综合算力指数 2025 综合算力指数 算力产业发展方阵 2025 中国算力大会 2025 年 8 月 综合算力指数 版权声明 本报告版权属于算力产业发展方阵、2025 中国算力大 会，并受法律保护。转载、摘编或利用其他方式使用本报 告文字或者观点的，应注明“来源：《2025 综合算力指 数》”。违反上述声明者，将追究其相关法律责任。 综合算力指数 推荐序 近年来，AI 技术 技术迅猛发展，算力作为数字经济的基础资源，其重要性与日 俱增。我们进入了一个计算力驱动创新的时代，这不仅影响着科技领域的演进， 更深刻地改变着社会的方方面面。目前，国家正按照“点、链、网、面”体系化 推进全国一体化算力网络工作，综合算力指数作为衡量我国算力发展水平的重 要标尺，相关研究工作意义深远。 随着 AI 在千行百业加速渗透，算力赋能数字经济社会的效能，不仅仅取决 于算力、存力、运力以 能的关键。因此，中国信通院研究团队持续优化综合算力指标体系，在往年基 础上，增加模型能力的呈现，从算力、存力、运力、模力、环境多个维度，更 加准确剖析我国算力产业发展态势。 《2025 综合算力指数》为我们提供了一个全面而系统的视角来洞察我国算 力发展最新进展。通过科学的指数体系构建，将“综合算力”解构为几十余项具 体的指标，映射出我国在算力领域的发展状况，这将为国家制定精准的产业政 策

国标分类/信息传输、软件和信息技术服务业/软件和信息技 术服务业/软件开发、头豹分类/信息传输、软件和信息技术 服务业/软件和信息技术服务业/软件开发 Copyright © 2025 头豹 2 智能软件研发：算力与场景双驱动，智能软件研发进入“平台+服 务”融合新阶段 头豹词条报告系列 饶立杰、饶立杰RLJ 2025-07-11 未经平台授权，禁止转载 行业分类： 信息传输、软件和信息技术服务业/软件开发 和技术更新。为了满足用户需求和保持市场竞争力，智能软件产品需要不断迭代和升级。较 短的迭代周期使得研发团队能够迅速响应市场变化，及时调整产品策略，推出符合用户需求的新功能。同时，较短的迭代周期使得团队能 够更快地收集用户反馈、分析用户需求，并根据反馈结果进行产品调整和优化。这种以用户为中心的开发理念有助于提升用户体验和满意 度，增强产品的市场竞争力。 多样化与跨领域应用 智能软件广泛应用 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潜力值得期待。在全球数据量激增和新型存储技术革新的背景下，智能软件研 发行业将迎来前所未有的发展机遇。 中 产业链中游环节分析 中游分析 智能软件研发企业显现出显著的地域集聚特征，呈现高度集中与区域集群态势。

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 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 释放算力价值。 智算服务是发挥极致集群算力的关键要素，释放算力新质生产力，服务 不可或缺。智算集群是一个复杂工程系统，非简单的软硬件的堆砌，它要求 算、存、网、服务的高效协同。智算服务包含智算集成、运维、计算使能和优 化、辅助运营等方面。发挥极致集群算力，需要构建智算服务产业共识，持续 推进智算服务产业升维。 我们期望通过本案例集的发布，能够进一步促进行业内各方的深度交流 与协同创新，共同推动智

嘎嘎射击 4.4 蚂蚁集团ZOLOZ 前言 IDC分析师认为：全球AI基础设施革新的浪潮中， 算力需求的爆发正在驱动云计算与边缘计算深 度融合，行业定制化与智能化服务加速渗透，成本优化与绿色计算将成为竞争的关键。未来，基 础设施的核心矛盾将从“资源供给”转向“效率与价值平衡”，技术迭代将围绕“弹性算力调 度”“数据主权治理”“垂直场景深度适配”三大主线展开。 越来越多的企业核心数据正在向云 越来越多的企业核心数据正在向云数据中心迁移，计算密集型任务处理能力与弹性资源供给能力 正成为云服务商的核心竞争力。面对企业客户的数字化转型需求，减少延迟和工作负载可移植性 将是客户的关键优先事项，为垂直特定数据类型提供量身定制的云服务将创造有利的竞争优势。 云提供商须为跨行业数据采集、存储和计算需求的大幅增长做好准备。 在AI高速发展和在线业务快速膨胀的时代，企业用户对云基础设施的性能、成本、稳定性、安全 性等方面 企业在线业务的受众范围和功能复杂度在快速增加，在金融交易、电商直播、实时游戏等场景 下，服务端动辄需要支持百万级并发连接和毫秒级响应要求，应对海量的网络协议处理、页面加 载、安全等事务。企业云计算客户不仅对算力密度有极致追求，还期望通过连接性能和存储技术 等多个方面的协同进步，实现数据库、大数据等服务平台的性能跃升。在IDC面向全球1350家企 业所做的数字化进程与业务成果调研中，应用的可用性、综合安全性、应用的性能等都成为企业

$100M+ 投资浪费 业务系统 A 对外出入口 A 应用逻辑 A 算法 算力 适应性差 业务系统 B 对外出入口 B 应用逻辑 B 算法 算力 项目周期长 业务系统 C 对外出入口 C 应用逻辑 C 算法 算力 统一出入口 应用模板（ A/B/C… ) 算法池（ A/B/C… ) 算力池 大模型时代企业 AI 项目“烟囱式 ”建设痛点越发严重 智能化趋势下： • 提供从训练——推理——应 用的一站式丝滑服务体验 • 全面接入 deepseek 模型 大模型工具链支持大模型研发至应用全栈技术 算力 计算集群（ H20/A10 等） 国产算力适配 高性能计算网络架构 客户业务系统 知识引擎应用 数智人 工具，交互式代码开发工具，专业的通用任务调度工具 分布式稳定训练：支持多机多卡大规模训练，故障自动重启续训 镜像制作：基于 jupyter 的高效自定义镜像制作工具 训练指标监控：丰富的指标监控及告警，覆盖网络及 GPU 算力 内置训练加速：全新升级 Angel 训练框架加速能力，性能提升 30% 精调数据配比训练： 内置 100+ 任务类型精调配比数据 AI 框架 u Pyspark ， pytorch, vllm

务模式的深刻变革，还将重塑保险行业的竞争格局和生态体系。通过精准预知风险、主动管 理风险，大模型技术将助力保险公司实现从“粗放预测”向“精准预知”、从“等量管理”向“减 量管理”的转型升级。这一转变不仅将提升保险公司的核心竞争力，还将为消费者提供更加 个性化、高效、便捷的保险服务，推动保险行业向更高质量、更高效率、更高附加值的方向 发展。 在全球金融格局深刻调整、中国经济高质量发展的背景下，保险业作为国民经济的重 要 大模型技术在保险行业的应用现状及成效···············21 1.1.1 数据：多措并举缓解短缺状态· · · · · · · · · · · · · · · · · · · · 10 1.1.2 算力：单芯片算力达新高，国产化初具规模· · · · · · · · · · · 12 1.1.3 模型：多模态崛起，端侧模型影响未来终端应用· · · · · · · · 14 2.1 全球保险行业的发展趋势· · · · · · · · · · · · · 144 6.1.4 大模型与小模型：互相补充，协同合作· · · · · · · · · · · · · 137 6.1.5 AI代理：推动行业生产力智能升级· · · · · · · · · · · · · · · · 138 6.未来展望与建议篇· · · · · · · · · · · · · · · · · · · · · · · · ·

中，可能包括： 1 ）降本增效：智能客服、信贷审批、合同质检； 2 ）价值创造： AI 编程、智能风控、智能营销等； 3 ） 决 策赋能： 深度分析和决策辅助。 n 从实际落地应用情况看， 大行发力更早， 中小银行正在快速追赶。如工商银行、建设银行、招商银行等大行布局更早， 邮 储银行、浦发银行、江苏银行等也有较为领先布局应用。 AI 一体机的出现为机构提供了全新的解决方案，凭借其开箱 DeepSeek-R1-Zero 自然涌现 long-CoT 能力 DeepSeek-R1-Zero 的能力随步数提升 4 n DeepSeek 通过优化训练方法显著降低了算力消耗，使其在大规模数据处理中的成本更具优势。 它在 MoE 架构的基础上， 通过多头潜注意力机制（ Multi-Head Latent Attention ， MLA ）进行优化；在后训练阶段采用冷启动 + 大规模强化学习 方 式，不再使用传统 DeepSeek 推理架构优化，可适配银行高并行、高响应的业务场 景 n 以 DeepSeek R1 为代表的优秀开源模型的能力离闭源模型越来越近。行业普遍认为如果开源软件达到闭源 80% 以上能 力，就足以压缩闭源的生存空间。 DeepSeek 能力能够比肩 OpenAIo1 ，开源使各行业机构能够轻松获取前沿模型能力， 且可直接进行私有化部署或商业化开发。 开源易获得： DeepSeek

基于大模型的企业架构建模助 力银行数字化转型应用方案 目录 CONTENTS • 数字化转型背景与必要性 • 银行数字化转型现状与痛点分析 • 大模型驱动的企业架构建模方法论 • 技术架构设计与模型融合方案 • 数据治理与知识图谱构建 • 智能业务场景应用规划 • 大模型训练与优化策略 目录 CONTENTS • 风险控制与合规管理 • 实施路径与阶段目标 • 标杆案例与同业实践 辅助风险管理 通过大模型技术，银行可以更高效地评估客户信用状况， 缩短信贷审批周期，提升客户体验。 优化信贷审批 大模型为银行提供智能化的业务解决方案，支持个性 化产品设计和精准营销，增强市场竞争力。 推动业务创新 大模型技术对金融业变革的推动作用 企业架构建模在转型中的核心价值 • 企业架构建模通过将战略目标分解为具体的业务和技术路径，确保银行数字化转型战略的有 效实施。 • 帮助 务执行的紧密结合。 实现战略落地 • 通过企业架构模型，银行能够打通业务与技术的壁垒，实现业务流程与 IT 系统的高效协同。 • 提升业务敏捷性，使银行能够快速响应市场变化和客户需求，增强竞争力。 促进业技融合 • 企业架构建模帮助银行梳理和整合各项业务能力，形成全面的能力地图，为数字化转型提供 清晰的方向和路径。 • 支持资源优化配置，提升运营效率，降低转型成本。 构建全能力地图

...........................132 1. 引言 在当今数字化和智能化迅速发展的背景下，工程造价行业面临 着前所未有的机遇与挑战。传统的工程造价方法依赖大量的人工计 算和经验判断，不仅耗时费力，还存在一定的主观性和误差率。随 着建筑项目的复杂性和规模不断增加，传统方法已难以满足高效、 精准的造价需求。因此，引入先进的人工智能技术，特别是大模型 技术，成为提升工程造价效率和精度的关键路径。 体效益。这一技术的应用不仅符合当前行业发展的趋势，也为未来 工程造价管理的智能化转型提供了切实可行的路径。 1.2 DeepSeek-R1 大模型简介 DeepSeek-R1 大模型的核心优势在于其多维度的数据处理能 力，能够同时处理结构化和非结构化数据。通过整合来自不同来源 的数据，如设计图纸、施工计划、材料价格和市场行情等，模型能 够生成全面的成本分析报告，帮助企业识别潜在的风险和机会。此 外，DeepSeek-R1 格等多种形式的数据，确保信息全面覆盖。  预测精度：通过深度学习算法，模型能够提供高精度的成本预 测，减少人为误差。  实时更新：模型能够接入实时市场数据，及时更新成本预测结 果，帮助企业在动态变化的市场中保持竞争力。  用户友好性：虽然技术复杂，但模型设计了直观的用户界面和 操作流程，使得非技术人员也能轻松使用。 在实施 DeepSeek-R1 大模型时，企业需要确保数据的质量和 完整性，这是模型能够发挥最大效用的基础。同时，模型的持续维