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 图2 全球企业认为未来2年对业务成果最重要的IT事项 应用可用性 整体安全 风险管理 应用性能 灾难恢复和备份 运营及工具一致性 人才/技能 治理/合规 优化人员生产率 资源利用/密度最大化 成本管理 跨数据中心整合 自动化 快速交付 夸云可视性 n = ���� 来源: Cloud Pulse Survey, IDC ��% ��% ��% ��% ��% HNSWLib、 Faiss/Flat等向量化算法进行分布式改造，使其能够在多个计算节点上并行运行。通过数据分 片和任务分配，充分利用集群的计算资源，提高处理大规模向量数据的能力。这需要云计算 基础设施提供灵活的适配和资源编排能力，以及严格的资源隔离与共享保障。 利用硬件加速提升数据预处理和AI推理效率：在处理器内部增加专用硬件加速单元和专用指 令集，提升数据清洗、加密与传输效率。对于视觉模型、视频处理、数据库模糊检查询等任

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 域取得了显著进展。一是算力结构不断优化，技术创新成果频出； 二是存储规模与性能实现结构性突破，为海量数据的高效处理提供 了有力支撑；三是运力基建稳步推进，调度机制逐步完善，有效提 升了算力资源的调配效率；此外，模型技术与产业应用的双轮驱动， 进一步加速了算力向现实生产力的转化。 结合算力产业发展现状、趋势和重要影响因素，中国信通院进 一步完善综合算力指数体系，新增“模力”分指数，优化评价指标。 Top10....................................................................... 29 图 18 省级行政区模力分指数-模型资源 Top10......................................................30 图 19 省级行政区模力分指数-模型生态 Top10.........

.......................................................................................67 3.3.1 硬件资源配置.............................................................................70 3.3.2 超参数调优..... 完整的数据处理与模型训练方案，以满足企业在复杂场景下的智能 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。 再次，设计并训练一个具备强泛化能力的 AI 大模型。基于处 理后的数据，采用预训练-微调的技术路线，训练一个能够适应多 场景任务的 AI 模型。模型的训练过程将注重优化参数效率和数据 利用率，确保模型在有限资源下仍能保持高性能。模型训练的关键 目标包括： - 模型参数量控制在 100 亿以内 - 训练时间不超过 30 天 - 模型在基准测试中的准确率不低于 90% 最后，实现知识库与 AI

项目计划.........................................................................................129 14.2 资源管理.........................................................................................130 14.3 涵盖从需求分析、模型部署到系统集成及后期维护的全流程。具体 包括以下几个方面：首先，针对银行系统的实际需求，进行 Deepseek 大模型的定制化调优，确保模型在金融领域的准确性和 高效性；其次，设计并实施模型的部署方案，包括硬件资源配置、 软件环境搭建以及模型参数优化，确保模型能够稳定、高效地运 行；第三，完成与银行现有系统的无缝集成，确保数据流的顺畅和 安全性，同时开发相应的 API 接口，便于其他系统调用；第四，建 其是在模型合规性、数据隐私保护和模型透明度方面，银行需要与 其保持密切沟通。 在项目团队的组织架构中，设定了明确的责任分工和协作机 制。项目总负责人由银行高层管理人员担任，负责整体战略决策和 资源调配。技术团队由银行的 IT 专家和 Deepseek 的技术人员组 成，专注于模型部署和技术实现。业务团队则由各部门的业务骨干 组成，确保模型功能与业务需求紧密匹配。风险合规团队则负责监 督项目的合规性，降低潜在风险。

.........................................................................................95 8.1 硬件资源配置......................................................................................98 8.2 软件优化策略 118 10.2 任务分解与进度安排......................................................................120 10.3 资源分配与预算..............................................................................121 10.4 风险管理与应对措施 制，导致模型质量参差不齐，训练效率难以量化，资源分配不够优 化。为解决这些问题，有必要构建一套全面的人工智能数据训练考 评系统。 项目的核心目标在于建立标准化的数据训练考评体系，提升 AI 模型开发的质量与效率。具体目标可分为以下几个维度： - 建立可 量化的数据训练质量评估指标体系 - 设计全面的训练过程监控与记 录机制 - 开发智能化的训练资源优化算法 - 构建可视化的评估结果

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 02 银行数字化转型现状与痛 点分析 传统银行系统多采用集中式架构，模块化程度低，导致系统灵活性不足，难以快速响应市场需 求和业务变化。 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 灵活性和可维护性，同时 降低单点故障的风险。 容器化部署 利用容器技术（如 Docker 和 Kubernetes ）实现应 用的快速部署和高效管理， 缩短开发周期，提高资源 利用率，并支持跨平台迁 移。 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。 结合资源使用监控和成本分析工 具，优化算力资源配置策略，在 满足业务需求的同时，降低硬件

6.1 流程自动化.................................................................................64 3.6.2 资源调度优化.............................................................................65 3.6.3 成本控制与预测. 6.1.2 模型泛化能力...........................................................................115 6.1.3 计算资源需求...........................................................................119 6.2 业务挑战......... 128 6.3.2 模型迭代与更新.......................................................................130 6.3.3 资源规划与管理.......................................................................132 7. 未来展望...........

....................................138 7.2 资源规划...........................................................................................141 7.2.1 人力资源............................................. 大模型 SaaS 平台的核心在于能够将复杂的人工智能模型转化 为易于使用的服务。这种服务不仅允许企业根据自身的需求定制化 模型功能，还能保证其在数据安全、隐私保护等方面的合规性。通 过云端计算资源，企业无需投入大量资金进行基础设施建设，即可 获得强大的 AI 能力，这极大地促进了中小企业的创新和发展。 此外，市场调研显示，大模型的应用前景非常广阔。根据 Precedence Research 大型企业在数据处理、客户关系管理、预测分析等方面对 AI 应用的依赖度越来越高。它们倾向于选择定制化的解决方案， 能够处理海量数据、提供深度学习和自动化功能，以提升创新 能力和市场竞争力。  中小型企业 中小型企业通常面临资源有限的问题，因此对云端 SaaS 平台 的需求巨大。这类企业需要低成本、易于使用的解决方案，以 便迅速实现数字化转型。简化的操作流程和灵活的定价模式是 吸引这部分客户的关键。  教育和研究机构

开源模型比肩头部闭源 60%+ 指标优于 Llama3.1 Claude-3.5 GPT- 4o 打破大模型技术壁垒 重挫美国科技公司股价，英伟 达市值下跌 5900 亿 更高效资源利用 使用 ~2,000 GPUs, 竞品使用 10,000+ GPUs 人工智能的 Sputnik 时 刻 被美国及其盟友列入各种限制 更低的研发成本 * $5.6M vs. OpenAI’s AI 资产管 理 资源管理 一体化服务管理工具及推理加速能力 一体化服务管理工具 Angel 推理加速 指标监控 鉴权 / 限流 流量分配 实时掌握服务性能、调用量、资源消耗等关键指标 自动调度符算力资源，弹性灵活应对业务峰谷 HPA 扩缩容 定时扩缩容 组合扩缩容 提供多种扩缩容策略，满足不同场景的灵活资源需 求 纳管资源组 按量计费算力池 DeepSeek 全系大语言模型支持 SFT • 全流程训推工具链，注重实战灵活性、扩展性 • 内置 Angel 加速能力，切实提升训推效率 • 训练过程白盒化、资源碎片监控、训练资源调度灵活可配， 切 实提升资源利用率 注重灵活性、扩展性的生产级大模型精调工具链 DeepSeek 蒸馏方案 DeepSeek 全系大语言模型支持 SFT 快速 直观 R1 推理结果 生成 R1