问题：当前，行业正从数字化向智能化转型，普遍面临三大挑战：一是核心系统对稳定性和安全性的要求不断提高，关键软硬件需要更强的自主可控和持续升级能力；二是大模型等新技术进入生产环节后，对算力供给、工程化部署和数据质量提出了更高要求；三是场景碎片化严重，模型、数据和流程难以打通，导致投入与产出不匹配，智能化难以形成规模效应。 原因：这些挑战既源于技术迭代加速和业务复杂度提升，也与产业供给侧的能力结构有关。一方面，大模型推理与行业知识融合需要稳定、可扩展的算力和软件栈支持，单点技术突破难以支撑系统性升级；另一方面，行业数据分散、标准不一，可信流通和高质量标注成本高，制约了模型训练和应用效果；此外，人才储备和组织变革的滞后，也使得技术从“能用”到“好用”的差距依然存在。 影响：在算力底座与行业伙伴的合力推进下，部分领域已取得阶段性成果。 - 通信领域：中国移动基于openGauss打造的磐维数据库已从早期版本升级为具备分布式能力的企业级数据库，在全国31个省份部署超4000套实例，支撑运营商核心系统的稳定运行与自主创新。 - 文旅领域：有关企业与陕文投合作成立文旅人工智能联合创新中心，“博观文旅”大模型在内容生成上取得突破，缩短了宣发短视频制作周期；面向游客的“智影相机”等应用在西安多个景区落地，推动内容生产与体验服务升级。 - 金融领域：邮储银行优化算力基础设施与推理效率，通过“邮智”大模型适配多款主流模型，推进200余项场景建设，并计划扩大超节点部署以夯实算力底座。 - 电力领域：广东电网基于昇腾算力构建“企业大脑”，上线智能问数、报表生成等功能，提升管理效率；同时推进智慧安监体系建设，保障新型电力系统安全运行。 对策：业内认为，推进智能化升级需形成“算力—数据—模型—场景—治理”闭环。 1. 以算力底座为核心，优化软硬协同与工程化能力，提升推理效率和资源利用率； 2. 建设高质量行业数据集，完善数据治理、标注体系和可信流通机制； 3. 以场景为导向重构应用，将大模型能力嵌入业务流程，实现可量化的降本增效； 4. 加强生态与人才支撑，通过校企合作、认证评价等补齐复合型人才短板。 前景：随着“新质生产力”加速培育，算力的重要性将深入凸显。下一阶段，行业智能化将从单点应用转向系统重塑： - 通信领域将加快核心软件栈的规模化替代； - 文旅领域将从内容生成扩展到运营决策与沉浸式体验； - 金融领域将强化智能风控与客户服务协同； - 电力领域将深化源网荷储与安全生产的智能化能力。 未来，基于算力底座的联合创新与标准化方案，将成为各行业推广智能化的重要支撑。
从通信到文旅，从金融到电力，算力正深度融入各行业核心场景。实践表明，算力基础设施的价值不仅在于技术提升，更在于推动产业效率与创新能力的跃升。当算力与行业知识深度融合，技术创新与应用场景紧密结合，智能化转型便成为可落地、可复制的现实路径。随着算力网络完善和技术成熟，行业智能化升级将更提速，为数字经济高质量发展注入持久动力。