的"风暴眼"。各大细分赛道头部企业如学而思、网易有道、中公教育、希沃等纷纷 抢滩接入DeepSeek-R1大模型，并围绕DeepSeek能力开启软件与硬件业务方向的 智能升级、创新，推动行业走向AI原生教育的新生态。 一、教育企业快速拥抱DeepSeek，以其思维链、高性价 比优势掀起新一轮变革 DeepSeek-R1自2025年1月20日正式发布以来，热度快速且持续增长，C端流量爆 发的同 学而思围绕DeekSeek的AI教育布局情况 三、网易有道：融合底层技术构建混合架构，升级全线 产品、创新AI原生学习硬件 2月6日，网易有道宣布旗下有道小P、Hi Echo、有道词典、QAnything、有道智 云等产品全面接入DeepSeek推理能力进行升级，深化AI技术与教育场景的结合； 后于2月18日推出AI原生学习硬件产品答疑笔SpaceOne。网易有道通过将全产品 线接入DeepSeek、加速智能硬件 维优势提升AI教育能力和个性化交互学习体验；此外，网易有道基于子曰教育大模 型自研的RAG引擎“QAnything”、AI开放平台有道智云也全面接入DeepSeek的 推理能力进行升级。 3、AI教育硬件创新：推出AI原生学习硬件“SpaceOne”，作为全面屏答疑词典笔 具备DeepSeek-R1推理模型能力，且内置网易有道AI家教软件及教育资源、知识 库，创新学科难题深度讲解方式。 网易有道围绕DeekSeek的AI教育布局情况

语音/视频处理以及中小模 型的推理体验。 云原生方案形成整体保障：除了算力层面的降本措施，云服务商还通过持续增强弹性伸缩、 Serverless以及统一运维等云原生解决方案的效能，实现硬件、算法、平台、服务的协同进 化。例如，在强化弹性伸缩能力时，综合运用编排调度（例如Kubernetes）、服务监控、服 务治理以及相关的配置管理等云原生能力，在提高弹性伸缩的速率的同时，持续增强自动化 存储节点，进一步增加了系统设计和实现的复杂度。 云原生架构带来系统架构和技术栈的新问题：例如如何处理微服务间频繁的通信、复杂的拓 扑、多样化存储以及动态多变的负载等，并强化隔离保障安全。云服务商通过持续增强弹性 伸缩、Serverless以及统一运维等云原生解决方案的效能，帮助用户降低成本。例如，在强 化弹性伸缩能力时，综合运用编排调度（例如Kubernetes）、服务监控、服务治理以及相关 的配置管理等云原生能力。 �� 运维复杂度⸺人力与资源的双重负担：云计算的分布式架构和动态资源调度需求增加了运维 难度。大型企业可能使用跨区域、跨云环境下数以千计的实例，处理自动化扩容、故障转移 等复杂任务。企业需投入大量的云原生开发和运维人才，采购昂贵的监控与自动化工具等。 成本控制⸺算力性价比难题：企业多云集群和异构计算资源的效率和适配不足，使算力成 本长期居高不下，弹性能力的缺失造成的大量云实例闲置，也加剧了浪费现象。在企业加速

Agent 应用的服务、配置和AI智能体管理平台 04 Part 1 Nacos3.0 架构升级&核心能力 性能 & 可拓展性提升 Nacos 简介 Nacos2.0时代：一个更易于构建云原生应用的动态服务发现、配置管理和服务管理平台 https://nacos.io/ Nacos社区 2.0发展回顾 • Github仓库突破3w stars • 贡献者突破400 • 开源生态：多语言&集成 开放原子基金 年度生态开源项目 • 2023 GLCC优秀社区 Nacos 2.0技术架构演进 Nacos 2.0挑战与机遇 功能易用性 安全风险 AI时代 • 构建AI应用部署形态改变 • 原生配置&服务的模型如何支持 AI应用构建，相比微服务时代提 供更易用的产品化功能 • 默认命名空间不统一：服务&配 置标识不一致 • 配置及服务的动态订阅 • 分布式锁功能支持 维护成本高 模块化 负载均衡 服务管理 RPC技术 高密度部署 原子、自治 按量使用 极致弹性 Runtime 流量网关 微服务网关 ESB 云原生网关 Kubernetes AI 网关 SOA架构 微服务架构 云原生架构 AI原生架构 垂直架构 单体架构 ？ 伴随软件架构的演进网关形态也在持续进化，K8s 成为统一运维界面，AI 成为流量增长的核心驱动力 AI应用架构组件概览

升决策质量和效率。 动态建模与实时决策支持能力构建 实时数据集成 动态模型调整 预测性分析 智能决策支持 04 技术架构设计与模型融合 方案 分布式计算与云原生架构支撑体系 弹性扩展能力 采用分布式计算框架和云 原生架构，能够根据业务 需求动态调整资源分配， 确保系统在高并发场景下 的稳定性和性能。 微服务化设计 通过将系统拆分为多个独 立的微服务，实现模块化 开发与部署，提升系统的

虑以下因素：业务需求、系统性能、可扩展性、安全性以及成本效 益。首先，根据业务规模和应用场景，选择适合的部署模式，通常 包括本地部署、云原生部署和混合云部署。本地部署适用于对数据 安全性要求极高或网络条件有限的场景，但其扩展性和维护成本较 高。云原生部署则提供了弹性扩展和高效运维的优势，尤其适合需 要快速迭代和全球化服务的业务。混合云部署结合了两者的优点， 既能满足数据本地化的需求，又能利用云计算资源实现灵活扩展。

程、组织10个引领全国的示范性应用项目、推广一批具有广泛应用前景的商业化应用成 果，力争到2025年底形成3至5个先进可用、自主可控的基础大模型产品、100个优秀的行 业大模型产品和1000个行业成功案例。力争率先建设AI原生城市，推动北京市成为具有全 球影响力的人工智能创新策源地和应用高地。 为了进一步支持科技金融发展，相关部门再出新政。近日，中国人民银行、科技部、国 家发展改革委、工业和信息化部、金融监管总局、中国证监会、国家外汇局等七部门联合印 ，消除手动干预的需求，”丘博北美转 5.2.4 丘博保险 ��� 型官Amir Farid解释说。 “Cytora的平台赋予丘博团队以可扩展的方式在多个市场和业务线 中创建、组合和部署AI原生索赔文档流程。” “保险行业正在迅速向数字化优先的未来转变，”Cytora的首席执行官Richard Hartley 强调。 “这一转变使保险公司能够高效地扩大风险量，同时获得对决策的优越控制。我们很 括2D和3D），到声音、光线、电信号，甚至分子和原子等多种形式。这种技术的不断进步不 仅在生成和迁移跨模态内容方面展现出巨大潜力，还在理解和模拟物理世界规律方面取 得了显著进展。 例如，谷歌推出的Gemini模型，以其原生多模态能力，能够无缝处理文本、图像、视频、 音频和代码等多种数据类型。OpenAI的Sora模型则展示了其在生成长达60秒的高质量视 频方面的能力，尤其是在模拟物理规律方面，Sora已经展现出了作为世界模拟器的潜力。

有价值 的信息。此外，数据的安全性必须得到充分保障，模型在处理敏感 信息时应遵循严格的数据加密和访问控制策略，以防止数据泄露和 未经授权的访问。 在技术架构上，模型的部署应支持分布式计算和云原生架构， 以实现高可用性和弹性扩展。银行系统通常需要 24/7 不间断运 行，因此模型的部署方案应考虑到故障转移和自动恢复机制。同 时，模型的监控和日志记录功能应完善，以便于实时监控模型的运 支持高并发处理，响应时间控制在毫秒级别  使用高质量金融数据进行训练，优化反欺诈和风险评估  具备强大的数据清洗和预处理能力  遵循严格的数据加密和访问控制策略，保障数据安全  支持分布式计算和云原生架构，实现高可用性和弹性扩展  完善的监控和日志记录功能，实时监控模型运行状态 最后，模型的维护和更新应定期进行，以确保其能够适应不断 变化的业务需求和技术环境。银行系统的技术团队应具备足够的专