云团队联合首发并上线基于华为云昇腾云服务 的 DeepSeekR1/V3 推理服务。 l DeepSeek 通过 MLA 和 DeepSeekMoE 实现高效的推理和低成本训练，构建 DualPipe 算法和混合精度训练优化计算与通信负载；通过 ( 分阶段 ) 强化学习实现 性能突破。 多头潜在注意力 (MLA) 通过低秩联合压缩技术，大幅削减了注意力键 (keys) 和值 (values) 的存储空间，显著降低了内存需求。 模型对跨节点的全对全通信机制进行优化， 充分利用 InfiniBand 和 NVLink 提供的高带宽。创新性提出了 DualPipe 算法，通过优化计算与通信的重叠，有效减少了流水线中的空闲时间。采用 FP8 混合精 度训练技术，不仅极大地加快 了训练速度，还大幅降低了 GPU 内存的消耗。 DeepSeek-R1-Zero 通过强化学习架构创新实现突破性性能，核心技术创新体现在训 练效能优化策略、双维度评价体系、 ）资源占用，并通过调优 PTX 指令集和自动调整通信数据块大小，显著减少了 L2 缓存的使用及对其他 SMs 的干扰。 l 采用 FP8 混合精度训练技术，不仅极大地加快了训练速度，还大幅降低了 GPU 内存的消耗。基于低精度训练领域的成熟经验，开发人员构建了一个适用于 FP8 训 练 的混合精度框架，其中大部分计算密集型任务以 FP8 精度执行，而关键操作则保持原有精度，以确保数值稳定性和训练效率之间的平衡。结合

DeepSeek 的多模态对话引擎，支持文 本、语音及视频交互，通过动态意图识别（准确率≥98%）和上下 文理解（支持 20 轮以上对话保持）实现自然沟通。关键组件包 括：  意图识别模块：采用混合模型（BERT+规则引擎），覆盖银行 业务 9 大类、156 “ ”“ 个子意图，如 理财产品推荐 贷款资格预 ” 审 等。  情感分析模块：实时监测客户情绪波动，触发人工坐席介入的 阈值设定为负面情绪分值≥0 实时链路：Apache Kafka 处理流数据，用于会话状态同步 （延迟<100ms）。 2. 批处理链路：Spark 每日更新客户画像特征库，特征维度超过 1200 项。 基础设施层采用混合云部署，关键配置包括：  GPU 集群：NVIDIA A100×8 节点，支持 200 并发推理。  安全防护：F5 硬件防火墙+同态加密（HElib 库），满足 PCI DSS L3 标准。 提升 60%  业绩追踪模块：实时计算 KPI 达成度，生成个性化营销建议  A/B 测试平台：支持同时运行 5 组对话策略对比实验 AI 能力层以 DeepSeek 大模型为核心，采用混合部署方案： 通过领域自适应训练，使模型掌握银行专业术语和业务流程， 关键指标对比如下： 能力维度 通用模型 金融微调模型 提升幅度 产品推荐准确率 68% 89% +21% 合规检查通过率

互联网抓取 物联网感知 合作 新兴数据的获取与感知——互联网抓取 数据类型 数据来源 应用举例 兴趣点 （ POI ） 导航地图类 POI 设施密度分析、用地功能混合度分析、多种设施相关性分析 大众点评类 POI 地块混合度、商圈密集程度、住宅配套、公共服务设施使用率与满意度 社交类数据 微博数据 签到热度分析、情绪分析、用户画像、签到曲线分析 flickr 图片数据 不同地区图像主题差异 客流量进行预测、出行时空特征、城市空间联系强弱判断 …… …… ……  典型互联网数据类型 新兴数据的获取与感知——互联网抓取 1 、兴趣点（ POI ）应用举例 吉林市公共服务设施核密度分布（左）与用地混合度（右） 咖啡厅与星级酒店、 IT 企业的空间分布关系 新兴数据的获取与感知——互联网抓取 2 、社交类数据应用举例 1 、十一期间北京微博签到热度 2 、微博情绪空间分布 3 、微博签到热度分时曲线 新兴数据的应用方向——产业经济 案例二：北京文化创意产业空间分布变迁 利用龙信的企业数据，对北京文创企业历年的空间分布、注册情况 和经营情况进分析。  文化创意产业表现出与城市其他功能混合发展的空间特性，应充分利 用现有空间资源，将鼓励产业发展的政策落实到企业而不是简单的落 实到园区，减少借用发展文化创意产业名义而进行圈地的现象。 新兴数据的应用方向——产业经济 案例二：北京文化创意产业空间分布变迁

GPT 系列、文心一言、通义千问、腾讯混元以及科大讯飞表现较好。 金融垂类模型国外发展先行 ，国内成品问世。 1 ） 国外彭博 BloombergGPT 率先登场。 BloombergGPT 的混合训练方法使其模型在金融任务上 的表 现大大超过了现有的大语言模型 ，而在通用场景上的表现则与之相当 ，甚至优于现有模型。 AI4Finance Foundation 开发 FinGPT ，为金融大 个标签的 数据集，支持金融行业内的各类任务 ，彭博近 40 年来在金融领域积累的数据占比为 51.3% ，剩余的 48.7% 则来自于公开数据。 训练结果表明 , BloombergGPT 的混合训练方法使其模型在金融任务上的表现大大超过了现有的大语言模型，而在通用场景上的表现则 与之相当，甚至优于现有模型。 彭博 BloombergGPT 相比于通用大模型有诸多优势。 BloombergGPT

003-2015）、转型 升级阶段（2016- 至今），在不同阶段，中国工业园 区的发展模式与理念也呈现出不同的特征。中国工 业园区的管理模式主要分为三类，即政府主导模式、 企业主导模式以及混合模式。 中国工业园区在蓬勃发展的同时，也面临着发展不 均衡、创新能力不足、污染物和温室气体排放、资 源能源消耗等挑战。近 20 年来，为应对以上挑战， 中国政府大力推动绿色、可持续发展理念在工业园 未来的工业园区将呈现多样化的发展趋势。首先， 工业园区的数量自二十世纪九十年代以来不断增长， 加剧了彼此在招商引资和服务升级方面的竞争压力。 其次，随着城市化进程的不断推进，工业园区内部 和邻近地区出现越来越多的住宅和混合用途项目， 迫使工业园区融入城市。再次，在气候变化问题愈 发受到关注的背景下，如何更加有效地控制经济活 动对环境的影响，已成为“绿色增长”和资源节约 型“循环经济”业务模式下企业运营和决策中日益 区中发展速度最快、单位面积投入和产出最高的区 域之一。 1.3.3 中国工业园区管理模式 经过多年的积累和不断探索，中国工业园区的管理 模式主要分为三类，即政府主导模式、企业主导模 式以及混合模式。 政府主导模式。管理委员会属政府派出机构，代表 市政府全面负责开发区的基础设施建设、土地开发、 招商引资和经济管理等工作，体现了政府的主导作 用。目前，我国大多数工业园区都采用了这一管理

大学人工智能教育教学研究中心 浙江大学人工智能教育教学研究中心 浙江大学人工智能教育教学研究中心 浙江大学人工智能教育教学研 浙江大学人工智能教 浙 • 编码器和解码器里的部分前馈神经网络（ FFN） 层被混合专家MoE 层替代，并采用 top-2 门控 机制； • 当模型扩展到多个设备时，MoE 层在这些设备间 共享，而其他层则在每个设备上独立存在。 —有利于大规模计算 强化学习 图源自《ReFT: Reasoning with Reinforced Fine-Tuning》 综合性能 更强 在探索自 由度、学 习效率、 行为可控 性 找到动 态平衡 混合数据 监督微调 面向全场景的强化学习 （规则奖励+奖励模型） DeepSeek-R1 （强推理模型） 671B 第一阶段训练：增强推理能力，生成高质量推理数据 第二阶段训练：增强通用能力，避免灾难性遗忘

根据室外温度和机房环境需求，磁悬浮蒸发相变冷却系统主要有两种运行模式： a） 混合模式 室外高湿球温度时（TWB≥11℃），气泵开启，极致逆卡诺循环。 b） 液泵模式 室外低湿球温度时（TWB<11℃），气泵关闭，液泵输送运行。 液泵制冷模式下，运行氟泵，氟泵电耗远小于传统的冷冻水泵，从而大大降低机组 全年的能耗 混合制冷模式下，运行气泵（压缩机），气泵采用磁悬浮压缩机，没有传统压缩机 送回风温度 23/36℃； b、电力 电池室及配电室等辅助区采用机房精密空调风管上送风、前部回风 方式，送回风温度 23/33℃； c、将所有空 U 的机柜空间安装盲板，以防止无端漏风，防止气流混合，防止机柜 出现热点，提高机柜冷却能力。 4） 湿度控制 机房加湿、除湿采用集中加湿、除湿方式，主机房配置恒湿机，满足机房湿度控制 需求。同时，恒湿机配置控制系统，将其与空调系统进行联动，避免其在加湿的同时 过空-空换热器直接进行换热，即可满足数据机房送风要求。 2） 湿工况模式：室外气温较高时（TDB＞16℃，TWB≤20℃），开启喷淋，二次空气与喷淋 水进行热湿交换，温度下降后通过空-空换热器与一次空气进行等湿冷却。 3） 混合工况：室外气温条件恶劣时（TWB＞20℃），以上两种工况均无法满足机房送风要 求，则需开启压缩机补冷。 图 5.6.5 AHU 机组运行模式示意图 以上三种运行工况可以结合气象

保障企业数据安全与业务合规。  灵活选型模型：支持DeepSeek-R1满血版（671B参数）至轻量化蒸馏模型的灵活部 署，覆盖从复杂决策到高并发交互的全场景需求。  异构算力融合：同步兼容多元算力，支持企业按需构建混合算力集群，释放资源 潜力。 市场研读 2025/08 中国：云服务系列 21

1000PFLOPS（FP16）的算力资源 与联盟成员数千 PFLOPS 云端算力。其次，在 AI 大模型出现之后， 越来越多的高校开始倾向于集中建设统一的大平台，以满足不同规模 的算力需求。并且，公有云和本地资源混合共建的模式越来越多，推 理算力和常规通用算力采用云服务会具有更高的性价比。三是高校算 力应用趋向于多元化发展。一是智慧教室。例如兰州大学在全国高校 中率先成立科学观测台站管理中心，建设开放共享的野外科学观测研 图形渲染、多媒体等综合应用场景的落地。基于摩尔线程自研的全功 能 GPU MUSA 生态架构，MTT S4000 可以充分兼容现有软件生态， 实现代码零成本迁移到 MUSA 平台。此外，MTT S4000 还支持混合 精度计算，能够在保持模型精度的同时，显著提升训练和推理的速度。 通过 MUSA 深度神经网络库(muDNN)和 TensorX,为开发者提供一套 完整的软件工具链 MUSA Toolkits，这些工具链能够进一步优化模型

时支持虚拟化环境和数 据库等关键应用的混合部署，支持 X86 和 ARM 存储共池。5）可靠：支持 28 快照备份、主备容灾和双活容灾。 5.2.4.1.2 云部署形态 云部署是指将应用程序、数据和服务托管在由云服务提供商管理的 数据中心服务器上，并通过网络按需进行访问和使用的模式。其核心在于 资源的虚拟化、池化，主要分为公有云、私有云和混合云模式。云部署的 本质是将传统 IT 基