合规运行。同时，要着力排除错误数据和恶意干扰，保障AI大模型推 理结果的稳定性和可靠性，这对于维系用户信任、保障业务连续性至 关重要。 本白皮书深入剖析了“AI Ready”的数据中心在计算、网络、存储及 相关治理组件等关键要素，并前瞻性地提出了AI变革就绪度评估体系。 我们希望，这不仅能为企业决策者提供清晰的指引，更能为技术管理 者提供具体可落地的行动方案。我们相信，通过构建面向未来的AI基 础设施， 向 “成本效益革命”，由此带来了“基础模型开源化 +垂直领域私有化定制”加速AI普惠化、生成式AI 加速渗透至千行百业等趋势。 从治理环境来看，中国内地在AI领域已形成以政策 战略、专项法规、标准建设和技术赋能为核心的多 维度治理体系，港澳AI治理体系则注重国际化和本 地特色产业的融合，整体上有助于打造健康安全发 展的AI生态。 从企业变革来看，大模型技术迭代升级使得企业对 于 计为起点，采取混合部署方式推进大模型落地 应用，并统筹考虑云端风险应对、私域安全防 护、模型幻觉应对等问题，以重构技术底座， 适应创新之变； • 在数据语料侧，企业着眼于数据治理框架搭建 和数据质量提升，推进数据语料的深度治理， 并且已初步形成数据标准化体系、智能清洗工 具等共性选择； • 在基础设施侧，企业兼顾创新与务实，充分权 衡AI基础能力建设与业务需求满足，通过混合 部署和协作管理措施等实现协同优化；

前，大多数企业正处于IDC所定义的“AI转折”阶段⸺即在业务中发掘高投资回报率 (ROI) 的应 用场景。这一转变要求组织增设新的ICT业务岗位，掌握新技能并持续学习，强化所有岗位（包括 非技术岗位）的AI素养提升，最终建立AI治理架构。 全球ICT岗位需求将新增3600万，ICT技术人才短缺将影响数字化转型进程 AI、安全、数据科学、云计算等领域的技术人才严重短缺，阻碍了业务创新和发展。IDC调研显 示，超过 65% AI不仅创造了新岗位，更对几乎所有ICT岗位进行了深刻变革。在安全领域，岗位职能正从人工监 控转向统筹AI驱动的威胁检测与自动化响应；数据领域工程师的工作重心从数据处理转向管理AI 驱动的分析流程，并确保伦理治理合规；软件工程师则专注于整合AI能力、管理AI辅助编码工 具。这种全方位的AI融合要求从业者掌握新型复合技能⸺既要具备专业技术能力，又需通晓AI知 识，还要具备管理人机协作的能力。此外，各领域技 I应用场景，但尚未形成标准化实践。 随着组织逐步推进，35%的企业已开始“扩展复制”，在各业务职能领域规模化推广和协调AI技 术落地；另有7%的企业达到“运营管理”⸺该阶段的显著特征是具备完善的治理体系与协同化 转型机制。值得注意的是，仅有不到1%的企业属于“全面优化的AI驱动型组织”⸺在这类组织 中，AI已深度融入商业模式与工作流程的各个环节。 组织在成熟度模型上的分布，既凸显了AI应

技术挑战...................... 22 （三）加快规则供给，以高质量司法裁判稳定市场发展预期..................23 （四）推进协同共治，以系统性思维凝聚产业治理合力.......................... 23 1 一、司法观察背景 党的二十大报告与“十四五”规划纲要明确指出，要“推动制 造业高端化、智能化、绿色化发展”“加快发展数字经济”。在国 仅是一个产业方向，更是我国从“制造大国”迈向“制造强国”的主 攻方向，是保障产业链供应链安全、构筑国家长远竞争新优势的 战略核心。不仅为产业发展擘画了宏伟蓝图，也为包括人民法院 在内的国家治理参与者，指明了服务中心大局的方向。 作为国家治理体系的重要组成部分，人民法院如何有效护航 智能制造产业高质量发展，既是时代赋予的重大政治责任，也是 需要回应的核心实践课题。为此，2025 年 6 月至 8 月，广州互 特别是大模型的突破性进展，算法的应用正从辅助性工具向生产 核心系统的角色转变。这种转变在催生新质生产力的同时，其内 在的复杂性、决策过程的不透明性以及对生产经营活动的深度介 入，也带来了一系列需要审慎对待的法律问题，对现有治理体系 提出了新的要求。 1．产业反映 智能制造是先进制造技术、新一代信息技术与人工智能技术 的深度融合体，其目标在于推动我国制造业向数字化、网络化、 智能化的高阶形态转型升级，最终实现高质量发展。在此进程中，

商业模式创新：基于对用户偏好的精准洞察，企业可开发高附加值的软件订阅等 新型数字化服务，创造全新的收入来源。 一旦这个数据驱动的业务闭环成功运转，其所形成的竞争优势将难以被后来者轻 易复制。因此，构建强大的数据采集、治理、分析和应用能力，已成为所有汽车企业 数字化转型的重中之重。 （八）“系统性解法”：构建“数据驱动”的业务闭环 综合以上分析可以明确，当前中国汽车产业所面临的，并非单一环节的局部性挑 战，而 与“堵点”。因此，系统性的解决方案，必须从根源入手，从打通数据、重塑流程开 始。 图 14：打通研产供销服全链路 “袋鼠云多模态数据中台”在企业数字化转型中扮演“数据中枢”的角色，通过 提供一整套强大的数据整合、治理、开发与分析工具，从根本上打破各业务系统间的 “数据孤岛”。无论是来自研发系统的结构化数据，来自生产系统的实时数据，还是 来自用户触点的文本、语音、图像等海量非结构化数据，多模态数据中台都能将其高 。它能够在虚拟空 间中构建与物理世界实时同步、可交互、可推演的数字化模型。 因此，面对系统性的挑战，我们提出必须采用系统性的解决方案。该方案的核 心，是将袋鼠云多模态数据中台强大的“数据整合与治理”能力，与易知微的“空间 映射与仿真”能力进行深度融合。前者负责打通信息流，构建企业数字世界的“数据 底座”；后者负责连接物理世界与数字世界，构建企业的“虚实交互与决策推演”平 台。 袋鼠云

虚实映射：数字孪生从概念走向实践................................................................... 25 3.4 数据血脉：工业数据平台与数据治理................................................................... 26 第四章：行业实践：数智化转型典型案例剖析....... 第三步：构建数据中台与 AI 能力平台，赋能全局 当单点智能应用初见成效后，企业需要着手构建更底层的 HR 数据中台，将分散的数据资 2175 云，人力资源数智化解决方案 第 10 页 共 37 页 产进行统一治理、整合与建模，形成可复用的数据服务。 同时，引入或搭建 AI 平台，将成熟的算法模型（如离职预测模型、人岗匹配模型）沉淀 为标准化服务，供 HR 各个业务场景随时调用。 4. 第四步：文化重塑与组织适配 。 2.3 挑战与瓶颈：跨越转型的“深水区” 制造业数智化的征程绝非坦途，其核心挑战已从技术采购转向系统性、深层次的融合难题。 2.3.1 技术层面：数据、连接与成本的“三重门” 数据孤岛与治理缺失：这是最普遍的基础性挑战。67.9%的企业受数据质量问题困扰，内 部数据标准不统一，导致数据无法跨系统流动和融合。 老旧设备互联互通难：传统工厂大量非标、老旧设备协议不一，导致“数据采集第一公里”

应用智能化发展趋势 应用全生命周期智能化白皮书 02 应用现代化与智能化的深度融合，正通过开放生态、软硬协同、垂直平台、人机协作与人工智能服务化等特征重 构技术、产业与社会生产生活方式。从政务服务到社会治理，从智能制造到智慧生活，从算力基建到数据价值释放等 等，应用智能化不仅加速了行业变革，更催生出了“技术 - 场景 - 生态”三位一体的创新范式，为数字经济高质量发展 注入持续动能。 人工智能技 ，持续释放数据价值，加速知识向生产力的转化。算力与数据匹配将提 高处理效率，系统互通和数据共享则打破数据孤岛，推动数据联接的深化。数据联接不仅促进商业创新，还将深刻影 响政府决策、公共服务及社会治理的方方面面。随着新一代信息技术的发展进步，数据联接不同领域、不同行业的能 力日益增强，这种跨界融合正在重塑数字经济时代的核心竞争力，推动行业转型与产业升级。 值得注意的是，随着应用智能化在社会各 规模模型协 作，可以更低时延、更高可靠性支撑系统决策；时空预测模型吸纳海量环境数据，助力各行业更精准地预判趋势并优 化策略。 同时，新一代通信网络、数据治理与隐私计算的协同发展，将进一步拓展环境认知的应用边界，从工业制造、城 市治理到出行管理，多元场景不断涌现。未来，智能应用不仅被动适应环境，还将通过深度交互与主动干预，与环境 形成共生关系，全面提升产业协同与数字化升级，为各行各业创造可持续的高质量增长。

值链深层重塑 03ABI分层突破，三角失衡待解： ◆ AI与BI融合呈现分层态势，其中基础层聚 焦工具升级，战略层重构传统决策链路 ◆ ABI应用的核心矛盾源于"数据-技术-业务 "三角失衡，数据治理滞后、算法黑箱与 行业适配断层是主要障碍 01BI受限，AI重构决策： ◆ 传统BI受限于封闭架构与技术壁垒，难以满 足实时动态决策需求 ◆ AI通过自动化数据流水线与智能算法重构 全链路效率，推动主动预测式决策 2.数据维护 3.数据使用 5.数据归档 6.数据删除 4.数据发布 企业数据生命周期环节 相关数据服务市场 数据捕获 ETL工具 数据集成工具 数据维护 数据库管理系统 数据治理平台 数据使用 商业智能（Business Intelligence，简称BI） 数据分析平台 数据发布 数据可视化工具 API管理平台 数据归档 数据归档工具 数据冷存储 数据删除 这一领域的投资推 动了数据捕获技术的快速发展，特别是在物联网、大数据集成等应用场景下。 数据维护：数据维护环节要求企业使用数据库管理和数据质量治理工具来确保数据 的准确性、完整性和合规性。中国数据治理市场在2024年预计达到198亿元，企业在 数据治理领域的投入反映了对数据合规、隐私保护和质量控制的重视，帮助企业规 范化管理和利用数据。 数据使用：数据使用环节是企业在数据生命周期中最大的支出领域。企业通过数据

二〇二五年九月 I 版权声明 本报告版权由北京物资学院信息学院、北京化工大学 经济管理学院、清华大学计算社会科学与国家治理实验 室、北京交通大学信息管理理论与技术国际研究中心、北 京邮电大学经济管理学院、南京邮电大学数据要素创新实 验室、北京化工大学信息化绩效评估中心、北京京数智科 技开发有限公司和上海合合信息科技股份有限公司共同拥 主 编 张茜茜 涂 群 成 员 张向宏 刘世峰 宫大庆（北京交通大学信息管理理论与技 术国际研究中心） 孟庆国 张少彤 王理达 周 亮 张影强（清华大学计算社会 科学与国家治理实验室） 张 闯 徐广姝（北京物资学院信息学院） 李 宾 王 军（北京化工大学经济管理学院、北京化工大 学信息化绩效评估中心） 闫 强 王友奎（北京邮电大学经济管理学院） 洪 数智 产业高质量发展指明了方向。为摸清国内外数智产业发展家 底，促进全国数智产业更好更快发展，北京物资学院信息学 院、北京化工大学经济管理学院、清华大学计算社会科学与 XII 国家治理实验室、北京交通大学信息管理理论与技术国际研 究中心、北京邮电大学经济管理学院、南京邮电大学数据要 素创新实验室、北京化工大学信息化绩效评估中心、北京京 数智科技开发有限公司和上海合合信息科技股份有限公司

ation）的“3C”发 展理念，聚焦集成化（Integrated）、智能化（Intelligent）、 国际化（International）的“3I”战略方向，围绕学生学 习、教师教学、学校治理、教育创新、国际合作等核心 场景，有组织地推动大规模、常态化应用，探索出一条 中国特色的教育数字化发展路径。 当前，大力推进教育数字化，发展包容和公平的优 质教育，让全民终身享有学习机会，已经成为世界各国 加强战略行动工作部署。中国教育部等九部门联合印 发《关于加快推进教育数字化的意见》，围绕集成化、智 能化、国际化等方面，对教育数字化未来发展进行全面部 署。同时，围绕行业应用、资源建设、数据治理、安全保 障等方面出台了一系列举措，构建起教育数字化的政策体 系。2022 年以来，每年 3 月 28 日组织专题活动，明确年 度教育数字化工作重点任务。2023 年召开全国教育数字化 线系 列学科大模型和智能工具，鼓励广大师生探索人工智能 赋能教育变革的创新路径。开发系列智能工具，实现知 识问答、智能搜索、资源推送等功能。上线“AI试验场”， 围绕学生学习、教师教学、教育治理、科学研究四大方 向，汇聚“AI课堂”“数学解题助手”“智能出题助手” 等一批实用智能工具，获得师生广泛好评。智慧高教平 台上线接入 9 个国产通用大模型，配套建设师生人工智 能应用能力测评系统，为师生应用大模型提供了便利。

等领域。多个项目的集成和叠加，可形成“项目群（programme）”或 “项目组合（portfolio）”，在不作区分时，统一称为项目。 “项目管理”是对项目履行计划、组织、领导、控制等基本管 理职能与行为。“项目治理”是确定项目管理的权利配置体系与规则 架构，并对项目管理授权和指导，可视为项目管理的延伸。 项目管理的系统架构如图 1 所示。 图 1 项目管理系统架构 项目管理系统架构的组成包括： 项目管理系统架构的组成包括： ——基础共性层，由术语、分类与代码、元数据、数据模板等组 成，为项目管理系统提供基座。 ——管理体系层，由项目管理、项目群管理、项目组合管理，项 目、项目群和项目组合治理等组成，给出相应管理的整体框架。 2 ——项目层，由项目模式或项目周期过程组成的，给出项目的实 现形式以及基于项目过程的业务分布。 ——项目管理实施层，由项目管理实施策略和项目管理具体业务 组 到不同行业或领域的 差异性，可根据行业需求制定行业内的基础共性标准，纳入“D 行业 应用标准”。 2. 体系综合标准 体系综合标准用于统一项目管理、项目群管理、项目组合管理， 以及项目治理的整体框架和通用内容。考虑到不同行业或领域的差异 性，可根据行业需求制定行业内的体系综合标准，纳入“D 行业应用 6 标准”。 （三）专业通用标准 主要包括项目模式和周期过程标准、项目管理实施策略标准、项