2025 AI方案赋能白皮书

目录 序言1 序言II构建多元AI算力应用，助力本地化算力普惠发展3 第一章从周期律动到生态重构，开启智能新时代5 1.1. AI发展的周期性6 1.4安全监管的全周期与精细化并重9 1.5应用落地的选择与路径10 1.6从互联网到AI技术的路径演变11 第二章创新AI核心技术体系12 2.1强化学习框架优化132.2大模型训推技术172.3制造业工业质检海量长期存储创新技术23 第三章AI技术实践案例能新时代25 3.1基于国产化软硬件的AI大模型强化学习微调方案263.2智慧金融：大模型技术助推基金公司实现降本增效303.3汽车制造：大模型训推技术赋能吉利智驾333.4工业制造：工业质检AI解决方案实践案例36 第四章迈向AGI时代的战略展望39 4.1新一代AI基础设施布局404.2智能化转型赋能体系41 序言I 大模型驱动的产业认知范式重构 2025年7月，国家发布的《关于深入实施“人工智能+”行动的意见》表明，企业要深入实施“人工智能+”行动，推动人工智能在经济社会发展各领域加快普及、深度融合，形成以创新带应用、以应用促创新的良性循环。这一政策导向，为当前以大模型为代表的人工智能技术革命提供了国家战略层面的支撑，也标志着产业智能化转型已进入新阶段。 当前，AI大模型正以前所未有的速度重塑产业格局，产生的影响已从技术层面向认知范式、生产方式乃至生产关系渗透。DeepSeek等代表性技术的突破，已然打破了传统产业对AI技术"高投入、高门槛"的固有认知，推动智能化转型从"奢侈品"向"必需品"转变。这一变革的本质，是技术、数据与算力的深度融合，正在重新定义产业竞争的底层逻辑。 从技术演进视角看，大模型的发展已进入“质变”阶段。早期AI依赖规则驱动，如今大模型通过海量数据学习和参数规模扩张，实现了从"专用工具"到"通用智能"的跨越。DeepSeek的突破性意义在于，它通过算法创新，大幅降低模型训练成本，使得企业能够共享AI红利。这种技术普惠性正在催生“长尾效应”――比如面向制造业，小企业可通过云端大模型实现智能质检；面向农业，农户能借助轻量化模型优化种植决策。 产业层面的范式重构更具革命性。在医疗领域，大模型已从辅助诊断扩展到药物研发全流程，例如通过分子模拟将新药筛选周期从数年缩短至数月；在汽车行业，它正重塑从设计、生产到服务 的价值链。更深远的影响在于，大模型正在打破行业壁垒，形成跨域协同的生态网络。例如金融风控模型可融合交通、社交等多维数据，城市管理能整合能源、环保等跨部门资源。这种融合创新，标志着产业认知从“垂直深耕”向“水平整合”的跃迁。 《2025 AI方案赋能白皮书》系统梳理了大模型技术的最新进展与产业应用路径，为各行业提供兼具理论深度与实践价值的参考指南。本书不仅深入剖析了技术演进趋势，更通过典型案例解析，为不同行业的智能化转型提供了可落地的解决方案，是把握人工智能发展机遇的重要指南。 张云泉 全国政协委员、中国科学院计算技术研究所研究员异构智算产业生态联盟理事长2025年8月 序言II 构建多元AI算力应用助力本地化算力普惠发展 自去年4月份异构智算产业生态联盟成立以来，联盟已经携手联想等众多生态伙伴，持续走进国内多家智算中心，共同见证了DeepSeek大模型落地新突破，并围绕异构智算、DeepSeek大模型落地数据中心、超智融合等话题与行业专家、客户、生态伙伴们进行了深入交流，共同探讨了异构智算与AI大模型应用的深度融合。 同时我们也能看到，AI的价值不仅在于技术的创新突破，更在于如何将这些技术精准融入实际场景，构建完整的AI应用支撑体系，并实现高效的、"开箱即用"的本地化解决方案。无论是智慧城市中的交通调度优化，还是工业互联网中的设备预测性维护，亦或是智慧医疗中的影像辅助诊断，都可以依托AI大模型实现从技术突破到产业普惠的闭环，让AI创新技术与应用可以基于新AI基础设施，真正做到“百花齐放，争奇斗艳”！ 这也是我们在2024算力大会上发布《异构智算产业趋势与技术发展白皮书》之后，继续联合中国智能计算产业联盟、中国科学院、中国信通院及众多生态伙伴推出第二本《2025 AI方案赋能》白皮书的缘由。2025年版本的异构智算产业联盟产业白皮书也从关注AI算力解决方案升级到关注AI应用落地的全方案。该白皮书也展示了联想在AI基础设施领域技术的深厚积淀与对客户需求的深刻洞察，为行业树立了全新落地实践标杆。 此次发布的2025版白皮书，不仅聚焦于AI技术本身，更深入探讨了AI创新技术与新AI基础设施的融合路径。从揭示大模型如何重构产业认知范式，到剖析AI技术在不同产业中的应用场景；从分享实践案例，到展望智能时代的战略布局，我们希望为大家呈现一个全面、深入的AI应用与新型基础设施融合全景图，提供可借鉴、可操作的AI落地实践新方式。 "不积跬步，无以至千里；不积小流，无以成江海。"面对AI与新基建融合发展的广阔前景，愿大家能够携手共进，以坚定的信念、创新的精神和务实的行动，共同探索智能时代的新机遇。我相信并也正看见，整个联盟依然朝着目标坚定前行：与众多优秀的伙伴们一道，为中国智算产业的蓬勃发展提供坚实基础，为我们在智算时代取得成功寻找正确方向。 陈振宽联想集团副总裁、中国基础设施业务群总经理异构智算产业生态联盟理事长2025年8月 从周期律动到生态重构，开启智能新时代 AI发展的周期性1.1 60多年来,人工智能的发展，始终遵循“技术突破-预期膨胀-瓶颈显现-理性回归”的周期性规律，与Gartner技术曲线高度吻合。第一次浪潮（1956-1974）以达特茅斯会议为起点，通过人工定义逻辑规则来模拟智能，在数学定理证明、简单语言交互等领域取得初步突破；第二次浪潮（1974-1990s）依托“if-then”规则库构建的专家系统，在医疗诊断、工业控制等垂直领域展现出了实用性。 步入本世纪，互联网的广泛普及带来海量数据，GPU算力呈指数级提升，算法也取得新突破，共同催生了人工智能的第三次浪潮。经过近20年的发展，可以发现，第三次AI浪潮也并非是线性发展的，而是呈现典型的阶段性特征。 第一阶段（2012-2019）以深度学习为核心驱动力，依托卷积神经网络（CNN）等架构，实现了图像识别、语音识别等专用领域的精准判定，在人脸识别和围棋难题等方面取得了突破。2012年AlexNet的成功成为深度学习复兴的引爆点，2016年AlphaGo击败世界围棋冠军展示了其在复杂决策领域的巨大潜力。但这一阶段本质上仍属判定式的专用模型，另外还需依赖人工标注数据，且缺乏常识推理能力。 第二阶段（2017-2024）以2017年基于“自注意力机制”的Transformer架构的提出为代表，开启了大语言模型（LLM）主导的生成式人工智能革命。在这一阶段，“预训练-微调”的范式成为主流，证明了先在海量文本上预训练，再在特定任务上微调的有效性；模型越大、训练数据越多和算力更强，模型的能力就越强的规模定律(Scaling Law)被广泛信奉；2022年底ChatGPT的爆发标志着LLM从技术突破走向了大众应用，2023年GPT-4等模型能根据文本生成高质量图像标志着多模态模型的兴起，生成式和通用AI(AGI)成为新的追求目标。 时间来到2025年，作为第二阶段关键信仰的规模定律的边际效益明显递减，模型能力随着规模扩大的收益非常有限，“更大即更好”的“暴力美学”逻辑不再成立。另外，高端GPU算力的供给出现了断层且价格居高不下，全球易获取的互联网文本数据已接近耗尽，虚假信息和知识产权争议等问题频发引发了普遍的社会性AI伦理风险。 大模型发展的新阶段 技术、资源、成本和伦理等多重约束，正倒逼人工智能技术实现新的发展，必须从暴力扩张转向精细化演进。目前看来，第三阶段大致有三大发展主线：能力边界拓展、技术效率优化和场景深度落地。 一是能力边界主线。学术界主导的基础研究聚焦智能本质的突破，推动模型从数据拟合向逻辑推理进化，探索从“感知智能”到“认知智能”的跨越。比如，符号神经融合探索将深度学习的统计学习能力与符号主义的逻辑规则结合，通过知识图谱嵌入、因果推理引擎等技术，解决大模型幻觉、数学推理薄弱等问题。原生多模态智能通过统一语义空间构建，实现文本、图像、音频、视频、3D结构的深度理解与生成，以突破文本-图像拼接的伪多模态模式。这些探索，预示着人工智能正从处理数据向理解世界进化。 二是技术优化主线。产业界主导的工程性优化聚焦资源效率提升和可持续发展，通过精耕细作提升模型落地的性价比。比如，混合专家模型通过动态路由机制分配专家模型，从而在保持性能的同时大幅降低了计算成本；动态训练与推理根据任务难度和数据特征动态调整参数规模，再结合模型剪枝、知识蒸馏等技术，进一步降低了部署成本；混合精度训练采用FP16/BF16等低精度格式与FP32高精度格式结合的训练方式，在精度损失可控的前提下提升算力效率。 三是场景化落地主线。用户侧主导的AI技术与业务的深度融合，通过模块化、插件化、协同化和标准化等，实现大模型的行业渗透以及与场景的深度结合，把实验室技术全面转化为新质生产力。比如，LoRA等技术通过只调整模型的极少数参数，实现与行业专业知识的适配，将金融、医疗等领域的微调成本从百万元级降至十万元级。在模型与外部交互方面，MCP（模型上下文协议）实现大模型与企业数据库、ERP系统的标准化对接，A2A (Agent-to-Agent)协议支持多智能体协同；各种Agent赋予大模型环境感知、自主决策和采取行动的能力。 智能基础设施的新变革 随着第三次人工智能革命的发展进入新阶段，其所需要的数据、算力、能源等基础型资源以及伦理、监管和政策等，也正发生着深刻的变革。 在数据方面，更强调多模态、专业化和工程化。一是数据类型的多元化，从单一文本数据转向“文本+结构化数据+多模态数据”的融合。二是数据标注的场景化，随着来自互联网上的训练数据即将耗尽，数据标注从通用向场景化标注（如工业缺陷类型、病灶分期）演进，这要求标注人员需具备专业技能和行业知识，对数据集的质量要求更高，标记要求更精细。三是数据治理工程化，逐步迈入全生命周期和全域数据治理，采用DataOps等方法以更加标准化、工具化和智能化的方式，做好面向AI的新一代数据治理。 在算力方面，算力供给侧从重训练到训推均衡等演进。随着AI发展重点从模型训练转向前端应用，以及大模型在低延迟、高并发场景中的应用日益增多，市场对推理算力和边缘算力的需求将显著上升。在此背景下，从训练与推理分离逐步迈向训推一体成为行业发展的必然趋势，这有助于降低模型迭代与部署成本，提升整体效率。另外，随着AI应用场景的多样化，异构算力将加速普及，CPU、GPU、FPGA等芯片协同管理调度，并且结合软件层的优化，以提升算力利用率与能效比。 在能源领域，人工智能能耗的持续快速增长，促使电力供给布局不断优化，带动了新一代核电、可再生能源等产业的发展，助力算力与电力实现协同共进，并推动单位算力能耗技术持续取得进步。 安全监管的全周期与精细化并重 二是风险管控日益精细化，逐步建立风险分级机制，对娱乐推荐等低风险场景实施相对宽松的监管，对医疗诊断、司法判决、金融投资等高风险场景实施严格审核。 一是监管范围全域化，逐步从应用端延伸至“数据采集-模型训练-部署应用-迭代优化”的全生命周期。 AI科技伦理正从理论探讨走向实践落地 三是国际组织加快制定统一标准，ITU-T、ISO和IEEE等全球性标准提出多项伦理原则和评分体系，开源工具如Fairlearn、Model Cards助力算法偏见检测与决策溯源。 应用落地的选择与路径 如何把握落地场景的节奏也已逐渐清晰，即以语言模型为核心向外辐射。 其次的场景是知识型应用,整合多源信息提供专业支持的医疗诊断、投资分析等场景。 最先受到影响的场景是纯语言型应用,聚焦文本交互与深度推理的客服、写作、教育等领域。 最后是跨模态与具身