一、 AI原生基础设施行业实践案例
(一)通信行业：中国移动 AI 原生基础设施实践
案例背景：落实国家“AI+”战略行动意见要求，中国移动集团全面贯彻数智化战略，积极开展“AI+”行动计划，集团数智化部牵头，联合集团相关业务部门、下属全量省公司和专业公司的业务团队、技术团队，协同建设创新 AI 原生基础设施，旨在实现三个目标。
目标一，面向云边混合架构提供可靠算力、数据资源供给。建设和优化异构算力池（CPU/GPU/NPU 协同），实现异构算力一体化调度，同时结合低时延网络，打造 AI 驱动的可服务型智能存储引擎和高质量数据供给平台，实现基础资源的自我管理与优化。
目标二，优化 AI 开发及运行全生命周期效率。重塑 AI 开发工具链，实现 AI原生应用的数据预处理、模型训练、推理部署、智能体开发、一体化自动运维端到端加速和可视可管可控。
目标三，强化 AI 运营运维和安全合规治理。通过 AI 原生的统一运维、安全保障和数字可信手段，建立健全分级运营运维和审计治理体制机制，借助体系化、规模化、标准化、智能化优势，构建全链路治理体系，为数智化发展奠定坚实基础。
技术架构：中国移动聚智智能体平台基于丰富的 AI 原生基础设施能力，构建了以Agent OS为核心的一体化智能体整体解决方案。
涵盖多场景应用构建工坊、高/低代码开发套件、集运行时服务托管与协议支撑的智能体操作系统及全栈基础设施支撑，实现智能体的高效开发、稳定运行与规模应用自研多智能体协同框架，构建稳定通用的开发与管理底座，核心能力超级智能体引擎（JoinAI Agent）10 月登顶 GAIA 全球榜单。
高低代码结合，低代码快速编排验证，高代码灵活构建部署，支持自动集成、调试与优化。
打通 AaaS+生态，汇聚多样 AI 工具能力，助力智能体应用快速搭建。高可用架构+容灾备份，配合加密与分级管理，保障系统安全稳定 7×24 运行。全链路监控与可视化分析，实时洞察运行状态与业务价值，助力智能体持续优化。
图 1中国移动聚智智能体平台架构
应用成效：截至 2025 年 12 月，平台已面向中国移动体系内超过 90%的省专单位持续提供服务，已研发智能体数千个、研发和引入工具近万个，打造数百个标杆智能体应用，覆盖经营管理、网格运营、研发设计、营销服务、通用赋能等 5 个领域数十个业务场景，输出多套可复用的通用智能应用解决方案，有效推动 AI 原生应用在一线业务中的融合应用与价值转化，平台累计调用量超百万次。同时，面向广大生态伙伴汇聚共性通用数智能力超 400 项，辐射精准营销、业务查询、运维告警、娱乐交互等三十余类业务场景，逐步推动 MCP、智能体等数智能力赋能全场景应用。
(二)通信行业：中国移动某省灵犀助手实践
案例背景：AI 正加速渗透至各行各业，驱动企业服务模式和生产方式的深刻变革。作为数字经济的重要支撑力量，运营商不仅承担着提供通信连接的基础职能，更需要在确保网络与业务稳定运行的基础上，不断提升客户体验与营销效率。面对业务场景的快速演化与用户需求的个性化、多元化，传统依赖人工操作、系统割裂的服务模式，已无法适应数字化竞争的新形势。
技术架构：灵犀助手是中国移动基于 Agentic AI 架构，使用九天大模型为客户经理打造的智能化工作伙伴，贯穿客户经理的一天，覆盖前置准备、现场推进与后续提升全流程，为业务办理与服务执行提供连续、精准的智能支撑。对客户经理而言，它既是数据参谋，也是业务助手，更是学习教练，让日常工作更加高效顺畅。
前置准备阶段能快速响应自然语言指令，实时提供经营数据、提醒信息，支持一键查看商机等待办事项并快速生成组网方案与报价，为当日客户拜访和业务洽谈铺垫；现场推进时段提供贯穿式辅助，沟通时可即时查询产品信息与营销案例，办理业务时能用自然语言指令完成相关操作且支持智能填参，服务环节能对话查询订单进展、协助处理投诉报障，保障服务交付；持续提升阶段通过学习陪练能力，助力客户经理开展模拟练习、知识学习和考试复盘，强化业务理解与沟通技巧，实现专业能力持续提升。
图 2 中国移动灵犀助手功能
应用成效：中国移动灵犀助手围绕客户经理的一天工作为主题进行全流程智能化重构。早晨准备拜访期间，灵犀助手准确帮助客户经理迅速获取各类集团经营信息与资料，查询效率提升 3 倍。
集团报告生成从原先的天级缩短至分钟级，累计生成数百份集团洞察报告，使客户经理在开始一天的拜访前即可掌握客户画像、业务状态与关键任务，大幅提升工作准备的充分度。
业务推进期间，灵犀助手将核心办理流程实现智能化加速，单业务办理耗时效率提升60%。商机处理、合同推进、订单查询均可通过多智能体协同快速完成。目前灵犀助手用户规模已达数万人，每月调用量超过上百万次，覆盖超过 200 家省级战略客户与近 10 万家地市客户，已成为客户经理日常工作中最核心的智能化生产力工具。
(三)通信行业：中国移动某省大模型网关实践
案例背景：随着集团“AI+”战略深入推进，通信行业智能化转型进入规模化落地阶段，但大模型应用过程中面临多重痛点：企业内部需同时调用 Qwen 系列、DeepSeek 系列、九天等多类型大模型，业务侧适配成本高；不同模型特性差异大，场景化选择难度大；存在提示注入、敏感信息泄露等安全风险，合规管控压力突出，难以满足业务并发需求。
为解决“适配烦、选择难、安全不可控、响应时间长”等问题，上海移动建设大模型网关项目，打造统一、安全、高效的大模型服务中枢，支撑通信行业及政企客户智能化升级。
技术架构：项目采用“统一汇聚-智能管控-数据驱动”的设计理念，构建“能力增强-监控运营-市场服务-数据分析”四层架构。
核心层以大模型网关为枢纽，接入集团磐智算力部署的 Qwen、DeepSeek 等模型及本地算力部署的各类模型，通过统一 OpenAI 协议实现多模型热插拔；
增强层优化 Token 配额管理、智能路由、语义缓存等核心能力，支持按租户并发控制、负载均衡及熔断降级；
监控层搭建全链路可观测体系，覆盖健康度、响应时延等多维度指标；
服务层打造大模型市场，提供自助订阅、在线体验、版本对比功能。
图 3 中国移动大模型网关架构
应用成效：项目实现多模型统一管控与高效调度，业务侧大模型适配联调效率提升 90%，大幅减少新模型版本接入工作量，年人均成本节省超过 10%。服务稳定性显著增强，生产环境异常请求发现时长从小时级压缩至分钟级，效率提升 95.8%，异常请求拦截率达 95%，故障发现率超 70%。响应性能大幅优化，通过语义缓存加速同类请求响应，结合智能路由均衡负载，大模型计算成本显著降低。
(四)通信行业：中国移动某用户运营智能体实践
案例背景：中国移动某省 10086 热线每月产生数以百万计个来话，其中少量来话将生成投诉工单，对于未立单的通话，存在大量的问题盲区。传统的人工抽查方式，合规检查覆盖率低，主观依赖性较大，溯源分析成本较高。需要采用智能化的手段对热线来话进行全面“回放”、溯源、修复。
技术架构：中国移动“AI+回声”项目依托智能体平台，打造“AI+回声”用户运营智能体，解决投诉的源头治理问题。基于“全量”10086 来话，重塑“听音、回声、溯源、根因修复”四大流程。从用户诉求识别、用户态度感知等维度，及时识别风险，输出服务推诿、违规收费等数百个标签，开展满意度修复、优化营销设计、辅助业务决策,实现了投诉治理“抓早、抓全、抓小”。
图 4 中国移动用户运营智能体系统架构
应用成效：上线以来，成果月均调用量达数百万次。投诉处理用后即评满意度同比改善 4.84pp，重复投诉率 1.88pp，同比改善40%。该成果荣获中国互联网协会“2025 年智能体创新应用”典型案例、中国移动党组“领题破题、合力攻坚”优秀实践项目表彰等荣誉。
(五)通信行业：中国移动某省智能体助手实践
案例背景：在当前国家将 AI 提升至战略高度、推动“AI+”与经济社会深度融合的背景下，各行业智能化转型步伐加速。政策驱动之下，企业对 AI 基础设施的需求日益迫切，亟需通过集约化、平台化的智能能力供给，实现业务创新与效率提升。
以“九天大模型”为代表的基座模型正成为构建行业“智慧大脑”的核心引擎。然而，当前许多企业在报告生成等关键环节仍面临响应滞后、个性化不足与数据孤岛等现实矛盾，传统作业模式难以满足分钟级响应的业务需求，制约了智能应用的规模化落地与价值释放。
技术架构：项目遵循“分层解耦、智能驱动”的 AI 原生基础设施设计理念，构建了一套支撑企业级智能应用高效开发与运行的平台化体系。系统以通智算基础资源为底座，向上通过通智算调度引擎实现资源的智能编排与弹性供给。
在此基础上，构建了涵盖模型研发生产、多模态数据处理、智能体开发与管理、以及全栈可观测与安全的全链路支撑能力。
功能架构可分为资源与部署层、模型与数据层、开发与运维层：
资源与部署层依托算力虚拟化与通智算混合调度，实现资源的高效利用与任务的灵活部署，支撑高并发、低延迟的 AI 服务；
模型与数据层通过模型引擎服务与多模态处理存储，提供从模型推理加速到知识库构建的统一能力，为上层应用提供智能内核；
开发与运维层基于智能体开发工具链和 AI 原生运维体系，实现智能应用的快速构建、迭代与可靠运行，并通过 AI 网关与全栈可观测保障系统可控、可信。
本项目采用“模型即服务”与“智能体即应用”的架构模式，通过标准化的 API、MCP 协议及向量检索等技术，打通从数据、模型到场景应用的完整闭环，实现了智能化能力的集约化供给与敏捷化创新。
图 5 中国移动智能助手架构
应用成效：项目成功实现了效率的指数级提升，将传统需数小时乃至数日的报告编制流程缩短至分钟级，使营销人员能够通过简易指令“一键生成”结构完整的初版报告。
此举不仅将团队从繁琐劳动中解放，转而聚焦于高价值创意与策略工作，更打造了应对市场变化的敏捷响应能力，显著增强了企业决策效能。
成果已产生广泛的内部影响与行业示范效应，相关功能已上线多个核心业务系统，累计调用量数万次，其成熟的子智能体模式已成功推广至其他兄弟省份，充分验证了解决方案的可复制性与巨大推广价值。
(六)政务行业：某地方政府政务智算平台建设
案例背景：在国家“数字政府”建设提速、“十四五”政务信息化规划指引下，省级政务云面临政务服务智能化升级的迫切需求。
传统政务 IT 系统存在算力资源分散、AI 基础设施国产化率低、大模型应用链路割裂等问题，难以支撑“一网通办”“智能审批”等场景的智能化演进。
同时，政务数据安全与国产化替代政策驱动下，亟需构建统一、开放、安全的智算底座，实现从算力供给到模型服务的全栈能力升级，推动政务服务从“数字化”向“智能化”平滑转型。
技术架构：项目基于“分层解耦、一云多芯、全链路覆盖”设计理念，构建“基础设施-IaaS-PaaS-MaaS”四层架构。
基础设施层部署国产 GPU 服务器、高性能 RDMA 网络、分布式文件存储，实现异构算力资源池化；
IaaS 层通过飞天云计算操作系统统一调度，提供“训练+推理”高性能算力服务，支持单机/多机 GPU 租用；PaaS 层整合大数据、数据库、中间件等能力，为模型生产提供底层支撑；
MaaS 层覆盖模型训练、微调、部署、测评全链路，开放 60+种 GPU资源规格及大模型服务目录，支持 API/插件等多样化调用。
架构设计以国产化为核心，通过“硬件开放兼容+软件统一调度”，实现算力、算法、模型服务的全流程贯通。
图 6 某地方政府政务智算平台架构
应用成效：项目构建了全国产化、多芯融合的政务智算平台，实现 10 种国产 GPU 大规模融合调度，GPU 资源规格覆盖 60+种，支持单机/多机算力按需供给。
MaaS 服务覆盖模型训练、微调、推理全链条，助力“政策生产辅助”“政务知识库”“智能审批”等场景快速落地，政务知识生产效率提升 200%，模型推理延迟降低 70%。
作为省级政务云智能化标杆，该项目推动政务领域国产化算力替代进程，为全国“一网统管”“AI+政务”提供可复用的架构范式，入选省级数字化改革典型案例，形成政务智能化转型的“省级样板”。
(七)政务行业：某省会人工智能政务大模型平台建设
案例背景：近年来，该市政务领域数字化建设成果显著，但一定程度上存在“技术门槛高、重复投资”等问题，为此中国移动联合该市数据局筹建人工智能政务大模型平台，通过整合数据、算法和算力等基础设施资源，破解技术瓶颈与协同难题，有效支撑“一网通办”“一网协同”“一网统管”等场景的深化建设，推动南京政务服务智能化、集约化。
技术架构：通过整合模型管理、知识管理、智能体调度及能力共享等环节，构建“1+4+3+1+N”架构的 AI 通用能力平台，并与多个外部系统对接，实现政务服务的精准赋能。
平台包括：
1 套标准规范（涵盖大模型应用数据、安全与构建规范）；
4 大中心（模型管理中心、知识中心、智能体中心、AI 能力中心）；
3 个 AI 能力工具（OCR 识别、语音识别、合成服务及联网搜索服务）；
1 套安全防护体系（覆盖大模型部署、输入输出和应用全链路）；
以及基于平台开发的 N 个标杆应用（提供技术咨询、数据治理、代码编写等服务）。
目前已与多个外部系统对接，包括政务云算力平台、“我的南京政务版”用户体系、城市之眼视觉算法模型及其他现有智能体应用。
图 7 南京市人工智能政务大模型平台架构
应用成效：整合数据、算法和算力等 AI 基础设施资源，通过集约化建设减少重复投资，实现“一次投资，全市共用”的城市级Maas 平台的构建。打造华东区首个城市级政务大模型平台标杆，形成可复制、可推广的“南京模式”，推动政务服务从“分散建设”向“统筹共享”转型升级。
(八)制造行业：某头部车企智能客服系统建设
案例背景：该企业是中国领先的合资汽车制造商，在面向车主的咨询服务场景中，原有客服系统面临效率不足问题。大量基础性问题依赖人工客服解答，导致运营成本高且响应速度慢。
技术架构：基于腾讯云智能体开发平台的全链路自研 LLM+RAG技术，将车型手册、维修指南等非结构化数据转化为可检索知识库。运用 OCR 大模型、多模态理解模型提升知识检索精准度，支持用户上传故障图片自动识别关键信息。平台集成到 APP、小程序、官网等渠道，通过挖掘历史客服对话记录补充知识库，降低维护工作量。
图 8 某车企智能客服系统架构
应用成效：通过大模型能力提高 C 端咨询的机器人独立解决率，减少人工接待会话量，节省客服中心人力成本。智能客服实现 24小时服务，使人工客服更专注于复杂问题处理，提升客户满意度。
智能客服机器人独立解决率从 37%提升至 84%，月均自动解决客户咨询问题 1.7 万次。问答准确率达到 84%，大模型出图率 70%，覆盖车辆使用指导、故障诊断等高频率场景。
(九)制造行业：某新能源车企 AI 数据专家
案例背景：随着智能电动汽车行业向高阶智驾与智能座舱深度演进，车企对多模态数据的高效管理与 AI 模型迭代提出更高要求。
某汽车企业作为集团旗下高端智能新能源品牌，聚焦高阶智驾模型迭代与用户体验优化，需处理海量车端、雷达、点云等多模态原始数据（如车辆运行监控、零部件管理、智驾模型训练等场景）。
然而，传统数据链路存在召回率低、并发阻塞、架构冗余等痛点，难以支撑模型快速迭代需求。行业智能化趋势下，亟需构建高效的 AI基础设施，实现数据的低延迟检索、统一管理与模型精调加速。
技术架构：项目采用“多模态数据湖+Data Agent 智能分析”双轨技术架构，覆盖数据管理与业务应用全链路。
针对智驾数据场景，采用“向量+标量”混合检索方案解决长周期数据遗漏问题；
通过“向量检索链路重构+资源动态控制+存储层优化”三重策略提升并发稳定性；
结合“MPP 架构+湖仓一体”统一点查与统计数据，减少存储冗余。
面向业务场景（如备件管理、车辆监控），以豆包大模型为核心，构建自然语言交互的智能数据平台，支持数据连接、智能问数（业务问题转 SQL）、深度分析等能力，实现业务人员自助查询与个性化分析。
图 9 某汽车企业 AI 数据专家技术架构
应用成效：项目显著提升数据效率与模型迭代能力：多模态数据召回率从小于 45%跃迁至 90%以上，查询性能提升 20 倍，存储成本与运维复杂度降低，闭环周期从 4 周缩短至 5 天。
业务应用方面：Data Agent 实现问题排查时间从 3 天缩短至 1 分钟，风险拦截提前72 小时，业务沟通成本减少 10%-20%，交付成本降低 5%，支撑业务人员自助分析需求。
本次项目案例验证了火山引擎 AI 基础设施在智能汽车领域的适配性，为行业提供“数据湖+智能分析”双轮驱动的参考范式，助力打造智驾技术壁垒与用户粘性。
(十)制造行业：某具身智能公司平台建设
案例背景：AI 与机器人技术的深度融合，智能体与大模型让机器人从被动编程走向主动决策，能够执行复杂的多阶段推理任务。技术路线方面，分层式一度为主流；伴随数据采集、模型泛化与推理响应问题逐步解决，端到端路线在未来有望成为主流。
训练与落地仍面临数据与模型能力的多重挑战（感知/执行/学习/自适应、硬件性能、验证方法等），需依托高质量数据与开源/联盟建设，加速仿真与真实数据的融合应用。
随着具身机器人大面积铺开与新场景叠加，常态化多场景模型训练与大规模推理成为刚需，面临诸多挑战，如线下机房资源不足，无法支持高密度训练任务，资源利用率与运维稳定性对初创企业挑战大，具身智能仿真与训练环境复杂，基于裸机开发不便于环境、任务等 AI 资产的统一管理等。
技术架构：项目以“AI 算力+大模型工具链”为核心，构建分层、解耦、可扩展的具身智能研发与训练体系，支撑多场景的快速迭代与规模化推理。
基础设施/算力层：
兼容 CUDA 生态的弹性算力池，常用算子与框架直接适配；
一机多卡与大显存配置提升训练吞吐；
支持按成员/角色/任务优先级多层次管理与调度；
提供多级 Quota进行更精细化资源分配。
平台与治理层（PAI 全栈具身智能工具链）：
统一用户角色与权限；
多维度任务监控与告警（资源组/任务级别数十种指标，失败电话/短信/邮件告警）；
任务编排与公私有镜像管理（丰富官方镜像/自定义镜像），一键部署具身智能热门模型；
快速搭建训练/仿真环境，开箱即用的 IsaacLab、IsaacSim。
数据与仿真层：面向具身智能场景的仿真数据大规模生成与回放；支持遥操作、动捕与大模型驱动的主流训练方法；统一管理环境、任务等AI 资产，提升数据闭环效率与验证稳定性。
模型层：端侧小模型+云端大模型协同（云端进行复杂推理与多场景泛化，端侧保障实时性与安全性），提升对开放场景下复杂、动态、连续任务处理能力。
图 10某具身智能智算平台架构
应用成效：
兼容 CUDA 生态，几乎无迁移成本，训练任务迁移用时约 4 小时；
常用算子与框架直接跑通；
一机多卡+大显存配置带来训练速度提升，多场景模型训练效率显著提高。
采用“端侧小模型+云端大模型”协同，机器人特情问题下降约 60%，复杂多阶段任务推理能力与泛化能力增强。
PAI 全栈具身智能工具链实现统一角色/权限/资源治理，多级 Quota 与优先级调度保障关键任务；
数十项监控与多渠道告警提升运维稳定性；
IsaacLab/IsaacSim 开箱即用，快速搭建训练仿真环境，降低工程难度、提升科研与开发效率。
环境、任务等 AI 资产实现统一管理；仿真数据可大范围应用，助力在巡扫、安检、配送等新场景的持续扩展与规模化推理。
(十一)金融行业：某国有大型商业银行数智化建设
案例背景：金融行业的业务线繁复，涵盖了对公信贷、信用卡、个人金融、对公金融、普惠金融等多个业务领域。目前在客户营销、产品创新、业务运营等方面都亟需 AI 技术加速企业数智化转型，提高金融服务的效率性及便捷性。传统 AI 生成模式，单个业务模型应用于单个业务场景，碎片化严重，且模型参数量小，优化训练对业务效果提升有限。因此，亟需通过大模型技术解决传统 AI 技术业务局限性与问题，同时业务模式的高质量发展、底层技术平台及基础设施也需配套提升。
技术架构：某国有大型商业银行通过 AI 原生基础设施能力建设来满足不同阶段和不同需求的 AI 应用开发和部署。
其中算力基础平台将计算、网络及存储集成为可统一调度的资源池，服务于大模型训练和推理；
通过统一的云平台，进行一站式资源纳管与灵活部署。
云底层主要负责 AI 算力管理，完成训练、推理任务的调度、监控，以及算力资源的管理、调度和回收；
AI 平台引入 ModelArts，MindX等应用使能组件，让 AI 开发更便捷、更高效。
同时支持 MindSpore、PyTorch 等多种业界主流 AI 框架。AI 平台同时还具备统一的智算运维平台，通过一键式巡检、故障诊断和实时性能监控工具，降低故障频次，快速故障恢复，全面提升智算资源池的有效利用率。
图 11 某国有大型商业银行 AI 技术体系架构
应用成效：通过 AI 原生基础设施能力建设，该行的金融服务业务收益得到了显著的提升。
在远程银行上，通过自然语言大模型及相关 AI 技术的应用，能够自动化生成前序坐席与客户的沟通主旨摘要，防止有效信息丢失。
并且可以通过在线跟听，动态预测客户意图，实时分类业务场景，自动进行资料搜索，并归纳总结形成推荐的答复话术提取通话关键词条，提质增效助力客户满意度提升。
金融市场中，通过大模型重塑金融市场总分行业务流程，在价格磋商过程中，通过运用大模型智能识别交易话术，生成交易意向单达成交易，并在交易中实时完成客户审查并生成分析报告。
(十二)金融行业：某头部证券公司 AI 原生交易 APP
案例背景：证券行业作为金融领域的核心板块，面临智能化转型的迫切需求：
一方面，监管对金融服务的严谨性、实时性与合规性提出更高要求，通用大模型在专业信源整合、复杂决策支持等场景存在短板；另一方面，投资者对“买什么、何时买、怎么买”的精准服务需求激增，传统“内嵌 AI 模块”的局部改造模式已难以满足全场景智能化需求。
作为国内 TOP5 券商，为构建 AI 时代核心竞争优势，亟需解决模型效果与性能/成本/安全的平衡、外部信源补充、复杂智能体规模化落地等挑战，探索“AI 原生”券商转型路径。
技术架构：项目以“全场景智能”为设计理念，构建“金融级技术栈+多模型协同+安全合规”的一体化架构火山引擎提供金融级云底座，通过 RDMA 网络与算力调度方案实现高性能训练加速，并支持云下本地集群（保障客户信息安全）与云端弹性资源（支撑公域信息处理）协同。
模型层面采用“自研金融大模型+豆包大模型”多模型协同策略，前者负责专业内容生成与判断，后者处理互联网碎片化信息提炼；同时接入中焯行情、Wind 等专业插件，形成“外部信息飞轮”。
项目通过部署大模型安全防火墙，对输入输出双向审核拦截违规信息；通过 HiAgent 平台实现智能体全生命周期管理，支持复杂业务逻辑拖拉拽开发。
图 12 某国内头部证券机构 AI 原生交易 APP 技术体系架构
案例成效：项目成功打造行业首个 AI 原生交易 APP，重构证券服务逻辑。用户规模与体验方面，“股市助手”用户超 150 万，位列股票垂类第一；上线后，通过智能选股、盯盘、语音下单等功能，显著提升投资者决策效率与交互体验。
建设完成后的统一大模型应用服务平台，已覆盖智能投行、投研、投顾、客服等数十个业务领域，支撑 2000+智能体运行；公有云模型调用量年初至今增长数十倍，成本与性能优势凸显。
此项目为证券业提供首个可复用的 AI原生转型样本，2026 年多家大型券商将基于此模式推出专属 AI 化APP，推动行业从“问答式”向“执行式”AI 应用升级。
(十三)能源行业：某能源央企海能 MaaS 平台建设
案例背景：当下国家层面将 AI 发展提升至战略高度，同时油气产业高速迭代，正处于业务场景与 AI 深度融合探索关键阶段。集团内部基于管理效能提升与多元化业务场景落地的双重需求，对构建“一站式人工智能数字底座”提出了明确要求。
技术架构： “海能”平台整体遵循“算力-模型-平台-应用”四层建设逻辑。算力层是平台的“动力中心”，形成了兼顾通用计算与智能计算的强大算力池。模型层是平台的“智慧引擎”，实现“大模型赋能通用能力、小模型攻坚专项需求”的协同效应。
平台层是承上启下的“核心枢纽”，智算平台提供“智运”、“智训”、“智管”等模型训推全链路服务，智能体平台快速灵活适配复杂业务场景。应用层是价值落地的“终端窗口”，涵盖问医助手、智能问答、文档写作、智能翻译、智能会议等通用应用，服务高频使用场景。深度服务集团“人工智能+ ”行动。
图 13 “海能”MaaS 平台架构
应用成效： “海能”平台构筑“大模型底座+智能体引擎+行业知识库”三位一体架构，支持中海油研究设计、现场作业、生产运营、贸易销售、科学研究、管理提升 6 大业务域 20+业务场景与 AI模型的深度融合，打造 AI 原生基础设施交付样板间，推动构建“复、共享、迭代”的油气行业 AI 应用开发生态。
(十四)能源行业：某央企统一 MaaS 平台建设
案例背景：该企业在前期大模型底座建设中由于缺乏统一的开发环境与组件平台，导致应用开发效率低下、组件重复建设、资源管理粗放，严重制约 AI 能力规模化应用。为实现管网统一大模型服务平台建设，让软件资源（大模型能力）和硬件资源（算力网络等基础设施）与场景应用紧密且高效结合，为应用开发者打造便捷的应用开发框架，同时满足模型管理及各项模型服务统一接口需求，构建统一的 MaaS 平台已成为必然需求。
技术架构：通过提供“智训、智运、智管”大模型训练推理全链路服务能力，整合国家管网分散的、单一场景下的各种数据分析算法与模型，形成统一的、适用于各种场景下的 AI 分析底座，并与现有机理模型、局部场景下数据驱动“小模型”协同融合，构建“一站式”AI 分析平台，全面为智慧管网提供核心模型支撑，持续提升管网各业务产品建设落地能力。
图 14 统一 MaaS 平台架构
应用成效：MaaS 平台为国家管网打造坚实的 AI 技术底座，打通从模型生产到应用落地的关键链路，实现“五统一”能力构建：统一算力资源调度、统一模型训练开发工具、统一云边端模型协同管理、统一大模型与小模型资产管理、统一创新应用生态运营。目前平台已覆盖智能办公、综合管理、作业生产、财经应用等多业务场景，20+模型服务已落地应用，并将持续整合 算力、数据与模型资源，有效推动管网 AI+创新体系建设。
(十五)交通行业：某航空公司 AI 中台建设
案例背景：某航空公司积极响应国家“AI+”专项行动及政策号召，推动智能化转型。当前，航空业面临公文处理流程冗长、人工校对效率低、简历筛选精度不足等痛点，亟需 AI 基础设施优化管理效能。通过引入 AI 技术，该航空公司旨在提升跨部门协同效率，强化人才管理智能化，降低运营成本，同时规范公文流程并保障数据安全。行业智能化趋势与政策红利叠加，促使 AI 成为航空业数字化转型的核心驱动力。
技术架构：本系统构建于 GPU 算力与分布式存储基础设施之上，集成通用与专用大模型形成 AI 能力核心。其关键的 AICT 集成平台，通过统一纳管模型、构建企业知识库与完善用户体系，为 AI 应用提供全链路闭环管理与开箱即用的运营赋能。系统基于微服务架构，以“平台复用+场景定制”模式，快速支撑智能文稿生成、AI 校稿及简历筛选等具体功能，确保系统的灵活性、安全性与可扩展性。
图 15 某航空公司 AI 中台架构
应用成效：通过 AI 中台能力建设，公文处理效率提升 40%，审批周期缩短 30%；简历筛选准确率跃升 50%，招聘周期压缩至两周，人力成本降低 40%；校稿差错率下降 90%，公文质量显著提升。年节约办公成本超百万元，并通过释放 HR 人力至核心业务，优化人才管理质量，增强企业竞争力。
(十六)医疗行业：某三甲医院大模型平台建设
案例背景：在国家《“十四五”国民健康规划》等政策推动下，三甲医院面临提升诊疗效率、优化患者服务、精细化运营的核心需求。传统 IT 架构难以支撑 AI 场景的快速落地，存在算力资源分散、模型训练周期长、应用场景开发碎片化等痛点。随着医疗 AI 技术成熟，医院亟需构建统一的 AI 基础设施，实现从算力调度、模型开发到场景落地的一体化能力，为智慧医疗服务提供底层支撑。
技术架构：项目以“AI 智算算力+大模型工具链”为核心，构建分层解耦的架构：基础设施层整合了高性能计算集群，实现“一云多算”统一调度；联动医院数据中台，提供标准化医疗知识库。AI中台层部署了“百炼专属版”（含 QWEN-72B 基础模型），通过 SFT（监督微调）、LoRA（低秩适应）、RLHF（基于人类反馈的强化学习）等工具链，支持模型快速训练、推理与迭代。应用层以医疗智能体为载体，优先落地“智能问数”（医院运营数据分析），逐步扩展智能客服、分导诊、临床辅助决策等场景，实现模块化扩展与低代码部署。项目整体设计理念强调“高性能、可扩展”，通过算力虚拟化、模型轻量化技术，保障多场景并发响应与弹性伸缩。
图 16 某三甲医院智算大模型平台架构
应用成效：率先实现“智能问数”场景上线，医院管理者可秒级获取运营数据报表，决策效率提升 60%；同步推动智能客服、分导诊等 5 大场景开发，患者就诊流程平均缩短 20%。构建统一 AI 算力池，资源利用率提升 50%；百炼专属版工具链将医疗模型训练周期从月级压缩至天级，降低开发成本 70%。形成“云+AI 中台+医疗智能体”的可复用模式，为智慧医院建设提供标准化范本，获行业权威期刊案例收录，推动医疗 AI 向“一站式、规模化”落地演进。
二、 总结与展望
当今世界数智产业风起云涌，正以核心引擎之势驱动数字经济的创新变革与高质量增长。
AI 技术正在加速向千行百业渗透，不仅重塑产业发展逻辑，更催生并推动着 AI 原生基础设施的规模化建设与落地实践。本文系统性梳理了 AI 原生基础设施的建设框架和关键要点，以期为行业各方的探索与实践提供参考。
展望未来，随着 AI 原生基础设施的全面普及与深度应用，数据智能产业必将迸发更旺盛的创新活力。
在国产化软硬件体系持续迭代完善，开闭源模型生态百花齐放，行业高质量数据集建设持续稳步推进的多重利好下，AI 原生基础设施将加速向医政务、制造、金融、交通、能源等传统行业的核心业务流程，为各行业的数智化转型注入强劲动能。
其建设与发展，不仅将有力支撑我国“人工智能+”行动的高质量落地，更驱动企业实现深层次业务创新，重塑产业生产关系与竞争格局，助力我国在全球数智化发展浪潮中抢占战略制高点，擘画数字经济与实体经济深度融合的崭新篇章。
