云 战 略 白 皮 书 CONTENTS IDC观点 第一章 三大变量驱动，企业云战略向“创造业务价值”方向演进 �.� 新技术、新环境、新业务，催生企业高质量发展新需求 �.� 从“获取资源”到“创造价值”，企业云战略与业务目标协同演进 第二章 多云发展战略，持续扩展企业未来高质量增长空间 �.� 多云战略落地的应用场景 �.� 多云战略为企业带来显著实践价值 第三章 智能时代，企业多云战略面临的挑战 云发展战略组成部分。IDC多云战略调研发现：目前，��%的中国企业已经构 建多云/混合云环境，被访企业平均拥有�个公有云服务商，�个私有云服务 商；��%的中国企业将在当前和未来�-�年持续选择多云部署模式，有意识地 将资源、业务和服务能力分散到多个云平台上。 �� 获得先进技术能力是当前企业选择下一朵云的首要核心驱动力。企业在新引 入云服务商时，应关注其是否在关键领域具备符合企业发展需求的领先技术 优势，这对 ，提升业务价值，并通过 ROI（投资回报率）指标确认多云策略的成功。同时，伴随生成式人工智逐 步落地，推理任务逐渐增加，企业应审慎应对未来AI应用对数据传输、计算 资源等维度的更高要求，以确保推理任务获得更佳的访问性能、资源利用效 率、扩展性、灵活性、安全性和成本优势等。此外，企业在选择新的云服务 商时，应重点考量其对未来多模态、多场景、多技术栈等趋势的综合支撑能 力，确保企业IT技术架构始终具备足够的前瞻性和灵活性。

，特别是生成式AI与大模型技术的突破性飞跃，正引领一场前所未有的技术革新浪潮，重 塑着各行各业的发展蓝图。在此背景下，算力资源已成为支撑AI技术持续进步不可或缺的基石，而算力中心，作为算力资源的核心承载平台，正迎来 崭新的发展机遇。其中，定制批发业务凭借其高效整合算力资源的能力，为大模型训练提供了稳定、可靠的算力支持，成为推动AI技术革新与应用拓 展的关键力量。 • 鉴于此，本报告将聚焦于算力 态势。 ➢ 需求端，随着 AI 大模型的迅猛发展，市场对算力资源的需求呈现出快速增长。这一增长主要源于互联网大厂、云厂商、短视频厂商等行业头部企业 对高性能、大规模算力资源的投入持续增长，这一趋势推动了算力中心定制批发业务的高速发展。 ➢ 供给端，受益于新一轮技术升级，算力中心市场迎来更多整合契机。头部企业凭借在技术、资金、资源等方面的领先优势，能够更迅速地适应市场 需求变化，逐步扩大市场 需求变化，逐步扩大市场份额，提升行业集中度，推动行业向高质量发展转型。 • 随着各行业数字化转型进程加速，尤其是 AI 与科技企业对算力资源的旺盛需求，正推动中国算力中心市场需求不断提升。一线及环一线城市凭借经济 发达、数字经济活跃的优势，对算力资源的需求更为突出，且由于资源与能耗限制，这些地区的算力中心服务资源或将率先面临供不应求的局面。算 力中心定制批发业务在不同地理区域的供需格局存在一定差异，为行业参与者带来了多元化的市场机遇与挑战。

动算力绿色安全发展，为数字经济高质量发展注入新动能。 （二）基本原则 多元供给，优化布局。坚持多元发展路线，调动各类市场 2 主体积极性，构建通用、智能和超级算力协同发展的供给体系， 持续优化算力资源地域布局，加强集约化建设，强化算网存用 协调发展，推动新一代信息技术与算力设施融合应用，引导算 力运营智能化升级。 需求牵引，强化赋能。坚持市场需求导向，发挥区域比较 优势，进一步释放工业、金融等重点行业对算力应用的需求潜 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 与试点应用，实现算力中心网络高性能传输。 资 源，充分发挥云计算资源弹性调度优势。鼓励各方探索打造多 层次算力调度架构体系，建设可满足各类创新主体开展多元异 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。

智算中心技术体系全景图 应用场景层 ｜ • AI训练 • 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 ｜ • 我国智算中心整体运行良好，但需优化资源分配以提升整体效率。 8 Supplyframe, Inc. Confidential & Proprietary. Do not reproduce or distribute. 1. 智算产业现状总览 影响智算中心满负荷运行的主要因素 市场需求不足，导致算力利用不充分 运维管理能力不足，影响算力发挥 电力消耗大，运营成本高，限制了满负荷运行 硬件资源利用率低，技术问题导致算力未充分利用 硬件资源利用率低，技术问题导致算力未充分利用 不确定 来源：与非研究院 市场需求不足、促成更多商用落地是目前最大障碍，但运维管理、成本控制和资源利用等问题也不容忽视。 9 Supplyframe, Inc. Confidential & Proprietary. Do not reproduce or distribute. 1. 智算产业现状总览 智算产业发展格局与演进趋势 来源：与非研究院 智算产业

年中国特种机器人产业规模将增长至 506.6 亿元。  人形机器人将逐步由资源拉动转为市场驱动。近年来中国人 形机器人产业进入爆发期，在学术界、产业界、政府、资本 等多方通力协作下，产业发展势能快速释放，2023 年中国人 形机器人产业规模为 39.1 亿元。“十五五”时期，中国人形 机器人将力争强化作业能力、开启规模生产、打通商业逻辑， 产业发展将由资源拉动逐步转为市场驱动，预计到 2025 年中 国人形器人产业规模将增长至 形机器人产业规模将增长至 861.0 亿元。 区域：中国机器人产业资源呈现集聚化、梯度化分布格局，已形 成三大梯队 总体而言，中国机器人产业资源主要集聚于东部地区，在“十 五五”时期将向中高端迈进、打造数个具有国际影响力的机器人 产业集群。同时，在中部、西部、东北地区也有多个省份具有特 色资源，在“十五五”时期具备跃升发展潜力。从产业规模、创 新资源、企业集聚、生态活力、政策保障等维度综合分析，目前 广东：产业基础雄厚，“十五五”时期有望进一步扩大规模优 势。广东机器人产业布局较早，机器人产业链条齐全、技术 领先、应用广阔，拥有一批机器人本体制造和零部件元器件 龙头企业，并积累了雄厚的生态配套资源。预计“十五五” 时期，广东将凭借强大的研发制造积累和生态配套支撑，加 力育强龙头企业，进一步扩大机器人产业规模优势，加快打 造具有国际竞争力的机器人产业集群。  江苏：领军企业汇聚，“十五五”时期有望在多个领域达到全

引入大模型≠提升生产力 04 16 4.2 AI 力的诊断和测评 17 4.3 发展大模型时代的 AI 力 18 22 2.1.3 AI 在销售领域的应用 10 2.1.4 AI 在人力资源领域的应用 11 2024 年被业界公认为“大模型落地元年”。经过 2023 年的技术爆发期，大语言模型正在 经历从“实验室奇迹”到“商业变现”的关键转折： 种种迹象表明，大模型正从“能用”迈向“好用”和“实用，”开启了 系统性应用部署 技术深度集成 跨部门协同 以业务创新为核心诉求 典型案例： 研发领域：AI 辅助产品设计、智能代码生成 生产领域：智能质检系统、预测性维护 供应链：智能库存管理、需求预测优化 人力资源：AI 驱动的人才筛选与管理 全面推广阶段：AI 的战略化布局 阶段特点： 组织架构重塑 商业模式创新 全域数智化转型 生态系统构建 典型案例： 战略层面：成立 AI 创新中心，设立首席 29.7% 27.7% 27.0% 20.4% 生产/制造/供应链 IT/网络安全 人力资源 法务和合规 企业战略和财务 生产/制造/供应链 销售和客户服务 市场营销 产品研发和创新 应用非常成熟 产品研发和创新 市场营销 IT/网络安全 企业战略和财务 人力资源 法务和合规 其他 生成式 AI 在企业各环节应用的成熟度 应用成熟 一般 应用不成熟 数据来源：腾讯研究院《2025

使得模型能够捕捉到更多的细节和特征，提高了任务的准确性。 2、训练数据海量。AI 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 通过分析城市的人口增长趋势、工业发展规划以及居民生活方式的变化，预测城市未来的电力需求增长情况，为电力企 业的规划和投资提供依据。 2、供应分析：对于能源的供应端， Deepseek可以分析能源生产 企业的产能、设备运行状况、资源储备等信息，预测能源的供应 能力和供应稳定性。例如，在石油和天然气行业，模型可以根据 油田的产量数据、设备的维护情况以及新的勘探开发计划，预测 未来的油气供应情况，帮助交易商和供应商提前做好应对措施。 （一） 18 ◼ 能源网络优化与安全管理数字化： 3、智能维护计划制定：根据设备的运行状况、维护历史 和预测的故障信息，AI 大模型可以为能源企业制定个性化 的智能维护计划。该计划能够优化维护资源的分配，确定 最佳的维护时间和维护方式，提高维护效率和设备的可靠 性。 4、能源网络安全监测：能源网络面临着各种安全威胁，如 网络攻击、数据泄露等。AI 大模型可以对能源网络的流量 数据、

。 例如, 借助 自然语言处理技术,客服机器人在响应客户咨询时表现出了前所未有的效率 与准确率; 在制造业中,通过智能算法优化生产流程,减少资源浪费, 大幅 提升了生产效率。从垂直融合到泛化应用, 人工智能正凭借全面连接、信息 共享、上下联动和资源整合等优势, 正深度激活各行各业的 '脉络' , 推动 千行百业的智能化水平走向纵深。 各行业已普遍启动 AI 转型,智能成为一种生产力被认同并发挥作用 这是企业最为显而易见、最为关注的价值主张, 包含企业运营过程中的降本提效、驱动主营业务增长以及持续提升用户体验。其 中,降本提效指的是通过数字化运营及智能技术应用,优化研/产/供等业务流程、 提升运营和决策质量、降低资源浪费、提高人员、设备等的产出率,持续改善全 价值链运营成本、提升运营效率;驱动主营业务增长,指的是通过智能化营销& 销售手段, 实时洞察客户需求、精准触达客户、持续经营客户价值, 并共创迭代 产品创新 3-5 年,明确不同年份的重点任务和里 程碑, 把握转型的合理节奏。同时, 转型的总投资规划与管理体系将包含详细的 成本效益分析,指导企业合理分配预算,并通过动态预算管理体系在实施过程中 不断优化资源使用, 确保投资精准聚焦。 在制定战略的过程中,高层决策是关键,但战略共识的达成过程也非常重要。 这个过程就是 "上下协同" 与 "左右沟通" 的过程。值得注意的是, 达成共识并 更多干货请关注公众号“管理技术化平台”

人工智能新时代的技术引擎，各城市展开地域大模型产业竞速 来源：艾瑞咨询研究院自主研究绘制。 近年来，国家高度重视大模型产业发展，把“人工智能”纳入国家发展战略，并出台了一系列政策以推动技术创新、资源建设、标准建立 与行业应用。随着中央层面人工智能政策的出台，以北京、上海、成都、深圳等代表的各地政府纷纷响应号召，将人工智能及其相关产业 发展纳入当地发展规划，以助力新一代人工智能产业生态的形成。2 Law表示，增加计算量、模型参数量或数据大小都可能会提升模型性能，但是提升效果会随着这些因素的增加而递减。虽然 Scaling Law原理给大模型能力演进限制了阈值空间，但仍有头部厂商在加大模型参数、数据规模和算力资源的投入，延续大力出奇迹的大 模型训练之路。2025年2月，OpenAI推出GPT 4.5系列模型，进一步加大模型参数，主要通过无监督训练提升了模型通用能力，在模型准确 率及幻觉率方面达成显著优化 ng Law是否存在失效风险。而以国内外头部厂商的技术动态为标杆，我 们可以看到大模型的参数规模与数据跨度仍有提升空间，且在多模态能力融合上完成持续突破。但受限于高质量数据、训练资源（算力、 电力等）的可获取性及模型资源投入的ROI评估，一些大模型厂商已减缓或停滞了对新一代超大模型的训练投入，此外也在尝试多途技术 路径提升大模型能力，如后训练的思维链优化，将Scaling方法由预训练转移到了强化学

人工智能新时代的技术引擎，各城市展开地域大模型产业竞速 来源：艾瑞咨询研究院自主研究绘制。 近年来，国家高度重视大模型产业发展，把“人工智能”纳入国家发展战略，并出台了一系列政策以推动技术创新、资源建设、标准建立 与行业应用。随着中央层面人工智能政策的出台，以北京、上海、成都、深圳等代表的各地政府纷纷响应号召，将人工智能及其相关产业 发展纳入当地发展规划，以助力新一代人工智能产业生态的形成。2 Law表示，增加计算量、模型参数量或数据大小都可能会提升模型性能，但是提升效果会随着这些因素的增加而递减。虽然 Scaling Law原理给大模型能力演进限制了阈值空间，但仍有头部厂商在加大模型参数、数据规模和算力资源的投入，延续大力出奇迹的大 模型训练之路。2025年2月，OpenAI推出GPT 4.5系列模型，进一步加大模型参数，主要通过无监督训练提升了模型通用能力，在模型准确 率及幻觉率方面达成显著优化 ng Law是否存在失效风险。而以国内外头部厂商的技术动态为标杆，我 们可以看到大模型的参数规模与数据跨度仍有提升空间，且在多模态能力融合上完成持续突破。但受限于高质量数据、训练资源（算力、 电力等）的可获取性及模型资源投入的ROI评估，一些大模型厂商已减缓或停滞了对新一代超大模型的训练投入，此外也在尝试多途技术 路径提升大模型能力，如后训练的思维链优化，将Scaling方法由预训练转移到了强化学