主要是高性能计算、人工智能训练/推理、云计算等对算力需求极强的 场景。 （2）. 传统运维管理模式标准化，流程成熟，侧重流程合规与故障快速恢复；团 队需掌握服务器部署、网络排障等基础技能，对硬件底层原理深入理解要求较 低

赛富时：伦理AI实践的架构师 17 Miiskin：AI辅助皮肤成像，医师更能专注于复杂案例 18 好医生科技：实现家家户户都有好医生 19 奥斯勒工作：法律服务的转型现场 20 太平洋轴承公司：用于员工训练的AI虚拟现实 21 希捷科技：AI自动化视觉检测技术，削减晶圆和晶圆厂损耗成本 22 史丹佛医疗中心：往无人药局迈进 23 速食汉堡店：AI 助理炸薯条的同时还能服务客人 24 F 包含基于规则系统（rule- based systems）、具有多个「若则」（if-then）条件语句，机器学习（machine learning, ML）和神经网路模型（根据标记结果的资料加以训练，以预测未知成 果），以及一些用于和客户互动的自然语言处理系统。AI包括透过机器人流程自 动化达到办公室工作自动化，以及透过实体机器人达到工厂自动化。这些AI系统 可以执行多种不同功能： 销 售代表不善于处理竞争激烈的领域。」经理可以在评论上点击「同意」或「不同 意」，以及写下额外注解。该系统还可以计算出哪些人在通话中各自说了多久的 话，所以如果谈话内容过於单方面滔滔不绝，可以训练该代表避免这种情况再度 发生。 RingDNA还有规则引擎，可以在通话期间建议销售代表提出介入措施。例如， 当潜在客户询问某个特性或功能时，代表可以提出为潜在客户做简报的可能性。 如果代表确

贝叶斯等同类型算法来说较低[４].但是,DＧS理 论 也 存 在 着 较为突出的问题,传统的 DＧS理论常常采用专家评估法得出 基本概率分配函数,会导致存在较大的客观性.为解决这个 问题,可使用深度神经网络来自动训练分类计算得出基本概 率分配函数,以降低其主观性.在网络安全态势的研究中,由 于强容灾能力以及能够通过低代价实现较好效果等特点,深 度神经网络备受学者喜爱.但同时深度神经网络在处理大规 模数据时也会存在收敛速度慢、分类精度差的问题 类安全 数据,随后将采集好的数据进行数据预处理,并将预处理后的 数据作 为 DAE 编 码 器 的 输 入;在 态 势 评 估 模 块 中,将 DAE 所得到的降维数据输入到 DNN 网络进行训练并进行二分类 和多分类计算,通过将计算结果融合得到基本概率分配函数; 在态势输出模块中,将态势评估模块中计算得出的基本概率 分配函数作为 DＧS证据理论的输入,经过 DＧS融合规则得到 网络态势值 ３．使用 DAE算法对数据进行数据降维. ４．将降维后的低维数据输入 DNN 网络,使用sigmoid函数和softmax 函数分别进行二分类和多分类的训练. ５．通过二分类所得到的输出值计算入侵攻击概率,并将入侵攻击概率 与多分类的训练输出结果融合,共同计算 BPA 值. ６．将步骤５中得到的 BPA 作为 DＧS证据理论的输入,通过 DＧS融合 算法得到网络的整体态势值,将其作为最终态势评估输出值

流域产汇流的物理机制 ，使深度学习模型测预测结果更符合物理规律。 耦合物理机制的深度学习： 产汇流机制约束的深度学习洪水预报模 型 技术成果： 提高模拟精 度 在损失函数中嵌入物理机制 在模型训练模式中考虑物理机制 P16 耦合物理机制的深度学习： 产汇流机制约束的深度学习洪水预报模型 模型结构： 在充分考虑流域产汇流机制基础上 ，模型构建了分布式的深度学习预报模型进行滚动预 报，最大程度控制误差； 强化学习是一种模型在环境中进行探索 ，并通过奖励和惩罚来学习如何实现其目标的机器学 习 方法。例如 ，训练一个游戏 AI ，如下棋或打电子游戏 ，以便它能够学习如何赢得比赛。在水 库调度中也可以通过奖惩信息来决策最优调度方案。 在 10 个实时月内经历了大约 4 万 5 千年的游戏 训练，平均每天的游戏量相当于人类玩家 250 年的积累。 技术成果： 提升模拟速 度 游戏世界冠军被 OpenAI OpenAI 轻松击败 柯洁落败于 Alpha Go P28 智能调度： 基于强化学习的水库防洪调度 运用强化学习技术 ，有效解决了传统调度方法面对大规模水库群防洪调度时的“维数灾”问题； 模型训练不依赖历史洪水数据 ，克服了传统调度方法过多依赖历史先验经验的问题； 能够快速依据优化的调度策略给出调度方案 ，解决了预见期较短下的水库实时防洪调度模型 计算的时效性问题； 同时基于强化学习的人工智能水库调度模型能够实现自学习

必须由微控制器控制，操作命令可通过串行通信接口(SPI 或Mi - crowi re)送入。 语音交互模块经过语音采集、预处理、特征提取、 矢量量化等步骤，可以分成语音采集子模块、语音前级 处理子模块、语音训练子模块、语音识别子模块、语音 提示子模块、输出控制子模块和语音模板库几部分，具 体的功能如下： 语音采集子模块：语音采集子模块主要完成信号调 理和信号采集等功能，它将原始语音信号转换成语音脉 语音前级处理子模块：语音前级处理子模块的主要 功能是滤除干扰信号、提取语音特征矢量，并将提取的 语音特征矢量量化成标准语音特征矢量，该模块主要包 括语音预处理、特征提取、矢量量化等语音信号处理过程。 语音训练子模块：语音训练子模块的主要功能是将 多次采集、提取的语音特征标准矢量进行概率统计，提 取说话人的最佳语音特征标准矢量，防止因说话人心情、 环境等因数引起提取特征参数不准确而影响语音识别效 果，因此 输出控制子模块：输出控制子模块的主要功能是根 据语音识别的结果输出相应的控制信号，实现电灯、电视、 风扇等办公电器的语音控制功能，因此该模块主要包括 信号驱动、输出控制器和被控对象。 语音模板库：语音模板库的主要功能是存储训练后 的最佳标准语音特征矢量。 5．1．3轨迹运动模块设计 在智能服务机器人系统中，寻迹电路采用红外光电 传感器进行检测并且寻迹运动。红外发射管发射的红外 线具有一定的方向性，当红外线照射到白色地面时会有

域表现为国产芯片、操作系统等的应用。 大模型 指参数量巨大（通常在十亿级以上）的深度学习模型，具备通用能力，如语言理解、逻辑推理 等。LMM特指大型多模态模型。 垂直大模型 针对特定行业（如教育、医疗）的专业数据进行深度训练和微调的大模型，比通用大模型更具 专业性和准确性。 AI Agent AI Agent指的是能够自主感知环境、进行规划决策并执行行动以达成特定目标的AI系统，被视 为实现更高阶AI应用的关键。 知识图谱 成为三大支柱 AI教室装备的智能化实现，依赖于三大技术支柱的系统性支撑。首先，端云协同成为主流架构：端侧设备内置AI 算力，负责实时、低延迟的交互与计算，保障课堂体验与数据隐私；云端则承担大模型训练与宏观数据分析等重 度计算任务，实现了性能与成本的最佳平衡，其次多模态感知成为全息理解课堂的必要基础：通过融合计算机视 觉、语音识别、NLP等技术，硬件得以系统性地采集并理解课堂中师生的行为、语言等多维度信息，为精准分析 动AI与教育的系统级融合。 达特茅斯会议，历经感知机、专 家系统、神经网络第二次浪潮， 以 深蓝 为代表展现技术潜力。 如Siri、AlphaGo 等标志性应用 出现，大语言模型（GPT-1/2/3） 开启预训练时代。 Deepseek 、Qwen、GPT等， 与多模态生成爆发，以及AI从专 用向通用智能演进，教育AI Agent出现，重塑教育生态。 人工智能核心进展 教育应用核心特征 人工智能发

• 需要与人类紧密互动并模拟人类行为的机 器人，如人形服务机器人。 适用场景： 核心优势： 足式机器人的另一大优势在于其与人体结构的相 似性，这使得机器人能够更好地利用人类运动数 据进行学习训练，并在人机交互场景中创造更自 然、友好的体验。在感知导航方面， 足式机器 人通过高精度传感器获取环境信息，实时构建 3D语义地图，实现精准定位和灵活通行。 操作：服务机械臂提升泛化性 操作能力是机器人在执行任务时，能够进行物 知识迁移：AI可以通过迁移学习将从一个任务 中获得的知识应用于不同但相关的任务上，这 有助于机器人在新环境或新任务中以更少的试 错成本快速适应。 • 数据驱动的进化：AI系统能够通过大量的数据 训练改进自己的学习效率和效果。使用多样的 训练数据（如模拟数据、实际操作数据），使 得机器人能够更好地理解复杂场景和任务，并 持续提升其具身学习的能力。 AI驱动的多模态交互与具身学习能力是未来机器 人技术的核心组成。移动与操作能力同样离不 为实际控制机器人完成任务的指令。 这种架构选择是基于当前技术发展阶段的最优 解。尽管随着神经网络和机器学习技术的进步， 未来可能会出现更统一的模型， 但在目前，这 种分离策略在性能、风险管理和模型训练效率 等方面展现出明显的优势。 具身智能学习进化能力的提升也在持续学习中 显现，伴随着不断的学习迭代，能够实现更多 跨场景的通用复杂任务。基于Scaling Law理论， 模型的性能会随着模型大小、数据集大小和计算

and mode_lag = 0 ) ) a1 where drive_status_start = 'drive_start'; 高级查询 • 所有车全天驾驶循环，常用于高级分析、模型训练等 • 几分钟—条 SQL 节省千行代码 + 测试，大幅提升开发效率 Confidential 1 │ ©202 四维纵 横 33 • 1 1 四维纵横 ©202 41 │ 方案效果 • 运营数据（ TB ） + 工厂生产数据（ GB ） + 设备数据（ 10 万点 / 秒时序数据 ） • 数据库内实现模型训练和分析， 快速部署、低成本实施和可复制推广 • All-in-One ： MySQL+ 时序库 +Hive+Spark MatrixDB ，成本节省 60%+ ， 性能提升 6 倍 Confidential