云应用场景： 场景一：构建冗余环境。利用异构云环境提供容灾备份服务，其区别于传统 的同构备份或两地三中心模式，更多是企业综合考虑诸多因素后，采用异构 云所设计的备份方案。企业可在多个云环境中部署关键业务系统，实现多活 容灾架构，或在不同云之间定期备份数据，增强系统的容错能力和灾难恢复 速度。例如，一些制造业企业基于合规要求，将数据在私有云上进行备份。 异构云备份对于故障隔离与切换有很强的现实意义，当某个云平台发生问题 术体系的升级，而是企业战略、目标、方法论和实践项目共同作用的结果。 因此，企业如果在认知不到位的情况下盲目投入，往往会使整体的投入产出 比下降，反而背离最初的期望目标。 挑战四：成本控制与优化挑战 企业多云环境最现实的挑战是在异构资源增加后的重组和优化问题，包括对 迁移、运维、运营复杂度的重新评估和对相关成本的重新计算。随着企业的 发展壮大，以云为代表的IT基础设施成本将变得越来越重要，成本失控会给 企业带来不可预计的严重后果。 AI算力规模化：企业对加速芯片的多样性有较高需求，以适应不同规模和复 杂度的模型的开发和应用。同时，为了应对不断变化的工作负载，企业还需 要计算和存储资源具备弹性扩缩的能力。为了实现更好地管理规模化和异构 的算力资源，超大规模计算集群需要支持智能调度，特别是面对行业大模型 的训练和推理任务时。企业需要获得全面保障大规模算力集群的统筹管理和 优化能力，确保计算资源实现高效利用。 AI算力质量和

感知层、认知层、 决策层和执行层找到合适的技术路线。同时，流程智能化必须突破数据孤岛与流程割裂。 企业可以通过构建穿透式数据治理体系，突破数据孤岛。物理穿透层面，企业通过多模态数据中枢 整合异构数据源，形成全域数据资产池。逻辑穿透层面，企业可以建立动态数据血缘图谱，利用 AI 自动识别数据关联关系。价值穿透层面，企业基于知识图谱技术建立跨域语义关联。 为破除流程割裂建立统一流程，企业 集团员工可以及时响应业务需求，提升流程运营效益。 02 智能 BPM 平台的全流程构建 中集集团在推进该项目过程中，面临着三重核心挑战：其一，业务流程体系庞杂需深度 梳理优化；其二，需实现多套异构系统的无缝集成与数据贯通；其三，项目需支持集团 多层级组织架构的协同运作。 基于此，中集集团选择与蓝凌达成战略合作，不仅源于蓝凌在大型集团企业 BPM 流程 管理领域具备的成熟方法论与标杆案 建设过程中，中集集团构建了集团级一体化流程平台，通过四大核 心能力重构企业运营体系。第一，打造标准化流程引擎底座，实现跨组织流程统管。 第二，构建多端协同的移动审批门户，形成全集团统一的交互体验。第三，贯通异构 系统的流程链路，实现流程集成。第四，通过智能流程分析平台，实现端到端流程效 能分析。该平台通过全生命周期管理闭环，实现中集集团流程标准化、数字化、可视 化运营。 图 1 中集集团流程平台

• 实时推理 • 边缘智能 • 科学仿真 算力资源层 ｜ • 基础算力 • 智能算力GPU集群 • HPC • 边缘算力 平台调度层 ｜ • 异构资源管理 • 弹性调度系统 • 数据湖仓 • 绿色节能控制 • 安全可信框架 硬件设施层 ｜ • AI服务器 • 存储阵列 • 高速网络 • 2. 算力基础设施架构和国产化情况 核心点： 基础地位 ｜ 算力基础设施是智算产业底座，我国在用/在建算力规模反映产业发展潜力。 架构选择 ｜ AI训练主要依赖GPU集群，推理向边缘算力延伸，需异构资源管理与高速网络支 持。 国产替代 ｜ 国产算力卡逐步替代进口，但关键芯片仍依赖国际供应链。 能耗挑战 ｜ 单机柜性能提升导致能耗压力，需液冷技术等绿色节能方案优化。 12 Supplyframe Proprietary. Do not reproduce or distribute. 3. 生成式AI驱动的变革 核心点： 范式革新 ｜ 生成式AI推动高性能算力需求，加速云-边-端覆盖与多元异构算力协同。 产业升级 ｜ 技术突破催生新玩家（如大模型服务商），降低应用门槛并催生微调服务模式。 服务格局 ｜ 传统算力机制无法满足大模型需求，定制化服务（独占式/大规模算力）成主 流。 成本优化

应用的宣传推广，营造算力发展的良好氛围。三是持续发布《中 国综合算力指数》，对全国算网存能力进行综合评价。 （二）提升算力高效运载能力 1. 优化算力高效运载质量。探索构建布局合理、泛在连接、 灵活高效的算力互联网。增强异构算力与网络的融合能力，通 过网络的应用感知和资源分配机制，及时响应各类应用需求， 实现计算、存储的高效利用。针对智能计算、超级计算和边缘 5 计算等场景，开展数据处理器（DPU）、无损网络等技术升级 元异 构算力调度、应用、研发、验证的平台环境。依托国家新型互 联网交换中心、骨干直联点等设施，促进多方算力互联互通。 专栏 2 算网融合发展行动 一是探索建设多层级算力调度平台，逐步实现多元异构算 力跨域调度编排。二是构建算力互联互通体系，统一算力资源 标识和身份认证，依托部省算力互联互通平台开展试点验证。 6 三是建立算网监测机制，开展算力设施运载力评估，打造一批 算网城市标杆 CPU、GPU 等计算资源， 16 交换机、路由器等网络资源，存储阵列、分布式存储等存储资 源，防火墙、入侵检测系统等安全资源，以及风火水电等支撑 保障资源。 14. 智能计算中心 指通过使用大规模异构算力资源，包括通用算力（CPU） 和智能算力（GPU、FPGA、ASIC 等），主要为人工智能应用 （如人工智能深度学习模型开发、模型训练和模型推理等场景） 提供所需算力、数据和算法的设施。智能计算中心涵盖设施、

远少于互联网规模的数据集。智元采用Latent Actions（隐 式动作）来建模当前帧和历史帧之间的隐式变化，然后通 过Latent Planner，预测这些Latent Actions，从而将异构 数据源中真实世界的动作知识转移到通用操作任务中。 采用Diffusion Model作为目标函数来建模低层级动作的连 续分布。 Action Expert结构设计上与Latent Planner类似， 模型。视觉-语言模块（系统 2）通过视觉和语言指令来理解环境。随后的扩散转换器模块（系统 1）实时生成流 畅的运动动作。这两个模块紧密耦合，并进行端到端联合训练。英伟达使用真实机器人轨迹、人类视频和合成生成的数据集的异构混合物来 训练 GR00T N1，解决了具身智能所面临的数据稀缺和多样性不足的问题，从而提升机器人在复杂环境中的操作能力。英伟达表示，GR00T N1 在多个机器人实施例的标准模拟基准上优于最先进的模仿学习基线。 院 与自动驾驶的训练获取较为简单相比，通用机器人模型数据规模少且存在“数据孤岛” 问题，因此无法建立互联网级统一数据集。对此，英 伟达将视觉语言动作（VLA）训练语料库构建成一个数据金字塔，整合异构数据源，构建覆盖不同抽象层次的训练数据体系。这个数据金字 塔共分为三层：（1）大量网络数据和人类视频构成金字塔的底层；（2）通过物理模拟生成和 / 或借助现成神经模型增强得到的合成数据形 成中间

技术平台、智能运维和安全保障的综合性系统。 它不仅能够提供强大的计算 能力,还能够实现数据的高效流动和共享,为企业智能化应用提供坚实的底层支 混合 AI 数字底座的核心组成部分包括: • AI 基础设施: 以高性能异构 AI 算力为底座,构建算力网络协同、数据存 储融合的智能计算体系, 实现 AI 计算、通用计算、存储和应用需求的弹 性调度。 • 混合云平台: 以弹性、统一管理架构为底座, 构建云上资源与本地资源协 企业需要注意以下几点: • 计算资源优化: 储备 AI 服务器集群, 以及专用的高速 SSD 阵列、高速 IB 交换机、AI 边缘服务器等专门为 AI 集群优化的 IT 设备。 • 数据清晰与知识整合:确保多源异构数据的有效整合和质量管控, 以支 撑精准的 AI 训练和分析。进行企业知识的整合和解析, 为大模型推理 和 RAG (增强检索生成) 提供高质量的知识。 • 跨平台兼容性: 设计开放的架构, 支持不同 烽火通信利用光棒生产大数据结合 AI 深度学习, 融合应用 IOT 海量数据资 “ - - ” 制棒产业的技术进步和产业升级, 提升了我国光纤预制棒产业的核心竞争力与 国际市场话语权。 一是汇聚全过程全要素多元异构工艺数据。通过建立覆盖全过程、连通上 下游的大数据收集和自动反馈的数据采集系统, 将生产过程中各种指标温度、 指标、气压, 以及光纤特定参数张力、速度等进行数据采集、清洗和标准化, 盘清生产过程的数据源、数据标准、数据模型、

数据质量与多样性 AI 预测模型的效能高度依赖于数据的质量和多样性。在临床阶段，模型需处理来自不同 患者的多元异构数据，这些数据由基因数据、健康记录和药物反应等数据组成，含有噪 音、不完整性和偏差性，且差异性巨大。对此，AI 企业还需进一步优化算法，尝试实现 低成本高质量地处理分析上述多元异构数据。  监管合规 FDA 在医疗器械领域已形成较好的监管机制，对 AI 算法等出具了明确要求，但在制药

要由于首先，该类零 部件机器人识别已有 较高精度，其次可使 用商务关系协商进场， 最后保密性较高。 • 工站衔接类：内饰装配中为工人递 送安装零部件 • 基础组装类：在各安装环节进行螺 丝预拧紧，M3以上标准/异构螺丝 均已实现。代替人工贴Logo，无需 夹具定位及滚轮压实且精准度更高。 • 质检类：在安装后进行扭矩检测 • 向各步骤上下游逐步拓展：如各安装环 节的螺丝预拧紧后，使用阿特拉斯枪拧 紧螺丝，同时进行扭矩检测，最后画定

级超算中心（通常为国家级 超算中心或国家级实验室）为例，计算节点的用电需求为 25～28MW，高速网络、存 储等节点的用电需求合计 2MW 左右。 3） 智算中心 AIDC-智能算力：通常采用芯片异构计算架构，结合 CPU、GPU、NPU、TPU 等多种芯片，形成高并发的分布式计算系统。随着智算需求的持续增加，当前我国智算 中心用电规模可以达到 100-200MW（根据 DTDATA，火山引擎内蒙古和林格尔算力中

al，CoVLA： Comprehensive Vision- Language-Action Dataset for Autonomous Driving，国元证券研究所 带有推理逻辑的视觉语言大模型，在处理多元异构信息(视觉、 听觉、文本 00CR)得到结果时，具备更好的可感知性、可解释 性。单一端到端模型中，深度学习的应用使得对模型的理解能 力逐渐丧失，深度学习模型的不可解释和不可见性使人们难以 理解模型的 一步将“制动、加速、转 向”等驱动讯号发送给相应控制模块的芯片，是智能驾驶域控制器的核心，决定着整车智能化的水平，也是行 业关注的焦点。随着汽车智能化、网联化进程不断加速，智驾芯片需要具备更强的异构数据吞吐能力，以及更 快的数据处理能力。因此，具备更高数据传输效率、更强计算能力的SoC芯片成为智驾芯片的主流趋势。 多个功能模块集成到一个芯 片上，实现了高度集成化， 减小了系统的体积和功耗