全球服务机器人市场增长强劲 07 1.2.2. 技术变革推进行业创新发展 09 1.2.3. 从专用迈向通用 10 1.2.4. 商用服务机器人行业进入下半场阶段 10 1.3. 服务机器人落地面临的机遇与挑战 11 1.3.1. 行业生态的开放性挑战 11 1.3.2. 服务机器人的通用性与泛化性壁垒 12 1.4. 服务机器人行业的ESG实践指引 13 1.4.1. 绿色供应链（E） 生态技术基础：基于模块化设计与AIoT的R2X 22 2.2.2.商业模式变革：多品类产品矩阵助力全栈式具身智能 29 2.2.3.通用的多元形态：专用+类人形+人形 30 2.2.4.多技术栈驱动的具身智能：移动+操作+交互 32 2.2.5.开放、协同、通用：可持续与普惠的创新 38 2.3.生态价值体现 39 第三章 全球细分产业综合实践 41 3.1.全球行业应用案例与实践经验 43 生态的目标是构建一个开放性的通用服务机器 人生态系统，通过创新的商业模式与技术，推 动机器人的广泛应用与协作，进而实现无缝协 同的、通用的服务机器人生态。 该生态不只是一个技术架构，更是一个融合了产 品技术和商业模式的创新生态，旨在促进服务机 器人在不同细分场景中的协作和整合。通过推动 行业标准的建立和多技术栈的创新，该生态将为 全球服务机器人行业带来深刻的变革，推动服务 机器人迈向通用具身智能的新时代。

模型普遍停留在定制化阶段 ， 通用化程度不高 ， 重复建模工作大 目前的水利专业模型尚不能适应智慧水利建设对水利专业模型“标准统一、接口规范、分布部署、 快速组装、敏捷复用”的要求， 已成为行业亟待攻关解决的卡脖子技术之一。 集中于数据模拟 ， 与业务化 运用有一定的距离 针对性强 ， 但尚欠缺统一、 规范化接口。 国外相关的商业软件方法较 为通用 多针对特定区域问题定制 ， 通用化程度低 新的要求 技术成果： 提升建模效 率 技术成果： 提升建模效 率 模型算法通用化与标准 化 P23 结合空间地理信息系统 ，基于前处理模块形成的水工程、汇水单元、河网拓扑结构等基础信息 ，确定工 程 调度模型范围 ，以拖拽、链接等绘制或自动生成等方式 ，通过组件的组合和链接 ，形成流域或区域的水 系程拓扑关系图 ，为后续通用调度模型的构建提供数据底板。 水库 技术成果： 提升建模效 率 水系与工程拓扑关系解析与自动生 成 新建流域水系和工程拓扑关系 拓扑关系自动化生成 和水利工 P24 积木装配式调度模型建模 基于系统连通拓扑关系和通用化标准化模块 ，研发模型自组装技术 ，实现复杂防洪系统装配式建模， 提高建模效率、 自动化和智能化水平 技术成果： 提升建模效 率 复杂防洪系统调度模型库与装配式建模技术 P25 模型高效求解：

专业服务 团队提供的支持与赋能。 22% IT 基础设施团队效率提高 3 32% 通用石油天然气公司将业务迁移 到亚马逊云科技云端后，总拥有 成本降低 52% 1. 2. 3. 4. 通用石油天然气公司 IT 基础设施运营成本 减半案例 该公司通过将 500 个应用程序迁至云端，通用电气旗下的 石油天然气业务公司将其基础设施总拥有成本 (TCO) 降低了 52%。团队重 部署新增计算资源的时间缩短 12 63% 联合利华大幅加速新产品上市时间 联合利华需要重新设计其基础设施。这家消费品巨头希望将现有资产迁移至云端，并为 其网站搭建一个具备区域性内容分发架构的通用技术平台。 联合利华参加了亚马逊云科技的创新研讨会，共同设计平台架构，然后构建了一个试点 平台供利益相关者审查。随后，联合利华选择来自亚马逊云科技合作伙伴网络 (APN) 的 一家高级咨询合作伙伴成员

0，聚焦教育部提出的集成化、 智能化和国际化方向，构建开放、普惠、安全的教育 智能新生态。 我们积极建设并落地教育教学大模型，依托 “1+N+N”AI技术架构，将自研的希沃教学大模型 2.0融合高质量教育语料与通用模型，打造覆盖备课、 授课、评价全流程的AI教学空间。我们倡导携手生态 伙伴打破资源边界，缩小数字鸿沟。同时高度重视AI 伦理与安全，始终让技术服务于人，助力教师成为课 堂的首席引导者。 产业发展报告前言 16 《2025未来课堂AI智慧教室教学装备产业发展报告》前言 随着AI大模型技术的日趋成熟，其在教育领域的经济可行性与商业化落地正迎来关键拐点。我们观察到，产业的 重心正清晰地从通用模型的技术比拼，转向以行业数据深度分析、垂直模型场景化应用及教育AI Agent （教育 行业人工智能代理）自主交互为代表的商业模式突破，同时，广泛的市场教育与繁荣的开源生态，正共同驱动着 从教 控的国家战略，在教育领 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

主动破题，狠抓政务大数据“聚通用”三个环节，认真分析政务大数据共享壁垒 , 通过机制创新、业务创新、技术创新 , 积极探索全省数据共享交换体系的建设。 2. 抓实各地各部门信息系统整合共享、场景应用，提升政府治理服务能力，服务社会民生，增加老百姓“获得感”。 3. 进一步统筹推动全省政务信息系统整合共享 ，以贵州省数据共享交换平台为基础，以核心应用场景为抓手，构筑政府数据“聚通用”发展新格局，显著提升政 梳理行业管理的数据， 形成数据脉络，理清 数据现状和数据需求 用 数据治理最终价值体 现，通过数据共享开 发赋能应用创新 治 基于行业及内部标准 进行数据标准化、元 数据和质量的管理 cc 聚通用 2.0" 政务数据平 台 支撑政务决策分析 数据大脑 第 1 0 页 。。。 实现对多源异构教据的采集，支持 50+ 种数据源、 2600+ 种数据源配对的适配，支持从不 同 结构的 及骨干网九大核心 区域清洗中心、 3.6Tbps 骨干网二 平面清洗能力。 CMBaaS 是中国移 动自研的区块链服 务平台，包含基于 EOS 、 Fabric 双引 擎通用的控制台服 务、 EOS 和 Fabric 双引擎服务；无论 订购哪项服务，均 需通过 CMBaaS 控 制台提供可视化的 操作 。 EOS 区块链网络 引 擎：信息技术中心 提供，具备组网强、

3298 – 33 开放研发平台建设的关键在于平台用户的获取及维系，平台的运营是平台能否成功的关键核心因素。 平台建设风险 & 应对举措 通过多样化渠道获取不同用户： •XX 用户（含普通用户、忠诚用户、铁粉用户等）； •XX 合作伙伴（含供应商、 AI 公司等）； •第三方研究机构（含高校、科研机构等）； •外部团体（含创客空间、猪八戒等创客平台等）。 用户 获取 用户 维系 通过差异化手段维系不同用户： 搭建个性化 定制平台 执行部门：制造部 实施内容：根据用 户需求及行业标杆 搭建个性化平台 1 个性化定制 模块研发 执行部门：研发部 实施内容：实现可 供定制的模块化设 计及通用化设计 2 个性化定制 平台引流 执行部门：销售部 实施内容：线下数 字化展厅及个性化 定制平台引流 3 供应链管理 优化 执行部门：采购物流 实施内容：应用 JIT/JIS 系统持续优 制造—工厂生产 制造—生产管理 VR 与平台研发 – 43 为配合个性化定制业务，缩短研发时间，减少研发成本， XX 研发可应用 VR 技术和 DOE 平台开展研发， 特别需要重视整车模块化设计和零件通用化设计。 XX 个性化定制的研发配合 1 应用 VR 实验室研发 运用 VR 技术，使设 计师在计算机模拟环 境中检查汽车的整个 外观与内饰设计，查 看中控台与内饰板等 特定细节，提升设计

 能耗实时监测  能耗统计分析  能源报警管理  能耗负荷预测与分析  能源调度管理  能耗设备管理  能耗对标管理  环境排放检测 通用能源目录 通用产品目录 通用转化系统 计量单位 能源结构 产品结构 能源转化系统 基础数据 节能目标设置 采集参数设置 系统配置 智慧能源管理主要业务功能 通信通道参数 采集设备参数 数据分组管理 采集参数配置

借鉴业内经典数据模型建设理念，实现了数据的汇聚、整合与加工，完成统一数据湖以及双层主题域数仓模型的构建，搭建了 湖仓一体数据架构，全面整合内外部数据，实现全域数据统一管理，统一集中开发，统一融合分级共享，实现多个应用服务， 沉淀通用数据资产与专业数据资产，建立数据资产目录，提供全面的数据资产视图，推动数据高质量发展，快速释放数据要素 价值。 方案亮点 中电金信软件有限公司 扫码关注 微信公众号 典型案例 分布式架构，弹性扩容，安全可靠 完成了四大能力建设，搭建湖仓一体的数据架构，这种架构的设计，能够全面整合集 团及子公司的内部外部数据， 从而提供更全面、更准确的数据支持。 3、数据资产的沉淀和提炼，释放数据价值 沉淀通用数据资产与专业数据资产，不仅丰富了数据资源，也提高了数据处理和分析能力，推动集 团和子公司数据的高质量发展， 并实现了数据要素价值的快速释放，使得快速响应市场变化，更好 地服务客户，从而提升集团的竞争优势。

设备通过硬件 （如 CPU、GPU、ASIC 芯片等）和软件协同工作，完成各类计算任务（如数值计算、逻 辑运算、数据处理等）的效率。 1.1.2 算力分类及应用场景 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 常活动，自行设计、集成或采购工具以提升质量和作业效率。 1.2 行业现状 1.2.1 算力规模持续扩张 随着各行业数字化转型加速以及人工智能应用的深度拓展，对算力的需求呈现出 爆发式增长态势。数据显示，2025 年中国通用算力规模预计增长 20%，智能算力规模 增长 43%，近五年来，算力总规模增速每年高达 30%左右。全球范围内，算力需求也在 持续攀升，预计到 2030 年，全球算力规模将比当前增长数倍。为满足这一需求，各地 算力中心则 通常采用芯片异构计算架构，结合 CPU、GPU、NPU、TPU 等多种芯片，形成高并发的分 布式计算系统，应用于神经网络模型的训练及推理等。从芯片结构演进来看，传统数 据中心侧重于通用计算任务的性价比和灵活性，而算力中心注重人工智能类型的特定 计算需求及运算效率，并要求具有强大的图形处理功能，需要制定人工智能算力硬件 和存储解决方案，以满足其人工智能高性能计算需求。 1.2

每个迭代不超 过一个月；根据设计将需求分解在每一轮迭代，每轮迭代都会产生可交付的产品，不 断进行，最终完成需求所要求的版本。 基于禅道的开发一般包括以下角色： (1) 产品经理：负责收集和沟通用户信息，整理形成需求文档和产品。 (2) 项目经理：根据需求文档制定项目（迭代计划）；为制定好的项目分配团队， 将项目分解为任务，分配到每一个成员。 (3) 研发人员：领取项目经理分配的任务，执行开发，解决项目中的 (2)复杂问题简化：将一个复杂的任务拆解成多个步骤来分步骤完成，每个层只解 决特定的问题。 (3)统一数据口径：通过数据分层，提供统一的数据出口，统一输出口径。 (4)减少重复开发：规范数据分层，开发通用的中间层，可以极大地减少重复计算 的工作。 综上所述，数据分层模型能够促进业务与技术进行有效沟通，形成对主要业务定 义和术语的统一认识，具有跨部门、中性的特征，可以表达和涵盖所有的业务。 因 数据模型设计人员的行业经验以及对现有城市安全风险监测预警行业业务了解来进行 的。 为了高度统一的刻画城市安全风险实体的属性和特征，从庞大的资源库中抽取共 性的维度进行分析，通过一组数据建模方法和一系列基础算法，形成高通用、易扩展 和易使用的数据模型。主题库设计有以下原则： (1) 低耦合：合理定义、归并各类维度，避免维度定义重复、冗余出现； (2) 易用性：采用一些维度退化手法，将维度退化至事实表中，减少事实表和维