华为-迈向智能世界白皮书2023版-云计算

迈向智能世界白皮书2023

云计算

AI重塑千行万业

趋势一：人工智能重塑千行万业，已从点级走向应用与系统级

人工智能技术在快速发展，但人工智能应用于各行业都需要一个过程，基于各行业众多的创新实践，AI应用到商业系统可以分为三个层次：

•点级解决方案：AI解决非常具体的问题，用于改进现有流程的某个环节且可独立部署，不改变系统。

•应用级解决方案：AI解决一系列问题，使能独立可部署的新流程，也不改变系统。

•系统级解决方案：AI能够同时改进多个现有流程，或者通过改变相互依赖的流程使能多个新流程。

回顾历史，从蒸汽时代到电力时代的转变过程中，一个传统蒸汽作业的工厂同样经历了，先从单一设备气改电的点级方案开始，然后实现围绕一条生产线的应用级改造，最

终实现所有设备、所有生产线乃至整个工厂的系统性、全面电气化转型。

通过当前各行业围绕人工智能的典型创新实践看到，人工智能应用于各行业正在从点级走向应用与系统级，如下图所示

点级解决方案应用级解决方案系统级解决方案

•银行：智慧营销、风控等

•运营商：网络站点开通、告警压缩等

•矿山：主运皮带运输异物识别等

行业•电网：输电线路巡检、分布式能源管控等•银行：智能数据洞见、风险报告生成（新流程）

•基于数字孪生、行业大模型等重构多个

•制造：质量检测等•矿山：井下综采远控（新流程）

创新业务流程（运营商、金融、矿山…等实

•港口：集装箱识别、安全监测等•运营商：网络外线运维助手（新流程）

践探索中）

实践•机场：出行一张脸等•港口：智能计划平台（新流程）

•水泥：生产实时优化等•媒体：内容智能生成（新流程）

•家装：AI辅助出图等•…

•数据中心：节能等

•…..

参考:PowerandPrediction:TheDisruptiveEconomicsofArtificialIntelligence

2

行动建议：战略驱动是根本、数据底座是基础、人工智能是核心

智能化的旋律一旦奏响，便将穿透企业内部的边界，连点成线、聚线成面。人工智能将驱动生产力从“量变到质变”，并逐步成为经

济发展的核心引擎，重塑千行万业。在我们看来，对数智化转型而言：战略驱动是根本、数据底座是基础、人工智能是核心。

•智能化是数字化的新阶段，系统性地引入智能化要对准企业或组织战略方向，支撑战略达成，实现既定的商业目标。成功的数字化、

智能化转型，都是由战略驱动，而非技术驱动。

战略驱动+

商业目标牵引•结合战略方向，通过清晰的商业成效目标牵引，价值场景先行：企业内可能用到人工智能的环节场景众多，避免为了替换而替换，企

业需清晰定义引入人工智能后期望达到的成效目标，从而识别价值场景先行引入人工智能。

•人工智能无论是点级、应用级、系统级方案都需要用到大量数据资产，构建企业级数据底座势在必行。通过作业数字化、数字平台化，

企业级数据

使得数据清洁、透明、聚合，这是转型的基础。结合对数据的科学治理，数据在企业内部的流动才具有意义，不同维度的数据汇聚在

底座是基础

一起，才能创造新的价值。

•从产业变革与升级的角度看，AIforIndustry将成为人工智能接下来的主要方向，AI与各个行业的结合将会走向深度。例如，在垂直金

融领域，BloombergGPT大模型在海量金融数据的基础上，为金融分析师提供智能服务，标志着通用大模型与金融行业深度结合的开始。

人工智能大模型

+行业是核心•大模型将成为AI的操作系统，从使用和成本多个角度大模型接下来会加速与硬件的适配，所有的AI算法可以围绕大模型进行构建和应用。

虽然AI大模型具备场景通用、泛化和规模化复制等优势，但如果需要深入解决复杂的各大垂直行业场景问题，AI大模型融入行业知识被

视为是重要的机制与技术路径

3

行业实践：基于工业互联网架构，以人工智能为核心打造智慧矿山

煤矿生产是一项复杂、危险性较高的工作，当前在几百米井下仍需大量人员现场作业，因此少人无人、安全高效是煤矿智能化追求的重要目标。智能煤矿的本质是工业互联网架构在煤矿行业

的变革，一定要有统一的标准、统一的架构、统一的数据规范，在这个架构下面，数据成为生产资料，人工智能成为新生产力。所以智能煤矿的核心就是以云为基础，数据为要素，通过人工

智能替代人从事危险工作、重复劳动，沉淀专家经验。

•点级解决方案：AI使能业务场景智能化，基于盘古矿山大模型的AI主运智能监测系统代替人工巡检，全时段智能监测，精准识别大块煤、锚杆等异常，准确率达98%，保障了主运皮带的

正常运行，减少井下20%巡检人员；基于矿山大模型的AI掘进作业序列智能监测系统，精准识别掘进作业规范如钻眼深度、搅拌时间等，用过程的确定性解决人为因素的不确定性，保障

了井下人员作业安全。

•应用级解决方案：5G+AI使能新应用、新流程，通过5G实现上百路高清视频实时回传，结合人工智能拼接技术，从九宫格到40米全景画面保障采煤机远程精准操控，让煤矿工人从井下走

到井上，在办公室里就可以实现远程采煤作业，大大改善了工作环境，同时，提高了整个煤矿的安全生产水平。

•系统级解决方案：基于工业互联网架构，通过IoT物联平台统一接入3000+煤矿生产设备，统一数据标准入湖，结合大数据底座打通煤矿各子系统，统一治理OT与IT系统数据，为管理人员

提供全场景全要素的实时信息，快速构建数字孪生矿山，基于矿山大模型的能力，由点级和应用级扩展至系统级解决方案，快速复制到采煤、掘进、主运、辅运、提升、安监、防冲、洗选、

焦化9个专业21个应用场景，实现AI应用大规模下井。

基于工业互联网架构，打造智慧矿山

3.0系统级解决方案

5G+AI使能新应用、新流程基于工业互联网架构，通过数智融合平台，构建智慧矿山

通过AI大模型快速落地采、掘、机、运、通等1000+场景

AI使能业务场景智能化2.0应用级解决方案

统一架构|统一标准|统一数据规范

1.0点级解决方案综采系统，几百路视频实时回传，结合人工智能拼接平台开放、架构解耦，向下统一接入各种装备，向上使能应用创新

实现全景远程操控，采煤司机由井下到井上

主运系统，异物识别精度达98%采煤掘进机电运输通风无人驾驶人员行为

掘进作业，动作规范识别准确率95%智能应用

应用使能数据使能

低代码/零代码矿山AI大模型逻辑数据湖

AI使能

云基础设施

公有云混合云AI算力中心

主运掘进计算|存储|网络|安全

矿山工业承载网络

5GF5GWi-Fi6IoT

智能物联操作系统

掘锚机监测监控传

人员定位综感器

采煤机

主运胶带机集控中心合分站

支架巡检机器人泵站

4

目录

01趋势一：人工智能重塑千行万业，已从点级走向应用与系统级

02趋势二：AIforIndustry，加速行业应用创新落地

趋势三：大模型驱动应用变革，AIGC重塑应用全生命周期，从代码为

03

中心走向模型为中心

04趋势四：AI云服务逐渐成为企业构建大模型首选

5

趋势二：AIforIndustry，加速行业应用创新落地

伴随着大模型领域的创新突破，生成式AI掀起智能化升级的新一轮浪潮。千行万业是推动社会经济发展的核心引擎，大模型要真正发挥价值，就要走入千行万业。同时，多模态大模

型兴起与行业场景业务诉求的双轮驱动，使得AIforIndustry大有可为，加速行业应用创新落地。

•技术方面：大模型走向多模态、多任务。通过融合图像，语言以及未来行动等多方面能力实现更加通用的智能，目前实现方式既有融合多模态，也有组合多模态，通过对海量数据

的预训练，不断提升基础大模型的通用能力，满足复杂多样的行业场景诉求。

•业务方面：大模型逐步走向行业应用实现更大的商业价值。在通用预训练大模型的基础之上加入行业数据，使用行业数据进行更新训练，生成适用于行业的大模型是未来发展的必

经之路。

目前，问答、生成场景如回答问题、撰写文章、文本摘要、语言翻译和生成计算机代码等任务，已经在行业场景中逐步落地，提升了企业生产效率。为了进一步创造更大的商业价值，

各行业正在探索通过行业大模型对已有业务及流程进行重塑，加速AI行业应用创新落地，创造新的业务模式，带来新的业务增长。

挑选生成式AI项目

融合多模态⚫⚫

…营销医学诊断

PaLM-E⚫

Kosmos-1学习⚫生成代码

…⚫审稿⚫

Microsoft高法律咨询

OpenAIX-LLM⚫⚫

DeepmindLLaVA代码审查商业智能

GPT-4⚫

Frozen构思⚫监管/合规

AGI需⚫

快速设计与审查⚫技术出版

求

大模型走向多任务、多模态

⚫奇思妙想的应用（如

编写推特自我介绍）

⚫

TaskMatrix.AI低⚫创作（图片、玩笑、专业技术咨询

VisualChatGPT诗歌等）

HuggingGPT

组合多模态低高

难度

来源:哈佛商业评论

6

行动建议：从“读万卷书”到“行万里路”，

基于分层解耦的三层架构构建行业大模型

从通用大模型到行业大模型业界已有诸多实践，从构建范式来看，分层解耦的三层架构获得了业内的一致认可。

L0层是基础大模型，包括自然语言、视觉、多模态、预测大模型、科学计算等大模型，提供满足行业场景的多种基本技能。

•L0层就是读万卷书的阶段，通过自监督训练技术，让模型从海量的无标签数据中学习和记忆，从而掌握基本常识。这一阶段数据量非常巨大，包含海量的图像、文本、图文对，必

须在超大规模集群上才能进行训练。然后基于L0层存储的大量知识，通过有监督精调技术和强化学习来对模型进行引导，类似于名师进行指导，让模型在收集的海量高质量题库上

进行大量练习，练就出上百种能力，才能将存储的知识灵活地加以运用，去解决实际问题。

L1层是行业大模型，基于基础大模型加行业知识，提供适配行业特征的大模型，打造政务、金融、制造、矿山、气象等各行业大模型。

•读了万卷书，有了名师指导，接下来就进入行万里路阶段。行万里路就是将模型应用到行业场景中，学习行业的专业知识，在工作流程中进行大量锤炼，从而得到各个行业大模型。

L2层提供更多细分场景的模型，它更加专注于某个具体的应用场景或特定业务，提供开箱即用的模型服务。

政务热线网点助手供应链物流先导药物筛选传送带异物检测台风路径预测

L2慧眼识事财务异常分析器件分配小分子优化掘进序列检测铁路TFDS检测海浪预测大

场景模型

………………模

型

行

政务金融制造药物分子矿山铁路气象

L1业

行业大模型大模型大模型大模型大模型大模型大模型大模型开

发

套

L0自然语言大模型视觉大模型多模态大模型预测大模型科学计算大模型……件

基础大模型

7

行业实践一：政务大模型

在政务行业，华为云盘古政务大模型，对海量政务知识如12345热线、政策文件、政务百科等，进行预训练和推理，打造政务对话问答、政务文案生成、城市视频感知、视频多模态

理解、开放事件发现等政务能力，实现构建从感知、认知到处置、决策全流程智能化的政务大模型。

在城市治理场景中，政务大模型通过接入城市数十万视频源进行联动分析，并对百万政务知识精调、政务规则理解与执行的能力，能实时精准理解及分析画面内容存在哪些城市损坏

及异常的现象。同时，政务大模型将L0层的NLP大模型与CV大模型融合，实现城市事件实时感知、万物理解。例如在台风过后，政务大模型对树木倒塌、共享单车倾倒等场景进行准

确检测与分割，并进行多任务协同调度，将树木倒塌分拨至园林绿化部门，共享单车倾倒分拨至城管部门，路面暴露垃圾与积水分拨至环卫部门处置，让城市事件秒级发现，分钟级

分拨，城市事件处理效率提升了50%以上。

实时全面城市感知随时随地协同办公便民便企政务服务精准高效城市治理

慧眼识事报告生成智能网办政务数字人

政务热线公文撰写政务助手政策推荐

…………

一网统管一网协同一网通办一屏统览

5大政务技能，构建感知-认知-处置-决策全流程智能化

政务对话问答政务文案生成城市视频感知视频多模态理解开放事件发现

千亿级参数政务大模型海量政务知识预训练

超网络兼顾局部与全局多模态理解与识别一切

智慧政务全场景生态

8

行业实践二：金融大模型

在金融行业，华为云盘古金融大模型，结合银行数据底座汇聚的多源、异构的金融数据进行精调和推理，不断提升金融大模型的能力。

如今金融大模型走进银行网点，打造银行柜员自己的智慧助手，帮助网点柜员轻松办理各种业务。智慧助手通过对银行的各种操作、政策、案例文档进行预训练，能够根据

客户的问题，为柜台工作人员，自动生成流程和操作指导，将原来需要平均5次操作完成的单次业务办理，降低为1次即可办结，处理时间缩短了5分钟以上。

未来金融大模型还将落地到更多的金融场景，如信贷业务、风控分析等，持续提升业务效率。

金融大模型

金融大模型让每个银行柜员拥有自己的智慧助手

银行

单次业务办理

网点

操作次数

40,000+outlets51

200,000+网点员工单次办结时间缩短

专业知识复杂知识分散业务办理时间长5分钟

办理更流畅操作更准确对客更自如

9

目录

01趋势一：人工智能重塑千行万业，已从点级走向应用与系统级

02趋势二：AIforIndustry，加速行业应用创新落地

趋势三：大模型驱动应用变革，AIGC重塑应用全生命周期，从代码为

03

中心走向模型为中心

04趋势四：AI云服务逐渐成为企业构建大模型首选

10

趋势三：大模型驱动应用变革，AIGC重塑应用全生命周期，

从代码为中心走向模型为中心

•软件工程3.0从数字化走向智能化：强调通过大模型辅助验收标准、测试用例、UI设计、代码实现以及测试脚本的端到端研发效能提升的重要性。人机交互智能使得研发过程更

加贴近实际使用场景，提升软件质量。数字化研发平台从管理型工具变为智能化理解需求、设计、代码、测试和部署的助手型工具。以模型和数据为核心，研发工具通过模型、

代码、数据和数字内容飞轮的迭代，满足更高层次需求。

•软件研发作业流从DevSecOps走向多模态融合：随着AIGC的飞速发展，企业的未来业务应用正逐步深度融入数据和AI的紧密结合中。企业的新型数智媒软应用将进一步拓宽

DevSecOps的范畴，推动其进化为一种以大模型为核心的多模态流水线。这种新型流水线将不仅包括开发、安全和运维的环节，还将涵盖数据、智能和数字内容等多个方面，为

企业提供更加全面、高效的服务，助力企业进一步提升竞争力。

•软件开发职责从多角色细分工走向全能：软件工具变革将影响软件研发流程的角色分工，基于AI的研发工具平台可以辅助决策、辅助计划、预测和协调工作。跨研发职责及角色

的协同效率将提升，基于AI的研发工具平台可以解决不同的角色沟通提效，影响角色互动。研发团队从多角色精细分工转变为产品、架构和运维三个分类职能端到端负责应用落

地，“一人成军”，单兵全栈作战能力极大提升。

软件工程3.0走向智能化软件研发作业流走向多模态融合软件开发职责走向全能

研发

开发测试运维运营

XOps流程

自修复

作业需求&设计&检查&测试测试问题问题智能技术

构建执行

需求场景协同编码合入设计分析发现定位配置支持

[DataandAnalyticsandAl]Orchestration

DataOpsModelOpsDevOps

模型选择监控产品专家new架构专家newQA专家new

与编排反馈

模型-代码-DataEngineeringModelEngineeringandAppsDevelopmentand

ServicesDevelopmentServicesDeploymentServices

数据-数字产品经理开发工程师Committer

DataPipelinesandWorkflowsModelEngineeringandEndpointManagementand对对对

内容飞轮ManagementGovernanceLabComposabilityServices应开发工程师应Committer应测试经理

的的的

角Committer角测试经理角测试工程师

色色色

自动生成

代码和内容验证测试经理测试工程师SRE

辅助编码Security,PersonallyldentifiablelnformationGovernance，

InterpretabilityandPrivacy-PreservingCompute

测试工程师SRE运营

来源:Gartner

11

行动建议：通过智能化研发工具和集成开放能力，

加速行业AI应用开发与生态构建

•以研发大模型为核心，引入智能化研发工具：以研发大模型为核心，提供需求设计辅助、开发编码辅助、集成测试辅助、运维监测辅助和研发协同辅助能力落地设计助手、开发助

手、测试助手和运维助手等智能化研发工具，协助开发者实现“一人成军”极大提升单兵全栈作业能力。

•优化开发流程，统一云上应用融合生产线：将数据生产线、模型生产线、数字内容生产线和软件开发生产线紧密结合，打造一条全新的数智媒软AI软件开发生产线。这条生产线将

贯穿联通的数据、模型和数字内容，为千行万业的AI应用开发提供强大支持。通过优化开发流程，加速AI应用的开发速度，帮助企业更快地实现智能化转型。

•新增AI应用开发框架，全流程引入多模态应用开发能力：新增多模态应用集成层：集成大模型复杂任务编排，托管大模型和AI应用，完成多模态应用发布；新增多模态应用开发

框架层：一站式多模态应用开发平台，提供输入转换、测试驱动模块、AI安全隐私、可视化组装等能力；新增多模态应用开发框架层：供AI插件框架联接大模型API，AI数据连接

器进行数据增强检索。

智能化研发工具统一云上应用融合生产线多模态AI应用开发框架

研发3D建模开发构建

设计助手开发助手测试助手运维助手….

业务应用大模型集成AI应用生态

AI

媒体分发内容编辑监控反馈组装测试

应用集成应用集成AI复杂任务模型&数据AI应用

组件编排共享仓市场

XX行业研发大模型仿真渲染发布部署

行业研发

大模型

APIs

训练

自监督学习流水线监督学习流水线RRTF流水线PPO流水线

流水线AI应用AI插件大模型AI数据AI数据

开发框架框架API网关连接器增强检索

研发大模型

数据接入数据准备

设计开发测试运维协同

研发

需求研发代码代码代码代码单元测试日志工具

大模型拆解文档生成解释注释检查测试脚本埋点协同盘古研发行业金融研发交通研发XX研发

数据发布数据入湖模型注册模型训练大模型

大模型大模型大模型大模型大模型

接口架构代码代码代码代码测试测试问题单代码

说明图调试翻译检视

优化设计日志分析解释器数据转换模型评估

12

目录

01趋势一：人工智能重塑千行万业，已从点级走向应用与系统级

02趋势二：AIforIndustry，加速行业应用创新落地

趋势三：大模型驱动应用变革，AIGC重塑应用全生命周期，从代码为

03

中心走向模型为中心

04趋势四：AI云服务逐渐成为企业构建大模型首选

13

趋势四：AI云服务逐渐成为企业构建大模型首选

AI重塑千行万业，大模型表现出越来越强的能力，围绕AIAgent工程思维发展的技术栈，也让企业领袖们看到了AGI的时代大门在缓缓打开。站在时代风口，各个企业的领导者投入了前所未

有的热情去拥抱大模型，或以“副驾驶”的方式接入大模型能力，或投入全部筹码以大模型来重构业务。

•ScalingLaw继续有效，基础大模型规模逐步摸高，大模型算力诉求持续增长：模型超过一定的临界规模后，大语言模型开始表现出一些开发者最开始未能预测的、更复杂的能力和特性，

这些新能力和新特性被认为是涌现能力的体现。随着大模型能力被越来越大的释放出来，开发者们在追求更强人工智能的同时会进一步推高模型的参数规模，需求更多的算力支撑。短期

内以模型训练需求为主，未来20%在模型训练，80%在模型推理，可靠、经济的AI算力成为企业关注点。

•大模型需要新型的系统算力：大模型开发和应用对网络带宽、显存容量、内存带宽和系统可靠性方面都有非常高的要求，急需解决联算比、容算比和存算比这三大挑战。同时，企业拥抱

大模型的过程是一个逐步探索的过程，对大模型的能力需求，对大模型所需算力的需求，都是一个变化过程。企业需要一个高效、弹性的AI算力支持。

•大模型的开发与应用是一个复杂的系统工程：以生成式AI为代表的大模型早期技术生态已经出现：1）将AI模型集成到面向用户的应用程序中，端到端运行自己的模型或依赖第三方模型

API；2）为AI应用提供基础大模型，可以作为专有API或开源提供；3）为大模型训练和推理工作提供支撑的基础设施供应商，即云平台和硬件制造商。各大云服务厂家围绕大模型做强技

术栈和生态的构建，与大模型发展相辅相成。

大模型时代，传统摩尔定律的增长与模型算力诉求有了越多越大的差距，大模型技术生态快速发展，

训练一个SOTATransformer模型所需的算力增长达到了2年750倍的增长速度围绕着云服务有了基本的技术栈分层

Apps

TrainingFLOPsScalingforSOTAModelsModels