术路线，选择了北京、天津、上海等18个城市围绕以上六条技术路线开展城市数据基础设施建设试点试验， 并启动了11项数据基础设施国家标准研究制订。 目前，《指引》提出的六条技术路线成熟度还不高，还不能完全实现安全可信基础上的数据大规模流 通，全国各地方各行业特别是开展试点示范的18个试点城市，对各条技术路线的发展现状、技术特点、适用 范围、应用情况、发展趋势等方面有迫切需求。非试点地区和行业也对数据基础设施的试点建设进展高度关 态安全。在数据要素化发展新阶段，数据成为新型生产要素， 不仅对数据提出大规模、高通量、快速率的流通要求，充分发挥数据的要素价值作用，同时对数据安全也提出了新的、更 严格的要求，即要确保数据在大规模、高通量、快速率的流通过程中的安全。数据安全发展到了动态全过程安全阶段，这 时不仅需要更加强大的连接和算力功能，对数据更大规模、更快速率、更高通量流通利用的需求更强烈，而使用控制、隐 私计算、区域 式、统一的Lakehouse Platform、机器学习管理平台MLflow，以及数据治理解决方案Unity Catalog。其中，Apache Spark 是一个开源的大数据计算框架。Spark设计用于处理大规模数据集，提供了快速的通用数据处理平台，特别适用于需要高速 访问和处理的数据密集型任务。Sprak集成了多种前沿计算机系统优化技术，处理速度快，易用性强，可处理多种数据源和 格式。被广泛应用于金融

语音交互算法的训练语料数据量将很快突破百万小时 ，训练数据包含大量不同用户的口 音数据、多领域歧义语料数据和具备复杂语法规则的数据。随着大规模语料样本数据的不断积 累 ，需要更好利用智算中心具备的大数据挖掘技术、深度学习算法 ，构建更加高级的语音模型， 为客户提供流式计算、在线计算、大规模离线计算等多种形式的服务 识 别 检 测 高性能识别检测平台往往需要支持处理 10 万 + 的物体识别能力 ，具备分钟级别的模型 农业数据整体呈现规模庞大、类型多样、实时数 据更新频繁等特征 ，涉及农林渔牧副各产业的多种数据。 针对农林渔牧副产业的不同特点 ，个性化定制智能解决 方案变得尤为重要。需要有配套的智算中心作为支撑， 实现农林感知数据的大规模存储 ，借助强大的算力支持 农林数据的高效计算、训练和推演 ，最终实现快速和智 能化的农林生产决策 智 慧 物 流 智慧物流产业的发展需要应用先进的 AI 算法、软 硬一体的机器人产品与操控系统和整仓集成的完整生态。 降低 Al 应用成 本 提高算力效率 智 算中 心 智能计算中心经济社会效益分析 • 算法创新、数据和可以用于训练的算力被认为是推动人工智能发展的三个关键要素 • 未来随着智算中心大规模投入使用 ，以 AI 算力、数据为基础、以 AI 模型生成和多场景应用的 AI 技 术生态链将逐渐形成 实现从模型开发、训练、部署、测试、发布的“流水式生产”与一站式交付，加速算力 产业链的形成

智算中心要成为新基建，必须满足以下三个基本条 件：开放标准、集约高效和普适普惠。 开放标准要求智算中心从硬件到软件、从芯片到架 构、从建设模式到应用服务都应该是开放的、标准的； 集约高效要求智算中心的建设要有超大规模，要采用 领先的技术，保证自身的先进性； 普适普惠则要求智算中心发挥基础设施的社会价值， 服务大众。 下面，具体分析这三个条件。 首先是开放标准。通过简单回顾开源开放的历史，可 以看到开放的边界越来越广阔。 OpenStack开源社区的黄金会员，一 直是开源计算生态发展的推动者，一 直在积极地将开源开放的建设理念和 标准向全球推广，一直在大力推进开 放计算生态发展，所有的顶级互联网 数据中心已经在大规模的落地开放计 算服务器。同时通信、金融、能源 等关键领域的TOP企业，也纷纷加入 了开源组织，并在数据中心建设当 中加以实践，像OpenStack、K8S、 Hadoop、TensorFlow等面向云计 设。作为基础设施，要求不同的智算 中心要能够互联互通，包括管理上的 互操作，统一的调度、分发、监控、 运维；业务上的互联接，包括网络打 通、业务迁移等；数据上的互流通， 实现容灾、数据共享等。 二是基础设施的超大规模要求智 算中心应该是集约高效的。首先智算 中心整体设计理念先进，技术上说融 合架构代表着数据中心体系结构的未 来发展方向。融合架构从1.0到2.0， 已经实现了存储资源和异步计算资源 的弹性组合。现在的融合架构正处于

行分析 TaaS 是指 TensorFlow asa Service ，深度学习平台及行业大数据解决方案 智算中心定义 建设目的 应用领域 主要特征 • 专用 ASIC 芯片为主 • 为大规模科学计算任务提供支撑服 务 带动政府治理及各行各业数智化转型升 级，促进产业 AI 化、 AI 产业化 促进信息服务业云化转型，通过资源共 享及弹性发放，供用户按需使用资源 • CPU 全闪存存储具备高可靠性和低延迟特性，结合 智能缓存技术，进一步提升数据访问速度与存 储性能。 分布式存储 曙光 ParaStor 500K 分布式存储，满足大规模数据 存储与并行访问需求，保障数据存储的可扩展性与 灵活性。 分布式存储采用多副本机制，确保数据可靠性与安 全性，结合智能调度算法，优化存储资源利用率， 降低存储成本。 技术细节：扩展至智能客服、新能源并网优化 等全场景应用，提升系统整体性能。 成果：实现全场景大模型覆盖，构建自主可控 的电力智算中心。 理由： POC 测试可以快速验证项目的关键技术和应用场景，为后续大规模建设提供经验。 建议：申请省级新基建专项债，优先启动 POC 测试，验证项目可行性和技术优势 02 03 01 2 方案架构设计 3 典型案例 4 主流智算平台介绍 5 项目优势 1 行业发展分

行分析 TaaS 是指 TensorFlow asa Service ，深度学习平台及行业大数据解决方案 智算中心定义 建设目的 应用领域 主要特征 • 专用 ASIC 芯片为主 • 为大规模科学计算任务提供支撑服 务 带动政府治理及各行各业数智化转型升 级，促进产业 AI 化、 AI 产业化 促进信息服务业云化转型，通过资源共 享及弹性发放，供用户按需使用资源 • CPU 卡千卡级算力 集群 ，支撑千亿参数模型训练； l 网络能力 ： 基 于 大 二 层 架 构 与 Spine- Leaf 拓扑 ，实现端到端延 迟≤ 50μs ，保障集群大规模数据同 步效率； l 可靠性：全链路冗余设计（网络、 供电、散热） ，达成系统年非计划 停机时间≤ 4 小时目标 离线渲染 + 模型服务 + 算力租赁 l 采用 降低 22% 。 算力业务：可稳定支撑千亿参数大模型训练、支持 100+4K 影视级离线渲染项目 并 行渲染、生成式 AI 实时推理等业务。 通过消费级 GPU 堆叠实现千亿级参数模型训练与中大规模渲染任务， 同时利用西部低电 价 降低运营成本 技术优势 成本优化 业务支撑 本方案构建了“计算 - 网络 - 管理 - 安全”协同架构 ，硬件选型 适配 高负载 场景 ， 具备 高 算

设计院的市占率基本保持稳定，自 2018 年由 9.64%上升至 2022 年的 10.65%，4 年仅提升 1.01pct，龙头市占率较低且提升缓慢。地域特征明显， 人效提升难度大，设计企业管理半径有限，企业难以持续扩大规模。 ⚫ AI+设计现状：目前主要应用于方案设计阶段，初步设计、施工图设计阶 段应用相对较少。设计行业中部分上市公司已开始布局 BIM 与人工智能， 开展工程数字化设计等多方面业务。AI ROAD 难，信息化渗透 率低、协同效应低效，人均创收无边际递增趋势，从而限制了设计人员效率提升， 并且设计企业人力成本占比高，限制了设计人员数量大规模增长。再一方面，设 计院有各自擅长的设计领域，跨细分行业竞争项目难度较大。三方面原因共同制 约了设计院大规模扩张。 表 2、龙头上市设计企业分地区收入占比情况梳理 企业名称 地区 2018 2019 2020 2021 2022

年 3 月，CNCERT 发布了《2011 年中国互联网网络安全态势报告》称 DDoS 的频率和规模都在迅速增大。根据 CNCERT 抽样监测发现，我国境内日均 发生攻击总流量超过 1G 的较大规模的 DDoS 攻击事件 365 起。其中，TCP SYN FLOOD 和 UDP FLOOD 等常见虚假源 IP 地址攻击事件约占 70%，对其溯源和处臵 难度较大。 DDoS 攻击最让人头疼的是攻击和防御的不对等性。现在的

视， 及其他伦理道德相关的问题和风险。因为在 AI 时代，数据就是生产资料，基础数据的准确性将直 接影响后续的决策和判断。例如：亚马逊的智能招聘，曾基于历史数据，招聘了更多的男性，造 成了更大规模的性别歧视，导致亚马逊不得不停掉了这一应用； ● 鉴于人力资源管理业务的特殊性，在项目实施中，我们要关注数据在收集、使用和传输过 程中的安全性及合规性，特别是和员工个人隐私相关的数据。不仅要通过加密、权限控制等措施， AI 项目的准备过程中，数据 准备是难度最大且必须跨越的难关，具体表现为在招聘过程中如何积累企业方（业务人员和 HR） 与候选人互动的数据；在已实践 AI 技术应用的企业中，通常呈现“快速投放、大规模实施、更迭 优化”的状态；初代 AI 产品投放后，不断优化算法模型的过程中，HR 需要提升训练 AI 的能力。 人才发展： AI 可负责多维度人才报告整合与生成，系统数据自主抓取，生成相应模板的意见和报告；将绩效