《電子行業AI+系列專題報告（五）：華為盤古大模型讓AI重塑千行百業-231030（37頁）.pdf》由會員分享，可在線閱讀，更多相關《電子行業AI+系列專題報告（五）：華為盤古大模型讓AI重塑千行百業-231030（37頁）.pdf（37頁珍藏版）》請在三個皮匠報告上搜索。

1、請務必閱讀正文之后的免責聲明及其項下所有內容20232023年年1010月月3030日日電子電子AI+AI+系列專題報告（五）系列專題報告（五）華為盤古大模型：讓華為盤古大模型：讓AIAI重塑千行百業重塑千行百業行業研究行業研究 行業專題行業專題 電子電子投資評級：超配（維持評級）投資評級：超配（維持評級）證券分析師：胡劍證券分析師：胡慧證券分析師：周靖翔證券分析師：葉子聯系人：詹瀏洋021-60893306021-60871321021-603754020755-81982153010-S0980521080001S0980521080002S0980522100001S0980522100

2、003證券研究報告證券研究報告|請務必閱讀正文之后的免責聲明及其項下所有內容華為盤古大模型：讓華為盤古大模型：讓AIAI重塑千行百業重塑千行百業l 預訓練大模型解決預訓練大模型解決AIAI模型通用與泛化問題，避免傳統封閉作坊式模型通用與泛化問題，避免傳統封閉作坊式AIAI開發面臨的開發面臨的“碎片化困境碎片化困境”。隨著工業生產智能化需求不斷上升，人工智能算法在落地的過程中，將會面對大量不同場景、不同需求的用戶，對算法的通用性提出很高要求；而由于龐大的業務數量和場景種類多樣性使得各行業各場景的云解決方案難度加大，單一的解決方案套路對于用戶定制化需求已不具備優勢。傳統“小作坊模式”AI開發無法積

3、累通用知識，特定的數據無法滿足AI快速落地行業的需求。因此，以模型預訓練和微調相結合的預訓練大模型能夠解決解決AI模型通用與泛化的問題，同時降低人工智能算法的開發成本，真正惠及細分行業。l 華為華為鴻蒙鴻蒙4 4操作系統接入盤古大模型，智能助手小藝基于大模型全面升級。操作系統接入盤古大模型，智能助手小藝基于大模型全面升級。2023年8月4日，華為發布鴻蒙4操作系統，其更新點之一在于融入了華為盤古大模型的能力，變得更加智能。華為盤古大模型，包括自然語言大模型、視覺大模型、多模態大模型，將會助力鴻蒙操作系統和鴻蒙生態。HarmonyOS 4新版本中的華為智慧助手小藝已經接入了盤古大模型，多模態交互

4、以及個性化創作兩大能力全面提升，可以實現更自然流暢的對話交互，擁有信息檢索、摘要生成、多語種翻譯等能力。l 盤古大模型盤古大模型3.03.0是中國首個全棧自主的是中國首個全棧自主的AIAI大模型，包括大模型，包括“5+N+X”“5+N+X”三層架構。三層架構。2023年7月7日，面向行業的盤古大模型3.0發布，包含L0層基礎大模型、L1層行業大模型、L2層場景大模型三個層次。其中，基礎大模型包括盤古NLP大模型、盤古CV大模型、盤古多模態大模型、盤古預測大模型、盤古科學計算大模型等，提供滿足行業場景需要的上百種能力；行業大模型包括政務、金融、制造、藥物分子、礦山、鐵路、氣象等大模型；場景大模型

5、為客戶提供的更多細化場景的場景大模型，如政務熱線、網點助手、供應鏈物流、先導藥物篩選、臺風路徑預測等。盤古大模型采用完全的分層解耦設計，可以快速適配、快速滿足行業的多變需求。BXfWpZ8ZoWEZlYuX7NaO6MmOrRmOpMjMnMpPjMmPqRaQoPqQxNqMpRuOqNsQ請務必閱讀正文之后的免責聲明及其項下所有內容華為盤古大模型：讓華為盤古大模型：讓AIAI重塑千行百業重塑千行百業l 盤古大模型集成了華為云團隊在盤古大模型集成了華為云團隊在AIAI領域數十項研究成果，與領域數十項研究成果，與MindSporeMindSpore（昇思）語言、（昇思）語言、ModelArts

6、ModelArts平臺深度結合。平臺深度結合。MindSpore（昇思）是華為開源自研AI框架，2023年MindSpore 2.0版本實現全新技術升級，成為支持科學計算的AI融合框架，在基礎能力上完成AI與HPC的融合，科學計算能力大幅提升。昇思MindSpore目前支持多種并行方式，可以原生實現大模型訓練（類似于ChatGPT所使用的TensorFlow框架，其最大的核心優點就是支持昇騰芯片）。ModelArts是面向開發者的一站式AI開發平臺，幫助用戶快速創建和部署模型，管理全周期AI工作流，助力千行百業智能升級。ModelArts支持應用到圖像分類、物體檢測、視頻分析、語音識別、產品推

7、薦、異常檢測等多種AI應用場景，通過全面的AI工具和服務，為業務智能快速創新賦能。l 產業鏈相關公司：產業鏈相關公司：【服務器】工業富聯、聞泰科技、環旭電子；【PCB】滬電股份、東山精密、鵬鼎控股；【算力】海光信息、寒武紀、全志科技；【存儲】北京君正、兆易創新、深科技、江波龍、國芯科技；【先進封裝】長電科技、通富微電、芯原股份；【AI終端】晶晨股份、瑞芯微。l 風險提示：風險提示：宏觀AI推廣不及預期，AI投資規模低于預期，AI服務器滲透率提升低于預期，AI監管政策收緊等。請務必閱讀正文之后的免責聲明及其項下所有內容盤古大模型簡介0101L0基礎大模型0202L1行業大模型與L2場景大模型03

8、03AI開發框架與開發平臺0404目錄目錄風險提示0505請務必閱讀正文之后的免責聲明及其項下所有內容l 20232023年年8 8月月4 4日，在日，在20232023年華為開發者大會上，華為發布年華為開發者大會上，華為發布鴻蒙鴻蒙4 4操作系統（操作系統（HarmonyOS 4HarmonyOS 4）。華為常務董事、終端事業部CEO余承東在發布會上稱，華為盤古大模型，包括自然語言大模型、視覺大模型、多模態大模型，將會助力鴻蒙操作系統和鴻蒙生態。l 鴻蒙系統于2019年誕生，定位為解決各智能設備間互聯痛點的操作系統、滿足全場景需求的操作系統。自鴻蒙系統首發以來，其已搭載在電視、手機、汽車等諸

9、多終端中。據華為數據，截至截至20232023年年7 7月，進入鴻蒙生態的設備數量已超過月，進入鴻蒙生態的設備數量已超過7 7億臺億臺，已有220萬系統應用開發者投入到鴻蒙生態的開發中。據Counterpoint數據，鴻蒙系統在中國的市場份額已經達到8%，成為Android、iOS之后的第三大手機操作系統。l HarmonyOS 4更新點之一在于融入了華為盤古大模型的能力，變得更加智能。AI大模型技術的發展將會帶來下一代智能終端操作系統的智慧體驗。引言：華為鴻蒙引言：華為鴻蒙4 4操作系統接入盤古大模型操作系統接入盤古大模型圖：圖：鴻蒙生態設備數量已超過鴻蒙生態設備數量已超過7 7億臺億臺資料

10、來源：2023華為開發者大會官網，國信證券經濟研究所整理圖：圖：華為發布華為發布HarmonyOS 4HarmonyOS 4操作系統操作系統資料來源：2023華為開發者大會官網，國信證券經濟研究所整理請務必閱讀正文之后的免責聲明及其項下所有內容l HarmonyOSHarmonyOS 4 4新版本中新版本中的的華為智慧助手小藝華為智慧助手小藝已經接入了盤古大模型，主要體現在已經接入了盤古大模型，主要體現在多模態交互多模態交互以及以及個性化創作個性化創作兩大能力。兩大能力。新升級的小藝可以實現更自然流暢的對話交互，擁有信息檢索、摘要生成、多語種翻譯等能力。l 在多模態交互層面，在多模態交互層面，

11、小藝的交互方式從原先的語音交互增加了文字、圖像以及文件等多種形式的輸入。小藝背后的大模型將會記住這些信息，由此用戶可以通過小藝與這些信息進行“交流”，小藝會基于此幫用戶完成部分任務。l 在個性化創作層面，在個性化創作層面，小藝背后的多模態大模型支持圖像生成（包括文生圖和圖生圖）、圖像編輯以及圖像理解三大能力。用戶可以通過與小藝問答交流來調用模型的AI能力生成與編輯各種風格的照片。（根據官網進度，小藝部分功能將在部分機型通過后續HOTA升級支持。）引言：智能助手小藝基于大模型全面升級引言：智能助手小藝基于大模型全面升級圖：圖：智能助手小藝能力全面提升智能助手小藝能力全面提升資料來源：2023華為

12、開發者大會官網，國信證券經濟研究所整理請務必閱讀正文之后的免責聲明及其項下所有內容一、盤古大模型簡介一、盤古大模型簡介請務必閱讀正文之后的免責聲明及其項下所有內容l 隨著工業生產智能化需求不斷上升，大量傳統行業開始積累領域數據，并尋求人工智能算法以解決生產和研發過程中遇到的重復而冗雜的問題。人工智能算法在落地的過程中，將會面對大量不同場景、不同需求的用戶，對對算法的通用性算法的通用性提出很高要求。提出很高要求。l 近年來，隨著國內云計算市場增速明顯，企業上云明顯提速，客戶的需求逐步從“資源型需求”轉向“智能型需求”及“業務型需求”。龐大的業務數量和場景種類多樣性使得各行業各場景的云解決方案難度

13、加大，單一的解決方案套路單一的解決方案套路對于用戶定制化需求已不具備優勢。對于用戶定制化需求已不具備優勢。傳統封閉作坊式傳統封閉作坊式AIAI開發面臨開發面臨AIAI算法算法“碎片化困境碎片化困境”圖：圖：AIAI進入千行百業所面臨的挑戰進入千行百業所面臨的挑戰資料來源：華為預訓練大模型白皮書，國信證券經濟研究所整理圖：封閉的作坊式圖：封閉的作坊式AIAI開發局限于特定的場景開發局限于特定的場景資料來源：華為預訓練大模型白皮書，國信證券經濟研究所整理l 傳統傳統“小作坊模式小作坊模式”：針對每個場景，獨立地獨立地完成模型選擇、數據處理、模型優化、模型迭代等一系列開發環節。無法積累通用知識，面對

14、不同領域的調試方法有所不同，開發模式比較低效。特定的數據無法滿足AI快速落地行業的需求。當前人工智能領域存在大量專業水平不高的開發者，使得模型的精度、性能、可擴展性等指標難以達到最優。人工智能算法落地的人工智能算法落地的“碎片化困境碎片化困境”。請務必閱讀正文之后的免責聲明及其項下所有內容l 預訓練大模型：預訓練大模型：收集大量圖像、文本等數據，利用無監督或者自監督學習方法將數據中蘊含的知識提取出來，存儲在具有大量參數的神經網絡模型中。遇到特定任務時，只需調用一個通用的流程，就能夠將知識釋放出來，并且與行業經驗結合，解決實際問題。l 預訓練大模型能夠解決在沒有基礎模型支撐的情況下，開發者們必須

15、從頭開始完成收集數據、訓練模型、調試模型、優化部署等一系列操作的問題；同時降低人工智能算法的開發成本，真正惠及細分行業，尤其是中小型企業。預訓練大模型解決預訓練大模型解決AIAI模型通用與泛化的問題模型通用與泛化的問題資料來源：華為預訓練大模型白皮書，國信證券經濟研究所整理圖：預訓練大模型的特征與優勢圖：預訓練大模型的特征與優勢 l 上游（模型預訓練）和下游上游（模型預訓練）和下游（模型微調）兩個階段：（模型微調）兩個階段：上游上游階段階段主要收集大量數據，并且訓練超大規模的神經網絡，從而高效地存儲和理解這些數據。下游階段下游階段則在不同場景中，利用相對較少的數據量和計算量，對模型進行微調，以

16、達成特定的目的。請務必閱讀正文之后的免責聲明及其項下所有內容l 華為云團隊于2020年立項AI大模型，并于2021年4月首次以“盤古預訓練大模型”（簡稱“盤古大模型”）的名稱對外發布。盤古大模型盤古大模型集成了華為云團隊在AI領域數十項研究成果，并且受益于華為的全棧式AI解決方案，與昇騰（Ascend）芯片、昇思（MindSpore）語言、ModelArts平臺深度結合。盤古大模型：中國首個全棧自主的盤古大模型：中國首個全棧自主的AIAI大模型大模型圖：圖：盤古大模型盤古大模型3.03.0架構圖架構圖資料來源：華為云官網，國信證券經濟研究所整理l 20232023年年7 7月月7 7日，在日，

17、在20232023華為開發者大會上，面向行業的華為開發者大會上，面向行業的盤盤古大模型古大模型3.03.0發布發布，是中國首個全棧自主的，是中國首個全棧自主的AIAI大模型，包括大模型，包括“5+N+X”“5+N+X”三層架構，三層架構，分別對應L0層的5個基礎大模型、L1層的N個行業通用大模型、以及L2層可以讓用戶自主訓練的更多細化場景模型。其采用完全的分層解耦設計，企業用戶可以基于自己的業務需要選擇適合的大模型開發、升級或精調，從而適配千行百業多變的需求。l 盤古大模型在商業落地走在前列：盤古大模型在商業落地走在前列：盤古+工作流實現低算力、低門檻、邊學邊用的使用模式；結合ModelArt

18、s和智能體工作流能力，實現輕量化交付；借助華為已有行業基礎，構筑行業大模型。請務必閱讀正文之后的免責聲明及其項下所有內容二、二、L0L0基礎大模型基礎大模型請務必閱讀正文之后的免責聲明及其項下所有內容l 盤古大模型盤古大模型3.03.0的的L0L0層層由5個基礎大模型組成，包括盤古NLP（Natural Language Processing，自然語言處理）大模型、盤古CV（Computer Vision，計算機視覺）大模型、盤古多模態大模型、盤古預測大模型、盤古科學計算大模型等。l 盤古大模型盤古大模型L0L0層賦予上百種能力，層賦予上百種能力，涵蓋問答、生成、理解、代碼、視覺、預測、科學計

19、算、高階等方面，覆蓋廣泛應用領域。盤古大模型盤古大模型3.03.0為客戶提供為客戶提供100100億、億、380380億、億、710710億和億和10001000億參數億參數的系列化基礎大模型的系列化基礎大模型，能夠匹配客戶不同場景、不同時延、不同響應速度的行業多樣化需求。盤古基礎大模型：提供滿足行業場景需要的上百種能力盤古基礎大模型：提供滿足行業場景需要的上百種能力圖：圖：盤古大模型盤古大模型3.03.0架構圖架構圖資料來源：華為云官網，國信證券經濟研究所整理圖：盤古大模型圖：盤古大模型L0L0層賦予上百種能力層賦予上百種能力資料來源：華為云官網，國信證券經濟研究所整理請務必閱讀正文之后的免

20、責聲明及其項下所有內容l 盤古盤古NLPNLP大模型大模型是業界首個超千億參數的中文預訓練大模型，利用大數據預訓練、對多源豐富知識相結合，并通過持續學習吸收海量文本數據，不斷提升模型的效果。在實現行業知識檢索回答、文案生成、閱讀理解等基礎功能的同時，具備代碼生成、插件調用、模型調用等高階特性，在智能客服、創意營銷、會議助手、代碼助手、企業信息搜索等多個典型場景，提供AI技術支撐。盤古盤古NLPNLP大模型：大模型：業界首個超千億參數的中文預訓練大模型業界首個超千億參數的中文預訓練大模型圖：盤古圖：盤古NLPNLP大模型功能介紹大模型功能介紹資料來源：華為云官網，國信證券經濟研究所整理圖：盤古圖

21、：盤古NLPNLP大模型應用場景大模型應用場景資料來源：華為云官網，國信證券經濟研究所整理智慧教育助手智慧教育助手行業內容生成行業內容生成行業知識理解行業知識理解智能協同辦公智能協同辦公行業數據分析行業數據分析1.單輪問答：單輪問答：歷史、地理、科學、技術、文化等通用常識問答2.多輪對話：多輪對話：根據用戶提供的上下文信息進行邏輯推理和判斷，自然流暢對話3.角色扮演：角色扮演：以職位、著名IP、客服等口吻回答用戶問題4.數學能力：數學能力：具備基礎的運算能力1.文案生成：文案生成：根據行業需求完成營銷文案、公關稿件、公文、股評等創作型任務2.要點生成：要點生成：根據行業屬性自動搜索和分析相關內

22、容，生成要點3.表格生成：表格生成：根據行業需求將字段以圖表的形式返回呈現1.開卷問答：開卷問答：針對標準發文內容進行閱讀理解和問答2.文本摘要：文本摘要：針對快訊、財經新聞、會議內容等生成簡明摘要3.信息抽?。盒畔⒊槿。横槍r間、地點、人物等通用實體及工單要素等信息抽取1、代碼生成：、代碼生成：根據用戶描述或示例，自動生成相應代碼2、代碼修改：、代碼修改：根據用戶描述或示例，自動修改相應的代碼，并對代碼進行檢查和優化3、代碼理解：、代碼理解：根據用戶給定代碼，輸出代碼的用途和實現方案對行業結構化數據進行多維度分析，通過數據清洗、數據轉換、數據構建進行數理邏輯推算，輸出結果，深度挖掘數據規律和

23、背后趨勢，更好實現智能決策。政企知識檢索政企知識檢索智能創意營銷智能創意營銷行業研發助手行業研發助手基于政企知識進行模型訓練，通過對話交互，精準獲取用戶需求的信息，提高知識獲取效率，帶來有溫度的人工智能服務體驗。輕松完成多種風格類型的寫作，提供創意的商業文案，幫助產品吸引更多的潛在客戶，釋放無窮創作活力?；跇I務編程需求生成、補全C+、Java、pytho等編程語言，及各種編程語言的轉換，幫助程序員大幅提升研發效率。l 具備具備海量數據集、推理能力優、多任務促進、多模型調優、多插件補齊、全場景覆蓋海量數據集、推理能力優、多任務促進、多模型調優、多插件補齊、全場景覆蓋等優勢。等優勢。海量數據集：

24、海量數據集：通過對中文詞匯、語法、語義等特征的深度分析，持續優化基礎模型,打造業界最強中文理解/生成能力。推理能力優：推理能力優：盤古NLP大模型采用文本+代碼融合訓練的方式,不僅需要從文本中提取信息,還需要理解代碼的語義和邏輯及與文本之間的關系，提升思維鏈推理能力。多任務促進：多任務促進：不同任務間具備強大的遷移能力，它所掌握的知識和技能可以輕松地轉移到其他相關任務中，幫助模型更快地學習新任務，循環促進優化。多模型調優：多模型調優：支持在不同領域任務中分別使用小模型進行特定領域的訓練和優化，提高模型的使用效率和準確性，優質完成多領域任務。多插件補齊：多插件補齊：LLM成為連接應用生態的中樞，

25、支持如知識圖譜，搜索，符號引擎等，補足機制性缺陷，提高盤古NLP大模型整體性能。全場景覆蓋：全場景覆蓋：支持行業知識問答，文案創作等多項能力，覆蓋政務、金融、電商、能源等領域，低使用門檻助力多場景AI應用落地。請務必閱讀正文之后的免責聲明及其項下所有內容l 數據收集：數據收集：文本部分從互聯網公開爬取40TB原始網頁數據，并且進行解析和清洗，最終得到約最終得到約647GB647GB文本數據文本數據（百科知識約（百科知識約270GB270GB、新聞博客約、新聞博客約200GB200GB、文學作品約文學作品約106GB106GB、社交媒體約、社交媒體約71GB71GB）。）。語音部分從互聯網公開爬

26、取超過超過7 7萬萬小時普通話音頻數據，并將其轉換為小時普通話音頻數據，并將其轉換為音頻文件，共計約音頻文件，共計約11TB11TB；視頻來源包括新聞播報、影視劇、綜藝節目、動畫等。盤古盤古NLPNLP大模型：大模型：語義模型在中文理解類榜單上獲得第一名語義模型在中文理解類榜單上獲得第一名圖：盤古圖：盤古NLPNLP大模型多任務融合訓練策略示意圖大模型多任務融合訓練策略示意圖資料來源：華為預訓練大模型白皮書，國信證券經濟研究所整理圖：盤古圖：盤古NLPNLP大模型典型自然語言理解任務示意圖大模型典型自然語言理解任務示意圖資料來源：華為預訓練大模型白皮書，國信證券經濟研究所整理l 模型效果：模型

27、效果：語義模型作為業界首個千億中文大模型，發布時（2021年5月）在中文理解類榜單在中文理解類榜單CLUECLUE上獲得第一名；上獲得第一名；生成類任務在 NLPCC2018文本摘要任務上取得了業界最佳成績，超越第二名取得了業界最佳成績，超越第二名60%60%。語音模型是當前最大的中文語音模型之一，擁有超過4億參數，在自有數據上相比于基線模型字符錯誤率相對降低10%。l 預訓練方法：預訓練方法：語義部分語義部分使用基于Transformer結構的編碼-解碼器模型神經網絡，編碼器負責文本理解，解碼器負責文本生成。語音部分語音部分用卷積與Transformer結合的網絡結構，底層用卷積神經網絡提取

28、局部信息，上層用Transformer網絡提取全局信息。請務必閱讀正文之后的免責聲明及其項下所有內容l 鵬程鵬程盤古模型盤古模型是以鵬城實驗室為首的聯合團隊在基于昇騰910芯片的E級智能算力平臺（鵬城云腦II）上訓練的全球首個全開源全球首個全開源20002000億參數億參數的自回歸中文預訓練語言大模型。鵬程盤古模型基于基于1.1TB1.1TB高質量中文訓練數據高質量中文訓練數據，采用全場景人工智能計算框架MindSpore自動并行技術實現了五維并行訓練策略，從而可將訓練任務高效擴展到4096個處理器上。l 對比實驗表明，在少樣本或零樣本情況下，鵬程盤古模型在多個中文自然語言理解或生成任務上都具

29、有較優的性能，例如鵬程鵬程盤古盤古2.6B2.6B模型在模型在生成任務生成任務方面比方面比CPMCPM 2.6B2.6B模型模型平均高出平均高出6 6個百分點個百分點。同時，實驗表明更大規模的預訓練模型的性能通常能在小樣本學習任務上取得提升，例如鵬程鵬程盤古盤古13B13B模型在模型在1616個下游任務個下游任務中的表現比鵬程中的表現比鵬程盤古盤古2.6B2.6B模型模型高出近高出近3 3個百分點個百分點。在此基礎上，鵬程盤古模型在大模型壓縮、提示微調學習、多任務學習以及持續學習等方面也取得了很好的應用效果。補充：補充：“鵬程鵬程盤古盤古”大規模自回歸中文預訓練語言模型大規模自回歸中文預訓練語

30、言模型圖：鵬程圖：鵬程盤古模型結構盤古模型結構資料來源：曾煒，蘇騰，王暉，田永鴻，高文鵬程盤古：大規模自回歸中文預訓練語言模型及應用，國信證券經濟研究所整理圖：圖：鵬程鵬程盤古模型訓練數據處理流程及盤古模型訓練數據處理流程及1.1TB1.1TB中文語料數據組成中文語料數據組成圖：圖：鵬程鵬程盤古模型參數規模及訓練效果盤古模型參數規模及訓練效果請務必閱讀正文之后的免責聲明及其項下所有內容l 盤古盤古CVCV大模型大模型基于海量圖像、視頻數據和盤古獨特技術構筑的視覺基礎模型，賦能行業客戶利用少量場景數據對模型微調即可實現特定場景任務。在物體檢測、圖像分類、語義分割、萬物檢測、萬物分割等多個典型場景

31、，提供AI技術支撐。盤古盤古CVCV大模型：助力圖像視頻分類檢測等視覺場景大模型：助力圖像視頻分類檢測等視覺場景圖：盤古圖：盤古CVCV大模型應用場景大模型應用場景圖：盤古圖：盤古CVCV大模型功能介紹大模型功能介紹資料來源：華為云官網，國信證券經濟研究所整理基礎模型基礎模型萬物檢測萬物檢測萬物分割萬物分割支持圖像分類、物體檢測、實例分割、姿態估計等近10種微調任務，覆蓋大部分視覺感知場景?？筛鶕崾緦D片中的目標進行檢測，解決場景碎片化問題，無需提供訓練數據?？筛鶕崾緦D片中的目標進行分割，常在輔助標注、AIGC等場景應用。資料來源：華為云官網，國信證券經濟研究所整理工業生產工業生產設備巡

32、檢設備巡檢智慧城市智慧城市匯聚行業數據，使用基礎模型構建行業大模型，解決場景碎片化問題，將“作坊式”AI開發轉變為“工業化”生產。使用基礎模型結合行業知識，解決設備巡檢場景訓練樣本少、故障種類多、目標尺度差異大等挑戰。利用萬物檢測、萬物分割滿足智慧城市海量長尾需求，通過語言交互方式高效發現城市事件。l 具備具備更高的準確率、更好的泛化能力、更廣泛的應用場景、更高的準確率、更好的泛化能力、更廣泛的應用場景、“小樣本、高精度、高效率小樣本、高精度、高效率”等優勢。等優勢。更高的準確率：更高的準確率：視覺大模型可以通過大規模的數據訓練,提高圖像識別的準確率。更好的泛化能力：更好的泛化能力：視覺大模型

33、可以學習到更多的特征,從而提高對未知數據的泛化能力。更廣泛的應用場景：更廣泛的應用場景：開放域的檢測和萬物分割具備更加廣泛的應用場景。小樣本、高精度、高效率：小樣本、高精度、高效率：結合數據檢索及數據增廣技術，相對傳統訓練方式，數據需求減少80%以上；受益于更好的語義對齊效果，在小樣本學習上表現優異，顯著超越對比方法；利用行業模型高效表征及數據篩選能力，數據處理效率提升5倍以上。請務必閱讀正文之后的免責聲明及其項下所有內容l 數據收集：數據收集：通過多種渠道收集圖像數據，包括但不限于公共數據集合下載、自有數據集合擴充、各搜索引擎關鍵字爬取、以圖搜圖、視頻圖像抽幀等，并通過原始數據篩選，最終保留

34、超過保留超過1010億張高質量圖像數據，億張高質量圖像數據，占據約占據約40TB40TB空間?？臻g。l 預訓練方法：預訓練方法：計算機視覺領域最常見的卷積網絡和Transformer架構。利用自動機器學習算法，能夠支持并調用不同大小的神經網絡，其中最大的計算模型具有接近30億參數，最小的模型只有數十萬參數，其大小相差超過1000倍，為適配不同的視覺任務提供了可能性。盤古盤古CVCV大模型：性能表現優異，具備良好的泛化能力大模型：性能表現優異，具備良好的泛化能力圖：盤古圖：盤古CVCV大模型分類及檢測性能結果比較大模型分類及檢測性能結果比較圖：盤古圖：盤古CVCV大模型預訓練算法示意圖大模型預訓

35、練算法示意圖資料來源：華為預訓練大模型白皮書，國信證券經濟研究所整理資料來源：華為預訓練大模型白皮書，國信證券經濟研究所整理l 模型效果：模型效果：盤古CV大模型在ImageNet數據集的線性分類評估上，首次達到了與全監督相比擬的結果。在小樣本學習上表現優異：使用使用ImageNetImageNet上上1%1%和和10%10%的標簽訓練，模型達到了的標簽訓練，模型達到了66.7%66.7%和和75.1%75.1%的分類精度，均顯著超越對比方法。的分類精度，均顯著超越對比方法。以此方法為基礎設計了具有10億參數量的基礎模型，并在超過10億張無標注圖像組成的數據集上進行預訓練，所得到的模型在在Im

36、ageNetImageNet上達到了上達到了88.7%88.7%的分的分類精度，而類精度，而1%1%標簽的半監督學習精度也達到標簽的半監督學習精度也達到83.0%83.0%。請務必閱讀正文之后的免責聲明及其項下所有內容l 盤古多模態大模型盤古多模態大模型融合語言和視覺跨模態信息，實現圖像生成、圖像理解、3D生成和視頻生成等應用，面向產業智能化轉型提供跨模態能力底座。在以文生圖、以圖生圖、圖像理解、圖像編輯、以文生3D、以圖生3D等多個典型場景，提供AI技術支撐。盤古多模態盤古多模態大模型：提供跨模態圖文理解與生成能力大模型：提供跨模態圖文理解與生成能力圖：盤古多模態大模型圖：盤古多模態大模型應

37、用場景應用場景資料來源：華為云官網，國信證券經濟研究所整理圖：盤古多模態大模型功能介紹圖：盤古多模態大模型功能介紹資料來源：華為云官網，國信證券經濟研究所整理圖像生成圖像生成圖像理解圖像理解3D生成生成視頻生成視頻生成利用大數據和深度學習，將靈感轉化為高質量圖片,重塑視覺藝術形態。深度解構圖像色彩、形狀和紋理等，解讀圖像中隱藏的意義和情感?？焖贅嫿ㄈS模型,打破平面的束縛,開創立體的視界。加速視頻創作，豐富感官體驗，搭建創意的平臺和跨越時空的旅行。平面設計平面設計游戲開發游戲開發影視制作影視制作電商營銷電商營銷面向行業提供廣告設計、產品設計、電商/模特圖、頭像設計、插畫設計等技術。面向行業提供

38、角色創作、原畫設計、3D素材生成、手辦創作、風格轉換等技術。面向行業提供分鏡創作、IP角色設計、短視頻生成、場景生成、視頻編輯等技術。面向行業提供產品設計、品類包裝、要素識別、素材生成、廣告營銷等技術。l 具備具備原生支持中文、精準語義理解、更具自然美感、更強泛化原生支持中文、精準語義理解、更具自然美感、更強泛化性、全棧自主可控、支持二次訓練性、全棧自主可控、支持二次訓練等優勢。等優勢。原生支持中文：原生支持中文：億級中文圖文對,百萬中文關鍵詞,更好的中文理解能力。精準語義理解：精準語義理解：精準圖文描述,對齊語義理解,智能語境識別。更具自然美感：更具自然美感：多模態多尺度訓練,逼近自然美感,

39、更驚艷的生成內容。更強泛化性：更強泛化性：強大泛化能力，適應各種復雜的應用場景和用戶需求。全棧自主可控：全棧自主可控：全棧自主可控，基于昇騰云服務，技術完全自主可控。支持二次訓練：支持二次訓練：支持行業客戶二次訓練專屬模型，打造大模型體驗。請務必閱讀正文之后的免責聲明及其項下所有內容l 數據收集：數據收集：從互聯網中爬取大量數據并進行過濾處理，最終得到約約3.53.5億億高質量的圖文配對數據，占據約高質量的圖文配對數據，占據約60TB60TB存儲空間。存儲空間。l 預訓練方法：預訓練方法：主流的多模態大模型架構主要分為單塔架構和雙塔架構，模型采用雙塔結構，利用不同的神經網絡完成不同模態的信息抽

40、取，僅在最后一層做信息交互和融合，屬于信息后融合方案。盤古多模態大模型盤古多模態大模型：各項下游任務取得業界領先水平：各項下游任務取得業界領先水平圖：圖：盤古多模態大模型盤古多模態大模型算法示意圖算法示意圖資料來源：華為預訓練大模型白皮書，國信證券經濟研究所整理圖：圖：盤古多模態大模型開放域物體檢測和視覺定位任務效果圖盤古多模態大模型開放域物體檢測和視覺定位任務效果圖資料來源：華為預訓練大模型白皮書，國信證券經濟研究所整理l 模型效果：模型效果：模型在多模態的各項下游任務，如跨模態檢索、圖像描述自動生成、視覺定位等任務上均取得了業界領先水平。采用LOUPE算法預訓練所得的模型，在跨模態檢索數據

41、集Flicker30k以及MS-COCO上取得了當前業界最佳的圖文檢索精度，其中在其中在MS-COCOMS-COCO的的以文搜圖任務上以文搜圖任務上超過業界標桿算法超過業界標桿算法CLIPCLIP達達12.3%12.3%。請務必閱讀正文之后的免責聲明及其項下所有內容l 盤古預測大模型盤古預測大模型是面向結構化類數據，基于10類2000個基模型空間，通過模型推薦、融合兩步優化策略，構建圖網絡架構AI模型。在回歸預測、分類、異常檢測、時序預測、融合神經網絡模型等多個典型場景，提供AI技術支撐。盤古預測盤古預測大模型：統一大模型在通用數據域上的構造方案大模型：統一大模型在通用數據域上的構造方案圖：盤

42、古預測大模型圖：盤古預測大模型應用場景應用場景資料來源：華為云官網，國信證券經濟研究所整理圖：盤古預測大模型功能介紹圖：盤古預測大模型功能介紹資料來源：華為云官網，國信證券經濟研究所整理回歸預測回歸預測分類預測分類預測時間序列預測時間序列預測異常檢測異常檢測用于連續值預測，可自動進行任務理解，分析選擇最適合的回歸模型集合，并融合多個模型來提升回歸預測精度?；诨Ｐ瓦x取+融合架構，集成多種數據預處理方式。用于離散值的預測，如：不同類別或標簽；基于任務理解和模型選擇推薦能力，可自動選擇多個分類模型并基于動態圖算法進行融合，來提升預測性能。通過Transformer推薦模塊選取合適的分類基模型的集

43、合提升精度。利用過去數據預測未來趨勢；可基于時間維度進行自動任務理解和輔助特征工程，來提升時間序列類任務的精度。結合純時序方法和窗口方法的輸出結果，支持多步輸入/輸出。用于預測數據集中的異常數據點；可通過學習正常數據的特征分布規律來建立基準模型，可融合多個基準模型提升預測精度并減少誤報和漏報的情況。工藝指標預測工藝指標預測銷售預測銷售預測財務異常檢測財務異常檢測工業生產過程工藝指標的預測，例如水泥回轉窯質量預測、煤礦洗選煤精煤灰分預測。結合歷史銷量、商品信息、時間特征等進行商品級別的銷量預測；支持不同門店，多種商品的銷量實時預測。根據企業的財務數據和相關信息進行分析，挖掘潛在的財務風險。l 具

44、備具備大規模數據預訓練、融合智能決策、基于數據元特征的任務理解、自適應基模型搜索推薦、動態圖驅動的模型融合大規模數據預訓練、融合智能決策、基于數據元特征的任務理解、自適應基模型搜索推薦、動態圖驅動的模型融合等優勢。等優勢。大規模數據預訓練：大規模數據預訓練：自動化通用數據預處理、并行基模型性能矩陣構建、元特征構架、高速計算梯度等技術，自動匹配最優基模型，優化模型組合與推薦。融合智能決策：融合智能決策：基于預測模型及其結果,聯合天籌求解優化算法，構建預測+決策解決方案，實現生產工藝優化、供應鏈調度優化等場景的最優參數控制?；跀祿卣鞯娜蝿绽斫猓夯跀祿卣鞯娜蝿绽斫猓和ㄟ^對數據元特征進行建

45、模，得到更準確和全面的數據信息，進一步優化解決方案，提高模型能力。自適應基模型搜索推薦：自適應基模型搜索推薦：基于下游任務數據集的元特征，可通過預訓練的搜索推薦模型，得到更適配的預處理方式和基模型集合。動態圖驅動的模型融合：動態圖驅動的模型融合：通過動態圖對選擇的基模型輸出結果進行融合，得到基模型的最佳融合方式，進一步提升任務性能。請務必閱讀正文之后的免責聲明及其項下所有內容l 盤古科學計算大模型盤古科學計算大模型是面向氣象、醫藥、水務、機械、航天航空等領域，采用AI數據建模和AI方程求解的方法；從海量的數據中提取出數理規律，使用神經網絡編碼微分方程；使用AI模型更快更準的解決科學計算問題。在

46、氣象預測、藥物分子等多個典型場景，提供AI技術支撐。盤古科學計算大模型：以嵌入科學方程的深度神經網絡解決科學問題盤古科學計算大模型：以嵌入科學方程的深度神經網絡解決科學問題圖：盤古科學計算大模型圖：盤古科學計算大模型應用場景應用場景資料來源：華為云官網，國信證券經濟研究所整理圖：盤古科學計算大模型功能介紹圖：盤古科學計算大模型功能介紹資料來源：華為云官網，國信證券經濟研究所整理盤古氣象大模型盤古氣象大模型盤古藥物分子大模型盤古藥物分子大模型首個精度超過傳統數值預報方法的AI方法，1小時-7天預測精度均高于傳統數值方法（歐洲氣象中心的operational IFS）。預測包括位勢、濕度、風速、溫

47、度等；水平空間分辨率達到0.25X0.25，時間分辨率為1小時，覆蓋13層垂直高度，可以精準地預測細粒度氣象特征。賦能藥物研發的全鏈條任務,旨在幫助醫藥企業機構顯著提升藥物研發的效率。囊括了大規模藥物虛擬篩選、分子動力學模擬等傳統CADD藥物研發軟件;基于AIDD的蛋白質結構預測、分子屬性預測等服務。助力新靶標藥物的發現，讓醫藥公司搭乘AI輔助藥物研發的“快車”。中長期天氣預報中長期天氣預報海浪預測海浪預測基于基于AI的藥物分子生成的藥物分子生成l 盤古氣象大模型具備盤古氣象大模型具備3D3D高分辨率高分辨率AIAI氣象預報氣象預報的優勢。的優勢。3D3D高分辨率高分辨率AIAI氣象預報：氣象

48、預報：使用3D Earth-Specific Transformer為基本框架，對輸入的1314407215的高空變量和14407214的地表變量進行關聯訓練，精準識別大氣中不同高度的氣象特征和相互作用關系。l 盤古藥物分子大模型具備盤古藥物分子大模型具備基于大模型的藥物分子生成優化、高精度秒級藥物分子屬性預測基于大模型的藥物分子生成優化、高精度秒級藥物分子屬性預測等優勢。等優勢?；诖竽Ｐ偷乃幬锓肿由蓛灮夯诖竽Ｐ偷乃幬锓肿由蓛灮夯诒P古藥物分子大模型，以參考化合物為起點，支持80+種屬性限制約束，從參考化合物到改造化合物的類藥性質一覽無余,更方便地迭代優化,得到性質更優、結構新穎的

49、化合物。高精度秒級藥物分子屬性預測：高精度秒級藥物分子屬性預測：基于盤古藥物分子大模型，在秒級內完成化合物的ADMET相關的80多種成藥性質的預測以及藥物可合成性的分數評估,以雷達圖的方式直觀展示，更好地輔助藥物分子設計。請務必閱讀正文之后的免責聲明及其項下所有內容l 數據收集：分為數據收集：分為觀測數據觀測數據和和仿真數據仿真數據兩類。觀測數據兩類。觀測數據由觀測工具（如游標卡尺、雷達、傳感器等）產生，仿真數據仿真數據由仿真算法（對應人類知識）產生，這兩類數據及其融合數據和機理知識均可以作為AI模型的學習對象。盤古科學計算大模型：盤古科學計算大模型：海浪預測任務預測平均誤差小于海浪預測任務預

50、測平均誤差小于5cm5cm圖：海浪預測問題使用的偏微分方程及嵌入偏微分方程的神經網絡示意圖圖：海浪預測問題使用的偏微分方程及嵌入偏微分方程的神經網絡示意圖資料來源：華為預訓練大模型白皮書，國信證券經濟研究所整理圖：圖：海浪預測模型預測結果示意圖海浪預測模型預測結果示意圖資料來源：華為預訓練大模型白皮書，國信證券經濟研究所整理l 模型效果：模型效果：以海浪預測任務為例，通過爬取全球近10年的實時海浪高度數據進行訓練，模型在驗證集上預測的平均誤差小于模型在驗證集上預測的平均誤差小于5cm5cm，與傳統預測方法相當，可以滿足實際應用需求。同時，AI算法的預測時間較傳統方法大幅減少，在單張華為昇騰芯片

51、上，1s之內即可得到全球海浪高度預測，1分鐘內能夠完成超過100次海浪預測任務，推理效推理效率較傳統方法提升了率較傳統方法提升了4-54-5個數量級。個數量級。l 模型構建：模型構建：以海浪預測任務為例，其目標為預測全球范圍內海平面的實時浪高，輸入和輸出數據均為帶有時間戳的二維球面數據二維球面數據，因此適合使用二維網絡模型二維網絡模型。以進行全球范圍內的氣象預測為例，輸入和輸出均為帶有時間戳的三維數據三維數據（包括高度），因此適合使用三維三維網絡模型網絡模型。二維網絡和三維網絡均可使用卷積神經網絡或者視覺Transformer作為骨干架構，配合大數據進行預訓練。請務必閱讀正文之后的免責聲明及其

52、項下所有內容三、三、L1L1行業大模型與行業大模型與L2L2場景大模型場景大模型請務必閱讀正文之后的免責聲明及其項下所有內容l 盤古大模型盤古大模型3.03.0的的L1L1層由層由N N個行業大模型組成，個行業大模型組成，包括政務、金融、制造、藥物分子、礦山、鐵路、氣象等大模型。除提供以上使用行業公開數據訓練的行業通用大模型外，還可以基于客戶自有數據，在L0和L1層上訓練專有大模型。l L2L2層是為客戶提供的更多層是為客戶提供的更多細化場景細化場景的場景大模型，的場景大模型，如政務熱線、網點助手、供應鏈物流、先導藥物篩選、臺風路徑預測等，為客戶提供“開箱即用”的模型服務。l 盤古大模型采用完

53、全的盤古大模型采用完全的分層解耦設計分層解耦設計，可以快速適配、快速滿足行業的多變需求。，可以快速適配、快速滿足行業的多變需求。根據客戶不同的數據安全與合規訴求，盤古大模型還提供了公用云、大模型云專區、混合云多樣化的部署形態。盤古行業大模型與場景大模型：提供專屬行業與場景的大模型盤古行業大模型與場景大模型：提供專屬行業與場景的大模型圖：圖：盤古大模型盤古大模型3.03.0架構圖架構圖資料來源：華為云官網，國信證券經濟研究所整理請務必閱讀正文之后的免責聲明及其項下所有內容l 20232023年年7 7月月6 6日，國際頂級學術期刊自然日，國際頂級學術期刊自然（NatureNature）雜志正刊發

54、表了華為云盤古雜志正刊發表了華為云盤古大模型研發團隊研究成果大模型研發團隊研究成果三維神經網絡用于精準中期全球天氣預報（Accurate medium-range global weather forecasting with 3D neural networks），是近年來中國科技公司首篇作為唯一署名單位發表的自然正刊論文。l 論文提出了適應地球坐標系統的三維神經網絡（3D Earth-Specific Transformer）來處理復雜的不均勻3D氣象數據，并且使用層次化時域聚合策略來減少預報迭代次數，從而減少迭代誤差。華為云盤古氣象大模型是華為云盤古氣象大模型是首個精度超過傳統數值預報方

55、法首個精度超過傳統數值預報方法的的AIAI模模型，速度相比傳統數值預報型，速度相比傳統數值預報提速提速1000010000倍以上倍以上。通過在43年的全球天氣數據上訓練深度神經網絡，盤古氣象大模型在精度和速度方面均超越傳統數值預測方法。盤古氣象大模型：盤古氣象大模型：NatureNature發文發文，精度與速度超越傳統數值預報，精度與速度超越傳統數值預報圖：盤古氣象大模型研究成果在圖：盤古氣象大模型研究成果在NatureNature正刊發表正刊發表資料來源：華為云官網，國信證券經濟研究所整理圖：盤古氣象大模型性能效果圖：盤古氣象大模型性能效果資料來源：華為云官網，國信證券經濟研究所整理l 盤古

56、氣象大模型能夠提供全球氣象秒級預報，其氣象預測結果包括位勢、濕度、風速、溫度、海平面氣壓等，可以直接應用于多個氣象研究細分場景，在在歐洲中期預報中心歐洲中期預報中心和和中央氣象臺中央氣象臺等實測中均表現了其預測的優越性。等實測中均表現了其預測的優越性。請務必閱讀正文之后的免責聲明及其項下所有內容l 20212021年年9 9月月2323日，華為在全聯接大會日，華為在全聯接大會20212021上發布了華為云盤古藥物分子大上發布了華為云盤古藥物分子大模型。模型。該模型由華為云深度聯合中國科學院上海藥物研究所共同訓練，是專門面向藥物研發領域推出的預訓練大模型，旨在幫助醫藥公司開啟AI輔助藥物研發的新

57、模式。盤古藥物分子大模型：開啟盤古藥物分子大模型：開啟AIAI藥物研發新模式藥物研發新模式圖：盤古藥物分子大模型樣例圖：盤古藥物分子大模型樣例資料來源：華為云官網，國信證券經濟研究所整理圖：盤古藥物分子大模型特征圖：盤古藥物分子大模型特征資料來源：華為云官網，國信證券經濟研究所整理l 盤古藥物分子大模型首次采用“圖-序列不對稱條件變分自編碼器”架構，能夠自動找出化合物關鍵的分子特征指紋，極大地提升了下游任務的準確性。模型學習了市面上真實存在的17億個已知的藥物分子的化學結構進行預訓練，在化學無監督學習模式下，實現實現結構重構率、合法性、唯一性結構重構率、合法性、唯一性等指標全面優等指標全面優于

58、現有方法。于現有方法。l 盤古藥物分子大模型提出了針對化合物表征學習的全新深度學習網絡架構，支持蛋白質與化合物相互作用預測、86種分子屬性預測、分子生成、分子優化等功能，生成了生成了1 1億億全新的小分子化合物全新的小分子化合物數據庫，結構新穎性達到了數據庫，結構新穎性達到了99.99.68%68%，并且可以有效地生成理化性質相似的新化合物，為發現新藥創造可能性。請務必閱讀正文之后的免責聲明及其項下所有內容l 20232023年年9 9月月2020日，華為在全聯接大會日，華為在全聯接大會20232023上發起上發起“華為盤古政務大模型聯合華為盤古政務大模型聯合創新行動創新行動”，以“賦能政務和

59、城市數字化向智能化升級”為共同目標，重點推進大模型在政務服務、政務辦公、城市治理等場景的聯合創新方案開發，并推進各級地方政府的“十四五”規劃和數字政府、數字經濟、數字社會建設規劃等實踐與落地。l 盤古政務大模型致力于打造城市AI算力基礎設施，賦能城市智能化升級，帶動數字經濟快速增長，實現高效政務辦公，便捷政務服務，精準城市治理。盤古政務大模型：盤古政務大模型：賦能政務和城市數字化向智能化升級賦能政務和城市數字化向智能化升級圖：華為盤古政務大模型聯合創新行動發布圖：華為盤古政務大模型聯合創新行動發布資料來源：華為官網，國信證券經濟研究所整理圖：盤古政務大模型應用于福田政務助手小福示例圖：盤古政務

60、大模型應用于福田政務助手小福示例資料來源：華為云官網，國信證券經濟研究所整理l 華為聯合華為聯合深圳市福田區深圳市福田區政務局上線了基于盤古政務政務局上線了基于盤古政務大模型的福田政務智慧助手大模型的福田政務智慧助手小福小福。依托大模型建設輔助辦文、智能校對、自動生成摘要、輔助批示、智慧督辦等應用，助力政務數字化轉型；在城市數字化領域，利用視覺（CV）大模型提供城市事件智能發現能力，全面覆蓋城市治理自動化事件上報場景，精準識別事件并智能上報、自動工單分派。請務必閱讀正文之后的免責聲明及其項下所有內容l 20232023年年7 7月月1818日，日，山東能源集團、華為、云鼎科技山東能源集團、華為

61、、云鼎科技聯手發布全球首聯手發布全球首個商用于能源行業的個商用于能源行業的AIAI大模型大模型盤古礦山大模型。盤古礦山大模型。盤古礦山大模型致力于解決人工智能在礦山領域落地難的問題，引領礦山AI開發模式從作坊式向工廠式轉變，為AI大規模進入礦山打下堅實基礎。盤古礦山大模型致力于讓更多煤礦工人在地面上作業，在增加其工作環境舒適度的同時，可以極大程度減少安全事故。l 盤古礦山大模型基于盤古礦山大模型基于ModelArtsModelArts構建，構建，提供端到端AI生產線能力和高性能AI算力，大模型推理效率提升30%+，讓每個煤礦每年平均多產出2000噸精煤。盤古礦山大模型：提升煤礦工程效率，極大減

62、少安全事故盤古礦山大模型：提升煤礦工程效率，極大減少安全事故圖：礦山大模型應用實例圖：礦山大模型應用實例資料來源：新浪VR，國信證券經濟研究所整理圖：盤古礦山大模型性能效果圖：盤古礦山大模型性能效果資料來源：華為云官網，國信證券經濟研究所整理l 據華為數據，盤古礦山大模型已開發了據華為數據，盤古礦山大模型已開發了2121個場景化應個場景化應用用，覆蓋了，覆蓋了7 7大業務系統大業務系統；已在全國；已在全國8 8個礦井個礦井里規模使用，里規模使用，覆蓋了煤礦的覆蓋了煤礦的綜采、掘進、機電、運輸、通風、洗選綜采、掘進、機電、運輸、通風、洗選等等流程下的流程下的10001000多個多個細分場景。細分

63、場景。此外，通過引入AI大模型視覺識別能力，能夠對卸壓鉆孔施工質量進行智能分析，輔助防沖部門進行防沖卸壓工程規范性驗證，降低了82%的人工審核工作量，并將原本需要3天的防沖卸壓施工監管流程縮短至10分鐘，實現了防沖工程100%驗收率。請務必閱讀正文之后的免責聲明及其項下所有內容l 貨車故障軌邊圖像檢測系統（貨車故障軌邊圖像檢測系統（TFDSTFDS）能夠將電子眼高速拍攝、動態采集到的貨車車底配件和車體側部狀態等4800余張圖像實時傳輸到動態檢車室。傳統的TFDS系統需要動態檢車員及時分析每一張圖片，發現車輛故障隱患，并將故障部位圖片反饋至一線檢車員。盤古鐵路大模型：盤古鐵路大模型：“AIAI檢

64、車檢車”故障識別準確率提升至故障識別準確率提升至99.89%99.89%圖：圖：TFDSTFDS貨車故障檢測系統場景演示示意圖貨車故障檢測系統場景演示示意圖資料來源：華為云官網，國信證券經濟研究所整理圖：基于盤古行業預訓練模型的鐵路圖：基于盤古行業預訓練模型的鐵路TFDSTFDS開發方案開發方案資料來源：華為預訓練大模型白皮書，國信證券經濟研究所整理l 2022年12月，“AI檢車”系統投入試用。經華為盤古大模型“AI訓練”后的TFDS系統，能夠實時分析采集的圖像，自動識別各種不同類型的鐵路貨車故障。通過“AI檢車”結合人工復核方式能夠將作業時長由平均作業時長由平均1717分鐘分鐘減少至減少至

65、1414分鐘分鐘，作業人數由，作業人數由4-54-5人人減少至減少至2-32-3人人，故障識別準確率由，故障識別準確率由98.26%98.26%提高至提高至99.89%99.89%。l 據華為數據，盤古鐵路大模型可以對鐵路上6767種種貨車的貨車的430430多種多種故障進故障進行檢測，故障行檢測，故障檢測檢測漏檢率為漏檢率為0 0，檢測檢測效率提升效率提升2020倍倍。請務必閱讀正文之后的免責聲明及其項下所有內容l 20232023年年9 9月月2121日，華為云在華為全聯接大會日，華為云在華為全聯接大會20232023上正式發布盤古汽車大模型，上正式發布盤古汽車大模型，覆蓋汽車設計、生產、

66、營銷、研發等業務場景，致力于為汽車企業的員工提供專屬的智能助手，以提高工作效率和輕松度。l 盤古汽車大模型可在數字孿生空間生成復雜場景樣本，為乘用車自動駕駛遍歷各種復雜場景，讓自動駕駛學習訓練周期從讓自動駕駛學習訓練周期從2 2周以上周以上縮短縮短到到2 2天內天內；同時能讓無人駕駛重卡在復雜環境下安全高效工作，通過模擬礦區環境揚塵飛揚、上下長坡、大區率轉彎等場景，配合樣本的自動標注，4個月即適配新的重卡車型，大大提升無人重卡的落地效率。l 新疆疆納和內蒙古伊敏露天煤礦使用了華為商專車自動駕駛云服務，可實現可實現6060噸的重卡噸的重卡橫向誤差小于橫向誤差小于0.20.2米米、精準?？空`差小于

67、精準?？空`差小于0.10.1米米。盤古汽車大模型：全面加速車企智能化升級盤古汽車大模型：全面加速車企智能化升級圖：盤古汽車大模型賦能汽車行業圖：盤古汽車大模型賦能汽車行業資料來源：華為云官網，國信證券經濟研究所整理請務必閱讀正文之后的免責聲明及其項下所有內容四、四、AIAI開發框架與開發平臺開發框架與開發平臺請務必閱讀正文之后的免責聲明及其項下所有內容l MindSporeMindSpore（昇思）是華為開源自研（昇思）是華為開源自研AIAI框架?？蚣?。2020年，昇思MindSpore社區實現了業界首個全場景AI框架MindSpore 1.0版本；2021年，推出了MindSpore 1.5

68、版本，開始原生支持大模型的開發；2023年，MindSpore 2.0版本實現全新技術升級，成為支持科學計算的AI融合框架，在基礎能力上完成AI與HPC的融合，科學計算能力大幅提升。AIAI開發框架開發框架MindSporeMindSpore：支持科學計算，賦能科研創新與產業應用：支持科學計算，賦能科研創新與產業應用圖：昇思圖：昇思MindSpore 2.0MindSpore 2.0版本提供一站式大模型訓練、推理一體化能力版本提供一站式大模型訓練、推理一體化能力資料來源：昇思官網，國信證券經濟研究所整理圖：昇思圖：昇思MindSporeMindSpore部分關鍵能力業界領先部分關鍵能力業界領先

69、資料來源：昇思官網，國信證券經濟研究所整理l 昇思昇思MindSpore 2.0MindSpore 2.0版本支持版本支持多維混合自動并行能力多維混合自動并行能力，提供一站式訓練、推理一體化能力，提升訓推性能及可跑模型規模，降低訓練成本，打造大模型最佳訓推平臺。在提升易用性方面，提供了大量開箱即用的模型套件，且支持靈活高效的動靜統一，同時打造AI+科學計算領域套件，突破前沿特性，助力行業技術創新等。l 基于昇思MindSpore，國內外的廠商已經訓練超過22個大模型，參數規模從百億-萬億之間，新增支持LLaMA、Bloom、GLM、GPT等大模型。昇思MindSpore目前支持多種并行方式，可

70、以原生實現大模型訓練，是目前業內大模型訓練的最佳框架之一。是目前業內大模型訓練的最佳框架之一。請務必閱讀正文之后的免責聲明及其項下所有內容l ModelArtsModelArts是面向開發者的一站式是面向開發者的一站式AIAI開發平臺，開發平臺，為機器學習與深度學習提供海量數據預處理及半自動化標注、大規模分布式Training、自動化模型生成，及端-邊-云模型按需部署能力，幫助用戶快速創建和部署模型，管理全周期AI工作流，助力千行百業智能升級。ModelArts構筑全棧全生命周期的模型開發工具鏈，通過全面的AI工具和服務，為業務智能快速創新賦能。AIAI開發平臺開發平臺ModelArtsMod

71、elArts：面向開發者的一站式面向開發者的一站式AIAI開發平臺開發平臺圖：圖：ModelArtsModelArts架構概覽架構概覽資料來源：華為云官網，國信證券經濟研究所整理l ModelArtsModelArts具有具有AIAI高效開發、高效開發、AIAI高效運行、高效運行、AIAI高效遷移高效遷移等優勢。等優勢。AIAI高效開發：高效開發：提供端到端模型生產線，高效開發、調試和調優大模型應用和場景化應用；提供端到端監控工具，智能運營運維。AIAI高效運行：高效運行：提供AI加速套件，支持數據加速、訓練加速和推理加速，支持分布式高效訓練和推理；提供高性價比昇騰算力；支持大規模異構集群及調

72、度管理。AIAI高效遷移：高效遷移：提供全流程云化昇騰遷移工具鏈，支撐用戶AI業務全棧國產化；提供遷移專業服務。l ModelArtsModelArts支持應用到圖像分類、物體檢測、視頻分析、語音識別、產品推薦、異常檢測等多種AI應用場景。請務必閱讀正文之后的免責聲明及其項下所有內容五、風險提示五、風險提示請務必閱讀正文之后的免責聲明及其項下所有內容風險提示風險提示1 1、宏觀、宏觀AIAI應用推廣不及預期。應用推廣不及預期。AI技術在應用推廣的過程可能面臨各種挑戰，比如：（1）AI技術需要更多的時間來研發和調試，而且在應用過程中可能會受到數據質量、資源限制和技術能力等因素的制約；（2）AI技

73、術的實施需要更多的資源和資金支持；（3）市場競爭可能也會影響企業在AI應用推廣方面的表現。因此，投資者應審慎評估相關企業的技術實力、資金實力以及管理能力，相關企業的AI應用存在推廣進度不及預期的風險。2 2、AIAI投資規模低于預期。投資規模低于預期。盡管AI技術在過去幾年中受到廣泛關注，但AI相關領域的企業投資回報并不總是符合預期。部分企業在AI領域可能缺乏足夠的經驗和資源，難以把握市場機會。此外，市場競爭也可能會影響企業的投資力度。因此，存在AI領域投資規模低于預期，導致企業相關業務銷售收入不及預期的風險。3 3、AIAI服務器滲透率提升低于預期。服務器滲透率提升低于預期。雖然AI服務器的

74、應用已經較為廣泛，但AI服務器滲透率提升的速度存在低于預期的風險，這與企業對AI技術的投資意愿有關，也可能與市場需求和技術進展的速度有關。4 4、AIAI監管政策收緊。監管政策收緊。由于AI技術的快速發展和廣泛應用，監管機構可能會加強對AI技術的監管力度。監管機構可能會制定嚴格的AI技術使用規定，以保障人們的隱私和數據安全，這些監管政策可能會對企業的業務模式和發展戰略造成影響。請務必閱讀正文之后的免責聲明及其項下所有內容免責聲明免責聲明分析師承諾分析師承諾作者保證報告所采用的數據均來自合規渠道；分析邏輯基于作者的職業理解，通過合理判斷并得出結論，力求獨立、客觀、公正，結論不受任何第三方的授意或

75、影響；作者在過去、現在或未來未就其研究報告所提供的具體建議或所表述的意見直接或間接收取任何報酬，特此聲明。重要聲明重要聲明本報告由國信證券股份有限公司（已具備中國證監會許可的證券投資咨詢業務資格）制作；報告版權歸國信證券股份有限公司（以下簡稱“我公司”）所有。本報告僅供我公司客戶使用，本公司不會因接收人收到本報告而視其為客戶。未經書面許可，任何機構和個人不得以任何形式使用、復制或傳播。任何有關本報告的摘要或節選都不代表本報告正式完整的觀點，一切須以我公司向客戶發布的本報告完整版本為準。本報告基于已公開的資料或信息撰寫，但我公司不保證該資料及信息的完整性、準確性。本報告所載的信息、資料、建議及推

76、測僅反映我公司于本報告公開發布當日的判斷，在不同時期，我公司可能撰寫并發布與本報告所載資料、建議及推測不一致的報告。我公司不保證本報告所含信息及資料處于最新狀態；我公司可能隨時補充、更新和修訂有關信息及資料，投資者應當自行關注相關更新和修訂內容。我公司或關聯機構可能會持有本報告中所提到的公司所發行的證券并進行交易，還可能為這些公司提供或爭取提供投資銀行、財務顧問或金融產品等相關服務。本公司的資產管理部門、自營部門以及其他投資業務部門可能獨立做出與本報告中意見或建議不一致的投資決策。本報告僅供參考之用，不構成出售或購買證券或其他投資標的要約或邀請。在任何情況下，本報告中的信息和意見均不構成對任何

77、個人的投資建議。任何形式的分享證券投資收益或者分擔證券投資損失的書面或口頭承諾均為無效。投資者應結合自己的投資目標和財務狀況自行判斷是否采用本報告所載內容和信息并自行承擔風險，我公司及雇員對投資者使用本報告及其內容而造成的一切后果不承擔任何法律責任。證券投資咨詢業務的說明證券投資咨詢業務的說明本公司具備中國證監會核準的證券投資咨詢業務資格。證券投資咨詢，是指從事證券投資咨詢業務的機構及其投資咨詢人員以下列形式為證券投資人或者客戶提供證券投資分析、預測或者建議等直接或者間接有償咨詢服務的活動：接受投資人或者客戶委托，提供證券投資咨詢服務；舉辦有關證券投資咨詢的講座、報告會、分析會等；在報刊上發表

78、證券投資咨詢的文章、評論、報告，以及通過電臺、電視臺等公眾傳播媒體提供證券投資咨詢服務；通過電話、傳真、電腦網絡等電信設備系統，提供證券投資咨詢服務；中國證監會認定的其他形式。發布證券研究報告是證券投資咨詢業務的一種基本形式，指證券公司、證券投資咨詢機構對證券及證券相關產品的價值、市場走勢或者相關影響因素進行分析，形成證券估值、投資評級等投資分析意見，制作證券研究報告，并向客戶發布的行為。國信證券投資評級國信證券投資評級投資評級標準投資評級標準類別類別級別級別說明說明報告中投資建議所涉及的評級（如有）分為股票評級和行業評級（另有說明的除外）。評級標準為報告發布日后6到12個月內的相對市場表現，

79、也即報告發布日后的6到12個月內公司股價（或行業指數）相對同期相關證券市場代表性指數的漲跌幅作為基準。A股市場以滬深300指數（000300.SH）作為基準；新三板市場以三板成指（899001.CSI）為基準；香港市場以恒生指數(HSI.HI)作為基準；美國市場以標普500指數(SPX.GI)或納斯達克指數（IXIC.GI）為基準。股票投資評級股票投資評級買入股價表現優于市場代表性指數20%以上增持股價表現優于市場代表性指數10%-20%之間中性股價表現介于市場代表性指數10%之間賣出股價表現弱于市場代表性指數10%以上行業投資評級行業投資評級超配行業指數表現優于市場代表性指數10%以上中性行業指數表現介于市場代表性指數10%之間低配行業指數表現弱于市場代表性指數10%以上請務必閱讀正文之后的免責聲明及其項下所有內容國信證券經濟研究所國信證券經濟研究所深圳深圳深圳市福田區福華一路125號國信金融大廈36層郵編：518046 總機：0755-82130833上海上海上海浦東民生路1199弄證大五道口廣場1號樓12樓郵編：200135北京北京北京西城區金融大街興盛街6號國信證券9層郵編：100032