为“容器/作业”，并提供“最优匹配、按需启停、精准计量、效用付 费”的任务式计算服务。任务式计算服务的时间特征具有“临时性”、 空间特征具有“跳跃性”、流量特征具有“突变性”，即平时不用时任 务不存在只有用时才临时启动任务，本次启动在 A 地 X 供应方而下 次可能启动在 B 地 Y 供应方，平时不用时流量为 0 而用时流量会随 计算服务负载大幅波动。那么，传输服务如何能够满足并匹配任务式 计算服务的临时性、跳跃性、突变性？这必然要求网络资源的可调度。 《东数西算算网协同调度-业务场景白皮书》（简称白皮书）的编 制，是基于国家东数西算“安全新总线”项目所开展的算网协同工程 实践。“安全新总线”通过 400Gbps 互联了国家八大枢纽节点、以及 多个国家超算中心，可根据任务时延、带宽需求提供广域确定性网络 传输质量，并通过网络操作系统开放网络资源的调度能力，算网协同 调度平台即原生构建其上。 白皮书以业务场景视角切入，对东数西算算网协同调度的调度架 构、应用场 精准调度匹配需求的算力及网络资源，完成用户任务的部署 与执行。  资源供方入口：资源供应方可通过该入口向平台注册算力资 源，同时登记账户信息等相关内容，实现资源发布、调度、 使用、计量、计费及结算的全业务流程闭环。  协同调度模块：通过协同任务调度、流量调度与数据调度， 满足算力消费者对系统在算力、网络、存储等多维度的使用 ● 需求。  任务调度模块：接受协同调度的调控，聚焦算力维度需求，

得益于近期具有世界知识的大规模预训练模型的迅速发展, 基于大模型的具身智能在各类任务中取得了良好的 效果, 展现出强大的泛化能力与在各领域内广阔的应用前景. 鉴于此, 对基于大模型的具身智能的工作进行了综述, 首先, 介绍大模型在具身智能系统中起到的感知与理解作用; 其次, 对大模型在具身智能中参与的需求级、任务级、规划级和动作 级的控制进行了较为全面的总结; 然后, 对不同具身智能系统架构进行介绍 而如何利用目前飞速发展的计算能力与人工智能 (Artificial intelligence, AI) 技术提高具身智能的表 现则成为学界与产业界的关注重点. 最近的研究表 明, 通过扩大语言模型的规模, 可以显著提高其在 少样本学习任务上的表现, 以 GPT-3 (Generative pre-trained transformer 3)[4] 为代表的大语言模型 (Large language model, LLM) 在没有进行任何参 数更新或微调的情况下, 仅通过文本交互来指定任 务和少样本示例就能很好地完成各类任务. 在此之 后, 具有优秀泛化能力与丰富常识的基础模型在计 算机视觉、自然语言处理等领域都展现出令人瞩目 的效果. GPT-4[5]、LLaMA[6]、LLaMA2[7]、Gemini[8]、 Gemini1.5[9] 等大语言模型能与人类进行流畅的对 话, 进行推理任务, 甚至进行诗歌和故事的创作; BLIP (Bootstrapping

消费者的需求不再是简单的功能堆叠，而是追求随时随地、自然流畅、无 感协同的智慧体验。他们希望终端设备更聪明、更懂人，不仅能理解指令、 完成任务，还能超前思考、主动服务。在这样的趋势下，智能体成为新时 代智慧体验的关键载体，以用户意图为中心，以多模态交互、意图理解、 任务闭环与持续学习进化等关键能力为特征，打通用户、系统与服务之间 的链路，带来全新的服务模式。 华为终端致力于打造王者产品，构筑智慧全场景极致体验。我们持续 鸿蒙应用生而智能 前 言 近年来，生成式人工智能（Generative AI）迎来前所未有的技术飞跃， 以大语言模型（LLM） 为代表的基础模型进入高速迭代期，一路狂奔，不断刷新能力边界。模型在复杂任务推理、规划、 代码生成等方面取得显著提升，在各类权威基准测试中不断突破记录，多项能力指标接近甚至 超越人类专家水平。 模型的上下文窗口显著扩展，主流模型已支持十万到百万级 Token 输入，可处理长文档、 这一系列技术的突破，正在重塑人类与数字世界的交互方式。生成式 AI 不再是问答工具， 而是嵌入到每一个终端、系统、应用与服务中的可持续演化的智能体（Agent），具备感知周 围环境、理解用户意图、学习用户偏好、自主执行复杂任务的全流程能力。 2024 年 6 月，华为向业界发布《AI 终端白皮书》 [1]，明确指出智能体将引领终端进入全新 人机交互及智能协作的时代，如多模态大模型带来更自然、更全面的人机交互体验，AI

影创作等非专业领域需求；也涵盖工业级无人机的深度开发，依据农 业植保、电力巡检、物流配送等特定行业的专业诉求进行定制化设计。 在有人驾驶航空器制造领域，聚焦于轻型直升机、小型固定翼飞机等 适宜低空飞行任务的机型研发与生产，从航空器的空气动力学设计优 化、先进航空材料的选用，到高性能动力系统的匹配、航空电子设备 的集成等多方面进行技术攻关与创新突破，旨在为低空旅游观光、应 急救援、商务通勤等多样化的应用场景提供安全可靠、性能卓越、经 2. 初步发展期 二战期间，军事需求极大地推动了航空技术的飞速发展，低空飞 行技术也取得了显著进步。直升机在这一时期得到广泛应用，其独特 的低空悬停和垂直起降能力使其在战场救援、侦察、特种作战等任务 中发挥了关键作用。战后，部分军事低空飞行技术逐渐转为民用。在 农业领域，美国在 20 世纪 40 年代末开始出现利用直升机进行农药喷 洒和农田巡查的尝试，初步形成了低空飞行在农业植保方面的应用雏 《通用航空装 备创新应用实 施方案 （2024-2030 年）》 包括增强产业技术创新能力、提升产 业链供应链竞争力、深化重点领域示 范应用、推动基础支撑体系建设、构 建高效融合产业生态等重点任务。 国务院 2024.3 2024 年《政府 工作报告》 明确积极培育新兴产业和未来产业， 积极打造生物制造、商业航天、低空 经济等新增长引擎。 中央经济 工作会议 2023.12 中央经济工作

进，主要基于两大核心逻辑：场景的标准化程度、任务的复杂程度由简至繁 5 工 作 环 境 复 杂 工 作 环 境 简 单 任务单一 任务复杂 商业服务 单一动作执行 ✓ 商业演出 ✓ 迎宾引导 ✓ 导览讲解 ✓ … 多动作组合 ✓ 餐盘收集 ✓ 递送物品 ✓ … 长链条复杂机械任务 ✓ 平面清洁 ✓ 零售结账 ✓ … 长链条复杂灵活任务 ✓ 零售导购 ✓ … 工业服务 单一工序、单一动作执行 螺栓预拧紧 ✓ … 单一工序、长链条任务衔接 ✓ 组装 ✓ 接线 ✓ … 多工序、多任务衔接 ✓ 配合产线节拍 ✓ 与工业机器人/AGV协同 ✓ 与人协同 ✓ … 家庭服务 单一动作执行 ✓ 语音交互 ✓ 社区娱乐 ✓ … 多动作组合+单形式交互 ✓ 递送物品 ✓ 搬运物品 ✓ … 长链条任务+多形式交互 ✓ 平面清洁 ✓ 衣物餐品洗涤 ✓ … 复杂任务、多形式交互 ✓ 餐饮制作 ✓ 照料护理 and Confidential All Rights Reserved. 人形机器人细分场景落地顺序评估逻辑 …聚焦工业/家庭/商业领域细分场景落地顺序，需评估两大维度①场景结构化程度（环境、工具）②任务复杂程度（动作、交 互理解）。对机器人的四大关键能力提出需求（感知、运控、决策、交互） 7 一级指标 二级指标 能力等级 指标定义 结构化程度 环境 1 路线与物品位置固定 2 路线涉及物体机械移动

算电协同技术白皮书 2 为 68.6%，青海、甘肃等新能源大省也面临类似困境。在此背景下， 算力负荷的时空可转移特性（如“东数西算”工程中的冷数据处理西 迁）和灵活调节潜力（如 AI 训练任务的错峰调度）为电力系统提供 了新的调节手段。研究表明，通过优化调度，全国数据中心可提供约 3000 万千瓦的灵活调节能力，相当于 30 座百万千瓦级抽水蓄能电站。 此外，在“双碳”目标约束下，算力产业的绿色转型需求迫切，但目 尽管我国风光发电装机超 14.5 亿千瓦（2024 年底），但间歇性、波动 性导致西部“弃风弃光”与东部“缺电”并存，而算力中心的灵活负 载特性可成为破解这一困局的关键——通过 AI 调度算法将非实时计 算任务转移至绿电富集时段，理论上可提升新能源消纳率 15%以上， 实现“比特”与“瓦特”的时空耦合。政策层面，“东数西算”工程已 明确要求 2025 年国家枢纽节点数据中心绿电占比超 80%， 《加快构建 提出通过余热回收、光热发电协同等技术提升能源利用效率，并要求 试点项目在 2024 年 8 月后开工，2025 年底前形成阶段性成果。 同时，《2025 年能源工作指导意见》将算电协同纳入新型电力系 统建设重点任务，强调需与“东数西算”工程联动，推动国家枢纽节 点数据中心绿电占比超 80%的目标。国家数据局等五部门联合印发的 《加快构建全国一体化算力网的实施意见》则提出“算力与绿色电力 第九届未来网络发展大会白皮书

布式算 力是一种新型的计算模式，在实时感知多类型、多数量计算设备资源 状况的基础上，借助统一的度量范式对资源量进行对比与评估，再结 合任务的计算强度、时延要求和数据依赖等特征，以及网络带宽和能 量预算等约束，运用自适应的智能调度算法将大规模的计算任务分散 到不同的计算节点上，从而实现高效的数据处理和分析。本白皮书阐 述了分布式算力感知与调度的背景、体系结构、关键技术、应用场景、 发展 础设施。这一理 念旨在构建一个能够动态感知全网算力资源，并根据任务需求进行智 2 能化、自动化、最优化调度的新型信息基础设施，降低计算延迟与成 本，支撑新型智能化应用的落地。 分布式算力是相对于传统集中式算力（如单一超级数据中心）而 言的算力部署与利用模式，其核心是将一个大的计算任务分解成若干 个小任务，然后把这些小任务分配给地理、网络层级或逻辑上相互独 立的多个节点。这些计算节点可涵盖数据中心、边缘设备（如基站、 一形态，边缘算力是前者重要组成部分，是分布式思想的一种具体体 现。边缘算力强调“地理近端性”，即计算能力的部署靠近数据源， 以满足低延迟和高实时性的需求；而分布式算力更关注“全局最优性”， 侧重任务的分解与协同，以处理大规模和复杂的计算任务可能调度至 边缘、核心云或两者协同，例如“云-边-端”分层推理。 分布式算力感知与调度的核心在于“感知”与“调度”两个相互 依存、紧密结合的环节。“感知”是基础和前提，它指的是系统具备

概念又被重 新拾起。大模型成为了智能体目前最完美的载体，有望完成从概念到实际应用的 蜕变。用户在 Agent（智能体）模式中给 AI 设臵目标和身份，并提供 Prompt（提 示词）。AI 自主拆分任务、使用工具、完成工作，用户仅负责设立目标、提供工具 资源和监督结果。  赋能两类实体领域，成本与效益的博弈：AI Agent 目前的应用大多都在概念层面， 但随着大模型竞争加快、政策鼓励研发投入、更多企业参与 智能体将从概念走向实际应用，成为各行业的重要助力。通过多模态大模型，智 能体能够整合图片、语音等异构数据，提高任务处理效率，并解决跨行业、跨领 域的问题。技术方面，智能体具备长期和短期记忆、自主规划、工具使用和自动 执行任务的能力。这些能力不仅能提高工作效率，还能为用户提供更好的体验。 单智能体通过试错学习适用于简单任务，而多智能体则在复杂环境中通过合作或 竞争调整最佳策略。当前，智能体主要应用在自动化和情感需求等领域，但商业 解锁科技树的成功率（蓝色是 GITM） ............................................................. 27 图 43 各模型完成任务成功率对比 .............................................................................. 27 图 44 豆包智能体的对话界面

升，位居全球第二。目前算力资源主要分为中心算力、边缘算力和本 地算力。其中，智算中心在处理计算任务时面临实时性较弱与隐私风 险，而很多设备的本地算力远不能满足人工智能、大数据等技术应用 要求。在新型工业网络、车联网等场景中，算力基础设施需要满足实 时响应、业务灵活、任务迁移等需求，边缘算力通过下沉至数据源头、 就近处理关键任务，成为人工智能实时场景中落地的必然选择。边缘 计算具有临近数据源、减轻云端数据压力以及保护用户隐私等显著优 缘节点将 闲置资源共享给算力不足的节点或用户，通过节点间任务协作实现资 源高效利用。提高闲置算力的利用率。其次，边缘算力系统通过多节 点冗余备份，邻近节点可快速接管故障节点的任务，显著增强系统抗 风险能力。最后，边缘算力系统通过多样化的网络实现离散边缘算力 3 节点互联互通，具备将网络与算力统一管控的能力，支持网络对计算 任务的动态适配和优化。 1.2 边缘算力基本概念 边缘算力 边缘算力是指在靠近用户侧部署的计算能力，具体包含推理决策、 执行计算任务、存储数据、训练模型等能力，它不仅包括硬件层面的 计算能力，如处理器的运算速度、内存容量、存储能力等，还涵盖软 件层面的算法处理能力，如数据预处理、实时分析、智能决策等算法 的效率和准确性。 边缘算力为各类实时应用提供了算力底座，通过在靠近数据供需 两侧的位置提供数据处理能力，大幅缩短原始数据传输距离，从物理 层减少延迟

..................................................................................... 9 1.1.2 工业任务/行业模型适配 ................................................................ 10 1.1.3 工业数据制备........ 节（实现质量管控、故障预测）。其构建遵循三阶段体系：首先完成工业数据制 备，处理 CAX 模型、传感信号等特有模态数据；随后训练工业基座模型，攻克 工业语义理解、小样本学习等技术难点；最终通过任务适配实现场景交互，与 PLC、工业机器人等设备协同运作。 ➢ 通用工业大模型 通用工业大模型是工业大模型的一种类型。它是在工业领域构建的，相对 于行业大模型和场景大模型而言，更具通用性的模型。它以通用的工业数据和 备制造等不 同的工业行业中，每个行业都有其独特的工艺、设备、产品要求等。行业大模 型针对这些特定行业的数据和需求进行构建，能够更好地理解和处理特定行业 内的任务，如汽车行业中的零部件设计优化、电子设备制造中的电路板故障检 测等任务。 图 1.2 制造行业（汽车制造、电路制造、电子产品制造等） ➢ 场景大模型 场景大模型则是进一步细化到工业中的特定场景。工业领域包含众多场景， 10