邁向智能世界白皮書2023

云計算

AI重塑千行萬業

趨勢一：人工智能重塑千行萬業，已從點級走向應用與系統級

人工智能技術在快速發展，但人工智能應用于各行業都需要一個過程，基于各行業眾多的創新實踐，AI應用到商業系統可以分為三個層次：

?點級解決方案：AI解決非常具體的問題，用于改進現有流程的某個環節且可獨立部署，不改變系統。

?應用級解決方案：AI解決一系列問題，使能獨立可部署的新流程，也不改變系統。

?系統級解決方案：AI能夠同時改進多個現有流程，或者通過改變相互依賴的流程使能多個新流程。

回顧歷史，從蒸汽時代到電力時代的轉變過程中，一個傳統蒸汽作業的工廠同樣經歷了，先從單一設備氣改電的點級方案開始，然后實現圍繞一條生產線的應用級改造，最

終實現所有設備、所有生產線乃至整個工廠的系統性、全面電氣化轉型。

通過當前各行業圍繞人工智能的典型創新實踐看到，人工智能應用于各行業正在從點級走向應用與系統級，如下圖所示

點級解決方案應用級解決方案系統級解決方案

?銀行：智慧營銷、風控等

?運營商：網絡站點開通、告警壓縮等

?礦山：主運皮帶運輸異物識別等

行業?電網：輸電線路巡檢、分布式能源管控等?銀行：智能數據洞見、風險報告生成（新流程）

?基于數字孿生、行業大模型等重構多個

?制造：質量檢測等?礦山：井下綜采遠控（新流程）

創新業務流程（運營商、金融、礦山…等實

?港口：集裝箱識別、安全監測等?運營商：網絡外線運維助手（新流程）

踐探索中）

實踐?機場：出行一張臉等?港口：智能計劃平臺（新流程）

?水泥：生產實時優化等?媒體：內容智能生成（新流程）

?家裝：AI輔助出圖等?…

?數據中心：節能等

?…..

參考:PowerandPrediction:TheDisruptiveEconomicsofArtificialIntelligence

2

行動建議：戰略驅動是根本、數據底座是基礎、人工智能是核心

智能化的旋律一旦奏響，便將穿透企業內部的邊界，連點成線、聚線成面。人工智能將驅動生產力從“量變到質變”，并逐步成為經

濟發展的核心引擎，重塑千行萬業。在我們看來，對數智化轉型而言：戰略驅動是根本、數據底座是基礎、人工智能是核心。

?智能化是數字化的新階段，系統性地引入智能化要對準企業或組織戰略方向，支撐戰略達成，實現既定的商業目標。成功的數字化、

智能化轉型，都是由戰略驅動，而非技術驅動。

戰略驅動+

商業目標牽引?結合戰略方向，通過清晰的商業成效目標牽引，價值場景先行：企業內可能用到人工智能的環節場景眾多，避免為了替換而替換，企

業需清晰定義引入人工智能后期望達到的成效目標，從而識別價值場景先行引入人工智能。

?人工智能無論是點級、應用級、系統級方案都需要用到大量數據資產，構建企業級數據底座勢在必行。通過作業數字化、數字平臺化，

企業級數據

使得數據清潔、透明、聚合，這是轉型的基礎。結合對數據的科學治理，數據在企業內部的流動才具有意義，不同維度的數據匯聚在

底座是基礎

一起，才能創造新的價值。

?從產業變革與升級的角度看，AIforIndustry將成為人工智能接下來的主要方向，AI與各個行業的結合將會走向深度。例如，在垂直金

融領域，BloombergGPT大模型在海量金融數據的基礎上，為金融分析師提供智能服務，標志著通用大模型與金融行業深度結合的開始。

人工智能大模型

+行業是核心?大模型將成為AI的操作系統，從使用和成本多個角度大模型接下來會加速與硬件的適配，所有的AI算法可以圍繞大模型進行構建和應用。

雖然AI大模型具備場景通用、泛化和規模化復制等優勢，但如果需要深入解決復雜的各大垂直行業場景問題，AI大模型融入行業知識被

視為是重要的機制與技術路徑

3

行業實踐：基于工業互聯網架構，以人工智能為核心打造智慧礦山

煤礦生產是一項復雜、危險性較高的工作，當前在幾百米井下仍需大量人員現場作業，因此少人無人、安全高效是煤礦智能化追求的重要目標。智能煤礦的本質是工業互聯網架構在煤礦行業

的變革，一定要有統一的標準、統一的架構、統一的數據規范，在這個架構下面，數據成為生產資料，人工智能成為新生產力。所以智能煤礦的核心就是以云為基礎，數據為要素，通過人工

智能替代人從事危險工作、重復勞動，沉淀專家經驗。

?點級解決方案：AI使能業務場景智能化，基于盤古礦山大模型的AI主運智能監測系統代替人工巡檢，全時段智能監測，精準識別大塊煤、錨桿等異常，準確率達98%，保障了主運皮帶的

正常運行，減少井下20%巡檢人員；基于礦山大模型的AI掘進作業序列智能監測系統，精準識別掘進作業規范如鉆眼深度、攪拌時間等，用過程的確定性解決人為因素的不確定性，保障

了井下人員作業安全。

?應用級解決方案：5G+AI使能新應用、新流程，通過5G實現上百路高清視頻實時回傳，結合人工智能拼接技術，從九宮格到40米全景畫面保障采煤機遠程精準操控，讓煤礦工人從井下走

到井上，在辦公室里就可以實現遠程采煤作業，大大改善了工作環境，同時，提高了整個煤礦的安全生產水平。

?系統級解決方案：基于工業互聯網架構，通過IoT物聯平臺統一接入3000+煤礦生產設備，統一數據標準入湖，結合大數據底座打通煤礦各子系統，統一治理OT與IT系統數據，為管理人員

提供全場景全要素的實時信息，快速構建數字孿生礦山，基于礦山大模型的能力，由點級和應用級擴展至系統級解決方案，快速復制到采煤、掘進、主運、輔運、提升、安監、防沖、洗選、

焦化9個專業21個應用場景，實現AI應用大規模下井。

基于工業互聯網架構，打造智慧礦山

3.0系統級解決方案

5G+AI使能新應用、新流程基于工業互聯網架構，通過數智融合平臺，構建智慧礦山

通過AI大模型快速落地采、掘、機、運、通等1000+場景

AI使能業務場景智能化2.0應用級解決方案

統一架構|統一標準|統一數據規范

1.0點級解決方案綜采系統，幾百路視頻實時回傳，結合人工智能拼接平臺開放、架構解耦，向下統一接入各種裝備，向上使能應用創新

實現全景遠程操控，采煤司機由井下到井上

主運系統，異物識別精度達98%采煤掘進機電運輸通風無人駕駛人員行為

掘進作業，動作規范識別準確率95%智能應用

應用使能數據使能

低代碼/零代碼礦山AI大模型邏輯數據湖

AI使能

云基礎設施

公有云混合云AI算力中心

主運掘進計算|存儲|網絡|安全

礦山工業承載網絡

5GF5GWi-Fi6IoT

智能物聯操作系統

掘錨機監測監控傳

人員定位綜感器

采煤機

主運膠帶機集控中心合分站

支架巡檢機器人泵站

4

目錄

01趨勢一：人工智能重塑千行萬業，已從點級走向應用與系統級

02趨勢二：AIforIndustry，加速行業應用創新落地

趨勢三：大模型驅動應用變革，AIGC重塑應用全生命周期，從代碼為

03

中心走向模型為中心

04趨勢四：AI云服務逐漸成為企業構建大模型首選

5

趨勢二：AIforIndustry，加速行業應用創新落地

伴隨著大模型領域的創新突破，生成式AI掀起智能化升級的新一輪浪潮。千行萬業是推動社會經濟發展的核心引擎，大模型要真正發揮價值，就要走入千行萬業。同時，多模態大模

型興起與行業場景業務訴求的雙輪驅動，使得AIforIndustry大有可為，加速行業應用創新落地。

?技術方面：大模型走向多模態、多任務。通過融合圖像，語言以及未來行動等多方面能力實現更加通用的智能，目前實現方式既有融合多模態，也有組合多模態，通過對海量數據

的預訓練，不斷提升基礎大模型的通用能力，滿足復雜多樣的行業場景訴求。

?業務方面：大模型逐步走向行業應用實現更大的商業價值。在通用預訓練大模型的基礎之上加入行業數據，使用行業數據進行更新訓練，生成適用于行業的大模型是未來發展的必

經之路。

目前，問答、生成場景如回答問題、撰寫文章、文本摘要、語言翻譯和生成計算機代碼等任務，已經在行業場景中逐步落地，提升了企業生產效率。為了進一步創造更大的商業價值，

各行業正在探索通過行業大模型對已有業務及流程進行重塑，加速AI行業應用創新落地，創造新的業務模式，帶來新的業務增長。

挑選生成式AI項目

融合多模態??

…營銷醫學診斷

PaLM-E?

Kosmos-1學習?生成代碼

…?審稿?

Microsoft高法律咨詢

OpenAIX-LLM??

DeepmindLLaVA代碼審查商業智能

GPT-4?

Frozen構思?監管/合規

AGI需?

快速設計與審查?技術出版

求

大模型走向多任務、多模態

?奇思妙想的應用（如

編寫推特自我介紹）

?

TaskMatrix.AI低?創作（圖片、玩笑、專業技術咨詢

VisualChatGPT詩歌等）

HuggingGPT

組合多模態低高

難度

來源:哈佛商業評論

6

行動建議：從“讀萬卷書”到“行萬里路”，

基于分層解耦的三層架構構建行業大模型

從通用大模型到行業大模型業界已有諸多實踐，從構建范式來看，分層解耦的三層架構獲得了業內的一致認可。

L0層是基礎大模型，包括自然語言、視覺、多模態、預測大模型、科學計算等大模型，提供滿足行業場景的多種基本技能。

?L0層就是讀萬卷書的階段，通過自監督訓練技術，讓模型從海量的無標簽數據中學習和記憶，從而掌握基本常識。這一階段數據量非常巨大，包含海量的圖像、文本、圖文對，必

須在超大規模集群上才能進行訓練。然后基于L0層存儲的大量知識，通過有監督精調技術和強化學習來對模型進行引導，類似于名師進行指導，讓模型在收集的海量高質量題庫上

進行大量練習，練就出上百種能力，才能將存儲的知識靈活地加以運用，去解決實際問題。

L1層是行業大模型，基于基礎大模型加行業知識，提供適配行業特征的大模型，打造政務、金融、制造、礦山、氣象等各行業大模型。

?讀了萬卷書，有了名師指導，接下來就進入行萬里路階段。行萬里路就是將模型應用到行業場景中，學習行業的專業知識，在工作流程中進行大量錘煉，從而得到各個行業大模型。

L2層提供更多細分場景的模型，它更加專注于某個具體的應用場景或特定業務，提供開箱即用的模型服務。

政務熱線網點助手供應鏈物流先導藥物篩選傳送帶異物檢測臺風路徑預測

L2慧眼識事財務異常分析器件分配小分子優化掘進序列檢測鐵路TFDS檢測海浪預測大

場景模型

………………模

型

行

政務金融制造藥物分子礦山鐵路氣象

L1業

行業大模型大模型大模型大模型大模型大模型大模型大模型開

發

套

L0自然語言大模型視覺大模型多模態大模型預測大模型科學計算大模型……件

基礎大模型

7

行業實踐一：政務大模型

在政務行業，華為云盤古政務大模型，對海量政務知識如12345熱線、政策文件、政務百科等，進行預訓練和推理，打造政務對話問答、政務文案生成、城市視頻感知、視頻多模態

理解、開放事件發現等政務能力，實現構建從感知、認知到處置、決策全流程智能化的政務大模型。

在城市治理場景中，政務大模型通過接入城市數十萬視頻源進行聯動分析，并對百萬政務知識精調、政務規則理解與執行的能力，能實時精準理解及分析畫面內容存在哪些城市損壞

及異常的現象。同時，政務大模型將L0層的NLP大模型與CV大模型融合，實現城市事件實時感知、萬物理解。例如在臺風過后，政務大模型對樹木倒塌、共享單車傾倒等場景進行準

確檢測與分割，并進行多任務協同調度，將樹木倒塌分撥至園林綠化部門，共享單車傾倒分撥至城管部門，路面暴露垃圾與積水分撥至環衛部門處置，讓城市事件秒級發現，分鐘級

分撥，城市事件處理效率提升了50%以上。

實時全面城市感知隨時隨地協同辦公便民便企政務服務精準高效城市治理

慧眼識事報告生成智能網辦政務數字人

政務熱線公文撰寫政務助手政策推薦

…………

一網統管一網協同一網通辦一屏統覽

5大政務技能，構建感知-認知-處置-決策全流程智能化

政務對話問答政務文案生成城市視頻感知視頻多模態理解開放事件發現

千億級參數政務大模型海量政務知識預訓練

超網絡兼顧局部與全局多模態理解與識別一切

智慧政務全場景生態

8

行業實踐二：金融大模型

在金融行業，華為云盤古金融大模型，結合銀行數據底座匯聚的多源、異構的金融數據進行精調和推理，不斷提升金融大模型的能力。

如今金融大模型走進銀行網點，打造銀行柜員自己的智慧助手，幫助網點柜員輕松辦理各種業務。智慧助手通過對銀行的各種操作、政策、案例文檔進行預訓練，能夠根據

客戶的問題，為柜臺工作人員，自動生成流程和操作指導，將原來需要平均5次操作完成的單次業務辦理，降低為1次即可辦結，處理時間縮短了5分鐘以上。

未來金融大模型還將落地到更多的金融場景，如信貸業務、風控分析等，持續提升業務效率。

金融大模型

金融大模型讓每個銀行柜員擁有自己的智慧助手

銀行

單次業務辦理

網點

操作次數

40,000+outlets51

200,000+網點員工單次辦結時間縮短

專業知識復雜知識分散業務辦理時間長5分鐘

辦理更流暢操作更準確對客更自如

9

目錄

01趨勢一：人工智能重塑千行萬業，已從點級走向應用與系統級

02趨勢二：AIforIndustry，加速行業應用創新落地

趨勢三：大模型驅動應用變革，AIGC重塑應用全生命周期，從代碼為

03

中心走向模型為中心

04趨勢四：AI云服務逐漸成為企業構建大模型首選

10

趨勢三：大模型驅動應用變革，AIGC重塑應用全生命周期，

從代碼為中心走向模型為中心

?軟件工程3.0從數字化走向智能化：強調通過大模型輔助驗收標準、測試用例、UI設計、代碼實現以及測試腳本的端到端研發效能提升的重要性。人機交互智能使得研發過程更

加貼近實際使用場景，提升軟件質量。數字化研發平臺從管理型工具變為智能化理解需求、設計、代碼、測試和部署的助手型工具。以模型和數據為核心，研發工具通過模型、

代碼、數據和數字內容飛輪的迭代，滿足更高層次需求。

?軟件研發作業流從DevSecOps走向多模態融合：隨著AIGC的飛速發展，企業的未來業務應用正逐步深度融入數據和AI的緊密結合中。企業的新型數智媒軟應用將進一步拓寬

DevSecOps的范疇，推動其進化為一種以大模型為核心的多模態流水線。這種新型流水線將不僅包括開發、安全和運維的環節，還將涵蓋數據、智能和數字內容等多個方面，為

企業提供更加全面、高效的服務，助力企業進一步提升競爭力。

?軟件開發職責從多角色細分工走向全能：軟件工具變革將影響軟件研發流程的角色分工，基于AI的研發工具平臺可以輔助決策、輔助計劃、預測和協調工作。跨研發職責及角色

的協同效率將提升，基于AI的研發工具平臺可以解決不同的角色溝通提效，影響角色互動。研發團隊從多角色精細分工轉變為產品、架構和運維三個分類職能端到端負責應用落

地，“一人成軍”，單兵全棧作戰能力極大提升。

軟件工程3.0走向智能化軟件研發作業流走向多模態融合軟件開發職責走向全能

研發

開發測試運維運營

XOps流程

自修復

作業需求&設計&檢查&測試測試問題問題智能技術

構建執行

需求場景協同編碼合入設計分析發現定位配置支持

[DataandAnalyticsandAl]Orchestration

DataOpsModelOpsDevOps

模型選擇監控產品專家new架構專家newQA專家new

與編排反饋

模型-代碼-DataEngineeringModelEngineeringandAppsDevelopmentand

ServicesDevelopmentServicesDeploymentServices

數據-數字產品經理開發工程師Committer

DataPipelinesandWorkflowsModelEngineeringandEndpointManagementand對對對

內容飛輪ManagementGovernanceLabComposabilityServices應開發工程師應Committer應測試經理

的的的

角Committer角測試經理角測試工程師

色色色

自動生成

代碼和內容驗證測試經理測試工程師SRE

輔助編碼Security,PersonallyldentifiablelnformationGovernance，

InterpretabilityandPrivacy-PreservingCompute

測試工程師SRE運營

來源:Gartner

11

行動建議：通過智能化研發工具和集成開放能力，

加速行業AI應用開發與生態構建

?以研發大模型為核心，引入智能化研發工具：以研發大模型為核心，提供需求設計輔助、開發編碼輔助、集成測試輔助、運維監測輔助和研發協同輔助能力落地設計助手、開發助

手、測試助手和運維助手等智能化研發工具，協助開發者實現“一人成軍”極大提升單兵全棧作業能力。

?優化開發流程，統一云上應用融合生產線：將數據生產線、模型生產線、數字內容生產線和軟件開發生產線緊密結合，打造一條全新的數智媒軟AI軟件開發生產線。這條生產線將

貫穿聯通的數據、模型和數字內容，為千行萬業的AI應用開發提供強大支持。通過優化開發流程，加速AI應用的開發速度，幫助企業更快地實現智能化轉型。

?新增AI應用開發框架，全流程引入多模態應用開發能力：新增多模態應用集成層：集成大模型復雜任務編排，托管大模型和AI應用，完成多模態應用發布；新增多模態應用開發

框架層：一站式多模態應用開發平臺，提供輸入轉換、測試驅動模塊、AI安全隱私、可視化組裝等能力；新增多模態應用開發框架層：供AI插件框架聯接大模型API，AI數據連接

器進行數據增強檢索。

智能化研發工具統一云上應用融合生產線多模態AI應用開發框架

研發3D建模開發構建

設計助手開發助手測試助手運維助手….

業務應用大模型集成AI應用生態

AI

媒體分發內容編輯監控反饋組裝測試

應用集成應用集成AI復雜任務模型&數據AI應用

組件編排共享倉市場

XX行業研發大模型仿真渲染發布部署

行業研發

大模型

APIs

訓練

自監督學習流水線監督學習流水線RRTF流水線PPO流水線

流水線AI應用AI插件大模型AI數據AI數據

開發框架框架API網關連接器增強檢索

研發大模型

數據接入數據準備

設計開發測試運維協同

研發

需求研發代碼代碼代碼代碼單元測試日志工具

大模型拆解文檔生成解釋注釋檢查測試腳本埋點協同盤古研發行業金融研發交通研發XX研發

數據發布數據入湖模型注冊模型訓練大模型

大模型大模型大模型大模型大模型

接口架構代碼代碼代碼代碼測試測試問題單代碼

說明圖調試翻譯檢視

優化設計日志分析解釋器數據轉換模型評估

12

目錄

01趨勢一：人工智能重塑千行萬業，已從點級走向應用與系統級

02趨勢二：AIforIndustry，加速行業應用創新落地

趨勢三：大模型驅動應用變革，AIGC重塑應用全生命周期，從代碼為

03

中心走向模型為中心

04趨勢四：AI云服務逐漸成為企業構建大模型首選

13

趨勢四：AI云服務逐漸成為企業構建大模型首選

AI重塑千行萬業，大模型表現出越來越強的能力，圍繞AIAgent工程思維發展的技術棧，也讓企業領袖們看到了AGI的時代大門在緩緩打開。站在時代風口，各個企業的領導者投入了前所未

有的熱情去擁抱大模型，或以“副駕駛”的方式接入大模型能力，或投入全部籌碼以大模型來重構業務。

?ScalingLaw繼續有效，基礎大模型規模逐步摸高，大模型算力訴求持續增長：模型超過一定的臨界規模后，大語言模型開始表現出一些開發者最開始未能預測的、更復雜的能力和特性，

這些新能力和新特性被認為是涌現能力的體現。隨著大模型能力被越來越大的釋放出來，開發者們在追求更強人工智能的同時會進一步推高模型的參數規模，需求更多的算力支撐。短期

內以模型訓練需求為主，未來20%在模型訓練，80%在模型推理，可靠、經濟的AI算力成為企業關注點。

?大模型需要新型的系統算力：大模型開發和應用對網絡帶寬、顯存容量、內存帶寬和系統可靠性方面都有非常高的要求，急需解決聯算比、容算比和存算比這三大挑戰。同時，企業擁抱

大模型的過程是一個逐步探索的過程，對大模型的能力需求，對大模型所需算力的需求，都是一個變化過程。企業需要一個高效、彈性的AI算力支持。

?大模型的開發與應用是一個復雜的系統工程：以生成式AI為代表的大模型早期技術生態已經出現：1）將AI模型集成到面向用戶的應用程序中，端到端運行自己的模型或依賴第三方模型

API；2）為AI應用提供基礎大模型，可以作為專有API或開源提供；3）為大模型訓練和推理工作提供支撐的基礎設施供應商，即云平臺和硬件制造商。各大云服務廠家圍繞大模型做強技

術棧和生態的構建，與大模型發展相輔相成。

大模型時代，傳統摩爾定律的增長與模型算力訴求有了越多越大的差距，大模型技術生態快速發展，

訓練一個SOTATransformer模型所需的算力增長達到了2年750倍的增長速度圍繞著云服務有了基本的技術棧分層

Apps

TrainingFLOPsScalingforSOTAModelsModels