以计算加速迈进智能化未来 ⸺IDC新一代云基础设施实践报告 趋势：云服务能力持续跃升，加速企业数智化转型与创新 01 目录 1.1 技术全面升级，为复杂的企业在线业务提供保障 1.2 软硬一体协同优化，应对AI时代激增的数据冲击 1.3 持续的融合创新，助力企业的国际化布局 挑战：企业多元业务需求与海量AI数据的冲击 02 2.1 在线业务面临性能与效率的极限挑战 �.� AI数据处理与计算协同的复杂度激增 AI数据处理与计算协同的复杂度激增 2.3 国际化进程中的全球布局、合规与质量一致性难题 2.4 安全、稳定与成本的多元保障要求 解决方案 03 3.1 打造极致性能体验，为传统计算业务打开新空间 3.2 技术和架构创新，提升AI时代的向量数据处理和协同计算效率 3.3 强化硬件安全设计，持续增强安全保障能力 3.4 全球一致的云服务能力体系，全面助力企业国际化战略 优秀实践分析 04 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

软件解决方案。这类软件常常融合了人工智能 （AI）、机器学习、大数据分析、云计算、物联网（IoT）等前沿技术，为用户提供更加智能化、自动化以及互联的功能。它们不仅能够加 速数据处理和决策过程，还支持预测性分析、自然语言处理、增强现实/虚拟现实体验，并且可以通过持续的学习和适应来改进性能。 信息安全软件是专为保护计算机系统、网络和数据免受未授权访问、攻击及泄露而设计的程序工具。它通过提供防火墙、加密技术、入侵 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 智能软件广泛应用于自然语言处理、计算机视觉、语音识别、自动驾驶及金融分析等多个领域，展现了其高度的多样化特性，精准对接各 行业需求。在跨领域融合方面，智能软件研发行业正积极与物联网、云计算等前沿技术深度融合，不断拓宽其应用场景与潜力边界。 智能软件研发行业可以分为四个阶段，萌芽期（1960-1969年），软 始点。 1968年，美国计算机科学家在NATO的软 件工程会议上，首次明确提出了软件工程的概念。 智能软件研发行业的兴起推动了软件产业的独立发展、技术创新与产业升级，并广泛拓展了应用领域，满足了多样化的市场需求。 启动期 1970-01-01~2000-01-01 4 智能软件研发行业产业链上游为硬件与基础软件供应环节，主要包括硬件设备和基础软件。其中硬件包括计算机硬件设备、嵌入式芯片、传

软件优化策略......................................................................................99 8.3 并行计算与分布式处理.....................................................................101 8.4 性能监控与调优........ 率优化 40% 4. 训练评估时间缩短 50% 系统的主要应用场景包括但不限于： - 机器学习模型的训练过 程评估 - 深度学习网络的性能优化 - 训练数据的质量控制 - 计算资 源的最佳分配 - 训练效果的持续跟踪与改进 项目将在现有技术基础上，整合多方资源，采用模块化设计思 路，确保系统具有良好的扩展性和适应性。通过本项目的实施，将 建立起一套科学、规范、高效的人工智能数据训练考评体系，为 设计多维度的考评指标体系，包括准确 性、召回率、F1 值等，结合可视化工具，全面评估模型性 能，确保考评结果的科学性和客观性。 3. 支持多场景应用: 构建灵活的考评框架，使其能够适应不同领 域（如自然语言处理、计算机视觉等）和不同规模的数据集， 满足多样化的业务需求。 4. 提高系统可扩展性: 采用模块化设计，支持随业务增长进行功 能扩展和性能优化，确保系统能够长期稳定运行。 5. 降低运维成本: 通过自动化部署和监控机制，减少人工干预，

化需求。项目通过对多源异构数据的采集、清洗、标注和结构化处 理，打造高质量的知识库，为后续的 AI 模型训练提供坚实的基 础。同时，结合先进的深度学习技术和规模化计算资源，设计高效 的模型训练流程，确保模型在准确性、泛化能力和计算效率方面达 到预期目标。项目的实施将涵盖以下关键步骤：  数据采集与整合：从内部系统、公开数据集以及第三方数据源 中获取数据，确保数据的多样性和覆盖度。  模型训练与优化：采用分布式训练架构，结合超参数调优和模 型剪枝等技术，提升模型的训练效率和性能。 在技术选型上，项目将优先采用开源的深度学习框架（如 TensorFlow、PyTorch）和分布式计算平台（如 Kubernetes、Spark），以确保方案的灵活性和可扩展性。同时， 项目将注重数据安全与隐私保护，通过数据脱敏、加密传输和访问 控制等手段，确保数据处理过程中的合规性。 项目 模型训练方面，项目将采用深度学 习技术，包括预训练模型（如 BERT、GPT 等）的微调，并结合迁 移学习、多任务学习等策略，提升模型的泛化能力和应用效果。此 外，项目还将设计并实现一套高效的计算资源调度系统，以支持大 规模分布式训练，确保模型训练的效率和稳定性。项目的最终目标 是为企业或研究机构提供一套完整的知识库与 AI 大模型解决方 案，支持其在智能问答、语义理解、图像识别等领域的应用需求。

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。 ............................... 40 附件二 计算方法........................................................................................................ 40 附件三 计算口径....................................... .............................................................................. 36 表 目 录 表 1 指标体系与计算口径........................................................................................ 41 综合算力指数

提供智能决策支持，优化决策流程，提 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 之间的数据交互顺畅，减少集成过程中的兼容性问题。 模型轻量化部署 02 针对大模型的高计算需求，采用模型压缩和量化技术，降 低模型的计算复杂度和存储需求，使其能够在现有硬件资 源上高效运行。 模块化集成设计 03 将大模型的功能拆分为多个独立模块，逐步与现有系统集 成，降低整体集成风险，同时便于后续的功能扩展和优化。 实时数据处理能力 04 结合流式计算框架（如 Apache Kafka 和 Flink ），实现大 针对大模型的高计算需求，配置 高性能 GPU 集群，并通过优化算 法和并行计算技术，最大化利用 硬件资源，提升模型训练和推理 效率。 通过智能调度算法，根据任务优 先级和资源使用情况，动态分配 算力资源，确保关键任务的高效 执行，同时避免资源浪费。 采用混合云架构，将核心计算任 务部署在私有云中，确保数据安 全性和可控性，同时利用公有云 的弹性资源应对突发的高计算需 求。

接口，便于其他系统调用；第四，建 立完善的监控和维护机制，及时发现并解决模型运行中的问题，确 保系统的长期稳定运行。 项目的技术范围主要包括：使用业界领先的深度学习框架进行 模型训练和优化；采用分布式计算技术，确保模型在大规模数据处 理中的高效性；集成银行现有的数据管理系统，确保数据的完整性 和安全性。项目的管理范围包括：制定详细的项目计划，明确各个 阶段的任务和时间节点；组建专业的项目团队，包括数据科学家、 应能够基于历史数据预测潜在风险并提供决策支持。此外，模型还 需具备多语言支持能力，以满足全球化业务的需求。 其次，性能需求是银行系统部署大模型的关键考量因素。银行 系统通常需要处理海量数据，因此模型的计算效率和响应时间至关 重要。需求分析中需明确以下几点：模型的推理速度需要在毫秒级 别，以确保用户体验；模型应支持高并发处理，能够同时处理数千 个请求；模型的训练和更新周期需尽可能短，以适应快速变化的市 从中提取有价值 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

数据库选型..........................................................................................27 3.4 云计算平台选择..................................................................................29 4. 系统架构设计 言、多平台（Web、移动端、桌面端）的访问。API 接口则将提供 标准化的数据查询与分析服务，便于第三方系统的集成与二次开 发。 此外，项目还将重点关注系统的性能优化与安全保障。性能优 化方面，系统将采用分布式计算架构与高效的缓存机制，确保在大 规模数据环境下的快速响应与高并发处理能力。安全保障方面，系 统将实现多层次的安全防护机制，包括数据加密、访问控制、身份 认证与审计日志等，确保数据的安全性与合规性。 工程师；项目管理组统筹整体进度，由 1 名项 目经理和 1 名项目助理构成。 团队成员的选拔严格遵循行业标准与项目需求，确保每位成员 都具备相关领域至少 3 年以上的工作经验。技术研发组成员均拥有 计算机科学或相关专业的硕士及以上学位，其中 60%曾参与过类似 规模的人工智能项目开发。产品设计组成员具备丰富的互联网产品 设计经验，曾主导多项获得市场认可的产品设计。 为确保团队协作效率，采用 Scrum

导致造价过程中信息不对称，影响决策的准确性和时效性。其次， 人工计算和审核的工作量大，容易出错，且难以应对复杂的工程结 构和多变的材料价格。此外，随着可持续发展理念的深入人心，绿 色建筑和智能建筑的兴起，工程造价需要考虑的因素更加多元化， 传统的造价模型难以全面覆盖这些新兴需求。 在技术层面，尽管 BIM（建筑信息模型）和云计算等技术在工 程造价中得到了初步应用，但其潜力和效益尚未完全释放。BIM 。BIM 技 术虽然在项目设计和施工阶段提供了强有力的支持，但在造价管理 中的应用仍需进一步深化，特别是在数据集成和自动化处理方面。 云计算则为大数据分析和远程协作提供了可能，但在实际应用中， 数据安全和隐私保护问题仍是主要障碍。 市场环境方面，工程造价行业的竞争日益激烈，企业面临着成 本控制和效率提升的双重压力。一方面，客户对造价服务的质量和 效率要求不断提高，另一方面，行业内部的标准化和规范化程度有 待加强。这些因素共同推动了工程造价行业向数字化、智能化方向 发展的迫切需求。 在此背景下，人工智能技术的引入为工程造价行业带来了新的 解决方案。通过深度学习和大数据分析，AI 可以自动化处理大量复 杂的造价信息，提高计算的准确性和效率。同时，AI 技术还可以整 合来自不同来源的数据，打破信息孤岛，实现数据的实时更新和共 享。这将极大提升造价管理的透明度和决策的科学性，为工程造价 行业的技术革新和业务模式转型提供强大动力。

........................................................................................43 3.3 智能审计算法选型................................................................................................ 交易场景（如跨境并购、金融衍生品）的审计依赖专家经验判断， 但资深审计师资源稀缺，全球四大会计师事务所的专家顾问供需缺 口达 37%。最后，实时审计需求与滞后分析能力的矛盾突出，特别 是在区块链、云计算等新技术应用场景中，传统审计方法难以实现 交易链路的全流程穿透。 以下数据直观反映了审计效能瓶颈的关键指标： 指标维度 行业平均值 监管期望值 差距率 异常交易识别时效 72 小时 ≤24 小时 实时 | 99% | 在实际落地层面，人工智能技术已展现出与审计场景深度结合 的潜力。以应收账款审计为例，智能体可实现： - 自动匹配销售订 单、出库单与收款记录的三单一致性校验 - 动态计算账龄分析并可 视化逾期风险分布 - 智能抽样替代随机抽样，使高风险样本覆盖率 提升 40% - 自动生成符合审计准则的询证函和工作底稿 通过流程图的业务逻辑建模可以清晰展现智能体的工作机理：