网络加速 CDN 鉴权 OAuth2.SAML2 系统接入层 轻联IPAAS 统一身份认证 鉴权 OAuth2.SAML2 连接产品 连接客户 连接员工 连接伙伴 公有云 私有云 分布式云 企业 微信 腾讯 文档 腾讯 乐享 腾讯 电子签 腾讯 会议 ⋯ ⋯ ⋯ 如针对终端客户：基于大模型和用户手册的智能问答助手 大幅提高客户体验 难点：文档庞大，图文混排复杂 电流电压 照片约20张 VS 不变 审核时长 20分钟-1小时 秒级自动审核 整改提示 文字+图片编辑 自动返回带整改说明 标识的图片 针对分布式光伏的现场勘查、安装、巡检，如何利用数字化手段，解决控制人力成本与确保安装质量之间的矛盾？ 分布式光伏 作业APP 腾讯临境 360 全景 报装审核 腾讯Ti平台 AI图像识别 安装巡检管理 • 整体安装质量不达预期 • 人力成本控制刚需 每套审核时间 70% 标准巡检覆盖比 40% 实际巡检覆盖比 节约综合人力成本 降低隐形成本风险 车辆事故、车辆违章、人员安全 云边协同的智能运维方案帮助新能源场站实现无人运维，智能运维 • 基于分布式云计算和AI等先进技术，通过云边协同架构，实现总部与边缘场站两级资源协同互动，打造新一代无人化智能场站 • 数字化能力下沉场站，提升巡检智能化，降低生产运营风险，推动新能源减员增效 云边协同

11.39 11.58 11.74 12.03 12.27 12.44 2019 2020 2021 2022 2023 2024Q3 用户规模 亿人 中国移动互联网各细分行业使用总时长分布，2024M3 资料来源：QuestMobile，灼识咨询 中国移动互联网接入流量 1,220 1,656 2,216 2,618 3,015 3,376 2019 2020 2021 示了国内厂商对于高性能计算资源的迫切需求。 53.2% 17.8% 8.7% 4.2% 4.2% 4.0% 3.7% 4.3% 互联网 服务 政府 电信 制造 教育 金融 其他 中国各行业智能算力应用分布，2023 ➢ 互联网头部厂商大量采购智算芯片 相较海外，国内智算中心正处于高速增长期，中国各行业对智算的需求急剧上升，其中互联网行业是最大需求方， 互联网巨头积极投身AI领域并大量采购智算服务 “东数西算”八大算力枢纽、十大集群算力政策要点 2025年计划建成算力中心容量： 1,000MW以下 1,000-2,000MW 2,000MW及以上 尚未规划枢纽 注：图示算力中心容量分布热力图为截至2024年12月31日各级政府政策规划指标口径。 算力中心行业的供给主要由三大电信运营商、第三方算力中心服务商与企业或地方政府自建三大来源构成，其中 第三方服务商的供给容量份额已接近50%。

2）算力需求结构性转变：2024年部分地区智算中心出现闲置，但这主要是供需错配导致。随 着DeepSeek等开源模型推动推理应用爆发，推理侧算力需求大幅上涨，智算中心利用率有望 逐步提高。 3) 工具生态日益完善：分布式AI框架、LLMOps平台和一体机产品等不断发展，深度融合软硬 件优势，加速了大模型的训练与部署，有效支撑了产业侧大模型的应用建设。 4）商业化以项目制与订阅制为主流：政企侧客户以项目制为主，C端产品多采用“免费+订阅 cn 中国人工智能产业资本环境 语言及多模态赛道目前最受瞩目，同时基础层厂商积极入局 来源：艾瑞咨询研究院自主研究绘制。 从投资轮次的分布情况着眼，战略及股权投资的数量及占比均呈现出显著的上升态势，其中股权投资事件占比高达77.9%。而在应用赛道 的投资分布方面，语言及多模态赛道目前已成为最受瞩目的投资领域。与此同时，以AI芯片、AI算力解决方案、算法架构等为代表的基础 层投融资数量显著上升， A-B+轮 C-G轮 pre IPO及IPO 战略及股权投资 2023年融资事件数（个） 2024年融资事件数（个） 2023-2024年中国人工智能产业投融资轮次数量及其分布情况 2024年人工智能产业各应用赛道投资数量及其分布情况 193 80 76 40 28 20 11 语言及多模态 视觉模态 基础层 机器人 自动驾驶赛道 智能硬件 语音模态 2024年投融资事件数（个） 51

2）算力需求结构性转变：2024年部分地区智算中心出现闲置，但这主要是供需错配导致。随 着DeepSeek等开源模型推动推理应用爆发，推理侧算力需求大幅上涨，智算中心利用率有望 逐步提高。 3) 工具生态日益完善：分布式AI框架、LLMOps平台和一体机产品等不断发展，深度融合软硬 件优势，加速了大模型的训练与部署，有效支撑了产业侧大模型的应用建设。 4）商业化以项目制与订阅制为主流：政企侧客户以项目制为主，C端产品多采用“免费+订阅 cn 中国人工智能产业资本环境 语言及多模态赛道目前最受瞩目，同时基础层厂商积极入局 来源：艾瑞咨询研究院自主研究绘制。 从投资轮次的分布情况着眼，战略及股权投资的数量及占比均呈现出显著的上升态势，其中股权投资事件占比高达77.9%。而在应用赛道 的投资分布方面，语言及多模态赛道目前已成为最受瞩目的投资领域。与此同时，以AI芯片、AI算力解决方案、算法架构等为代表的基础 层投融资数量显著上升， A-B+轮 C-G轮 pre IPO及IPO 战略及股权投资 2023年融资事件数（个） 2024年融资事件数（个） 2023-2024年中国人工智能产业投融资轮次数量及其分布情况 2024年人工智能产业各应用赛道投资数量及其分布情况 193 80 76 40 28 20 11 语言及多模态 视觉模态 基础层 机器人 自动驾驶赛道 智能硬件 语音模态 2024年投融资事件数（个） 51

大模型需要训练大量数据才能发挥出其强大的 性能，这些数据来自于各种来源，如互联网、企业内部数据等。 3、计算资源需求高。由于参数规模庞大，AI 大模型的训练需要高性 能的计算资源，如GPU 集群、分布式训练框架等。 4能源行业部分大模型 （一） ◼ 国网光明电力大模型：（开源与闭源并举） 发输变配用、调度、交易 规划、建设、运行、检修、营销 ◼ 南网，大瓦特 ◼ 三峡集团“大禹”大模型 4三、能源数字化转型 （一） 17 ◼ 能源网络优化与安全管理数字化： 1、智能电网优化：在智能电网中，Deepseek大模型可以对 电网的拓扑结构、电力负荷、分布式能源接入等因素进行综 合分析，优化电网的运行方式和潮流分布。通过实时调整变 压器的分接头、断路器的开关状态等，提高电网的供电质量 和可靠性，降低电网的损耗。 2、故障预测与预警：基于历史故障数据和实时监测数据，AI 除了在新能源开发的设计阶段提供支持外，Deepseek还可以对可再 生能源资源（如风能、太阳能、水能等）进行更精确的评估和分析。 例如，分析不同地区的风能资源分布和变化规律，为风电场的选址 和建设提供更科学的依据；评估太阳能资源的时空分布，优化太阳 能光伏电站的布局和设计，提高可再生能源的开发效率和利用水平。 4五、案例--2024年国网电力市场发展状况 （一） 21 ◼ 国网市场建设进展：

27%，其 中 HVDC，锂电池和服务器电源将实现更快增长，分别达到 77%/58%/36%。 AI 算力+双碳政策，中国绿色算力提升新能源需求端消纳 与海外不同，中国电网更加稳定，并不需要大量分布式电源直连去实现稳定 供应。2023 年发改委、工信部《深入实施“东数西算”工程加快构建全国 一体化算力网的实施意见》首次提出到 2025 年底，国家枢纽节点新建数据 中心绿电占比超过 80%。在十四五期间我国单位 巴拿马电源：降本增效的 HVDC 集成方案，供配电系统的“巴拿马运河” .................................................... 13 SST：更适配分布式电源的灵活接入，数据中心的“能源路由器” ................................................................ 15 在 AIDC 需求释放态势下对 PUE≤1.3，高 PUE 数 据中心需改造；2021 年上海及 2022 年甘肃、广东、内蒙古、宁夏均提出 2025 年 PUE ≤1.3；2022 年广东、内蒙古等提出 2025 年 PUE≤1.3，鼓励分布式光伏和储能。 图表3： 国家&地方级绿电算力政策一览 资料来源：政府网站，华泰研究 数据中心建设有效促进我国新能源消纳，我们估算，若 2024-26 年每年数据中心建设量

解 - 推演 " 的闭环认知体系 ，在多个场景下扩展智能边界。 例如，通过跨模态对齐技术，模型能将 CT 影像的灰度特征与病理报告的专业术语建立语 义关联， 在医疗诊断中同步分析 X 光片阴影分布与患者主诉症状。此外，这种时空关联推理能力使得自动 驾 驶系统能同时解析路况视频中的车辆轨迹、交通信号灯的闪烁频率以及周围环境的异常声响， 实 现更精确的多维度风险预判。 强推理能力在全模态 散度刻画； 弹力 F ：对齐后的模型抗拒发生分布改变，产生恢复预训练分布的“弹力”； 类似于胡克定律，我们发现大模型也存在弹性：对模型施加微调时，模型倾向 于 保持原有预训练分布，抗拒对齐分布，使得“逆向对齐”更加容易。 从最简单的弹簧系统建模，探究大模型内在抗拒对齐的机理 大模型存在弹性：模型在预训练阶段经过大数据、 大更新产生了具备通用能力的稳定分布 pθ, 而经 过对齐阶段的“小数据、小更新”表现出由对齐分 过对齐阶段的“小数据、小更新”表现出由对齐分 布 pθ’回弹到预训练分布 pθ 倾向，从而抗拒对齐 ; 胡克定律：在弹性限度内，弹簧弹力 F 和 长度变化量 x 成线性关系，即： F = — kx ， 弹力系数 k ，弹力与其形变方向相 反，表 示它有使系统不改变的趋势 ; 从胡克定律到大模型的弹性（而抗拒对齐） 模型是否具有与 弹簧类似的属性 从而抗拒改变？ pθ ’ pθ u 大模型被视作一种压缩器，预训练和对齐过程则是：

4 图表 3： A 股全行业 PE 估值分布情况（按各行业估值分位数降序排列）................................. 5 图表 4： A 股全行业 PB 分位数分布情况（按各行业 PB 分位数降序排列）................................ 5 图表 5： 化工细分子版块 PE 估值分布情况（按各子版块估值分位数降序排列） .... ...................... 6 图表 6： 化工细分子版块 PB 分位数分布情况（按各子版块 PB 分位数降序排列） ......................... 6 图表 7： 重点覆盖子行业近期产品跟踪情况 ......................................................... 7 图表 8： 本周（2 月 10 日-2 图表3：A 股全行业 PE 估值分布情况（按各行业估值分位数降序排列） 来源：Wind、国金证券研究所（PE 为动态） 图表4：A 股全行业 PB 分位数分布情况（按各行业 PB 分位数降序排列） 来源：Wind、国金证券研究所（PB 为动态） 行业周报 敬请参阅最后一页特别声明 6 图表5：化工细分子版块 PE 估值分布情况（按各子版块估值分位数降序排列）

建和运行数字 孪生模型、保证数字孪生模型与对应物理实体实现有效闭环 的核心技术之一。 3.数据孪生技术 数据孪生作为金融领域数字孪生底层的关键技术，该技 术通过机器学习模型对一组业务数据的分布进行学习，从中 找到相应规律，进而生成与之相类似的数据，实现业务数据 的仿真模拟。为实现数据的高质量仿真，需要使用机器学习 领域的生成式模型，主流的生成模型包括生成式对抗网络 （ Generative 理基于一个零和游戏（zero-sum game），其中生成器试图 生成足够真实的数据以“欺骗”判别器，而判别器则试图区 分真实数据和生成器产生的假数据。 6 生成器：生成器的目标是捕捉训练数据的分布，以便能 够生成新的、看似来自真实数据集的数据点。它通过接收一 个随机噪声信号作为输入，并将其映射到数据空间中。 判别器：判别器的任务是识别输入数据是来自真实数据 集还是生成器。通过这种方式，判别器指导生成器产生越来 的编码器负责将输入数据映射到一个潜在 空间（latent space）中的表示。这一过程涉及了概率分布 的估计，通常是假设潜在空间遵循高斯分布。 解码器：解码器的任务是从潜在空间的表示中重构出输 入数据。通过这种方式，VAE 能够生成与训练数据类似的新 数据。 VAE 的训练涉及到最小化重构误差和潜在空间分布与先 验分布（通常是标准正态分布）之间的 Kullback-Leibler (KL) 散度。这种方法不仅促使模型学习有效的数据表示，还保证

GPU、专用 AI 芯片、 高速互联网络、大容量高速存储等技术，实现了大规模的算力供给， 为处理复杂、不规则的计算任务（如自然语言处理的长序列数据、计 算机视觉的多尺度图像特征）创造了条件；在软件方面，分布式训练 框架、预训练大模型、多模态数据处理等技术也通过精细化算力管理 提升了大模型的训练和推理速度，为机器人的大规模应用提供了基础 支撑。 2 （二）“机器人+人工智能”是新一轮大国竞争的关键 本报告分析了 88 个国内外“机器人+人工智能”应用案例，其中 生产操作、物流配送和质量管理占比较高，分别达到 40%、25%和 22% （图 3）。 11 图 3“人工智能+机器人”应用场景分布 1、生产操作：从操作精度提升到自适应学习 生产操作类应用占比接近 40%，是应用最为普遍的领域。原因主 要有包括以下两点：一是企业对效率的需求提升，“机器取代人”最 早出现在生产过程中的重复性、封闭性的操作场景中，在多个行业已 个国内外“机器人+人工智能”应用 案例中，汽车、半导体和钢铁三大行业案例占比达 68.1%，占据绝对 优势（图 4），各行业应用场景分布见下图（图 5）。 图 4 88 个“机器人+人工智能”案例行业分布图 15 图 5 各行业“机器人+人工智能”应用场景分布 1、汽车：关注精细生产、高效物流和外观检测 汽车产业是资本密集型和技术密集型产业，对机器人的算法先进 性和硬件稳定性要求较高，也是当前机器人使用最多的产业。从产业