准确率≥ 99% ，减少人工巡检工作 量， 提升巡检效率和安全性 。 国 产 化 适 配 ： 采 用 昇 腾 GPU+MindSpore 视觉框架 ， 适 配国产硬件和深度学习平台。 l 场景： 基于历史负荷数据 、气象 数据和电网拓扑结构 ，预测未来 短期和中长期电力负荷。 l 应用价值： 短期负荷预测误差 3% ， 中长期＜ 5% ， 助力电网调 度优化， 降低运营成本 。 国产 化 适配： 使用华为云盘古电力 预训 练模型 ，基于 MindSpore 框架开 发 ，适配国产云服务。 l 场景：通过自然语言处理技术理解 用户咨询和报修工单 ，实现自动回 复和工单分类。 l 应用价值： 自然语言理解工单， 响 力 领域适配性差 ，难以满足 特定 场景需求。 • 解决方案：电力领域预训练 模 型（如华能“ 电盘古 ”）提 升 场景适配性 ，优化模型性 能。 • 国产化适配：基于国产深度 学 习框架和预训练模型 ，适 配电 力行业应用场景。 电力行业核心场景与价值 第 7 页 超算中心融合管理子系统 （包含统一门户） 高速网络交换子系统 通用 CPU 算力子系统 GPU

理后 的数据提供给消费者。这一特性在保障数据自主权方面意义重大，服务提供商不用担心数据泄漏风险，还能充分利用自身分 析能力为消费者数据提供价值。 （3）联邦学习 联邦学习是一种创新的机器学习框架。它是一种分布式机器学习方法，允许多个参与者在不共享原始数据的情况下共同 训练模型。这种方法在保护数据隐私的同时，利用多方数据进行模型训练，适用于数据孤岛场景，使企业能够在保护用户隐 私的同时， Lake湖仓表格 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 信共享。 2022年5月3日，欧盟委员会宣布启动欧洲健康数据空间（EHDS）建设，并发布了《关于欧洲健康数据空间条例》提 案，提供法律保障。EHDS将通过构建一个由规则、共同的标准和实践、基础设施和治理框架构成的医疗生态系统，促进医 疗数据的初次利用（医护机构间的数据交换，使患者在不同欧盟成员国获得便利的医疗服务）和二次利用（用于促进研究、 创新、政策监管等活动），释放医疗数据的潜力EHDS的建设

， 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。 从最初的操作系统、数据库、 中间件的开源，到云和大数据、算 法框架等基础软件的开源，再到以 以RISC-V为代表的芯片的开放，以 OCP、ODCC为代表的计算硬件的开 放。由软件到硬件，从芯片到数据中 心，开放变革了IT产业的生产模式和 应用服务模式，持续推动着信息技术 的服务器；FP5295可支持CPU和GPU间数据同步传输。浪潮 超大规模AI计算框架LMS，可实现单GPU超大算力支撑，支 持70亿参数的NLP智能语言模型训练，相比主流Bert模型参 数量提升20倍。 第 二 是 聚 合 算 力 。 在 训 练 方 面 ， 浪 潮 优 化 了 TensorFLow框架，在全球首次实现在512个GPU卡上90%的 扩展效率，打破Imagenet训练时间全球最快纪录；在推理 智慧社会离不开智慧生态——元脑生态计划 目前，行业信息化市场已经步入了产业AI化阶段，这 将会是一个万亿级的市场。 在AI产业化过程中，浪潮是新兴AI企业的主要合作 伙伴和算力提供商，已经积累了大量优质的算法框架、模 型和数据，这些优质的AI技术正是产业AI化过程中行业用 户所需要的，也是为这些用户服务的传统合作伙伴所欠缺 的。为了帮助行业用户更好地进行智慧化转型，连接传统 合作伙伴和新兴AI企业，浪潮提出了元脑生态计划。

算力输出 CPU 最新 人工智能理论 领先 人工智能计算架构 AI 芯片 AI 服务器 高速互联 深度学习框架 资源调度 数据服务 数据开放共享平台 算力服务 算法服务 产业创新聚集平台 智能生态建设平台 图像 视频 高 效模 型 训 练框架 高 效模 型 优 化方 法 深度 学习 自然语言 处理 AI 场景 AI 算法 AI 工具 AI 服务 CPU GPU 、交通运输 、市政公用 、农业 、 林业 、水务 、环境保护 、保障性安居工程 、教育 、 科技 、文化 、体育 、医疗卫生 、养老 、旅游等 行 业领域的项目 ） • 采用政企合作建设运营的框架，高效整合政企资源。 • 注重激发市场创新活力、提高建设运营效率。 • 发挥智算中心作为创新载体的公益属性，促进成果转化应用，带动新兴产业发展与产业链上下游高效协同。 智能计算中心的建设、运营模式

1 数据资源目录总体结构.......................................................................2 2.1.2 数据资源目录技术框架.......................................................................4 2.2 整体技术路线............... 目录体系的实现载体。 2.1.2 数据资源目录技术框架 数据资源目录体系技术框架主要由两类目录组成，即公共资源目录和交换服务 目录。公共资源目录主要针对的是数据，提供数据资源目录信息，以便发现和 定位信息资源；交换服务目录主要针对的对象是数据交换服务资源，提供交换 服务地址等目录信息，以便发现和定位交换服务。 第 4 页 图 2-3 数据资源目录技术框架 目录体系建设和使用过程中存在三类角色：信息提供者、信息使用者和目录信

这不仅可以帮助开发者提高工作效率，还可以为非专业人士提供编程服务。 15 AI 在企业人力资源中的应用白皮书 OpenAI 代表企业 6.“通用人工智能”是“未来” 通用人工智能的研究目标是寻求统一的理论框架来解释各种智能现象，并研发具有高效学习 和泛化能力、能够根据所处的复杂动态环境自主产生并完成任务的通用人工智能体，使其具备自 主的感知、认知、决策、学习、执行和社会协作等能力，且符合人类情感、伦理与道德和相关的 目标体系无法得到预期的运转，为了解决这 个问题，绩效数字化团队引入了具备生成式 AI 技术的 GPT 大语言模 型，并且通过微调 Prompt( 提示词 ) 的方式来训练符合公司 OKR 执 行要求的目标框架。现在，员工只需直接输入自己具体要做的事情、 完成的时间、计划达成的量以及需要协同的同事，大模型就会自动 帮助员工生成合理清晰的 OKR 目标。这种方法能够解决员工在目标 制定过程中遇到的困惑和迷茫，确保每个目标都能够明确、可衡量 为了更好地处理人力资源事务和完成人力资源管理决策，三一人力资源总部搭建了智能运营框架 （如图 5），分别有两大主体，一方面通过智能网络协同推进 HR 事务办理，另一方面通过数据 智能中台助力 HR 管理决策，并且两大主体互联互通，还有统一的用户界面，能为员工提供更好 的体验，同时也能更好地辅助 HR 完成决策。 图 5 智能运营框架 HR 事务办理 : 精准触达，千人千面，全面提效 HR 管理决策 :

多语言编译器与 多平台开发 IDE 大世界构建工 具 机器人构建工具 深度学习训练平 台工具 动作舞蹈表情 采编工具 数字人构建工具 训练师真身 安全监控 在环干预 应用层 框架层 服务层 核心层 HARIX 应用技能集 多模态交互技能 个性化聊天 移动抓取 双臂协作 做咖啡 多机协同 多机调度 园区快递员 安保巡逻员 安全运营中心 数据标注 多模态交互 操作增强 服务器计算资源池 存储资源池 技能管理 生命周期 调度管理 监控清理 运动技能 动态平衡 动作舞蹈 移动导航 多语言多模态数字孪生程序框架 数字孪生服务 (eXtream Reality) SmartVoice NLU ASR/TTS 知识图 谱 情感 分析 4G/569 网 络 语音增强 运动增强 远程监控 视觉增强

据中心，应用系统主要服务“定 制服务平台”即四个业务平台和政务共享平台。大数据中心、应用系统和数据标 准规范等文档为本期项目成果，是交付提交给运维管理方的重要资源。 下图所列为一中心四平台整体框架，整体描述了大数据中心及系列应用平 台建成后的业务生态链。 图1： 一中心四平台项目总体架构图 1、数据源 大数据中心数据主要来源自 XX 市各委办局及企事业单位和网络收集的舆情 数据。重 大数据中心系统设计 3.1 整体规划 大数据中心为“一中心四平台”项目建设的核心，建设过程规划如下： 1、——平台搭建 完成数据汇聚、数据管理平台、人口库、法人库的建设，提供可扩展的数 据交换、处理、共享框架，先期满足四平台和政务共享平台的数据需求和服务 支撑。 2、二期——应用推广 扩充基础信息库和专题库的建设范围，提供更丰富的数据支撑。建设重点 转向应用服务，向全市域委办局推广数据应用。 3、三期——全面推广 3.2 建设目标 1、总体目标 建设 XX 市城市大数据中心，完成人口库、法人库数据的汇聚，提供可扩展 第 12 页 城市大数据中心建设概要设计说明书 的数据交换、处理、共享框架，部署舆情服务系统、信息资产管理与服务平台、 政务共享平台。同时大数据中心为城市管理平台、电子政务平台、经济运行平 台、民生服务平台提供数据支撑。 2、具体目标 在总体目标的指导下，XX 市城市大数据中心将达成以下具体目标：

模型开发 模型部署 模型推理 模型训练 模型管理 集成开发环境： 自动建模 模型监控 云主机 镜像服务 裸金属 对象存储 云硬盘 VPC 预置算法框架： PyTorch 、 Tensorflow Jupyter Lab 、 VSCode Spine-Leaf 物理层 + EVPN/VXLAN 逻辑层的组合架构， 兼顾物理网络的高扩展性、东西向性能及运维效率， 验证项与工具 GPU 状态检查：执行 nvidia- smi 命令检查 GPU 卡在线状态、温度、算力参数。 分布式训练验证：启动 ResNet- 50 模型训练任务，基于 Horovod 框架实现多机多 卡 分布式训练，要求 GPU 算力利用率≥ 70% 。 验证目标 确认千卡 GPU 集群算力正常输出。 l POC 测试：验证 RDMA 网络性能、风冷散热效果、存储分层策略等关键技术

1、政策持续加码工程数字化设计 政策支持工程数字化设计。目前的政策鼓励研发自主可控的 BIM 系列软件，以减 轻对国外软件的依赖。《“十四五”建筑业发展规划》中指出，到 2025 年，我国基 本形成 BIM 技术框架和标准体系，完善行业规范，促使 BIM 在设计行业中的渗 透率提高。《“十四五”住房和城乡建设信息化规划》提出深化 BIM 和 CIM 在住 房和城乡建设领域的全方面应用，以新技术赋能“新城建”，以“新城建”对接“新 BIM 三维图形平台并发展相应软件生态。 2022 年 《“十四五”建筑业发展规划》 加快推进建筑信息模型（BIM）技术在工程全寿命期的集成应用，到 2025 年，基本形成 BIM 技术框架和标准体系。推进自主可控 BIM 软件 研发；引导企业建立 BIM 云服务平台。 2022 年 《“十四五”工程勘察设计行业发 展规划》 加快提升 BIM 设计软件性能，重点突破三维图形平台、建模软件、数据