仅能够保障电网的稳定运行，还能够支撑实时荷载管理、故障 检测，在各类突发情况下实现快速恢复，从而增强电网稳定性、预防停电事故、加强网络安全防护、确保运 营合规。随着可再生能源时代的到来，面对日益复杂的电力系统和对数据的高度依赖，韧性数据中心的作用 愈加突出。此外，韧性数据中心还可以促进智能电网技术的发展和应用，帮助电力公司洞察能源消费和提升 能源效率，从而为客户创造更多价值。这本白皮书为企 业带来深刻洞见与实用框架指南，激发深入思考。 ——印尼国家电力公司信息技术规划与战略副总裁 Handy Sanjaya AI时代，数据中心正成为数字化与智能化的核心枢纽和创新引擎。随着业务复杂性激增、网络威胁演变及技 术革新加速，这些正驱动数据中心向高可用、高安全和高灵活性演进。近期，我与很多客户伙伴、产业界的 朋友们进行了沟通和交流，大家都提到，韧性DC是当前数智基础设施建设的核心，但也面临居多挑战。华为 和电力一样成为社会运行的基础设施。数据中心作为支撑企业数智化转型和国家数字经济发展的数字底座， 已演进为包含计算、存储、网络、能源、云等多维度系统，支持消费、生产、科研、环境、社会治理等方方 面面，是一个复杂的系统工程，其复杂性不仅源自其超大规模、多组件、多层级的物理与数字结构，更来自 于要支撑动态多变的业务需求、适应外部环境不确定性与抵御多样化风险的要求。随着大模型参数规模越来 越大，对数据中心集群的大规模

理论与技术是构建新型电力系统的重大需求 新型电力系统需要人工智能 中国南方电网 CHINA SOUTHERN POWER GRID 8 新型电力系统新在哪里 ? 新能源 电力电子设备 系统规模巨大 安全机理复杂 能为新 海量数据分析 系统发 新能源功率支撑 支持 优化决策时效要求高 海量新能源接入电力系统 新能源的个体容量小、数量多、预测难度大 新能源和电力电子、储能的关系密切 , 准确率，实现调度操作票全要素智能审核，快速完成故障分析和处置。 (2) 设备运维 · 提升电网安全隐患告警有效率； · 人形机器人通过 AI 与大模型技术结合，应用于电力设备巡检、倒闸操作等高危复杂任务。 (3) 智能客服 · 覆盖智能客服等十余个领域的百余个应用场景，具备意图识别、多轮对话等能力。 应用场景日益丰富 中国南方电网 CHINA SOUTHERN POWER GRID 24 新型电力系统人工智能大模型关键技术 AI EPS 应用 系 统 集 成 应 用 自主运行“用得好” ⑤ 新能源渗透率： ≥ 70% 电力人工智能系统 Al EPS 逻辑推理“算得快” ③ 复杂调度： 分钟级 策略推演 关键技术 2: 基础模型与模型训练 电 力 专 业 大 模 型 基 座 ( 函 数 库 ) 未见场景“算得准” ② 多物理量状态数值精度： 1E-3 动态平衡“算得巧”

进 步和大数据的日益成熟，未来的交通系统将逐步实现高效、安全、 环保的目标。 1.1 人工智能在交通领域的重要性 人工智能在交通领域的重要性愈加明显，随着城市化进程的加 速、交通网络的日益复杂以及人们出行需求的不断增加，传统的交 通管理与控制方法已难以适应现代交通的发展。这一背景下，人工 智能技术的引入为解决交通问题提供了新的思路和解决方案。 首先，人工智能可以实时处理海量交通数据，使交通管理变得 通系统（如智能停车系统、车辆导航系统等）进行联动，形成一个 高度协同的智能交通生态，进一步提升城市交通的整体运行效率和 安全性。同时，通过应用大数据和人工智能技术，系统能够在日常 运营中不断学习与自我优化，以适应未来日益复杂的交通环境。 2.2 交通事件检测与响应 在智能交通管理系统中，交通事件检测与响应是提高城市交通 效率和安全性的重要组成部分。通过运用先进的人工智能技术、传 感器网络和数据分析方法，智能交通系统能够实时捕捉并分析交通 支持向量机（SVM）：通过高维空间中的超平面划分数据， 适合处理复杂交通模式的预测。 3. 长短期记忆网络（LSTM）：一种特殊的循环神经网络 （RNN），能够通过记忆先前状态，捕捉交通流量中的时序 特征，特别适合处理具有长期依赖关系的数据。 4. 图神经网络（GNN）：可以有效处理交通网络的拓扑结构信 息，尤其是在复杂城市道路环境中表现优秀。 通过对这些算法进行比较与组合，形成一个多模型融合的框

模型,能够处理复杂语言理解与生成任务,并展现出强 大的泛化、推理和上下文学习能力。 大模型的核心特 征包括以下 4 方面 [5-6]。 其一,巨量参数:模型复杂度和能力的物理基础。 其二,预训练+微调范式:利用大规模无标注数据 预训练获得通用知识,再通过特定领域标注数据微调 适应下游任务。 其三,涌现能力:模型规模达到临界点后表现出的 超越小模型的、不可预测的新能力,如复杂推理、代码 具有“强认知、泛应用、深融合” [7] 的特点,能够跨 越传统信息化系统的边界,深度赋能城市治理、经济活 动和公共服务。 大模型赋能智慧城市建设的必要性主 要体现在以下 4 方面。 2. 1 破解复杂治理难题 智慧城市面临海量异构数据、多元主体诉求和瞬 息万变的事件,传统规则引擎和浅层人工智能难以有 效处理。 大模型强大的语义理解、信息抽取、逻辑推理 和知识关联能力,为精准感知城市态势、智能研判风 大模型是驱动产业智能化升级的核心引擎 [11-12], 为智慧经济注入强劲动能,具体表现在以下 4 方面。 企业智能服务与赋能:面向企业提供基于大模型 的智能营销(如生成个性化营销文案、广告创意)、智 能客服(如处理复杂咨询、提升转化率)、智能办公(如 文档处 理、 会 议 纪 要、 知 识 管 理) 等 软 件 运 营 服 务 (Software as a Service,SaaS),降低企业智能化门槛和

）”，对智能化生产、网 络 化协同、个性化定制和服务化延伸等应用场景解决方案进 行 迭代优化。 iv 行业 行业特点 行业痛点 数字化转型趋势 典型应用场景 典型企业 钢铁 生产流程长 生产工艺复杂 供应链冗长 设备维护低效化 生产过程黑箱化 下游需求碎片化 环保压力加剧化 设备管理由传统维护 向智能维护转变 生产工艺由黑箱式向 透明化转变 供应链体系由局部协 型 应 用 场 景 和 典型企业。 表 工业互联网平台赋能重点行业数字化转型应用场景全景图 v 行业 行业特点 行业痛点 数字化转型趋势 典型应用场景 典型企业 石化 设备价值高 工艺复杂 产业链长 危险性高 环保压力大 设备管理不透明 工艺知识传承难 产业链上下游协 同水平不高 安全生产压力大 设备管理从黑箱管理 健康管理转变 知识管理从纸质封存 安全监控 中石化燕山石 化、中石化镇 海炼化、中石 化茂名石化、 中石油云南石 化、中石化九 江石化、恒力 石化、石化盈 科、中油瑞飞 煤炭 工艺流程复杂 风险故障频发 资本设备密集 生产条件多变 生产风险高 设备管理难 物流成本高 环境污染大 煤炭开采由人工为主 向无人开采转变 矿山管理由分布管理 向集团总控转变

通过模型组合提升 预测精度； 代表算法： 随机森林 梯度提升决策树 神经网络 ) 深度学习机器学习人工智 能 4/37 在人工智能领域，数据、算力与算法构成发展基石——数据驱动模型训练，算力支撑复杂计算，算法优化 技术路径，三者协同推动人工智能向更高阶形态演进。 有监督数据 人工搜集、标注 成本高昂、扩展性差 图像分类 目标检测 .* 芯 片 英伟达 GPU 华为昇腾 谷歌 偏 差 现有单任务算法模型 可靠性不足 标注位置 目标检到模型训练 视师的据 图片、处理 标 注 文 本 文 字 识 别 模 型 练 电力复杂场景下数据的智能识别方法 电力安全是国家安全问题，电力人工智能多模态大模型核心技术必须自主可控 9/37 背景 4—— 自研电力大模型意义重 大 数据角度 应用角度 专 业 数据构建难度大 电力数据获取难度高、质量 差 异大、覆盖模态多，因而数 据 集构建难度大 与通用数据差异大 模型训练数据与电力任务场 景数据差异大；难以直接 应 用于电力场景模型训练 需要支持复杂工况下智能模型的多模态、 多维度综合协同处理 电力行业 需要具备 高质量、多场景覆盖、 多模态、多维度集成的数据集 需求 痛点 1.8 电描，温象比是 B7 备自检装置，温泉

然而，传统以太网技术无法满足要求，导致数据中心高性能存储选择FC专网承载， 超算中心高性能互联则通过IB专网承载，而AI算网则通过增强的以太网技术承载。 这种三种网络技术并存大大增加了数据中心网络的管理运维复杂度和成本。 与此同时，计算技术的广泛应用和数据中心对以太网交换需求的显著增长，推 动了以太技术的快速发展。随着400GE以太技术的商用和800GE以太标准的发布， 以太网技术不仅在带宽上超越了 全局流量调度能力，可根据链路延迟变化动态切换支付结算类关键业务路径，实现用户“零 感知”切换。 2）超大规模与智能韧性协同演进挑战加剧 伴随通用计算服务器迈向50万乃至百万级规模，单数据中心网络的物理规模与逻辑复杂 性激增。传统依赖人工策略管理的模式已无法满足需求。带宽对等化、毫秒级切换等硬性要 求，迫使网络架构向深度智能化演进： 5 意图驱动网络（IDN）与AI融合：AI的应用将网络运维从故障后的辅助诊断扩展到运 型持续摸高，大模型训练带动网络发展 模型性能竞赛白热化: 2025年上半年，OpenAI的GPT-4.5、Google的Gemini 2.5 Pro、Anthropic的Claude 4等模型在复杂推断能力上持续突破。例如，Gemini 2.5 Pro在数学推理（2025高考数学卷得分140分）和多模态理解（支持100万令牌上下文窗 口）上达到新高度，而Claude 4 Opus通过混合推断模式实现“快速响应”与“深度反

理解等，是人机交互的基础，通过对话理解乘客意图，提供 便捷的购票及咨询等服务。车站内自助机、机器人等与日常 生活中的智能音箱类似，可通过乘客手动选择语音功能唤醒， 通过特定语音关键词唤醒。地铁场景下环境复杂，存在大量 的语音交叠、噪声干扰等情形，并且还需要应对不同口音的 挑战。地铁站内通常人流量较大，环境嘈杂，要求语音设备 具备除噪功能，正确识别乘客语音信息。 多信息技术融合成为未来的发展趋势。搭载视觉摄像头 过进入地铁站闸机的计数准确性较低、时效性较弱，地铁站 闸机能判断进入每个地铁站人数，不能确定车站内各区域及 换乘人流量。而利用历史数据进行建模预测的方法则无法应 对交通管制、重大活动等突发事件影响，建模复杂且不确定 性高。 智能视频分析技术自动识别场景中乘客数量可提高客 流监测效率。随着深度学习技术在视频中的应用，可以完成 站内乘客实时检测和跟踪，进一步得到不同区域内的客流密 度、乘客行走速 效。这是地铁对外提供服务的基本保障，是科学运行最为关 键的一环。特别在应急事件发生时，科学、智能的调度和管 理尤为必要。 影响客流量因素的复杂多变性和随机性都是运力调度 的难点。地铁运行是充满着变化性的过程，因此地铁的行车 组织是动态变化的，在地铁运行的实际过程中。每个环节的 变化，都是有一定的随机性。但是复杂多变的影响因素，需 要借助强大的算力寻求最优的运力调度方案，这是人脑所无 18 法企及的，也是传统运力调度中存在的问题。

Oracle 、SQL Server 等， 用于存储结构化的实验数据 、生 产数据 、管理数据等 。关系型数据库具有强大的事务 处理能 力， 能够确保数据的一致性和完整性， 满足对数据 进行复杂 查询 、统计分析和事务处理的需求 。例如， 将新 材料实验过 程中的实验设计数据 、实验结果数据， 企业生 产过程中的生 产工艺参数数据 、产品质量检验数据等存储 在关系型数据库 中， 方便进行数据的关联查询和统计分 可视化工具 、数据挖掘工具等 。数据统计分析工具 支持对数 据进行描述性统计 、相关性分析 、差异性检验等 常见统计分 析操作， 帮助研发人员了解数据的基本特征和 内在关系 。数 据可视化工具能够将复杂的数据以直观 、生动的图表形式展 示出来， 如柱状图 、折线图 、散点图 、热力图等， 便于研 发 人员快速理解数据含义， 发现数据中的规律和趋势 。数 据挖 掘工具则运用机器学习、深度学习等算法，对数据进行 数据交易手续费：在数据交易市场中， 当数据所有者与数据 需求者成功达成数据交易时， 运营主体按照一定比例收取交 易手续费 。手续费比例的设定综合考虑数据产品的价值 、交 易规模 、交易复杂程度等因素， 制定合理的收费标准 。既保 障运营主体能够获得相应收益， 维持数据空间的运营与发 展， 又确保手续费不会对数据交易活跃度产生负面影响 。例如 ， 对于价值较高 、交易规模较大的数据产品交易，

公开数 2c 现象级应 首先，对多模态关联的复杂语料需求日益迫切。针对 大模型语料质量，传统纯文本数据已经无法支撑多 模态与具身大模型联合建模的需求。业界实践表 明，在多模态场景下的语料供给，需要进行跨模态 语料数据精准对齐，实践通过融合图文信息，运动 轨迹，场景数据，使得复杂论文的解析准确率提升 37%。此类多模态场景在处理包含图表、公式的复杂 文档时，需要在语料标准中体现语义逻辑关联能 力，同比文本标注对于数据融合要求更高。 索，大量 高价值数据难以被快速、高效集成至 AI 训练 / 推理 生产流程中。 ① 跨域多主体系统异构建设，跨系统横向集成难， 无法为 AI 统一供数： · 缺少统一元数据管理，治理复杂度剧增： Iceberg、 Hudi、Delta Lake、语料集对象存储各表 格式的元数据访问协议差异大，多个数据湖独立部 署元数据管理，异构数据湖无法形成全局数据地 图，跨系统数据发现成本高、血缘追踪割裂等。 图，跨系统数据发现成本高、血缘追踪割裂等。 · 缺少统一数据格式，跨格式数据计算性能差：多 引擎（Spark、Flink、模 型训推等）编排 场景下兼 容性 差，跨格式联邦查询通过多 catalog 路由，查询 计划复杂、性能差。 12 Metadata, caching, Indexing Layer Data Lake Repo 比 s BI Data science