智算服务案例集 全球计算联盟 智能计算产业发展委员会 1 编写单位（排名不分先后） 中讯邮电咨询设计院有限公司、华为技术有限公司、科大讯飞股份有限公司、 中国信息通信研究院、中国电 中国信息通信研究院、中国电信集团有限公司、中国移动通信集团广东有限公司、 上海天数智芯半导体股份有限公司、河南昆仑技术有限公司、四川华鲲振宇智能 科技有限责任公司、中国质量认证中心有限公司 编写组成员（排名不分先后） 马季春 王曼 施晶峰 王月 张建峥 赵以爽 杨军刚 杨伊鸣 郭光鑫 吴茜 梁宇 栋 马凤鸣 党朝志 赵金辉 陈常水 颜万瑞 吴涛 顾剑波 谈儒猛 夏冬 胡铭珊 孙东旺、熊家振、许轶 ： 全球计算联盟”。 1 序 智算服务推动智算产业纵深发展 数据爆发式增长、算力不断跃迁、AI 算法和大模型持续演进带领我们进 入一个万物重构和万物智联的新时代。算力和 AI 是引领这一时代发展的最核心 的双引擎，是支撑数字建设和数字经济运行的关键要素。 智算建设如火如荼，但唯有建好、管好、用好算力，提供极致的智算服 务，构建稳健高效的算力平台，才能将算力转化为驱动创新的价值源泉，持续

报 告 ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ◆ ◆ ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125) ©亿欧智库-陈皓 (79125)

构和 复杂的网络连接，是由大量如神经元的简单元素通 过非线性相互作用产生的集体行为结果，智能行为 的模拟可以通过构建大量简单计算单元组成的大规 模 网 络 ，并 不 断 调 整 网 络 单 元 间 连 接 权 重 来 实 现[9-10]。优势在于从数据中学习的能力，善于处理复 杂的、模糊的问题。 1.1.2 主动学习 与传统结构化的知识获取方式相比，大模型采 用自监督学习方法，主动捕捉训练文本中更深层次 平得到了较大提高，例如，视频识别技术应用在安 全监管中实现的安全生产风险智能监测预警，无人 机及快速建模技术在应急救援中实现的灾害环境智 能感知等。这些技术侧重外部世界数据的收集和处 理，加强了系统的视觉、听觉和触觉等感知能力，使 得应急系统能够及时捕捉外部环境变化。按照机器 智能水平由低到高的 4 个层次：数据智能、感知智 能、认知智能和自主智能[22]，应急系统的智能水平达 到了感知智能这一层次。 从认知智能层次来看，当前系统思维能力不足，

我国在用标准机架数量分布............................................................................ 17 图 7 我国在用智算规模（FP16）分布....................................................................18 图 8 省级行政区算力分指数-算力质效 制生产设备的工 业机器人，到智能交通里实时规划路线的导航系统，再到个性化推 荐服务背后复杂的算法运算，各类数字化场景都高度依赖强大、稳 定且高效的算力支撑。特别是在智能化进程加速推进的背景下，智 算需求更呈现出一种持续攀升的强劲态势。据国际数据公司（IDC） 预测，2024 年全球人工智能服务器市场规模为 1251 亿美元，2025 年预计将增至 1587 亿美元，2028 年有望达到 70%的组织开始对生成式人工智能技术进行投资或处 于初步测试阶段，已经有 17%的组织将生成式人工智能应用和服务 引入生产环节，保障国家的科技话语权与产业安全。美国、日本等 发达国家和地区也持续加大在智算、超算等算力相关领域的投入， 力求巩固其领先地位。美国“网络与信息技术研发计划”(NITRD)人工 智能研发投资预算增长至 31 亿美元，占整体年预算的近三分之一， 相比于上一年提高 19.2%；2025

自动回复与工单处理 在 CRM 系统中接入 DeepSeek 大模型后，自动回复与工单处 理能力将实现质的飞跃。通过自然语言处理技术，系统能够理解客 户咨询的上下文意图，自动生成精准回复，同时根据问题复杂度智 能分配工单，显著提升服务效率与客户满意度。 核心功能实现路径如下： 1. 意图识别与分类 DeepSeek 模型通过分析客户输入的语义特征，自动识别问题 ” ” ” ” 类型并打标。例如，将 批量获取接口：设置每页 500-1000 条记录， 使用 gzip 压缩减少 70% 传输量 - 缓存策略：对静态数据（如产品 目录）采用 Redis 缓存，TTL 设置为 24 小时 - 连接复用：保持长连 接存活时间 120 秒，心跳间隔 30 秒 实施时需在测试环境验证接口稳定性，建议使用 Postman 进 行 2000 次/秒的压力测试，确保 P99 延迟<500ms 后再进入生产部 署。所有接入过程需通过审计日志记录，满足 性能与容错机制 建立双通道通信保障： - 主通道：WebSocket 长连接，用于实时对 话（心跳检测间隔 30 秒） - 备用通道：REST API 轮询（间隔 5 秒），在断连时自动切换 错误处理采用分级提示策略： - 网络异 常：显示本地缓存的历史会话 - “ ” 模型超时：提供 重新生成 按钮 - 敏感词触发：返回合规提示并记录审计日志 可访问性设计

公共安全视频监控系统，能够显著提高应对突发事件的响应速度和 处理能力。同时，整个技术架构设计必须充分考虑数据的安全性， 采用必要的加密和身份验证措施，以防止数据泄露与滥用。 综上所述，该技术架构将为公共安全领域提供强有力的视频智 能挖掘能力，有效提升安全监控、事件识别和决策支持的整体效 率。 3.1 数据源与输入 在公共安全引入 AI 大模型视频智能挖掘应用方案的技术架构 设计中，数据源与输入是核心环节之一。为实现有效的视频智能挖 甚至更高的 4K 分辨 率，确保监控图像清晰。  远程监控：通过网络接口，可以实现远程实时查看与管理，便 于安保人员的监控调度。  便于集成：支持各种视频管理软件和 AI 分析工具，适合与智 能监控系统相结合。 模拟摄像头相较于网络摄像头，成本较低，维护简单，但在画 质和功能上有所限制。通常适用于对视频质量要求不高、预算有限 的场合。 云台摄像头的特点在于其可以进行自动或手动的 可能需要更多的带宽 热成像设备 夜视与温度检测能力 夜间监控与火灾预警 成本较高 最终，综合考虑各种视频监控设备的特点和系统的实际工作需 求，将确保公共安全领域内的数据获取更加全面和有效，为人工智 能算法后续的数据处理与分析打下坚实的基础。 3.1.2 社交媒体与用户生成内容 在公共安全引入 AI 大模型进行视频智能挖掘的过程中，社交 媒体与用户生成内容(UGC)作为重要的数据源之一，为分析和监测

15-20%的速度递增（PwC 行业基准数据），但审计质量关键指标 却呈现下降趋势。监管处罚案例中，有 83%涉及传统方法未能识别 的数字化风险（SEC 2021-2023 年处罚分析）。这迫切需要通过智 能体技术重构审计作业模式，将人类专业判断与机器处理能力有机 结合。 2.3 构建智能体提效方案的核心目标 构建智能体提效方案的核心目标是通过深度集成 DeepSeek 的 先进 AI 能力 流程实现自动化： 持续学习机制通过反馈闭环实现：审计人员对系统结论的修正 操作（如确认误报或新增风险点）会自动进入模型训练队列，每周 增量更新一次模型参数。同时建立模型性能监控看板，当 F1 值连 续 3 个审计项目下降超过 5%时触发模型再训练流程。 4.3.1 大数据分析与可视化 在审计领域的大数据分析与可视化场景中，智能体通过多维度 数据融合与交互式分析技术实现审计效能的质变。系统采用分布式 达标。所有优化必须通过审计质量管控小组的合规性审查，特别关 注《审计署关于技术应用的规定》第 14 条关于人工终审的要求。 5.5 全面推广与培训 在全面推广与培训阶段，需通过系统化部署和分层培训确保智 能体在审计业务中的高效落地。首先建立覆盖全集团的推广机制， 由总部审计中心牵头成立专项工作组，制定分批次推广计划，优先 在年审项目占比超过 60%的重点区域试点，随后 3 个月内完成全国 分

智能体开发通用方案应运而生。该方案旨在为企业 提供一套标准化、模块化的智能体开发框架，帮助开发者快速构建 高效、可靠且可扩展的智能体系统。 当前市场上，智能体开发的主要痛点包括： - 技术栈复杂：智 能体开发涉及机器学习、自然语言处理、物联网等多个技术领域， 开发者需要具备跨学科知识。 - 可扩展性差：现有解决方案往往针 对特定场景设计，难以适应不同业务需求的变化。 - 维护成本高： 扩展的 DeepSeek 智能体，旨在满足多场景下的智能化需求，提升业务处 理效率与用户体验。通过对先进深度学习算法与大数据分析技术的 深度整合，构建一个具备自主学习、动态优化与高效执行能力的智 能体框架。项目将重点解决以下几方面问题：首先，实现智能体在 多模态数据（包括文本、图像、音频等）下的精确感知与理解能 力；其次，优化智能体在不同业务场景中的决策逻辑，使其能够快 速适应复杂环 保系统的灵活性和可维护性。 数据接入层负责与外部数据源进行交互，支持多种数据格式 （如 JSON、XML、CSV）和协议（如 HTTP、WebSocket、MQTT），确保数据的高速采集与传输。智 能处理层是系统的核心，集成了深度学习模型、自然语言处理模块 和规则引擎，通过分布式计算框架（如 TensorFlow、PyTorch） 实现高效的数据分析与决策能力。业务逻辑层定义了系统的核心功

向实际应用，从概念验证进入规模化部 署的关键阶段。因此，本年度《大模型技术深度赋能保险行业白皮书》的编写，不仅是对过 去一年技术发展的总结与回顾，更是对未来应用前景的展望与规划，旨在为保险行业的智 能化转型提供技术参考和实践建议。 白皮书基于阳光保险的大模型落地实践经验，深入剖析了大模型技术在保险行业的落 地应用路线。我们详细阐述了数据准备、模型精调、工程化适配、模型评测等关键环节的技 · · · · · · · · · · · · 27 2.1.1 保险业面临前所未有的挑战· · · · · · · · · · · · · · · · · · · · · 27 2.1.2 数智化转型是解决之道及不二选择· · · · · · · · · · · · · · · · 28 2.2 国内外相关政策分析· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 34 2.3 保险业数智化转型进展· · · · · · · · · · · · · · · · · · · · · · · · · · · 35 2.3.1 保险业数智化转型是一个全方位多层级的渐进过程· · · · 36 2.3.2 保险业数智化转型进展· · · · · · · · · · · · · · · · · · · ·

所产生的碳排放量仅为公路运输的五分之一，这无疑为应对全球气 候变化提供了重要支持。 在日益复杂的全球物流和供应链体系中，铁路运输不仅可以满 足国内市场的需求，还可以作为国际贸易的重要运输通道，通过连 “ ” 通各大经济体，推动 一带一路 倡议的实施，使中国与世界其他地 区的经济联系更加紧密。 总结而言，铁路运输的重要性体现在多个方面，包括：  便捷的空间连接促进区域经济发达与平衡  延长排队时间。 在具体实施过程中，可以设置一些智能监控点，例如在关键车 站及沿线重要节点，部署传感器与摄像头，收集数据。这些设备收 集到的数据将实时传输至中心 AI 分析系统，进行深度学习后的智 能分析。 再者，不同车站和线路的运营效率分析结果可以形成总结报 告，为后续的业务规划与优化提供决策依据。比如，某一条线路通 过分析发现，早高峰时段车厢拥挤，而晚高峰时段则出现大量空 座，AI 断自我优化，提升模型的准确性与效率。这一过程不仅能够有效预 测设备失效的可能性，还能通过分析历史数据，识别潜在的风险区 域，并制定相应的维护计划，从而降低维护成本和提高运营效率。 在用户体验方面，未来应加强与移动互联网和用户终端的连 接，允许乘客通过手机应用访问铁路沿线的实时信息。例如，乘客 可以通过 AR 技术实时查看沿线的交通信息、旅游景点与服务设 施，提升出行体验。同时，可以结合社交媒体平台，鼓励乘客分享 旅行体验