《IDC：2024技術革新引領未來——生成式AI塑造核心發展引擎白皮書（52頁）.pdf》由會員分享，可在線閱讀，更多相關《IDC：2024技術革新引領未來——生成式AI塑造核心發展引擎白皮書（52頁）.pdf（52頁珍藏版）》請在三個皮匠報告上搜索。

1、技術革新引領未來生成式 AI 塑造核心發展引擎贊助商：NVIDIA1技術革新引領未來生成式 AI 塑造核心發展引擎路徑IDC 觀點 .2第一章 生成式 AI：推動科技進步與產業變革的強大驅動力 .41.1 生成式 AI 引領產業智能化落地，開啟經濟發展新篇章.41.2 硬件迭代、算法突破、數據改善共促生成式 AI 發展.9第二章 駕馭生成式 AI：企業智能化轉型的實施流程與核心影響 .122.1 生成式 AI 在企業端的應用：明確目標，實現價值.122.2 企業需求在新技術時代下的演變：迎接挑戰，擁抱變化.162.3 端到端的生成式 AI 解決方案：滿足企業真實需求的關鍵.19第三章 邁向 A

2、I 智能體，生成式 AI 重塑千行百業 .223.1 互聯網行業：虛擬角色與內容生成.243.2 醫療領域：藥物研發的智能計算平臺.273.3 金融行業：風險管理、投資決策與反欺詐.303.4 生成式物理 AI：機器人與自動駕駛.32第四章 NVIDIA 的生成式 AI 技術：重新定義計算與智能的邊界 .364.1 硬件支撐：為生成式 AI 提供卓越計算能力.364.2 軟件與工具：構建全面的 AI 開發生態.384.3 端到端的解決方案：加速 AI 應用的部署與運行.43第五章 前景與戰略：生成式 AI 將會持續落地，引領產業全面邁向數字化時代 .465.1 生成式 AI 未來趨勢：應用邊界

3、不斷拓展，持續發揮智能化價值.465.2.IDC 建議：面向企業：技術為本，效益為先，與時俱進.48目 錄 Table of Contents2技術革新引領未來生成式 AI 塑造核心發展引擎IDC 觀點 觀點一：技術協同發展推動生態完善在當今快速演變的技術生態系統中，多技術協同升級已成為推動新興技術發展的核心動力。這一過程涉及人工智能（AI）、大數據、云計算等關鍵技術的深度融合，也關系到各個行業之間的相互滲透，技術和行業互相交織形成了一個創新生態。例如，金融場景已可以將產品與大模型進行結合、生成交易數據，從而彌補真實數據的不足，并優化欺詐識別模型的訓練。時至今日，行業融合多種新技術的成功案例層

4、出不窮，顯示出協同效應對技術創新周期的加速作用。觀點二：數據持續積累推動新的處理范式IDC 將 AI，尤其是生成式 AI，視為下一個重大變革性和有影響力的技術轉變。我們正在進入一個 AI 無處不在的時代。此次變革與過往計算機革命及云計算轉型相比，不同之處在于其驅動力為數據而非硬件設備；這也標志著智能化進程首次以數據為核心導向的重大飛躍。而生成式 AI 的核心價值之一在于它解鎖了非結構化數據中的價值。數十年來，從非結構化數據中提煉有用信息一直是一項艱巨挑戰。據 IDC 統計，2023 年非結構化數據將占所有存儲數據的77%1，這表示一個數據密集型創新周期已經來臨。在此背景下，能夠高效處理、解析并

5、轉化這些非結構化數據為可行性洞察的 AI 技術，將成為推動各行各業轉型升級的關鍵力量。1:Worldwide Global DataSphere and Global StorageSphere Structured and Unstructured Data Forecast,202320273技術革新引領未來生成式 AI 塑造核心發展引擎路徑觀點三：算力是產業數字化轉型的重要推動力IDC 預測，到 2027 年，70%的經濟價值將以高信息密度的商品和服務形式呈現；為保持經濟增長速度，強大的算力是信息產品發展的支撐基礎2。數據分析、大模型訓練以及推理等關鍵步驟都需要算力作為底層資源。而算力配

6、置是否有彈性并且可擴展，直接影響到企業業務的運行穩定性以及響應市場變化的速度。因此，構建并優化算力體系，成為企業把握大模型時代發展機遇和提升核心競爭力的戰略重點。觀點四：大模型技術發展關注點逐漸轉向高效、經濟和環保方向在生成式 AI 的演進中，高效性、經濟性和環境友好性的考量日益受到重視。大模型預訓練對計算資源的需求極高，相關能耗問題也逐漸凸顯。如何在不犧牲模型精度與訓練效率的前提下，通過優化計算架構、節能技術等方法，實現降低運行成本、減少能源消耗，并最終達到低碳環保的長遠目標，確保大模型技術的可持續發展，以更優地促進社會經濟向綠色轉型并邁入高質量發展階段，成為當前研究與實踐的核心議題。2:I

7、DC FutureScape:Worldwide Data and Content Technologies 2023 Predictions4技術革新引領未來生成式 AI 塑造核心發展引擎第一章 生成式 AI：推動科技進步與產業變革的強大驅動力1.1 生成式 AI 引領產業智能化落地，開啟經濟發展新篇章隨著 AI 技術的推進，生成式 AI 已躍升為數字時代的前沿領域。從最初的基于規則的簡單創作，發展至今日由深度學習驅動的創造性產出，生成式 AI 技術實現了由量變到質變的深刻轉型。這一歷程，包含了計算能力的幾何級躍升，數據資源的持續累積，以及機器學習、深度學習算法的不斷精煉與革新。尤其在近十年

8、間，生成式對抗網絡（GANs）與 Transformer 模型的誕生，為文本、圖像乃至視頻內容的自動生成開辟了創新級可能性，極大地拓展了創意表達的邊界。IDC 預測到 2027 年，全球生成式 AI 市場規模將攀升至 1454 億美元，中國市場的投資亦將達到 129 億美元；這一發展趨勢的動力源自技術迭代的加速、5技術革新引領未來生成式 AI 塑造核心發展引擎路徑應用領域的拓寬，以及企業對 AI 創新驅動的不懈投入。除了大模型 AI 廠商外，NVIDIA 作為加速計算技術的領航者，在此進程中也發揮著核心作用，NVIDIA.AI.Enterprise 平臺通過加速計算能力、優化的軟件棧和容器化服

9、務，降低了企業部署和運用復雜 AI 模型的門檻，加速了從研究到生產的轉化過程。值得注意的是，該平臺能夠支持訓練千億乃至萬億參數量級的大模型，給生成式AI 技術落地帶來可能性。圖 1 生成式 AI 支出規模（單位：億美元）來源：IDC,2024生成式 AI 技術的商業化與技術進步并駕齊驅，不僅在國際舞臺上催生了一系列科技創新，也見證了本土企業的迅速崛起與差異化戰略的實施。大模型目前主要分為文本、圖像以及視頻三種模態，在不同的數據和場景中發揮作用。387.91,454.235.3129.32024CAGR:55.3%CAGR:54.1%16.7%28.4%32.3%16.0%20242027202

10、7全球中國占整體AI比例6技術革新引領未來生成式 AI 塑造核心發展引擎文本對話技術的迭代升級，率先為大模型開辟了應用前景：文本生成技術的飛速發展，歸功于文本數據資源的多樣化和易獲取;這些數據在互聯網的每一個角落，包括但不限于社交媒體、新聞文章、學術論文、歷史檔案等，其多樣性、廣度與深度為模型提供了豐富的學習材料。另外，Transformer 架構的問世，成功解決了循環神經網絡（RNN）在處理長序列信息時的局限性。ChatGPT作為語言生成領域的先鋒，憑借其卓越的對話創造、代碼生成及跨領域知識解析能力，彰顯了生成式 AI 技術的高水平成熟度及廣泛的應用潛力。GPT-3.5模型擁有 1750 億

11、參數及先進的自注意力機制，采用多層 Transformer 解碼器堆疊架構，使模型具備了上下文感知的對話、代碼合成及跨學科知識解析能力。在國內，ChatGLM 與 Baichuan 等大模型亦展現出色表現。ChatGLM采用的雙流自注意力機制增強了對復雜語言結構的解析力，其靈活性和較低的圖 2 Transformer 架構革新生成式 AI，開啟自然語言處理的新篇章來源：IDC,2024大語言模型Transformer 是神經網絡，通過跟蹤字詞之間的關系來學習順序數據中的上下文和含義。大語言模型是具有數十億個參數的模型，通過自我監督學習進行訓練?；A模型是一種機器學習模型，訓練數據多樣化，修改或

12、微調后可以滿足各種下游任務的需要。ChatGPT 基 于 GPT3.5，是 一 種 Transformer架構。GPT-3 是一個 LLM。數據文本輸入文本輸出應用Transformer基礎模型生成式 AI 為基礎模型提供支持Transformer 和語言模型都是基礎模型的分支7技術革新引領未來生成式 AI 塑造核心發展引擎路徑資源消耗，特別是通過模型量化技術實現的 ChatGLM-6B 模型在邊緣端的低門檻部署，極大地推動了高級語言模型的普及。Baichuan 則整合了意圖理解、信息檢索、強化學習等關鍵技術，并借助有監督微調與人類意圖對齊策略，在知識問答、文本創作等多領域取得了卓越成效。圖像

13、生成技術的革新，進一步拓展了大模型的創意邊界：圖像創作需要融合計算機視覺與深度學習技術。在早期發展的過程中，生成新圖像在真實度與細節還原度上存在一定的局限性，導致圖片失真；而新一代技術則憑借大量的訓練數據集和復雜的算法架構設計，使生成圖像的真實性顯著提升，Stable.Diffusion 和 DALL-E.2 是 圖 像 模 型 的 代 表。從 技 術 方 面 來 看，Stable.Diffusion 利用擴散模型架構，從隨機噪聲中解析出清晰圖像，其核心優勢在于其可以在低計算資源的基礎上保持生成高分辨率圖像；同時，其開源特性更是激發了社區用戶的積極性，形成模型從使用到迭代的正向循環。DALL-

14、E.2則是運用 Transformer 架構實現的文本到圖像的直接映射，通過多模態數據的預訓練，使模型能夠推理出不同的圖像特點，從而有效轉化文本中的抽象概念和細節，并通過分層構建圖像的方式確保生成內容的結構合理性和細節飽滿度。視頻創作技術的飛躍，補全了大模型在動態場景中的不足：視頻生成技術的發展得益于多模態技術升級已取得的重要進展，從最初的動畫合成到處理復雜動態場景和非線性敘事結構。在技術快速迭代的背景下，以 VideoGAN 和 Sora為代表的視頻生成模型，極大提升了視頻創作的效率。VideoGAN 利用深度學習技術可生成連貫的視頻片段，通過時間相關損失函數和循環一致性約束確保幀間連貫，結

15、合時空注意力機制和 LSTM 等復雜網絡結構，以捕捉和保留視頻序列的時空特征，實現視頻的自然流暢。Sora 憑借其時空一致性與動態適應性脫穎而出，其集成的 LSTM 與 3D.CNNs 協同工作，確保視頻序列在時間維度上的平滑過渡和邏輯連貫，同時引入條件生成機制，賦予用戶高度定制化和交互式的視頻創作體驗，進一步模糊了現實與虛擬的界限，開創了內容創作的新境界。8技術革新引領未來生成式 AI 塑造核心發展引擎技術層面上，生成式 AI 正不斷向高精度、低延遲和多模態方向發展。模型架構上依然是以 Transformer 及其變體為主，但目前也在探索更高效的注意力機制和模型壓縮技術等方式，以降低模型的計

16、算成本并提高部署效率。另外，針對特定領域的細粒度優化也是新的技術熱點，如醫療、金融等行業模型。廠商方面，包括 NVIDIA、谷歌、微軟在內的國際企業，以及國內的阿里、百度等公司，都在布局通過提供高性能計算資源及上層生態來共同支撐生成式 AI.的持續發展。隨著技術的不斷迭代與應用場景的不斷開拓，生成式 AI 推動的智能化轉型正穩步前行，其帶來的效益將會逐漸體現在社會經濟的各個層面。9技術革新引領未來生成式 AI 塑造核心發展引擎路徑1.2 硬件迭代、算法突破、數據改善共促生成式 AI 發展在生成式 AI 的快速演進中，算力的強化、算法的演進以及數據的積累是三大核心要素，在新技術浪潮中共同發揮作用

17、，持續拓展新技術邊界，并將生成式.AI.推向新的高度，確保其在多種應用場景中表現更卓越。圖 3 生成式 AI 發展三大要素來源：IDC,2024算力支撐：硬件革新與技術協同發展算力是生成式 AI 發展的物理基礎，高性能計算硬件的持續進步為模型訓練提供了強大的支撐。GPU 因其高度并行的計算能力，成為訓練大模型的理想選擇。近年來，專門針對 AI 計算優化的 TPU（Tensor.Processing.Unit）、算力數據算法高速算力處理海量數據精準數據引導高效算法先進算法激發強大算力10技術革新引領未來生成式 AI 塑造核心發展引擎ASIC（Application-Specific.Integr

18、ated.Circuit）等加速器的出現，也提升了計算效率，降低了能耗。這些硬件創新，結合高速互連技術，如 NVLink、InfiniBand 等，為大規模并行計算提供了必要的基礎設施。除 了 硬 件 基 礎 設 施 外，多 集 群 并 行 計 算 技 術 如 Horovod 和 PyTorch.Distributed 等框架是協調硬件資源的關鍵軟件組件。這些框架在通信協議上做了一定優化，以獲得高效的模型參數同步與負載均衡，從而有效地解決了多GPU 的協同問題。具體來說，Horovod 在 Ring-AllReduce 算法下減少了模型更新的通信時間；而 PyTorch.Distributed

19、 提供了靈活的分布式訓練，在支持多種并行模式的情況下，使訓練過程得到明顯的加速，同時降低了資源消耗。此外，高效率的數據傳輸與同步，隨著模型規模的擴大變得格外重要。遠程直接內存訪問（RDMA）技術與高速網絡通過減少數據傳輸的復制步驟并縮短延遲，確保大規模集群間數據的高效交換，增強模型訓練的穩定性和效率。這些技術與智能的數據放置策略相配合，使大規模并行計算的效率進一步優化。算法層面：深度與廣度的雙重躍升生成式.AI.技術迭代的核心推手是算法創新。Transformer 架構帶來了一場自然語言處理領域的革命，該架構通過引入自注意力機制顯著提升了對長序列數據的理解和生成能力，使模型并行考慮輸入序列的所

20、有位置，徹底改變了傳統的序列數據處理方法。自注意力機制的精髓在于，它能夠賦予模型學習輸入序列中任意兩部分之間關系的能力，這種全局視角對于理解和生成自然語言至關重要，因此基于 Transformer.的 BERT、GPT 系列等迅速成為主流的自然語言處理模型。此外，我們看到，模型規模也在隨著算法的不斷演進而迎來增長，除了得益于 Transformer 架構高效的并行處理能力外，分布式訓練技術的成熟也不可或缺，如模型并行、數據并行和混合并行等這些技術在大規模模型訓練中有效地解決了內存限制和通訊瓶頸等問題。Transformer 架 構 帶 來了一場自然語言處理領域的革命，該架構通過引入自注意力機制

21、顯著提升了對長序列數據的理解和生成能力，它能夠使模型并行考慮輸入序列的所有位置，徹底改變了傳統的序列數據處理方法。11技術革新引領未來生成式 AI 塑造核心發展引擎路徑在面對大模型的訓練推理效率方面的挑戰時，Mixture.of.Experts（MOE）架構被提出。該架構通過將模型分解為多個專注于處理輸入數據特定領域的專家子網絡，并采用門控機制來挑選最適合的專家執行任務，實現了計算資源的動態優化配置與高效利用。這一設計不僅增強了模型處理復雜任務的能力，也為處理極為龐大的數據集開辟了道路，同時還確保了模型的可擴展性與靈活性，是大模型設計的一個重要發展趨勢。數據優化：數據量與多樣性并重數據質量的高

22、低是生成式.AI.模型精確性和泛化能力的根本所在，因此多數企業目前正致力于數據治理流程的優化，通過采用存算一體架構及數據湖解決方案來提高數據的存儲和處理能力。存算一體架構通過緊耦合設計減少了數據移動能耗與延遲，顯著提高了能效比和處理速率，降低了數據傳輸中的損耗。而數據湖解決方案則為企業提供了一個集中管理平臺，該平臺能夠支持結構化、半結構化以及非結構化數據的高效存儲與分析，為模型訓練提供了豐富多樣的數據源。在數據模態方面，IDC 調研顯示，生成式 AI 創建的數據中有 36%是文本，遠高于其他數據類型，但是到 2028 年，生成式 AI 創建的 75%的數據將均勻分布在文本、圖像和視頻之間，其余

23、為代碼、音頻和科學數據，形成多模態數據的局面3。因此，多模態數據的融合分析是未來發展的重點，即通過結合多種模態的數據，使模型對環境中的隱含信息進行更準確的捕捉與分析，從而提高模型對復雜場景的理解能力。在多模態數據集的基礎上，還可以通過數據增強技術，如圖像旋轉、平移、添加噪聲以及文字資料的同義替換、句子結構調整等，使訓練數據的豐富程度得到進一步的提升，從而增強模型的魯棒性和泛化能力，為多元化和復雜的 AI 應用場景奠定基礎。硬件迭代、算法突破與數據改善構成了生成式 AI 發展的鐵三角，三者相互促進，不僅共同推動著新技術的快速前行，也催化了從理論到實踐的跨越。硬件迭代、算法突破與數據改善構成了生成

24、式 AI發展的鐵三角，三者相互促進，不僅共同推動著新技術的快速前行，也催化了從理論到實踐的跨越。3:The Potential Impact of Generative AI on the Global DataSphere and Global StorageSphere12技術革新引領未來生成式 AI 塑造核心發展引擎第二章 駕馭生成式 AI：企業智能化轉型的實施流程與核心影響2.1 生成式 AI 在企業端的應用：明確目標，實現價值生成式.AI.的應用逐漸深入到企業運營的各個流程，即從基礎設施的完善到業務流程的自動優化，再到內容生成的價值創造。企業在開始階段通常是通過數據治理、技能培訓等手

25、段，為 AI 的應用打下堅實的基礎；中期則在業務流程中嵌入 AI 技術，在客戶體驗和經營效率上實現改善；最后進入創新驅動階段，生成式 AI 將會成為企業創新的催化劑，不僅在產品研發、市場策略等方面能夠加快步伐，更在安全合規、生態拓展等核心領域構筑防線，使企業的核心競爭力在各個方面得到全面的提升。13技術革新引領未來生成式 AI 塑造核心發展引擎路徑基礎構建階段：數據治理與技術融合，激發內部效率在生成式 AI 融入企業的初期，應抓好技術在企業中融合的基礎工作，對企業已有.IT.架構進行評估和優化，使之能夠有效支撐 AI 系統的高效運轉。數據治理是這一階段的核心工作，企業需要通過建立完善數據預處理

26、以及數據收集、清洗、存儲和分析體系來保證數據質量，從而夯實 AI 模型訓練或推理的基礎。據 IDC 調研數據顯示，95%的受訪用戶預期生成式 AI 將促使組織存儲更多的數據，直接導致數據容量需求激增4。2023 年，IDC.Global.StorageSphere 數據顯示，全球數據中心已累積存儲超過 3800EB 的數據量，其中約 67%的數據被保存在云端數據中心5.。鑒于此趨勢，技術供應商應持續評估生成式 AI 對其產品矩陣的影響，以應對 AI 應用圖 4 生成式 AI 在不同發展階段的核心價值與準備工作來源：IDC,2024統一思想數據治理員工培訓平臺升級試點應用提升生產力階段 1提升客

27、戶體驗應用生成式 AI未應用生成式 AI階段 2實現增長紅利階段 3業務流程重構客戶交互重構數據洞察重構管理決策重構時間新產品開發營銷策略優化生態伙伴拓展業務影響4:The Potential Impact of Generative AI on the Global DataSphere and Global StorageSphere5:Worldwide Global DataSphere and Global StorageSphere Structured and Unstructured Data Forecast,2023202714技術革新引領未來生成式 AI 塑造核心發展引擎

28、的日益普及所帶來的數據量級的快速增長。同時，企業內部的準備工作也不容忽視，包括對員工進行 AI 相關知識與技能的培訓，為企業的全面智能化轉型預先布局，確保技術升級與人員能力提升并駕齊驅，共同推動企業向智能化時代穩步邁進。體驗重塑階段：用戶為中心，深化個性化體驗中期階段，由于基礎架構的逐漸穩定，企業開始將目光轉向用戶體驗的提升上。在這一階段，生成式.AI.將從單點試用逐漸轉向廣泛采用，旨在打造無縫的、個性化的用戶產品。以 Chatbot 為例，它可以為客戶提供 7*24 小時的服務，通過生成式 AI 技術的整合，智能客服不僅像以前一樣可以回答常規預設的問題，還可以提供基于用戶對話歷史、行為習慣甚

29、至是情緒感知的動態響應，為用戶提供個性化的互動體驗。此外，在中期階段，生成式 AI 對于企業業務流程、數據洞察分析和管理決策的重構也開始產生不同程度的影響。對于企業內部來說，生成式 AI 不局限于創作工作，更是深度融入到業務邏輯中，利用先進的機器學習算法對海量數據進行深度挖掘與識別分析，達到精準模擬復雜系統行為的效果，從而動態調整業務流程或產品供應鏈，達到智能自動化的目的。創新驅動階段：技術前沿探索，塑造未來競爭力當企業內部流程和產品都不同程度地融入了生成式 AI 后，企業的智能化轉型也步入深水區。在這一階段，企業將會積極投入到多模態生成、強化學習等前沿技術的應用探索中，生成式 AI 的應用和

30、落地將顯著提高企業競爭力。在產品設計與研發領域，生成式.AI.輔助工具能夠明顯加速從概念到產品的轉化過程，通過產品設計原型的快速迭代，及時響應市場變化與消費者需求，縮短產品上市周期。同時，在深度融合生成式 AI 后，企業通過模擬市場情景與預測分析，為管理層提供科學決策依據，在降低創新風險的情況下，提高管理層決策的科學性和有效性。整體來說，進入第三階段，企業產品不論是從概念到營銷，從研發到銷售，還是從效率到效果，方方面面都將會有顯著的提升。除此15技術革新引領未來生成式 AI 塑造核心發展引擎路徑之外，生成式.AI.還有機會成為企業間跨界合作的橋梁，企業可以通過 API 開放與平臺共享，聯合產業

31、內外的相關方來共同挖掘 AI 技術在行業領域的應用潛力，實現生成式 AI 在塑造未來商業格局中的無限可能。16技術革新引領未來生成式 AI 塑造核心發展引擎2.2 企業需求在新技術時代下的演變：迎接挑戰，擁抱變化新時代技術浪潮促使生成式 AI 成為企業戰略轉型的核心，深刻影響組織結構、戰略、文化及風險管理等多方面。企業需求逐漸向運營效能與人力資本優化、用戶體驗極致化、商業模式重塑與價值創新等方面轉變。然而，在擁抱這一技術革新的旅程中，企業也不可避免地將應對多種挑戰：圖 5 企業實施 AI/ML 計劃面臨的主要挑戰來源：IDC,2024AI/ML 技術有效產品化的難題在將 AI/ML 技術轉化為

32、可市場化的產品時，企業經常面臨技術與市場需求脫節、產品化路徑不明確等問題。這要求決策者不僅要具備深厚的行業知識，還需有34.7%28.4%27.6%24.9%21.5%缺少AI/ML產品化技能.AI/ML計劃所需的工具不足.數據可用性和數據質量有問題.業務成果可視化不足.跨團隊（IT/業務部門）協作不足 .17技術革新引領未來生成式 AI 塑造核心發展引擎路徑預見技術趨勢和產品創新點的能力，以便將抽象的技術概念轉化為實際應用價值。此外，高昂的研發成本、長周期的產品迭代，以及如何平衡技術先進性與用戶接受度也是主要障礙。缺乏高效支持 AI 開發和部署的工具鏈為了完善涵蓋數據準備、模型訓練、測試、部

33、署和監控的完整工具鏈，企業在擴展 AI 項目時往往面臨著重大挑戰。此時，整合 RAPIDS（可在 GPU 上加速數據科學工作流的開源庫）變得至關重要。這不僅需要一個強大且集中的技術棧，并要求將 RAPIDS 無縫融入其中，同時還需要高效的團隊協作和持續的維護能力，以確保其符合嚴格的數據安全協議。這些全面的需求往往超出了單個團隊或部門的能力范圍。數據孤島與處理低效數據是 AI 項目的命脈，但數據往往分布在不同系統中，存在清洗困難、缺少連續性、噪聲大等問題，嚴重影響模型的訓練效果和最終的業務應用。企業需要投入大量資源進行整合和治理，需具備對數據的高度敏感性，同時也需要大量場景數據作為底層支持。業務

34、成果驗證困難盡管 AI 技術有潛力帶來顯著的業務價值，但其成效往往難以準確預測和衡量。如何設定合理的 KPI、計算技術投資回報率，以及如何建立直接關聯 AI 干預與業務增長的因果關系模型，是企業需要直面的挑戰；尤其在技術發展初期，很難直觀評估技術投入所帶來的直接收益，需要更長遠的戰略規劃。18技術革新引領未來生成式 AI 塑造核心發展引擎跨部門協同與知識共享障礙信息孤島和部門間的溝通壁壘通常是阻礙技術在企業中快速應用和創新拓展的主要問題，在組織架構復雜的大型企業中更是如此。同時，在知識體系環節，目前大部分廠商缺乏有效的知識管理系統和協作工具，使得內部經驗和學習成果難以在組織內部進行傳承。面對眾

35、多挑戰及復雜多變的市場環境，企業日益傾向于采納一種綜合技術或深度整合的解決方案，因為完整的解決方案能夠將新技術徹底嵌入企業日常運營的每一個環節，包括數據的采集、處理、深入分析，直至指導決策，形成一個閉環的管理體系。19技術革新引領未來生成式 AI 塑造核心發展引擎路徑2.3 端到端的生成式 AI 解決方案：滿足企業真實需求的關鍵在技術采納的高級戰略方向與企業深層次結構轉型的影響下，端到端生成式AI 解決方案作為關鍵性進展應運而生，它橋接了用戶和技術，直接滿足了企業對智能化與運營效率提升的全面需求。圖 6 端到端生成式 AI 解決方案：企業數字化轉型的關鍵架構圖來源：IDC,2024精準對接業務

36、需求，量身定制智能策略 端到端的 AI 解決方案在面對各行各業獨特的業務場景和個性化需求時，能夠展現出其不同于傳統 AI 的靈活性，通過模塊化設計，如模型選擇、訓練優化、體驗引領敏捷開發智能集成安全可信模塊組件云原生架構數據系統APIs運營技術 OT可編程的.基礎架構自動化微服務安全多云技術集成工具應用運營網絡與連接AI應用程序和應用程序開發棧編排與治理應用場景商業模式運營模式組織模式平臺組件基礎技術層設計原則業務 韌性層創新 加速層20技術革新引領未來生成式 AI 塑造核心發展引擎API 封裝、UI/UX 設計等，為企業提供一站式技術產品化路徑，企業也可以自由組合不同的 AI 模塊，從而達到

37、從基礎的數據處理功能到復雜的分析預測應用的平滑過渡和靈活擴展。這種“可插拔”的模塊化構建方式，不僅使企業能夠快速應對市場的變化，同時也降低了技術門檻，確保 AI 技術能夠精準對接業務需求，以最快速度實現技術從科研場景到落地的價值最大化。集成工具鏈，持續優化實現動態適應端到端解決方案能夠提供集成開發環境（IDE）、自動機器學習（AutoML）平臺、云原生部署服務、持續集成/持續部署（CI/CD）等一整套完整的工具鏈，簡化了企業從原型到生產的過程。同時，與傳統靜態技術部署不同的是，端到端 AI 解決方案一般會內置基于反饋循環的學習與優化機制，使 AI 模型在實際應用過程中能夠不斷地接收業務反饋并進

38、行自我學習與調整策略，從而持續進化升級，更緊密地貼合業務變化與市場需求。AutoML 就是一個很好的案例，能夠自動根據用戶交互數據優化模型，使得 AI 在預測銷售趨勢或客戶服務響應上隨著時間推移而逐漸精準，實施結果顯示，使用自適應技術的企業在六個月內平均服務效率提高 20%左右.。深挖數據價值，提升處理效能端到端的 AI 解決方案通過先進的算法與高度集成的平臺，能夠有效破除數據碎片化的問題，為企業運營分析創建一條從采集到落地的無縫“數據流”。在這一過程中，即使是少量或零散的業務數據，也能在解決方案精密的算法加工下轉化為指導業務戰略的洞察，換句話說，端到端的 AI 解決方案能夠將有限的數據激發出

39、無限的價值。據統計，得益于端到端 AI 解決方案能夠整合分散在各個系統中的數據，企業在采用處理平臺后，數據處理速度平均可提升30%6。據統計，得益于端到端AI 解決方案能夠整合分散在各個系統中的數據，企業在采用了處理平臺后數據處理速度上平均可提升 30%6。6:Future Enterprise Resiliency&Spending Survey Wave 4,IDC,April 2024,N=88921技術革新引領未來生成式 AI 塑造核心發展引擎路徑量化技術影響力，確保決策有理有據端到端解決方案可以通過內置的業務影響分析模塊和 A/B 測試框架，幫助企業設計實驗，量化 AI 應用的業務影

40、響。這些解決方案可以通過高級分析工具，如預測模型的擬合度報告、業務流程改進的量化指標等，使企業能夠直觀監控AI 項目對關鍵績效指標的提升。此外，基于生成式 AI 的預測分析能提供更精確的業務預測，從而為企業高管的決策提供支持。強化跨部門協作，激發技術無限潛能端到端的 AI 解決方案著重于構建一個無縫鏈接且高度協調的數字化生態環境，旨在促進傳統與新興技術的無縫融合、跨職能團隊間的數據流通以及企業資源的智能優化配置。通過采用統一標準的 API 接口與行業協議，技術落地過程中的集成復雜度有所降低，減少了系統間的兼容障礙。與此同時，解決方案會集成項目管理和溝通工具，如看板、即時消息系統等，能夠有效加強

41、團隊間的實時協作，確保技術實施過程中的透明度和效率。通過采用統一標準的 API接口與行業協議，技術落地過程中的集成復雜度有所降低，減少了系統間的兼容障礙。22技術革新引領未來生成式 AI 塑造核心發展引擎第三章 邁向 AI 智能體，生成式 AI重塑千行百業2023 年生成式 AI 在多行業的試點應用，帶動了一場業務智能化的浪潮。據IDC 統計，互聯網、金融、醫療三大領域以 15.9%、15.3%、8.6%的年增長率引領智能化進程，顯示了行業對新技術的迫切需求和高度接納能力。盡管運營商與汽車行業當前年增長率略低，但長遠來看，這兩大行業未來五年將分別以 43%和 46%的復合年均增長率迅速攀升，這

42、代表著 AI 在通信基礎建設和出行變革中的廣泛應用前景7。7：IDC 中國，大模型應用場景與市場規模預測研究，202423技術革新引領未來生成式 AI 塑造核心發展引擎路徑生成式 AI 擅長基于數據資產和知識沉淀進行創作與輸出，在各行業已經開發了一批會話類、知識管理類的共性應用；然而，由于行業屬性各有不同，合規要求有異，生成式 AI 驅動各行各業創新與變革的側重點亦各有不同。圖 7 生成式 AI 不同行業支出規模與未來增長 來源：IDC,20240%20%15%10%5%10%20%30%40%50%2023 年支出較高的行業互聯網金融運營商汽車2023-2027 高增長行業運營商汽車交通運輸

43、、物流零售教育行業圖 8 生成式 AI 應用場景來源：IDC,2024生成式基礎模型文本運行攝取訓練調優推理數據代碼視頻圖像音頻結構搜索引擎推薦系統工作效率提升互聯網醫療金融生成式物理 AI自主移動機器人機械手操作外科手術機器人內容創造數字人自動駕駛汽車智能空間管理醫學影像分析疾病篩查藥物發現個性化診療金融風控投資策略.普惠金融互聯網，15.9%金融，15.3%醫療，8.6%汽車，8.6%能源，3.9%制造，4.4%.手機，3.7%零售業，3.1%教育，3.9%運營商，8.5%交通運輸、物流，3.9%政府，9.7%其他，6.6%智能建筑/家居，3.9%24技術革新引領未來生成式 AI 塑造核心

44、發展引擎3.1 互聯網行業：虛擬角色與內容 生成互聯網多為數字原生企業，具有良好的數據基礎和創新基因?；ヂ摼W行業的挑戰在于持續吸引用戶注意力、增強品牌互動性，同時保持高效、創新的內容生產。于是，以虛擬角色和內容生成為代表的生成式 AI 技術正成為推動互聯網行業進化的關鍵力量。生成式 AI 對互聯網核心業務場景的賦能主要如下：搜索引擎：生成式 AI 使搜索引擎能夠更好地理解復雜的查詢意圖，并匯集多方信源內容。通過自然語言理解和檢索增強生成（RAG）等技術，搜索引擎可以直接提供總結性答案、建議或執行指令。伴隨多模態大模型的發展，搜索結果還能以表單、思維導圖以及圖像、語音、視頻等更加多樣的方式呈現，

45、使用戶獲取更優質的知識體驗。推薦系統：生成式 AI 通過深度學習模型，根據用戶的偏好和上下文，可以動態生成個性化推薦內容，甚至還可以深度個性化定制詳情頁面，這不僅能提升推薦的準確率，還能創造驚喜元素，提高用戶粘性和滿意度。工作效率提升：在企業內部，生成式 AI 與辦公軟件結合能夠自動化處理大量重復性工作，如客戶服務、報告生成、數據分析等，釋放員工時間，讓他們專注于更具價值的創造性工作，從而提升組織效率和創新能力。內容創作：面對互聯網行業日新月異的大量內容創新及迭代的需求，生成式 AI 可以輔助創意、文案、腳本、編輯等多項內容工作，覆蓋包括編曲、視頻制作以及游戲角色設計等多模態領域，極大地提高創

46、作者內容的產出效率。同時，生成式 AI 還可以結合時下熱點和需求趨勢，進行內容的創作和評審，確保內容的商業價值。25技術革新引領未來生成式 AI 塑造核心發展引擎路徑 數字人：數字人在互聯網行業已廣泛應用于直播、培訓以及客服等場景中，生成式 AI 可以使數字人更好地理解用戶的復雜指令甚至感知用戶的情緒變化，讓數字人與人之間的交互更加真實、靈動。此外，生成式 AI 還可以生成更豐富的虛擬人形象，更加貼合場景需求。生成式 AI 在產品設計、應用開發與測試、流量分發、營銷推廣、用戶運營等諸多業務場景都開始了有益的嘗試?；ヂ摼W擁抱生成式 AI 不僅在于利用 AI 技術優化現有業務與運營模式，更在于啟發

47、互聯網新一輪的商業模式革命，打造基于生成式 AI 的新增長點。圖 9 百度營銷平臺“擎舵”來源：百度,2024一鍵生成混剪視頻，支持品牌個性化表達營銷視頻腳本生成提示詞一鍵生成腳本智能素材鏡頭識別自動識別素材內容，理解素材價值表述多元化視覺包裝能力智能識別賣點等信息，突出賣點強大平臺能力素材管理&二次編輯能力自然度高 1:1 還原形象/語音三步制作真人口播視頻，24 小時不間斷直播擎舵視頻能力全景數字人能力建設語音音色復刻支持多類型語音復制音調自然溫真度高，營銷感強口型精準唇形擬合準確率 95%動作幅度支持實景大動作建模動作捕捉腳本驅動動怍理解交付提效在線服務化/天級交付支持語音編輯自由調節語

48、調/語速/音量等參數形象語音豐富的素材建設覆蓋 30+行業、600+數字人 150+AI語音、200+行業模板轉化組件完善支持咨詢/留資/表單等組件掛載營銷元素豐富視頻元素豐富，業界領先支持復雜視頻制作完善的編輯功能和平臺操作體驗短視頻制作數字人直播制作成本-85%制作效率+100 倍上線周期-75%AI 視頻混剪 New數字人營銷多場景應用平臺案例：生成式 AI 促使定制化品牌內容的自動生成26技術革新引領未來生成式 AI 塑造核心發展引擎百度營銷平臺推出的“擎舵”項目，利用生成式 AI 技術，根據用戶特定需求和品牌特性，自動生成定制化虛擬角色與內容。這項技術覆蓋視覺內容、交互對話、故事劇本

49、等多個維度，旨在為用戶提供獨特的品牌互動體驗。通過分析歷史數據和用戶行為，“擎舵”能生成高度相關的個性化內容，支持一鍵混剪視頻制作，顯著提升品牌內容生產的效率與個性化水平。實踐表明，該技術已實現制作成本降低 85%、效率提高 100 倍、產品上市周期縮短 75%的顯著成效。此外，百度在構建基于檢索和推薦的生成式大模型索引學習平臺方面，通過融合判別與生成技術，使定向關鍵詞生成的有效性從 30%躍升至 100%，開辟了商業內容生成的新模式。技術進步方面，百度與 NVIDIA 合作開發的 PaddleBox 項目，成功將稠密模型參數規模擴展至百億級別，實現 100 倍的規模提升，并優化了多機加速性能

50、，使訓練效率提升 50%。同時，GPU 技術支持的 PGLBox 引擎，通過異步聚合通信庫，實現了大規模圖數據的高效多機訓練，促進了百億級語義模型與萬億級離散模型的聯合學習，推動了大模型訓練技術的實質性進展。（以上案例所展示數據截至 2024 年 GTC 大會）27技術革新引領未來生成式 AI 塑造核心發展引擎路徑3.2 醫療領域：藥物研發的智能計算平臺醫療行業亟需解決資源分配不均、診療效率低下及個性化治療方案稀缺的問題，尤其是在精準醫療日益增長的需求面前。通過分析大量醫療健康數據，生成式AI 可以提供更高效、便捷和個性化的醫療服務。在生命科學方面，生成式 AI大幅降低了醫藥發現的資金與時間成

51、本。生成式 AI 對醫療行業的助益在短時間內，已得到行業的認證。根據 IDC.調研數據顯示，2023 年 6 月全球醫療行業中只有 13%8的企業在生成式 AI 方面進行了大量投資；僅僅四個月后，這一比例就上升到 46%9。生成式 AI 在醫療行業的主要應用場景有：醫學影像分析：通過深度學習模型，AI 能精確識別影像中的異常結構，輔助醫生進行早期癌癥篩查、疾病診斷，如肺癌、皮膚癌的影像識別技術，以及心臟病、腦部疾病的影像輔助分析；還可以通過結合醫學影像和病理信息等多模態數據，為醫生提供更全面的診斷支持。疾病篩查：疾病類數據往往受到嚴格的合規性要求，一直以來訓練數據獲取困難都是 AI 技術在醫療

52、業落地的一個制約項。生成式 AI 可以通過合成數據使 AI 模型更好地學習疾病診療案例，優化臨床診療的表現。藥物發現：利用生成式模型，AI 可以模擬數百萬種化合物的結構和活性，加速新藥候選分子的篩選過程。據報道，AI 可為公司降低高達 70%的藥物發現成本10。個性化診療：基于患者的遺傳信息、臨床數據和疾病模型，生成式 AI 能夠預測患者對不同治療方案的響應，為制定個體化治療計劃提供參考。對話類應用的引入還能更加有針對性地回答廣大來自病患的問題，改善患者的醫療服務體驗。8:IDCs June 2023 Future Enterprise Resiliency and Spending Surv

53、ey,Wave 59:IDCs November 2023 Life Sciences Generative AI Survey10:Insider Intelligences AI in Drug Discovery and Development report28技術革新引領未來生成式 AI 塑造核心發展引擎唯信計算于 2020 年開始開發分子智能化計算平臺 WeMol，旨在填補國產藥物研發智能計算平臺的空白。2021 年，唯信計算加入了 NVIDIA 初創企業加速計劃。在 NVIDIA 技術和硬件的加持下，WeMol 以自主研發的 APLHA 系列獨特算法為核心，完成了對從小分子、mRN

54、A 到蛋白設計領域的藥物發現全流程賦能，將大、小分子藥物的生成、設計和計算模擬效率提升數百倍，累計服務各類生物醫藥企業與科研機構 500 余家。圖 10 分子智能化計算平臺 WeMol來源：唯信計算，2024功能齊全全面覆蓋大/小分子藥物設計、人工智能、分子模擬的上百種功能，可對藥物研發全鏈條賦能。自動化先進的流式架構，將復雜的多步計算流程自動化、智能化，實現點點鼠標一鍵做計算?？梢暬С指鞣N分子形式的序列可視化、化學結構可視化、三維結構可視化、分子動力學軌跡的動態可視化等。低代碼像搭積木一樣開發計算流程，不會編程也能成為開發者，隨心定制個性化的計算平臺?？蓴U展支持第三方計算工具快速接入，自動

55、生成可視化交互界面，一站式管理所有計算工具，做您的計算管家。算法先進自研 AI 算法的精度與速度國際領先，已經過大量實驗驗證，并且持續快速迭代。自主知識產權底層架構與核心算法完全自主研發，數十項專利、軟件著作權、論文。簡便易用開箱即用，界面友好，三分鐘即可快速上手大部分功能，致力于讓濕實驗人員也能輕松做計算。案例：智能化計算平臺助力藥物發現流程29技術革新引領未來生成式 AI 塑造核心發展引擎路徑借助與 NVIDIA 的合作，WeMol 更好地集成與對接了多種大模型以及 GPU 加速算法。例如通過 NVIDIA.NIM 微服務解決方案，實現 AI 推理模型的快速部署；利用專注于藥物發現的 AI

56、 模型微服務 NVIDIA.BioNeMo.NIMs，WeMol能夠直接部署計算機輔助藥物設計（CADD）AI 模型、DiffDock 分子對接工具、OpenFold 蛋白質結構預測模型和 ESM 蛋白質語言模型，以及針對抗體研究和其他藥物發現流程的多種模型。WeMol 支持多種形式的抗體設計、免疫原性預測、LNP.遞送系統設計、可開發性優化、mRNA 序列設計及超高通量虛擬篩選等計算，可搭建定制化的分子數字化及智能計算平臺。其中，人源化和免疫原性的模型預測準確度能達到 90%以上；在抗體可開發性和抗體親和力改造方面，模型計算結果與實驗反饋也高度吻合，得到了客戶的高度認可。未來，唯信計算計劃將

57、 WeMol 平臺拓展至基因組學和醫療影像領域，利用NVIDIA 的 Parabricks 和 MONAI 等平臺工具，為中國醫療醫藥行業帶來更全面的智能化研發平臺，助力行業向更加高效、精準的藥物研發邁進。30技術革新引領未來生成式 AI 塑造核心發展引擎3.3 金融行業：風險管理、投資決策與反欺詐金融行業向來是實踐行業轉型的引領者，是最有望誕生第一批成熟落地場景的行業。金融行業有嚴格的合規和監管要求，必須嚴格控制風險。生成式 AI 以其強大的數據處理、模式識別和內容生成能力在金融的風險管理、投資決策以及普惠金融等領域有著巨大的應用潛力。通過深度學習和自然語言處理技術，生成式 AI 能夠自動化

58、處理復雜的金融數據，實現對風險的快速識別與響應，增強金融機構的風險抵御能力，同時為投資、信貸決策提供更加精準的分析支持。金融行業生成式 AI 的主要應用場景如下：金融風控：對于風險管理，生成式 AI 能夠自動生成關于貸款申請人或投資項目的詳細調查報告，涵蓋財務狀況、信用歷史、合規性檢查等。通過自然語言處理技術，AI 系統能夠理解有關金融規章制度的提問，為客戶提供準確的信息支持。生成式 AI 還可以輔助生成風控相關算法代碼，例如結合NVIDIA 全棧技術，如 RAPIDS、Spark 和 Deep.Graph.Library（DGL），助力銀行實現自動化反金融犯罪、改善信用風險建模、更好地完成風

59、險管理和欺詐檢測并降低成本。對于欺詐檢測領域，生成式 AI 通過數據增強、模擬欺詐場景等方式提升金融欺詐檢測的準確性。生成式 AI 也可用來生成額外的合成數據，解決真實數據不足的問題，進而優化反欺詐系統。投資策略：生成式 AI 可以分析財務報告、市場研究報告，提取關鍵財務指標和市場趨勢，為投資者提供有價值的洞見。在算法交易領域，生成式AI 通過情感分析社交媒體上的討論，預測市場情緒和趨勢；同時，它能夠將投資者的口頭描述轉化為交易算法的代碼，實現策略自動化。例如，NVIDIA.NeMo.Curator 能夠簡化數據整理任務，如數據下載、清理、質量過濾、精確或模糊數據去重等；NVIDIA.RAPI

60、DS 可在算法交易的因子計算與挖掘和算法開發等環節完成 GPU 加速，提升性能；在生產環節，NVIDIA.31技術革新引領未來生成式 AI 塑造核心發展引擎路徑Triton 可實現算法推理加速，助力金融機構完成算法交易的部署。樂天證券的 AI 虛擬投資助手，運用 NVIDIA RIVA+LLM 技術，根據客戶數據提供個性化投資建議，實現了高度定制化的客戶虛擬投資助手服務。普惠金融：農村金融與小微企業融資面臨的一個共同挑戰是客戶信用數據不足，導致傳統金融服務難以評估其金融風險。生成式 AI 在優化信貸決策方面展現出巨大潛力，例如在農村金融領域，商業銀行借助衛星遙感圖像可識別農作物的生長情況與種植

61、面積，以形成信用資產，再通過生成式 AI解決遙感成像清晰度不高的問題，并且結合地理、天氣、宏觀政策以及市場供需預測等信息，更精準、智能地推薦授信額度；在供應鏈金融領域，生成式 AI 與知識圖譜相結合，能夠完整繪制產業鏈圖譜，進而定位小微企業所在產鏈位置，并綜合上下鏈信息，實現對企業經營行為的全面洞察，以便準確地評估小微企業的信用風險。此外，基于生成式 AI 的 7x24 小時在線聊天機器人能夠為普惠金融、農村金融和小微企業用戶提供即時咨詢服務，解答貸款、投資相關問題。生成式 AI 的應用不僅能夠顯著提升金融服務的便捷性和可負擔性，而且有助于縮小城鄉、大小企業之間的金融服務差距，推動經濟均衡發展

62、。32技術革新引領未來生成式 AI 塑造核心發展引擎3.4 生成式物理 AI：機器人與自動 駕駛要實現在現實環境中高效運作的機器人與自動駕駛系統，關鍵能力在于系統需能區分并理解物體特性，同時將高級決策策略轉化為精確的動作指令。尤其對于自動駕駛汽車而言，由于其普遍采用電力驅動，能效成為了設計與功能實現中的核心考量因素。歷史上，自動駕駛技術面臨的一大挑戰在于如何準確感知并理解復雜多變的周圍環境。生成式物理 AI（Generative.Physical.AI）的興起，為構建能夠靈活應對現實世界不確定性的機器人提供了全新路徑。生成式 AI 技術賦予了自動駕駛汽車感知、理解并執行復雜任務的能力。該技術通

63、常被嵌入到機器人或自動駕駛汽車中，通過集成傳感器與執行器的運動技能，實現對現實世界的深度交互與理解。相較于傳統生成式 AI，生成式物理 AI 進一步整合了對三維空間關系及物體物理特性的深刻認知，顯著提升了系統的智能水平。在開發過程中，開發者利用強化學習在模擬環境中對自動駕駛機器進行訓練，這一方法允許 AI 通過無數次試錯，在安全、高效的數字環境中快速掌握技能。更為重要的是，這些系統還具備從人類示范中學習的能力，從而不斷增強其執行效率與環境適應能力。生成式物理 AI 可以幫助機器高精度地適配各種環境，為機器人提供動力，使其能夠包裝紙箱、幫助制造車輛、提高物流和庫存管理的運營效率，甚至在手術室為醫

64、生提供幫助。相較于傳統生成式 AI，生成式物理 AI 進一步整合了對三維空間關系及物體物理特性的深刻認知，顯著提升了系統的智能水平。33技術革新引領未來生成式 AI 塑造核心發展引擎路徑 機器人：借助生成式物理 AI，機器在多樣化環境中的高精度適應能力顯著提升。自主移動機器人（AMRs）：在倉庫場景下，AMRs 憑借集成傳感器實時提供的數據，能夠在復雜空間內導航，有效規避包括人類在內的各類障礙物，顯著提升作業效率與安全性。機械手操作：通過分析傳送帶上物品的朝向，機械手能精細調整抓取策略，展現出針對不同物品類型的精準操控技能，提高了包裝、裝配等任務的自動化水平。外科手術機器人：在醫療領域，生成式

65、物理 AI 使手術機器人能夠掌握縫合、穿針等高精度手術技巧，展現了其在輔助完成復雜醫療程序中的精確性與靈活性，減輕了外科醫生的工作負擔。自動駕駛汽車（AV）：配備先進傳感器的自動駕駛汽車，在生成式物理 AI的加持下，能夠準確感知并解析周圍環境，無論是在高速公路還是城市街道，都能做出決策。該技術增強了 AV 識別行人、應對交通與天氣變化、自主執行車道變換的能力，使其能夠靈活處理多種不可預見情況，有效提升行駛的安全性與舒適度。智能空間管理：在工廠、倉庫等大型室內區域，生成式物理 AI 通過固定攝像頭與視覺模型，可實現對各類實體與行動的全面監控，進而優化動態路由與運營效率。同時，這些系統能準確識別并

66、解讀廣闊復雜的環境，確保人員安全，提升整體管理水平。34技術革新引領未來生成式 AI 塑造核心發展引擎ORBIT-Surgicalis 項目是 NVIDIA 與大學研究人員合作開發的一個模擬框架，用于訓練手術機器人。這些機器人旨在增強外科團隊的能力，減輕外科醫生在微創手術中的認知負擔。該框架包括腹腔鏡培訓課程中的十幾種操作，如抓取和精確放置針頭等小物體。ORBIT-Surgicalis 基 于 機 器 人 仿 真 平 臺 NVIDIA.Isaac.Sim 開 發，采 用了 由 NVIDIA.GPU 驅 動 的 強 化 學 習 和 模 仿 學 習 算 法。同 時 利 用 NVIDIA.Omniv

67、erse 和通用場景描述（OpenUSD）技術進行逼真渲染，增強了模擬的真實感。這種設置可以生成高保真合成數據，幫助訓練 AI 模型，如，在真實世界中分配手術工具等任務的視頻。與現有的手術框架相比，通過利用.GPU.加速和并行化優勢的手術模擬器，醫療團隊能夠將機器人的學習速度提高一個數量級。案例一：生成物理 AI 用于外科手術案例二：簡化制造工廠機器人開發流程全球約有.1,000.萬家工廠，總價值達.46.萬億美元，制造業為使用生成式物理AI 提供了大量機會。電子產品制造商富士康正在利用數字孿生來訓練 AI 機器人，從而提高工廠的自動化水平。通過利用包括 Teamcenter 在內的西門子 X

68、celerator 產品組合和 NVIDIA.Omniverse，富士康正在創建一個虛擬環境，以簡化 NVIDIA.Blackwell.HGX 系統的生產流程。35技術革新引領未來生成式 AI 塑造核心發展引擎路徑在數字孿生系統中，富士康的工程師使用 Omniverse 將 3D.CAD 元素集成到一個單一的虛擬工廠中，并在其中使用 NVIDIA.Isaac.Sim 對機器人進行訓練。如愛普生的機器人，通過 NVIDIA.Isaac.Manipulator（機械臂軌跡規劃功能）學習物體操作等復雜任務。此外，由臺灣 FARobot 公司開發的富士康自主移動機器人（AMR）可利用 NVIDIA.I

69、saac.Perceptor（3D.環視感知）在工廠車間內導航，創建實時 3D 地圖并避開障礙物，NVIDIA.cuOpt 則提供路線優化功能。這種先進的培訓和模擬環境有望顯著提高生產效率，每年可降低成本和能源消耗.30%.以上。生成式 AI 的發展和其在各行業業務場景的融合密不可分，互相促進；換言之，生成式 AI 的發展離不開算力的支持和業務場景的需求，行業合作伙伴也同樣需要考慮開發工具的易用性、調取模型的開放性以及行業解決方案能力。36技術革新引領未來生成式 AI 塑造核心發展引擎第四章 NVIDIA 的生成式 AI 技術：重新定義計算與智能的邊界對大多數企業而言，大規模的算力資源投入不會

70、成為其發展生成式 AI 的核心，端到端的全棧解決方案才是其落地生成式 AI 的關鍵。NVIDIA 作為全球領先的加速計算公司，無論是在底層硬件資源，還是軟件平臺、加速框架、開發工具、行業應用方案等方面，均有著豐富的技術棧和經驗，是行業擁抱生成式AI戰略的理想合作伙伴。4.1 硬件支撐：為生成式 AI 提供卓越計算能力底層算力支持對于 AI 發展的重要性不言而喻。GPU 為深度學習模型提供高效的并行計算能力和數據處理能力，有效加速生成式 AI 的訓練和推理過程。然而，隨著模型參數量的飛速增長以及模型模態的復雜化，單節點計算能力日漸面臨瓶頸。實現計算能力可擴展的關鍵，在于組建計算集群，滿足日益增長

71、的大模型訓練、推理，以及 AI 應用部署的算力需求。因此，除了單卡算力外，37技術革新引領未來生成式 AI 塑造核心發展引擎路徑運算架構對于算力的智能調度，網絡通信對于單卡之間交流損耗的彌補，也都至關重要。具體來說，NVIDIA 的 GPU 架構從 Fermi 到 Hopper，每次架構升級都帶來性能和能效上的顯著提升。新一代的 Hopper 架構中，NVIDIA 更新了Tensor.Core，以專用的硬件單元加速模型訓練和推理等 AI 工作負載，并引入 Transformer 引擎，實現 FP8/FP16 混合精度計算，動態調整算力，在保持準確性和提供更強安全性的同時，提高吞吐量，加速生成式

72、 AI 的所有工作負載，從而實現效率與性能同時增長。在網絡方面，NVLink 與 NVSwitch 提供高帶寬和低延遲的數據傳輸，以保證計算集群運行的高效性。NVLink 技術可用于 GPU 之間的高速點對點互連，提供高帶寬和低延遲的數據傳輸，并通過 Peer.to.Peer 技術完成 GPU 顯存之間的直接數據交換，進一步降低數據傳輸的復雜性。這對于分布式環境下運行的復雜 AI 模型尤為重要；更快的縱向互聯有助于服務器集群內每個 GPU 性能的充分釋放，從而提升整體計算性能。在此基礎上，NVSwitch 實現了服務器中多 GPU 之間的高帶寬、任意連接，完成多 GPU 通信任務。計算集群規模

73、受互聯帶寬的限制，會導致 GPU 的利用率隨集群規模擴大而降低。對此，NVIDIA 提供 InfiniBand 高速網絡，提升 GPU 集群的擴展性。InfiniBand 支持可編程擁塞控制和動態路由，在訓練過程中能夠同步優化數據整合流程，從而實現所有端口均以全線速進行數據傳輸，并極大地減輕了交換機對計算性能的制約。此外，InfiniBand 還結合 SHARP（Scalable.Hierarchical.Aggregation.and.Reduction.Protocol，可擴展分層次聚合和歸約協議）技術，減少了網絡傳輸的數據量，縮短消息傳遞接口（MPI）操作的時間，并提高數據中心效率。作為

74、 AI 應用的核心基礎設施，NVIDIA 數據中心可以為生成式 AI 提供強大的計算和存儲能力，確保 AI 應用能夠穩定運行并處理大量數據。針對不同的 AI作為 AI 應用的核心基礎設施，NVIDIA 數據中心可以為生成式 AI 提供強大的計算和存儲能力，確保 AI 應用能夠穩定運行并處理大量數據。針對不同的 AI 部署需求和算力需求規模，NVIDIA 提供適應多等級數據中心的部署方案。38技術革新引領未來生成式 AI 塑造核心發展引擎部署需求和算力需求規模，NVIDIA 提供適應多等級數據中心的部署方案。與此同時，云原生技術利用容器化、微服務、持續集成和持續部署等技術為 AI應用的開發和部署

75、提供全新的方式。這些都為更快速地構建、測試和部署 AI應用提供了良好的基礎。4.2 軟件與工具：構建全面的 AI 開發生態單獨的加速算力設施難以成為生成式 AI 生產化的有效工具，為此，NVIDIA.AI.Enterprise 為 AI 技術的加速落地提供全?；С?。該平臺是一個云原生的軟件平臺，可以簡化生產級 AI 解決方案開發和部署的工作，涵蓋生成式 AI、計算機視覺和智能語音等諸多方向。其微服務架構不僅易用，還能夠在企業級安全、服務支持和穩定性等方面提升模型表現，確保 AI 解決方案平穩過渡到生產環境，為企業提供 AI 支持。為實現生成式 AI 的快速部署，NVIDIA.AI.Enter

76、prise 包含了大量為特定應用場景服務的軟件開發工具集和模型，針對不同行業和場景需求做了適配。例如，NVIDIA.NeMoTM是一個用于開發定制生成式 AI 的端到端平臺，其中包括用于訓練、定制和檢索增強生成、防護和工具包、數據整理工具以及模型預訓練的工具；Clara 用于醫療行業，輔助醫療影像識別和醫藥研發等場景；Picasso 則支持開發人員開發和部署用于視覺內容創建的模型。這些預備制化的工具集使用戶可以快捷、方便地按需部署運行。這些工具集相互協同，使企業能夠順利遷移到最新版本的開源工具，而不會引發連鎖反應。通過 NVIDIA.AI.Enterprise 預配置的工具，用戶能夠快速、無阻

77、地進行相關應用的部署升級。企業可直接試用先進的基礎模型（如 Llama2，Stable.Diffusion，Nemotron-3 等），也可通過 NVIDIA.NeMo 利用專有數據對基礎模型進行調NVIDIA AI Enterprise平臺上目前已經發布了超過 4,500 個 軟 件 包（涵蓋開源與第三方選項）以及 60 多個 NVDIA CUDA libraries。這些工具集相互協同，使企業能夠順利遷移到最新版本的開源工具。39技術革新引領未來生成式 AI 塑造核心發展引擎路徑優和測試。這些基礎模型使用了負責任來源的數據集，企業可將應用連接到API 端點，在任意位置部署和運營模型。.NV

78、IDIA.AI.Enterprise.軟件套件還支持.AI.開發，并包含針對底層計算資源的管理優化解決方案。用于加速數據準備：用于加速數據準備：用于.AI.和數據開發與部署的工具集集成了.RAPIDS.等先進工具，可通過.RAPIDS.cuDF（加速.pandas.數據幀）和.RAPIDS.accelerator.for.Spark（加速.Spark）等零代碼更改工具加速數據預處理，使開發人員能夠加速其現有代碼。圖 11 AI 用例與工作流來源：NVIDIA,2024Speech AILLMRecommendersCybersecurityMedical ImagingVideo Analyt

79、icsRoute OptimizationMore40技術革新引領未來生成式 AI 塑造核心發展引擎 用 于 大 模 型 訓 練：NVIDIA.AI.Enterprise 可 與 TensorFlow 和 PyTorch等主流 DL 框架協同工作，結合 NVIDIA 基于遷移學習技術的低代碼框架TAO，為開發人員創建一個多樣化、高效的開發生態系統。用于模型推理優化：TensorRT-LLM.專注于模型推理階段的性能優化，確保算法應用達到最佳運行效率。用于大規模部署：Triton.專為大規模部署而設計，可確保復雜企業環境中模型服務的穩定性和可擴展性。圖 12 NVIDIA AI 模型開發與部署工

80、具來源：NVIDIA,2024NVIDIA 還提供了豐富的工具棧幫助企業實現更便捷的模型部署和應用開發。云原生管理和編排工具，通過虛擬化、模塊化、容器化手段來高效率和靈活地調用云資源，在優化模型性能的同時，提高模型可遷移性；計算集群管理工具，實現對集群的自動調配和管理，支持與 Kubernetes 進行編排，為多云和混合云環境中的異構 AI 和高性能計算集群提供快速部署和端到端管理體驗；最后，算力基礎設施加速工具，完成對 GPU 算力的優化配置。NVIDIA RAPIDSNVIDIA TensorRT-LLMNVIDIA TAO ToolkitPyTorch/TensorFlowNVIDIA

81、Triton Inference Server加速數據準備規?；Ｐ陀柧毮Ｐ屯评韮灮幠；渴?1技術革新引領未來生成式 AI 塑造核心發展引擎路徑微服務架構在 AI 開發中發揮著重要作用，它能夠將復雜的 AI 應用拆分為一系列小型、獨立的服務，從而提高系統的可擴展性和靈活性。NVIDIA.NIM 作為NVIDIA.AI.Enterprise 的重要組成部分，專為加速企業級生成式 AI 的推理部署而設計。NVIDIA.NIM 是 NVIDIA.AI.Enterprise 的一部分，是一套易于使用的預構建容器工具，目的是幫助企業加速生成式.AI 的部署。這些預構建的容器支持多種 AI 模型。只需

82、一個命令，NIM.微服務即可幫助企業客戶部署 AI 模型，以便使用標準 API 和幾行代碼輕松集成到企業級 AI 應用程序中。NIM 基于可靠的基礎設施（包括.Triton.推理服務器、TensorRT、TensorRT-LLM.和.PyTorch.等推理引擎）構建，旨在促進企業客戶根據其自身需求和選擇大規模無縫進行 AI.推理，從而確保企業可以滿懷信心地在任何地方部署 AI 應用程序。無論是在本地還是在云端，NIM 都能高效實現大規模加速生成式.AI.推理。圖 13 NVIDIA 算力的基礎設施管理工具 來源：NVIDIA,2024NVIDIA vGPUNVIDIA Magnum IOTMN

83、VIDIA CUDA算力設施性能優化工具NVIDIA Base Command|Manager Essentials計算集群管理工具 NVIDIA GPU OperatorNVIDIA Network Operator認證伙伴集成：運維./.容器編排./.虛擬化云原生適配管理和編排工具42技術革新引領未來生成式 AI 塑造核心發展引擎NIM 提供了兩種靈活的試用方式：一是通過 preview.API，該 API 涵蓋了全面的 AI 模型庫，用戶可以試用并構建 AI 工作流的原型；二是預構建容器，可供用戶直接下載并在自有基礎設施上部署，可在 5 分鐘內完成從下載到運行的全過程。無論是選擇在 NV

84、IDIA.NGC 云平臺上使用 preview.API，還是在本地基礎設施上部署預構建容器，NIM 均統一提供了一套標準化的 API 接口，最終用戶可以輕松地將 AI 功能作為關鍵組件嵌入到其應用程序中，享受無縫的集成體驗。NVIDIA.AI.Enterprise 不僅提供適合.AI.從業者的出色開發工具、框架和預訓練模型，而且能充分滿足.IT.專業人員在管理和編排方面的要求。這意味著，企業可以在性能、高可用性和安全性上獲得全面保障。性能上，NVIDIA.NIM微服務提供了優化的運行時間，簡化了生成式 AI 的開發；安全上，NVIDIA.AI.Enterprise 通過持續監控安全漏洞和模型定

85、制所有權來保護公司數據和知識產權；部署上，基于標準的容器化微服務可以運行在云端、數據中心和工作站上，確保運行位置不受限；穩定和可靠性上，通過 API 穩定性、軟件管理和 NVIDIA.Enterprise.Support 預測軟件生命周期，幫助確保項目保持平穩進行。43技術革新引領未來生成式 AI 塑造核心發展引擎路徑數據準備規?；渴饍灮评?.3 端到端的解決方案：加速 AI 應用的部署與運行伴隨著技術的進步，用戶的需求不再集中于某個單獨的場景問題，尤其是大模型的發展為企業提供了 AI 應用規?；涞氐目赡?。在此背景下，走向端到端解決方案是必然趨勢。此轉型不僅超越了軟硬件的簡單疊加，更實現

86、了數據流程的全程優化與協同，是提升效率、強化安全、優化體驗的關鍵。端到端策略不僅體現了深度整合能力，更是協調優化數據全流程、提升體驗感的關鍵所在。NVIDIA 注意到全棧解決方案對于大語言模型（LLM）的重要性，并為此構建了一個全面的技術生態系統。這一生態系統覆蓋了高端硬件、專業軟件框架，直至模型的訓練與部署全流程。硬件層面，NVIDIA 依托其多樣化 GPU圖 14 NVIDIA AI 應用解決方案來源：NVIDIA,2024AI訓練AI 超級計算機AI 平臺軟件AI 模型與服務44技術革新引領未來生成式 AI 塑造核心發展引擎產品，加上高速 GPU 間通信技術如 NVLink 與 NVSw

87、itch，為模型運行提供了堅實基礎。此外，NVIDIA 設計的高性能服務器，配置多塊 GPU 并可擴展為集群，極大提升了處理能力，滿足大規模運算需求。軟件方面，NVIDIA 推出了 NeMo 框架可以端到端地滿足整個.LLM.工作流的需求，其中涵蓋數據處理、生成式 AI 模型訓練和推理等方面的需求，簡化并加速了開發流程。在模型訓練和推理環節，NVIDIA 推出 HGX 和 MGX 服務器，實現大規模運算能力的擴展，并憑借 GraceHopper 等超級芯片為模型運行提供最大化的性能支持。針對不同數據模態的大模型，NVIDIA 亦有布局。例如，在文本生成圖像領域，基礎模型 Picasso 服務于

88、文生圖應用，能夠基于文本數據進行高效訓練與微調。而對于融合多種模態數據的大模型，NVIDIA.Edify 則表現更佳，不僅能夠生成高質量的 3D 模型、物理材質及圖像，還在藝術與創意產業中推動了產品的快速創新與迭代，顯著提升了工作效率。在藥物研發領域，NVIDIA.Clara.Discovery 集成了 GPU 加速及優化的框架、工具、應用和預訓練模型。BioNeMo 是一種特定領域的框架，用于在超級計算規模下訓練和部署基于 NeMo.Megatron 的生物分子 LLM，框架包含Transformer 架構的多種模型。該框架有助于醫藥企業預測蛋白質結構，探索化學反應、掃描候選藥物和分子模擬，

89、可幫助科學家和研究員更快地將藥物投向市場。在基因組學領域，NVIDIA.GPU 的計算資源和 NVIDIA.Clara.Parabricks 工 具 包 有 助 于 研 究 者 更 快 地 完 成 基 因 組 測 序。NVIDIA.Clara.Parabricks 作為一整套現成的基因組學分析解決方案組合，旨在提高速度、優化準確性和可擴展性，支持從 DNA 到 RNA 的分析，以及用于開展初級分析、二級分析和三級分析的應用流程。研究員可利用 NVIDIA 解決方案分析細胞突變的分子特征，識別病毒的突變體變異情況，助力攻克癌癥和病毒。在自動駕駛領域，NVIDIA 生成式 AI 可協助車企構建軟件

90、定義智能駕駛汽車，其解決方案覆蓋了從感知層到決策執行的各個環節，其 NVIDIA.DRIVE 平臺集成了高性能計算能力，包括 DRIVE.Thor.SoC，能夠為車輛提供托管自動駕駛功能和車載 AI 應用的基礎，再配合 DRIVE.OS 安全操作系統確保智駕的軟件方面，NVIDIA 推出了 NeMo 框架可以端到端的滿足整個 LLM 工作流的需求，其中涵蓋數據處理、生成式 AI 模型訓練和推理等方面的需求，簡化并加速了開發流程。45技術革新引領未來生成式 AI 塑造核心發展引擎路徑安全性。決策與路徑規劃方面，DRIVE.Chauffeur 平臺依托強大的 SoC 資源，能夠很好地應對復雜路面情

91、況，制定安全高效的行駛策略。NVIDIA 還通過DRIVE.Sim 和 Constellation 仿真系統，借助生成式 AI 創造多樣化的測試場景，加速算法驗證與迭代。此外，DRIVE.Concierge 作為智能數字助手，融入自然語言處理能力，提升了用戶在智能座艙中的體驗。這一系列方案不僅緊密協同，還嚴格遵循行業安全標準，共同推進了自動駕駛技術的成熟與廣泛應用。企業在推進生成式 AI 應用的過程中，需細膩打磨每一個核心環節，從數據到技術，再到成本與安全，每一環都需精心布局，以實現技術的高效運用和業務的穩健發展。46技術革新引領未來生成式 AI 塑造核心發展引擎第五章 前景與戰略：生成式 A

92、I 將會持續落地，引領產業全面邁向數字化時代5.1 生成式 AI 未來趨勢：應用邊界不斷拓展，持續發揮智能化價值多模態 AI 崛起生成式 AI 的競爭焦點正逐漸從單模態領域擴展到多模態戰場。IDC 數據顯示，至 2023 年底，中國的數據量將攀升至 30.962.EB，并有望在 2028 年達到97,057.EB，期間年復合增長率預計為 25.7%11。隨著數據量的激增，海量多模態數據的標注和訓練也將帶動數據采集、存儲、標注、治理產品的新一輪升級。IDC 認為，未來多模態 AI 擁有良好的發展前景，同時其還將促進自然語言處理（NLP）和計算機視覺（CV）等技術領域的瓶頸突破，形成協同效應。11

93、:Worldwide IDC Global DataSphere Forecast,20242028:AI Everywhere,But Upsurge in Data Will Take Time47技術革新引領未來生成式 AI 塑造核心發展引擎路徑生態系統逐步構建生成式 AI 的長遠發展依賴于一個健康、開放的生態系統。這一生態系統的核心在于促進技術的標準化與模塊化，確保不同組件間無縫對接，加速技術從實驗室走向實際應用。具體來說，通過數據平臺、AI 平臺和計算資源的開放，企業不僅能夠吸引眾多開發者和合作伙伴，更能夠促進自身產品深化。除此以外，開源大模型也是豐富生態的路徑之一。目前，LLaMA

94、、ChatGLM 都是開源的通用模型。對于用戶來說，開源模型可以進行本地部署，提升數據安全性；對于技術廠商來說，通過開源大模型，企業能夠共享研究成果、加速技術創新。通過生態合作模式，能夠有效緩解單一企業或研究機構所遭遇的資源局限，加速技術突破的進程。算力的重要地位依舊智能算力作為驅動 AI 大模型發展的核心動力，其需求隨著模型規模的不斷擴大而上升。據 IDC 測算，2022 年我國智能算力規模已達到 260EFLOPS（每秒百億億次浮點運算次數），到 2027 年這一數字將躍升至 1117EFLOPS，期間的年復合增長率預計將高達 33.9%12。伴隨算力需求的激增，服務器需求量亦同步攀升。為

95、了滿足需求，不少企業開始聚焦數據中心建設和運營。除此之外，特定的 AI 芯片也是重要發力方向，如 ASIC 和 TPU，它們能夠針對特定的算法和工作負載進行優化，降低能耗，提升算力效率。展望未來，更多的定制化芯片將會被推出，以適應多元化的 AI 應用場景?？沙掷m數據中心戰略持續發展為了應對新技術所帶來的能耗挑戰，低碳、綠色可持續的數據中心戰略對企業乃至國家都極為重要。數據中心的戰略不再是傳統硬件和基礎設施的管理升級，基于加速計算平臺構建高效易用的數據中心將成為新趨勢。在這個過程中，還需要對軟件和算法進行關注，通過對網絡架構進行優化，從而提高數據的傳輸據 IDC 測算，2022 年我國智能算力規

96、模已達到260EFLOPS（每秒百億億次浮點運算次數），到2027 年這一數字將躍升至 1117EFLOPS，期 間的年復合增長率預計將高達 33.9%。12:IDC 2023-2024 年中國人工智能計算力發展評估報告48技術革新引領未來生成式 AI 塑造核心發展引擎效率并預防系統潛在風險，最終實現單位功耗（比如生成每 100 個 token 所消耗能源）的大幅降低。除此之外，在數據中心中采用風能、太陽能和水能等可再生資源，提高每個服務器的 AI 應用密度，以及通過靈活選址策略等方式，均能有效降低電消耗和碳足跡，也有助于達到控制運營成本的效果。例如Project.Natick 的海底數據中心

97、，利用海水進行冷卻，大幅降低了冷卻系統的能耗；DeepMind 的新算法，也是通過優化數據中心的冷卻系統來減少能源的消耗；硬件創新方面，Blackwell.GPU 有效解決了大數據處理中的通信瓶頸問題，進而提升了能源使用的綜合效率。這些綠色數據中心的實踐為行業帶來了實際的價值，也體現出了企業的社會責任感，在經濟、環境以及品牌形象等方面都具有正向價值。5.2 IDC 建議：面向企業：技術為本，效益為先，與時俱進兼顧上下級的從屬關系建立完善的合作體系在數據方面，據 IDC 統計，無論是中國企業還是全球企業，在生成式 AI 模型中都在使用多種數據源。值得注意的是，在中國有 60%13的企業在構建和運

98、用生成式 AI 模型時，選擇融入由第三方提供的且經過合法授權的數據資源，這一調研結果不僅凸顯了企業對高質量數據的依賴，也反映了在 AI 技術推進的浪潮中對外部數據合作的重視與接納。市場需求不斷增長，國家對于數據權限的確定也在不斷明晰，企業在拓展市場的過程中應盡快與數據所有者建立合作機制，需要建立一套完善的體系，避免地理區域所帶來的沖突關系?？偟膩碚f，構建一個結合自主研發、開放合作、高效管理與前瞻視野的技術創新生態系統，對于技術廠商而言至關重要，這不僅能夠促進技術的快速成熟與應用，也是在復雜市場環境中穩固地位、把握未來機遇的關鍵所在。在中國有 60%的企業在構建和運用生成式 AI 模型時，選擇融

99、入由第三方提供的且經過合法授權的數據資源，這一調研結果不僅凸顯了企業對高質量數據的依賴，也反映了在AI 技術推進的浪潮中對外部數據合作的重視與接納。13:IDCs Future Enterprise Resiliency&Spending Survey,Wave 2,2024 年 2 月,n=896（北美:371,歐洲與其它地區:225,亞太:300 中國:100）49技術革新引領未來生成式 AI 塑造核心發展引擎路徑加快技術創新凸顯端到端解決方案的優勢IDC 數據顯示，生成式 AI 帶動的基礎設施、平臺/模型、應用程序和服務的支出預計在 2023 年至 2027 年將以 73%的復合年增長率

100、增長14。技術廠商想要在藍海市場中保持領先地位，就需要聚焦技術創新與協作策略的不斷融合。目前，基礎大模型的同質性較強，企業應著眼于行業、場景領域，將重心放在解決方案的完整性，以及產品的易用性、系統兼容性等方面上。未來，隨著生成式 AI 的法律法規不斷完善，企業的競爭優勢將會逐漸轉移到實際應用上，具體包括 AI.Agent、安全可信、數據服務等?；诖藰嫿ǖ囊惑w化解決方案能夠降低企業對新技術的應用門檻，滿足用戶的多元化需求。通過優化架構打造靈活的成本控制隨著市場的變化速度加快，企業的不確定性也逐漸增多，在成本控制和企業運營方面需要更加靈活的策略來適應多變的業務需求。從部署方式來看，邊緣計算正日益

101、成為主要的 AI 訓練和推理環境之一，云部署也在快速增長；AI 服務器的本地部署增長雖相對緩慢，但仍呈現健康的增長趨勢。根據 IDC 調研結果顯示，三分之一的企業已將 AI 融入其生產流程，另有半數企業正處于與 AI技術融合的探索階段或自主研發符合其特定需求的 AI 模型15。除了部署方式外，發力微服務架構、優化成本結構也應是企業重要布局方向，微服務的應用不僅允許企業根據實時需求動態調整資源分配，避免資源閑置造成的浪費，還在硬件與軟件層面推動了更高層次的虛擬化與選擇自由度，進一步降低了成本并提升了系統靈活性。通過技術升級確保用戶的信息安全伴隨著技術發展，安全和個人隱私已經逐漸成為用戶關注的重中

102、之重。企業應在多層次防御方面進行發力，在硬件中內建加密加速器和安全處理器，為生成式 AI 后續應用提供基礎的安全保障。在軟件層面，則需要重點關注數據的加根據 IDC 調研結果顯示，三分之一的企業已將 AI融入其生產流程，另有半數企業正處于與 AI 技術融合的探索階段或自主研發符合特定需求的 AI 模型。14:The Potential Impact of Generative AI on the Global DataSphere and Global StorageSphere15:IDCs June 2023 Future Enterprise Resiliency and Spendin

103、g Survey,Wave 550技術革新引領未來生成式 AI 塑造核心發展引擎密策略和具體到人的訪問和控制權，利用差分隱私技術結合生成式 AI 帶來的無間斷安全檢測系統，持續監督潛在危險，為用戶帶來安全性的持續升級。在風險應對方面，構建完善及時的響應機制，保證能為用戶提供最快速的解決方案，最大限度減少客戶損失，則是企業需要提供的服務之一。國際數據公司（IDC）是在信息技術、電信行業和消費科技領域，全球領先的專業的市場調查、咨詢服務及會展活動提供商。IDC 幫助 IT 專業人士、業務主管和投資機構制定以事實為基礎的技術采購決策和業務發展戰略。IDC 在全球擁有超過 1100 名分析師，他們針對

104、 110 多個國家的技術和行業發展機遇和趨勢，提供全球化、區域性和本地化的專業意見。在 IDC 超過 50 年的發展歷史中，眾多企業客戶借助 IDC 的戰略分析實現了其關鍵業務目標。IDC 是 IDG 旗下子公司，IDG 是全球領先的媒體出版，會展服務及研究咨詢公司。IDC 中國（北京）：中國北京市東城區北三環東路 36 號環球貿易中心 E 座 901 室郵編：100013+86.10.5889.1666 idc idc凡是在廣告、新聞發布稿或促銷材料中使用 IDC 信息或提及 IDC 都需要預先獲得 IDC 的書面許可。如需獲取許可，請致信。翻譯或本地化本文檔需要 IDC 額外的許可。獲取更多信息請訪問 ，獲取更多有關 IDC GMS信息，請訪問 https:/ 2024 IDC。未經許可，不得復制。保留所有權利。技術革新引領未來生成式 AI 塑造核心發展引擎