骨干支撑、中小微企业协同发展的雁阵形态产业集群。这种根植于本土、深度融 合的产业生态，将成为我们在全球竞争中不可撼动的基石。 当然，前路光明，挑战犹存。我们在欣喜地看到供应链金融蓬勃发展的同时， 也必须清醒地认识到其面临的现实困境：法律法规体系仍需完善，跨部门、跨行 业的数据协同机制尚待建立，复合型专业人才缺口巨大，以及在复杂交易结构下 风险的识别与管控难度也在增加。这些挑战，恰恰是未来改革与创新的着力点。 解决这些问 中国企业改革与发展研究会第一副会长 2025 年 9 月 序言二：行稳致远——构建新一代供应链金融安全体系 作为连接产业血脉与金融“活水”的关键枢纽，供应链金融在推动实体经济 转型升级、纾解中小企业融资困境方面，正以前所未有的深度与广度，重塑着产 业生态的格局。然而，当发展的浪潮奔涌向前，我们亦须以清醒的目光审视浪潮 之下潜藏的暗流与礁石。若说第一篇序言描绘了供应链金融“行疾”的宏图，本 篇序言 首先，信用风险的“链式传导”与“风险共振”现象愈发突出。 传统信贷 风险多集中于单一借款人，而供应链金融的风险则天然具有网络化特征。链条上 的任何一个节点——哪怕是看似微不足道的末端供应商——出现经营困境或信 用违约，其风险都可能沿着紧密的交易关系链迅速传导，如同多米诺骨牌般引发 连锁反应，甚至最终冲击核心企业的稳定。在行业下行周期，这种风险传导更易 升级为“风险共振”，即全行业范围内的系统性危机，其破坏力远非个体风险的

增长阶梯： 三层面理论 图 脸书的增长阶梯 增长阶梯为什么重要？我们发现，很多企业不愿按照阶梯来发展，而是四处扩张，结果则是很容易陷入多元化困境，比如乐视和 联想最为典型。我们很难讲清楚联想到底是做什么业务的，哪些业务“数一数二”。而乐视的困境，根本上就是一个多元化经营 失控的老话题 16 扎克伯格的战略规划图正好对应三层面战略布局蓝图。 增长阶梯： 三层面理论 作者抽离出六种典型的增长态势，它们是： 囚徒 困局者、本末倒置者、增长乏力者、好高骛远者 、多元困境者、卓 越 增长节奏： 增长态势 表 企业的六种增长态 势 9 8 六种典型的增长态势详解。 业务时，容易陷入一个典型的增长误区， 即多元化困境，这也是乐视所走的 一步错棋。 这类公司的典型特质是过量开发新业务，其 CEO 只要看到增长线就去捕捉，甚至制订无 法企及的战略目标，把战略远景和战略目标 等同，好大喜功，又忽视对核心业务的维护，

算子库，省去重复开发成本且保障一致的算子实现，能够发挥硬件的最优性能，打造融合算 力底座。 （2）统一通信：构建低延迟高吞吐的智算高速公路 统一通信是异构算力协同的必要功能，旨在解决打破异构硬件间协议壁垒导致的“数据 孤岛”困境，构建跨厂商、跨架构的确定性传输基座，实现对异构算力间的高速、无损传输。 9 组建服务器内 Scale-Up 总线与服务器间 Scale-Out 组网扩展方式，针对异构算力单元硬件 互联接口、 （4）统一评测：建立全栈贯通的评估坐标系 统一评测是衡量异构算力综合能力的核心手段，旨在解决异构算力度量标准不一致而无 法全方位对比的难题，构建异构算力全栈测评规范，通过精准的性能评估与测试，有效破解 用户面对多元异构算力时的选型困境。评测广泛覆盖多样化的评测场景、科学划分多维度性 能指标，构建自动化、规范化的评测工具链，形成异构算力在计算、通信、调度各环节的全 方位评估，为芯片性能、计算精度、通信带宽、模型适配性能等关键指标提供参考基准；打

时代浪潮与国家战略下 ， 人工智能 + ， 成为各行各业的必然选择 政策推力： 国策所向 ，加速产业落地 这不是风口 ，这是国策。 数据孤岛与质量困境 场景复杂性与模型泛化难题 投入产出比（ ROI ）不明确 安全层面： 智能化衍生的新型风险矩 阵 数据安全与隐私保护的红线 算法漏洞与网络攻击的新靶点 供应链安全与自主可控的挑战

性。 5． 真实应用场景的伦理复杂性： 真实应用场景的复杂多变， 带来了很多的医疗伦理的挑战， 例 如患者意识不清与家属决策冲突， 如何平衡患者的自主权和家属的情感需求， 在面对此类两难困境时， 除了提供专业的诊疗建议外， 模型还需要额外考虑适当的解决方案。这要求医疗大模型不仅拥有丰 富的医学伦理知识，还能够在回答中充分融入这些考量，以确保提供的建议既专业又合乎伦理。 2.3 行业大模型在医疗领域的应用框架 在医疗领域， 大模型的应用正以前所未有的态势 重塑传统医疗模式， 为医疗行业带来诸多机遇的 同时，也无可避免地遭遇了一系列严峻挑战 。从基础设施的适配难题， 到数据整合与隐私保护的困境； “ ” 从模型自身 幻觉 、可解释性差等固有缺陷， 再到应用 场景局限性及高昂部署成本， 以及复杂的伦理 考量， 这些挑战如重重迷雾， 阻碍着医疗大模型的广泛 应用与深入发展。在此背景下， 模型需具备可解释性， 即对生成建议的依据和局限性进 行清 晰说明，并在适当情境下建议患者寻求专业医疗帮 助。伦理评测中 “ 的 挑 ” 战性问题 任务可用于评估模型在面对难以权衡的伦理困境时， 能 否做出具有合理性和可解释性的回应 伦理责任性 大模型应能够体现以患者为中心的医疗伦理原则， 包括 “ ” 不伤害 、 “ ” “ ” “ ” 行善 、 尊重自主权 和 公正

©2025 iResearch Inc. 中国数字化赋能实体商业实践白皮书 突破增量困境，探寻品牌商户破局之道 2 近年来，随着经济格局和消费市场的深刻变革，实体商业逐步回归日常生活舞台，成为城市经济发展 的重要抓手。然而，伴随消费升级和需求多元化，线下实体商业面临的竞争愈加激烈。从商业综合体 到品牌商户，如何突破传统模式、在复杂多变的市场中稳步增长，成为每一位从业者的核心命题。 数字化成就万千店 大数据赋能选址 实时更新数据平台 精准用户画像 动态监控与优化 智能化运营 品牌体验提升 合作伙伴资源平台 智能招商模型 • 资源匹配效率低：品牌选址可能面临两种困境：一 是已选定合适的选址却缺乏合适投资人，二是虽有 意向投资人但无合适选址。由于选址物业信息和投 资人资源无法匹配，所以将导致KTV项目无法推进。 魅KTV — 选址 魅KTV — 拓展 •

....8 1.3 光电协同交换网络的兴起........................................................11 1.3.1 电交换的技术瓶颈与发展困境..................................... 12 1.3.2 光交换的性能优势与发展趋势.................................... 15 带宽 TB 级 ≤800Gbps TB 级 延迟 纳秒（光）+微秒（电 控制） 微秒级 纳秒级 能效 功耗较低 功耗高 功耗低 成本 一般 较低 较高 1.3.1 电交换的技术瓶颈与发展困境 端口密度瓶颈 尽管近年来电交换芯片在制程工艺、转发架构与缓存设计方面不 断优化，但在智算中心应用场景下，其性能仍面临明显瓶颈。随着摩 尔定律逐渐失效，交换芯片的更新迭代速度明显放缓，芯片交换容量

成本测算等方面仍较缺乏体系化思维；从产出侧来看， 风控、投研等决策类场景存在ROI难以量化的问题， 非决策类场景则存在短期收益和长期成本失衡的问题。 由此，企业往往会陷入“不会投、不敢投、不能投” 的困境。Gartner的调研数据显示，中国企业在部署生 成式AI方面尤为谨慎，2024年6月中国企业的生成式AI 采用率约为8%，而全球水平约为21%8。然而，生成 式AI的长期战略价值不容忽视，相关企业亟需建立有 按需定义、动态调整和弹性扩展，提升资源利用率， 在“软件定义硬件”的基础上，实现“软件调用硬 件”。 AI变革新特性 开箱即用 目前，大部分企业面临着AI人才匮乏、前置资源投入 压力大的困境，往往需要准确判断AI变革的主要任务， 尽量做到“力出一孔”，借助各类“开箱即用”的计 算解决方案可减少重复开发等不必要探索，降低试错 成本，从而更专注于AI价值创造。 一物多用 伴随数字化转型的深入，越来越多企业对算力的认知 据模 态之间的信息互补，并保持数据间的一致性和可比性， 进而挖掘出多模态数据的更多潜在价值。 合成数据生成 结合企业当前的AI变革实践来看，数据治理存在“不 够用”“不好用”“不能用”三重困境，具体表现为 数据消耗速度远超增长速度、质量参差不齐影响使用 效果、各类隐私合规风险限制数据有效应用。对此， 合成数据可满足企业增量、提质、拓应用的多重需求。 合成数据是由算法生成的模拟数据，可将现有数据增

但是目前国产 CPU 仍面临发展挑战： 困境Ⅰ：小众路线受制约，生态突破难度大。CPU 在发展的过程中主要面临 两重壁垒，一是技术壁垒，二是生态壁垒。技术壁垒可以通过技术购买、大量的 研发投入进行弥补，但想要打破已有的生态壁垒，难度极大。虽然鲲鹏、飞腾、 龙芯的适配软件数量在不断增长，但与支持 x86 架构的上百万种软件相比仍然存 在巨大差距。 困境Ⅱ：市场应用推广难度大。由于自主可控的硬件体系结构及其配套软件

而传统BI依赖 的静态数据架构难以支撑实时决策需求。 ◼ GDPR、CCPA等法规合规要求与数据利用形成平衡难题，敏感信息匿名化处理在 保护隐私的同时可能削弱数据可用性，形成“安全-效用”两难困境。 数据治理 ◼ 传统BI工具与AI开发框架间存在天然集成鸿沟，依赖定制化开发且技术栈复杂度 陡增，而实时分析场景更因边缘计算与流数据处理能力缺位导致决策滞后。 ◼ 组织层面则呈现业务部门与 形成的 信任壁垒，使数据驱动文化培育举步维艰 。 ◼ 资源维度上，算力基建、存储扩容与复合型人才培养的初期重投入，叠加中小企 业对长期ROI的评估焦虑，易使ABI实践陷入“高成本低回报”的试点困境。 ◼ 深度学习等复杂模型虽具备高性能但决策逻辑不可视，导致业务人员难以解读策 略依据，高精度黑箱模型又无法通过合规审查。 ◼ 训练数据中隐含的群体偏见可能衍生出商业策略的不公平性，叠加算法审计标准