人工智能训练 和推理提供高效、稳定的计算环境。据测算，2023年全球生成式AI市场规模，包括硬件、软件以及服务等， 达675亿美元，到2028年有望增长到5160亿美元，复合年化增长率达50.2%；2023年，中国生成式AI市场 规模为1200亿人民币，到2028年将超过5000亿人民币（图1-1）。 据中国信通院测算，2023年全球计算设备算力总规模为1397EFlops，其中通用算力为497EFlops，智 力供应链自主化。高效的算法一方面减缓了AI训练的算力需求，另一方面AI应用的普及导致AI训练与推理的 侧重点发生转变，预计未来几年推理算力占比将远超训练部分。 1.2 技术破局：从GPU集群到分布式协同一体 建设和运营智算中心需要巨大的资本投入，包括购买昂贵的AI芯片、建设高密度机房等。AI工作负载对 网络带宽和存储性能有极高的要求。AIDC需要优化网络架构，例如采用高吞吐量的以太网或InfiniBand，并 former的大模型而言，在AI训练中有以下结论：1）模型规模要大：即增加模型参数量、数据集和计算量， 就可以得到性能更优的模型。2）模型参数量、数据集以及计算量之间存在幂律关系。3）随着模型规模增 加，模型会出现涌现特质——未预期到的新能力，推动模型性能提升。尺度法则正在驱动大模型硬件部署走 向更大集群。早期AI训练网络互联规模均在千卡左右，随着AI大语言模型的参数、训练量指数级提升，算力 卡互联规模从千卡提升到万卡，目前行业已经开始部署10

网络级负载均衡技术 23 4.1.5 AI交换机 17 4.2.2.1 流级负载均衡技术 4.2.2.2 逐包负载均衡技术 24 23 目录 4.2.3 拥塞控制技术 26 4.2.3.1 端网协同拥塞控制技术 4.2.3.2 FlexBuffer拥塞控制技术 28 26 4.2.3.3 拉远训练精准流控技术 29 4.2.3.4 AI ECN 2.0技术 30 4.2.4 在网计算技术 个主要阶段：虚拟化阶段、云化应用阶段和算力服务化阶段。 在虚拟化阶段和云化应用阶段，数据中心为办公和生产系统提供虚拟化和云化 基础设施，数据中心网络采用传统以太网技术用于支撑数据的集中管理以及计算和 存储资源的池化应用。发展到算力服务化阶段，随着高性能存储、超算中心高性能 互联和AI算网的引入，数据中心网络需要提供更高带宽、更低时延以及更高可靠性。 然而，传统以太网技术无法满足要求，导致数据中心高性能存储选择FC专网承载， 以太网技术不仅在带宽上超越了IB网络，无损以太网技术也逐渐成熟，为高性能网 络向无损以太演进奠定了基础。 超融合以太以实现数据中心网络融合为目标，将通用计算、存储、高性能计算 统一承载在0丢包以太网技术栈上，实现从三张网到一张网的融合部署，统一网络架 构，推动无损网络向超融合网络架构演进，实现算网融合。 在当前数字化浪潮席卷全球、AI应用呈指数级快速增长的时代背景下，数据中 心网络作为算力承载与数据流通的关键枢纽，其性能优劣直接决定了企业数字化转

4 目录 CONTENTS 1 应用 二、应用：数字人民币助力产业链数字化协同的创新现状、案例与展望 7 2.1 数字人民币产业端应用的整体现状 7 2.2 数字人民币产业链数字化协同的典型案例 数字人民币产业链数字化协同的典型案例 10 2.3 数字人民币产业端应用的展望 14 生态构建 三、生态构建：数字人民币的新型产业链数字化协同生态体系发展建议 公共服务等一大批场景得到了广泛使用，产业企业也有良好应用实践。 数字人民币支付即结算、可编程等技术特性，是其在推动数字经济、加速产业升级，以 及深化产业数字化转型方面的关键推动力。数字人民币在产业端的应用对中国经济高质量发 展及对外开放具有战略性作用。作为国家战略级金融基础设施，数字人民币在促进数字经济 发展，推动数字经济与实体经济深度融合，利用数字技术优化产业链资金流转效率等方面具 有显

其筑牢根基，持续发展还需攻克评估、安全与适应性难题。 AI 正站在一个关键新阶段。参考 OpenAI 对 AI 的 5 级分级， AI 已不仅仅是能进行对话的聊天机器人（ L1 ），而是逐步进化到智能体 （ L3 ）阶 段——一个能思考、并能主动采取行动的 AI 系统。 强大算力保障大模型训练与推理的可持续性 能源供给保障大模型训练与推理的可持续性 HuggingFace 等平台提供开放、可扩展的 生产力解 放，满足市场对显著价值回报的需求。 过去的状态： 停留在概念验证（ PoC ）或小范围试点， AI 更像一个需要被验证的“玩具”或“辅助工具”； 现在的要求： 必须是能够无缝集成到现有系统、在真实生产环境中稳定可靠运行的解决方案，并能产出可被量化的业务成果； 期望的 AI 角色： 从旁观的“助手”（ Assistant ），转变为能独立承担责任、解决问题的“正式员工”（ Employee 2025 年， AI Agent 风口已至：企业级 AI 过去的状态：局限于简单的问答、内容续写等“答案生成式”的单一任务； 现在的要求：渴望自主规划、调用不同工具、横跨多个系统、涉及复杂步骤的端到端工作流。 核心挑战： 这些正是传统 AI 应用难以企及的、高价值的“流程自动化”领域。 数据来源：公开资料、甲子光年智库总结整理

空 间的建设已逐步从试点探索走向规模化建设。2024 年 11 月国家数据局发布《可信数据空间发展行动 计划（2024—2028 年）》，首次在国家层面对这一 新型数据基础 设施系统布局，明确到 2028 年建成 100 个以上可信数据空间的目标。 建制度 立顶设 强行动 促发展 建制度框架 指引建设方向 规划蓝图 激发数据要素潜能 场景驱动价值 释放数据要素乘数效应 全面开展 、数 据安全等防护水平差异较大，容易成为攻击者突破的 薄弱环节，无法满足全链路数据安全防护要求。 2、人工智能大模型语料发展与挑战 2.1 人工智能大模型语料发展趋势 1. 从大语言模型到多模态 / 具身智能大模型的语料演进 当前大模型技术正经历从弱人工智能（机器学习、神经网络、大语言模型）向通用人工智能（Agent、多模态、 具身智能）的范式跃迁。这不仅对于模型架构的设计理念进行了 制，避免图文内容不一致从而导致模型 越训越差 ， 造成模型认知偏差。再例如，具身智能模型将与物 理世界进行高度交互，语料内容中需要包含安全边 界参数（如机械臂操作力度阈值），确保与现实环 境的适配。 2. 从通用模型到行业大模型的语料深化 随着通用模型发展从试点到落地，具有行业属性的行 业大模型也逐步成为模型能力提升的重要转变，意 味着 AI 技术从广度覆盖转向行业深度赋能，而行业 大模型的性能则更是高度依赖领域的高质量语料。

from Jim Fan’s talk 7 具身模型的几种类型 大小脑协同 端到端 8 具身模型的最新进展：代表性新工作 端到端VLA (2024.10) 大小脑 hi robot (2025.02) 混合 (2025.04) 大脑-小脑 端到端VLA 端测SDK （2025.03） 具身大脑 端到端VLA 9 具身大模型离实用还有差距 2023及之前 2025 及之后 2024 单本体 单场景 多任务 单本体 单场景 通用智能系统 多本体 多场景 Scaling Law 在大语言模型和多模态大模型 上都得到了验证 感知和理解 决策和规划 执行和协作 评估和反馈 端到端 多模态大模型机器人 Hand-Eye Coordination Robotic Arm 感知 操作 导航 不好用 不易用 不通用 需要“ 聪明 ”的大脑大模型和 跨本体的大小脑协作框架， 一种本体 本报告来源于三个皮匠报告站（www.sgpjbg.com）,由用户Id:349461下载,文档Id:908399,下载日期:2025-09-10 大小脑模型协同的技术路线仍有机会 q 端到端模型虽决策高效，但泛化性和扩展性受限，受制于环境交互与硬件适配， 难以适应多样场景。而模块化的大小脑协同框架凭借强泛化、可解释优势，正成 为学界与业界的研究热点 模块化：大小脑协同框架赋予具身智

资源整合、灰度哲学等在数字时代依然非常重要， 依然是领导力学科的基石能力。 据笔者观察，企业发展新环境呼唤数据领导力，而数据领导力也是企业发展过程中逐步形成的。以连 锁零售业为例，从 1 家店到 50 家店，企业家一支笔一个决策就可以解决，这个时候花重金去构建系 统既麻烦，投入成本又高，而且对团队的挑战也高，数据领导力的作用不明显，但当企业达到更大的 规模，其管理层决策层次越来越高，企业 据中台，推动数据服务化，支撑数字化转型。 笔者常常打一个比方：数据治理，就像当代的大禹治水。在企业数字化转型实践中，企业并非缺乏数 据，而是“九龙治水”形成的数据孤岛。有人批评企业缺乏对数据的端到端全局观而形成数据孤岛。 笔者认为这种观点是“何不食肉糜”，不知这是组织发展的必经历程。企业的发展过程，在组织形态 上几乎都经历过“职能型组织”。何为职能型组织？就是按职能专业划分为财务部、营销部、研发部、 这些系统的构建，出发点是为了适配各自职能的发展，而不是适配全局的端到端拉通，这也符合法约 尔提出职能型组织的构想：为职能专业性而生。因此，基于职能逻辑构建的系统必然是职能本位主义， 必然是一个一个的纵向的数据孤岛，直到组织发展到一个需要横向拉通的时候，才会从最高层往下打 通部门墙，实现数据的统一和融合。也就是说，让企业再重新走一遍发展之路，还是会走一遍“纵向 构建数据孤岛 - 横向端到端拉通”的过程。 要发挥数据要素，

要实现 NOA 对智能传感器硬件要求很 高 特斯拉 Model 3 小鹏 G9 厂商要搭建起高效的算法模型 ，开发的系统既要能精准识别并处理各传感器获得的数据 ，还要能有效应对 模 型未考虑到的长尾问题。这大大增加了系统所需数据量 ，增加了开发难度。 特斯拉的 NOA 系统不仅能规划车辆行进路线等， 还会 实 时提供预警信息， 并能主动停止可能导致危险发生的 并线 等行为。 小鹏汽车开发的城市 存在多个编解码环节， 会 产生计算的冗余浪费， 对算力 要求高， 需要使用激光雷达、 高清地图， 成本高企； • 存在信息损失和误差问题。 • 长尾部分需一事一议， 会 耗费大量精力解决。 端到端方案 • 输入感知信息， 直接生成控制 决策信号， 更接近人的驾驶习惯； • 可借助数据的多样性获得不同 场景下的泛用性； • 减少感知、决策等中间模块的 训练过程， 自动驾驶算法的底层逻辑将变成“场景→车辆控制 ”的端到端模型 ，将感知、规划和控制 环节一体化 ，传感器采集到的信息直接输入神经网络 ，经过处理后直接输出自动驾驶的驾驶命令 ，不存在 各 子模块目标与总系统目标存在偏差的情况 ，保证效益最大化。当前 ，端到端模型暂时只被用于感知系统。 基于数据的 AI 大模型将彻底改变自动驾驶算法的底层逻 辑 模块化与端到端方案对比 端到端模型 资料来源：新汽车研究所绘制

企 业 集 聚 区 ， 智能化 智能化则是实现生产流 程的全局智能化，将制 造装备从数字一代跃升 为智能一代。统筹骨干 企业集成应用创新，中 小型企业普及应用，将 智 能 化 运 用 到 整 个 制 造 生产链中。 创新能力不足制约制造业向高质量阶段发展，需以并行模式融 合网络化、数字化与智能化手段进行升级 中 国 建国初期，开始进行包括 工业化在内的“四化建 设” 2017-2022 年我国工业互联网产业增加值年均复合增速 达 13.66%, 工业互联网产业增加值贡献在 GDP 中的比重逐年提升。 预计 2023 年工业互联网带动一、二、三产业的增加值规模将分别达 到 0.06 万亿元、 2.29 万亿元、 2.34 万亿元，工业互联网核心产业将达 1.35 万亿元。 2024-1-11 制造业尚需基于工业互联网融合发展生态，强化供给与市场需 求的精准对接，推动形成全新的生产制造与供给服务体系 并行设计、敏捷设计、交互设计和基于模型的设计， 变革传统设计方式，提升研发质量和效率 通过打通核心数据链，贯通生产制造全场景、全过 程，基于数据的广泛汇聚、集成优化和价值挖掘， 优化、创新乃至重塑从企业战略决策到市场服务的 各项业务活动 人工智能等数智技术在制造业领域加速创新应用， 实现材料、设备、产品等生产要素与用户之间的在 线连接和实时交互，逐步实现机器代替人生产，智 能化代表制造业未来发展的趋势

实现业务流程自动化、决策支持与跨域协同。 • 数据闭环驱动演进：将数据视为核心资产， 通过闭环反馈机制持续优化AI模型与应用。 • 全链条智能渗透：AI技术覆盖设计、生产、 供应链、营销等全链路，实现端到端赋能。 • 商业价值闭环验证：AI应用已产生明确的降 本增效成果，并开始探索多元化的收费模式。 74% 价值链重构：构建网状协同生态 • 全链路数字化整合：构建数字化平台，打通供应 链核心环节，实现数据实时同步与流程自动化。 多币种的数字化交易平台，实现高效履约。 • 深度本地化运营：在重点海外市场设立本地团队， 实现文化融合与快速响应。 • 基础设施全球化布局：通过海外仓/多式联运/冷 链网络等基建投入构建“端到端”的服务体系。 • 生态协同与全链路服务赋能：整合金融/支付/合 规/技术等生态伙伴，提供一站式解决方案。 • 合规先行与标准认证体系建设：积极获取国际认 证，建立数据安全、财税、劳工等合规体系。 价 值 链 产 业 AI - 14 - 上市公司年度跟踪：出海成为新增长点，更多产业数智科技同行 资料来源：上市公司财报，亿邦整理 “出海”正在成为产业互联网企业业绩增长的新引擎。从钢铁行业到工业品平台，再到数字化贸易领域，多家上市公司通过国际化布 局积极融入全球化市场，推动了收入的多元化和高质量增长。这一战略性趋势不仅缓解了国内市场的增长压力，也为企业带来了更高 的毛利空间和更广阔的成长