付新业务上线部署时千奇百怪的 需求，进一步产生了额外的高额开支和大量的重复建设。 �� 解决方案 03 阿里云第九代企业级ECS实例（ECS g�i）基于“CIPU+飞天”技术架构，搭载英特尔®至强® 6性能 核处理器（P-core），为包括数据库、大数据、游戏在内的多类场景带来显著的性能和体验提升。 CIPU作为新一代云计算管控和加速中心，向下对数据中心的计算、存储、网络资源快速云化并进 作为最新一代的至强® 产品，英特尔®至强® 6 性能核处理器经过精心优化，具备更出色的单核性 能，更适合公有云工作负载，能够为浮点运算、事务型数据库和科学计算等工作负载提供更高的 单个 vCPU 性能。在核心数量、算力密度、内存与 I/O 升级和AI 深度优化，以及多场景性能上， 至强® 6性能核处理器均有全面突破。 图3. 英特尔®至强®代际演进 来源: Intel 代际规格 第二代英特尔®至强®可 扩展处理器 扩展处理器 第四代英特尔®至强®可 扩展处理器 英特尔®至强®6900 性能核处理器 128 核 60 核 28 核 最高单路 内核数 内存 PCIe AI加速器 AVX-512(VNNI) AMX/TMUL(INT8& BFloat 16)&AVX-512 (VNNI/INT8) AMX/TMUL(INT8& BFloat 16,FP16)&AVX-512 (VNNI/INT8) 6通道

10000 年 漫 游亚特兰蒂斯平 原， 它们经常与皇 室联 系在一起。 模型的回答与事实不符， 因为尼尔 · 阿姆斯特朗 才是第一个登上月球的 人，而尤里 · 加加林是 第一个进入太空的人。 模型的回答是虚构的，因 为没有经过验证的现实世 界证据支持独角兽在亚特 兰蒂斯的存在，特别是与 皇室的关联。 违反事实，专业知识不足 https://www.lakera

产业升级。 产业链分析 智能软件研发产业链的发展现状 智能软件研发行业产业链主要有以下核心研究观点： 上 产业链上游环节分析 5 深圳市科敏传感器有限公司 英伟达芯片科技有限公司 上海韦尔半导体股份有限公司 深圳市腾云芯片技术有限公司 北京奕斯伟计算技术股份有限公司 光谷云计算武汉有限公司 北京云尔计算科技有限公司 深圳市海思半导体有限公司 SK海力士半导体（中国）有限公司 江西兆驰半导体有限公司 来十年的年复合增长率将逼近40%。面对如此庞大的数据存储需求，存储技术的革新显得尤为关键。当前，相变存储器（PCM）、磁 阻随机存取存储器（MRAM）和阻变存储器（RRAM）是较为成熟的新型存储技术。PCM的产业化进程最快，英特尔与美光早在2015 年便联合推出了相关产品；MRAM已实现产业化，主要应用于嵌入式存储领域，能大幅降低系统功耗，最高可达90%以上；而RRAM虽 尚未实现大规模商用，但其在存算一体及人工智能领域的 产业链下游环节分析 6 招商银行股份有限公司 中国工商银行股份有限公司 中国农业银行股份有限公司 浙江网商银行股份有限公司 中国银行股份有限公司 山东第一医科大学附属省立医院（山东省立医院） 爱尔眼科医院集团股份有限公司 北京和睦家医院有限公司 中国国家铁路集团有限公司 中国铁路广州局集团有限公司 2019年—2024年，智能软件研发行业市场规模由14,669亿元人民币增长至28,223亿元人民币，期间年复合增长率13

Journal of Information Resource Management, 2021, 11（1）: 8-16.（in Chinese） [25] 迈克尔·吉本斯, 卡米耶·利摩日, 黑尔佳·诺沃提尼, 等 . 知识生产的新模式: 当代社会科学与研究的动力学 [M]. 北京: 北京大学出版社, 2011. MICHAEL G, CAMILLE L, HELGA N, et al. The

效率。 （2）国产算力发展 为了突破算力“卡脖子”的问题，并抓住新技术带来的机遇，我国正加快国产GPU芯片 生态体系的建设，包括从芯片设计、制造到封装测试的全流程加速推进。华为、寒武纪、摩 尔线程、景嘉微、海光信息、沐曦科技、壁仞科技、燧原科技等企业通过加大研发投入、优化 生产工艺、提升测试水平等措施，在GPU设计、制造和封装等环节均取得显著进步，国产芯 片在性能、功耗、成本等方面不断取得突破，与国际巨头的差距不断缩小。 32秒， 智能化、高效化PC的需求。在产业链方面，AI PC的兴起对芯片厂商构成利好，推动其技术 创新与产品迭代。例如，高通、微软推出的基于骁龙X Elite芯片的“Copilot+PC”以及英特 尔的下一代酷睿Ultra 200V系列Lunar Lake处理器，都是针对AI PC市场的产品。此外，国 内上市公司如春秋电子和泰嘉股份等也参与到AI PC产业链中，为AI PC的研发和生产提供 支持。

Perceiver Transformer 则允许模型 从少量演示中学习并泛化到新的环境和任务. 同样 是使用体素对环境进行建模, AVLMaps[91] 将视觉 定位特征、预训练的视觉−语言特征和音频−语言特 征与 3D 重建相结合, 将多模态大模型的开放词汇 查询能力融合进环境的 3D 体素网格中, 使得机器 人系统能够基于多模态查询 (如文本描述、图像或 地标的音频片段) 在地图中索引目标. Act3D[92] 表现出了巨大的潜力[109]. LangSplat[88] 是首个提出基于 3D 高斯构建 3D 语言场的方法, 方法使用 SAM 与 CLIP 提取三个 语义尺度的语言特征, 并优化 3D 高斯对提取的特 征进行表示, 最终创建一个能够准确响应语言查询 的 3D 语言场, 同时保持高效的渲染和查询性能. 实 验结果显示, LangSplat 显著优于之前最先进的基 于 NeRF 的方法—语言嵌入式辐射场 Affordan- ceLLM[94] 将大模型的世界知识与 3D 几何信息相结 合, 通过视觉语言模型 (Vision language model, VLM) 骨干扩展了一个掩码解码器和一个特殊特 征, 用于预测可操作性图. 实验证明, 该方法能够综 合理解场景的多个方面, 包括物体及其部分的检测、 定位和识别、场景的地理空间布局、3D 形状和物理 特性, 以及物体与人类潜在的交互功能, 此外还能

埃森哲大中华区战略与咨询事业部董事总经理、 供应链与运营业务主管 jane.zheng.pan@accenture.cn 潘峥 麦克斯·布兰切特（Max Blanchet） 埃森哲资深董事总经理、全球供应链与运营战略主管 克里斯·麦迪威特（Chris McDivitt） 埃森哲供应链与运营董事总经理、自主智能供应链全球主管 斯戴芬·梅尔（Stephen Meyer） 埃森哲商业研究院供应链与运营研究高级总监

道交通行业中的数据需求与获取途径。 AI 大模型的核心需求是多样性和丰富性的数据。首先，技术数 据是基础，包括车载设备数据、轨道状态监测数据、信号传输数据 等。这些数据对于模型的训练至关重要，帮助其理解系统的动态特 性，并优化运行效率。例如，来自传感器的实时数据能够用于预测 设备故障，从而实现预防性的维护。 其次，运营数据也是必不可少的。这类数据包括客流量、列车 运行图、停站时间、日常维护记录等，这些数据可以反映出整体运 了确保数据的准确性和实时性，数据采集模块需要实现数据预处理 功能，如数据清洗、去噪、格式化等。 数据处理层则负责对采集到的数据进行深入分析，采用分布式 计算技术和数据挖掘算法，将原始数据转换为可用于 AI 建模的特 征数据。这一层可使用大数据技术，如 Hadoop、Spark 等，支持 大规模数据的存储和处理。 在 AI 模型层，基于处理层产生的特征数据，构建并训练适应 城市轨道交通需求的深度学习模型。这些模型可以用于乘客流量预 具体方案包括：  对象存储：使用如 Amazon S3 或自建的 MinIO，存储大容量 的非结构化数据，如图片、视频和日志文件。对象存储的优点 在于可以动态扩展存储空间，且具有高可用性和低成本的特 点。  分布式文件系统：采用 Hadoop HDFS 或 Ceph，适合存储大 数据集和进行数据分析。分布式文件系统能够通过并行处理来 提高数据读取和写入的效率，满足大数据处理的需求。

和分析周期较长，使得生态变化无法及时反映，进而影响管理和决 策的时效性。这种选择在面对突发环境事件（如污染泄漏或生态灾 害）时，往往显得捉襟见肘。 其次，生态监测的空间覆盖面往往不够广泛。在许多地区，特 别是偏远和难以到达的区域，生态监测的设备和人员投入不足，导 致缺乏对生态系统的全面真实的了解。此外，某些生态指标的监测 要求高度专业化的技术设备和操作，这进一步限制了生态监测的安 装和使用范围。 码等将其转 化为数值型格式，便于模型处理。 最后的数据缩减步骤，目的是在尽可能保持重要信息的前提 下，减少数据规模。常用技术包括：  主成分分析（PCA）：提取数据中最具信息量的成分，减少特 征维度。  相关性分析：移除与目标变量相关性低的特征，简化模型复杂 度。 数据预处理的实施效果将在直接影响后续的模型训练和预测结 果。通过实施以上步骤，可以为智能诊断系统提供更加优质的数据 模型的训练效果，为后续的模型优化奠定坚实基础。 4.3.2 模型选择与评估 在智慧诊断的技术框架中，模型选择与评估是确保生态环保智 慧诊断系统有效性的关键环节。选择合适的 AI 模型需考虑数据特 征、任务类型以及应用场景，同时还要对模型的表现进行全面评 估，以确保其在实际应用中的有效性和准确性。 首先，模型选择需要综合考虑不同算法的特点和适用性。在多 模态 AI 大模型的背景下，常见的模型包括但不限于卷积神经网络

合适的工具 （如 jieba、NLTK 等）进行处理。此外，命名实体识别（NER）和 术语规范化也有助于提高数据的可解释性和模型训练效果。 对于结构化数据，可能需要进行特征工程。例如，将类别型特 征进行独热编码（One-Hot Encoding），将数值型特征进行标准 化或归一化处理。同时，特征选择也是重要环节，可通过相关性分 析、卡方检验等方式筛选出对模型训练有显著影响的特征。 数 修正异常值：如果 异常值并非错误，但对数据分布有较大影响，可以通过修正方法将 其调整为合理的值。例如，使用均值、中位数或插值法来替换异常 值。 - 保留异常值：在某些情况下，异常值可能反映了数据中的特 殊现象，具有一定的研究价值。此时，可以选择保留异常值，并在 后续分析中单独处理。 为更直观地展示异常值处理的效果，可以使用下表对处理前后 的数据进行对比： 数据点 原始值 处理后的值 处理方法 签体系，确保标签之间互斥且覆盖全面。对于实体识别任务，则需 确定需要识别的实体类型及其边界规则。 标注过程中，应建立统一的标注规范，确保不同标注人员之间 的一致性。标注规范应详细说明各类标签的定义、标注示例以及特 殊情况处理方式。为提高标注效率，可采用半自动化工具辅助标 注。例如，利用预训练模型对数据进行初步标注，再由人工审核和 修正。这一过程不仅可以减少人力成本，还能提升标注质量。 为保障标注质量，需建立多级审核机制。初级标注人员完成标