[项目编号：CZ20250139]

公开招标公告

招标人：珠海文广传媒有限公司

招标代理：广东平理工程咨询有限公司

2025年04月24日

本质上，AI 重新定义了“优秀”基础设施的标准。相应地，平台设计的重心也从注重单一的芯片或服务器，转向了打造机架级、可扩展的系统，在功耗和预算有限的前提下，实现高效扩展。而这一转变背后的原因在于，推理与智能体 AI 工作负载持续增长且不间断运行，对高密度、全天候在线的算力需求正快速提升。

Futurum 在《Arm处于 AI 和数据中心变革的中心》报告中，把这一转变称为迈向“系统级协同”。设计的关键不再是堆多少算力，而是平台能不能有效地把加速器、CPU、内存、网络和软件协同起来。

正因如此，业界正加速迈向定制化机架级系统设计：即围绕 AI 负载特性、功耗波动和持续利用率来进行端到端设计的平台。越来越多的架构师开始重新思考计算底层设计，选择基于 Arm 架构来解决现代 AI 平台面临的多重约束。

AI 促使行业重构：转向定制化机架级系统

这一转变的核心原因，并非通用型标准化基础设施无法承载 AI，而是碎片化的系统设计，在 AI 规模化部署时，终将转化为真实可感的成本代价。

AI 工作负载在计算、内存、网络、存储及软件各环节紧密耦合。CPU 拖后腿，昂贵的加速器就会空等；功耗和散热波动，利用率就会下滑；数据管道、调度、编排未能针对平台调优，吞吐量就不可预测。峰值性能依然重要，但稳定性、每瓦性能和系统整体平衡性更关键。

Futurum 指出，超大规模云服务提供商正进行结构性调整，旨在实现算力的指数级增长，同时避免能耗的同步激增。Futurum 引用 Arm 的数据指出，到 2025 年末，出货到头部超大规模云服务提供商的算力中，有近 50% 是基于 Arm 架构。

架构师现在不再只看纸面跑分，而是更关心 AI 平台在实际应用中能否长期可靠地运行智能体 AI 和连续推理工作负载，比如：

长时间高负载下，系统表现如何？

在实际环境中，功耗限制和散热条件如何影响性能曲线？

在机架级系统中，计算层如何确保加速器能持续获得稳定的数据供给，而非仅停留在纸面参数上？

当能效、可扩展性与系统平衡性成为首要原则时，重新审视 CPU 底层架构就成了必然。也正因为此，Arm 凭借领先的架构和完善的生态，正是这场行业变革的核心所在。

在数据中心领域，Arm Neoverse 平台是推动这一转型的核心引擎。亚马逊云科技、Google、微软、NVIDIA 等头部超大规模云服务提供商与 AI 领军企业，都在基于 Arm 架构或采用 Arm 计算平台进行产品研发。Arm 的模式既能支持定制化系统设计，又能保持跨平台、跨生态、跨软件的一致性。对于想要构建高集成度平台、又不愿被单一技术路径绑定的团队而言，这种灵活性至关重要。

智能体 AI 与持续推理，

重塑规模化算力的经济逻辑

随着 AI 与通用计算工作负载的融合，AI 工作负载正在发生变化，基础设施也需随之调整，以支持多样化的工作负载特性。

行业重心正在转向智能体 AI，而智能体 AI 本质上就是一个连续推理系统。智能体并不是简单地给出一个答案， 而是会规划、调用工具、检索数据、验证结果，如此循环往复。由此便形成了连续推理模式：稳定不间断的词元 (token) 生成任务，请求类型趋于多元化，围绕加速器的编排和数据迁移任务变得更繁重。

在智能体 AI 里，CPU 不再是配角， 而是整个 AI 系统的控制中枢。CPU 负责协调控制、调度任务、管理 IO、处理网络与存储服务、执行安全策略，并在模型、上下文及工具链不断演进的过程中，维持整个系统的平衡。

以承载大语言模型 (LLM) 的服务为例，它可能同时处理成百上千的并发请求。就算加速器负责核心计算，CPU 也要承担请求权限控制、分词和预处理、批处理和队列调度、数据迁移编排，以及针对模型权重与 KV 缓存的数据路径协调等。到了智能体工作流，CPU 的工作负担进一步扩展，还要承担工具调用、检索流程、结构化输出验证、多步调度等持续运行的任务。

这一切都表明，CPU的重要性远超许多团队的预期。如果 CPU 跟不上编排节奏，数据迁移、处理流程和加速器都会被“卡住”，面临结构性的闲置风险。

融合型 AI 数据中心的建设，彰显了 Arm 架构的强劲势头

Arm 的发展势头正在加快。在业内领先的集成式 AI 系统中，基于 Neoverse 平台的 CPU 被广泛用于智能体推理密集型系统的编排层，尤其适合追求高能效、可预测扩展能力和大规模部署的应用场景。

独立测试也印证了现代 CPU 基础平台在“AI 相关”工作负载中的价值。Futurum 旗下 Signal65 的独立基准测试对比了基于 Arm Neoverse 平台的 Amazon Graviton4 与同级的 AMD和 IntelEC2 实例，结果显示：在生成式 AI (Llama-3.1-8B)、数据库 (Redis)、机器学习(XGBoost)、网络 (Nginx) 等测试的各种工作负载中，基于 Neoverse 平台的 Graviton4 在性能和性价比方面大幅领先。

测试结果直接反映了智能体 AI 数据中心的现状：LLM、检索层、缓存、Web/API、传统机器学习等全都处于智能体系统的关键路径上，只有当 CPU 兼具速度与能效时，整体才能更好地扩展。

最新的机架级 AI 系统在架构设计上，均采用定制化加速器层以及基于 Arm 架构的 CPU 层的组合，由后者承担调度编排、数据迁移与智能体推理预处理等关键任务。NVIDIA Grace Hopper、Grace Blackwell 等系列产品，将 NVIDIA GPU与基于 Neoverse 架构的 Grace CPU 深度融合。而其最新机架级平台 Vera Rubin NVL72，更是在系统内集成 72 颗 Rubin GPU 与 36 颗基于 Arm 架构的 Vera CPU，专为交互式、深度推理型智能体 AI 优化，显著降低推理成本。

亚马逊云科技也在走同样的系统级路线：Amazon Trainium3 UltraServer 把 Trainium3 加速器芯片与 Graviton CPU 结合，强化了“融合型”设计理念：将加速器与定制的高性能、高能效 CPU 相匹配，以实现高效扩展。

“提供更优选择”不再是偏好，而是硬性要求

AI 系统迭代太快，固定架构已无法适配其发展节奏，因此为客户提供更优选择已成为风险管理的必要举措。

系统架构师想要的是：

平台能适应不同代的硬件、多样的工作负载配置及各异的部署环境；

软件可移植，以降低系统变更成本。

与此同时，系统架构师希望避免因过度依赖单一厂商，而导致在模型组合变化、业务规模扩张或新需求出现时陷入被动。在智能体时代尤其如此：推理形态不断变化，上下文更长、工具调用更多、多模态输入更频繁、全天候工作负载更普遍，效率和平衡远比峰值跑分重要。

Arm 架构在提升系统性能的同时，保持跨平台一致性。Arm 架构不仅引入了现代 AI 基础设施所需的关键特性，而且拥有强大的软件生态支持。Arm 计算子系统 (CSS) 提供经过验证的基础设施级模块，既加速了芯片开发，又保留了合作伙伴间的差异化与选择权。对于所有基于 Arm 架构的平台，一致性贯穿始终，云工作负载迁移至 Arm 平台也极为便捷。同时，在软件层面，Arm 生态助力团队在不同环境与平台间拥有一致连贯的基础，从而加速开发进程，无需重写所有代码。

智能体 AI 经济重塑 CPU 选择格局，Arm Neoverse 平台成头部厂商首选

系统架构师之所以倾向于 Arm 平台，因为它精准匹配定制AI 系统的核心需求：能效、可扩展性及每瓦性能。能效重要，因为功耗和预算是硬上限；系统平衡和 CPU 性能重要，因为加速器闲置成本极高；一致性重要，因为 AI 基础设施变化快、跨环境部署日益增多。

在融合型智能体 AI 数据中心里，面对持续推理的应用需求，上述优先事项变成了上线即需满足的硬性指标。智能体系统不只需要能生成词元的加速器，更需要以 CPU 为核心的编排能力，在网络、存储、调度、安全层面，持续、高效、大规模地把资源利用起来。

Arm 如今的强劲增长正源于此：Neoverse 正成为智能体时代的 CPU 基础平台，作为计算头节点，是让 AI 系统保持高效、一致并面向未来的核心控制中枢。

它不只是又一个破圈的 AI 热点，也不只是一个更会干活的新工具。真正值得供水行业在意的是：当 AI 开始从“会回答”走向“能接任务、跑流程、持续在线”，供水行业真正要准备好的，到底是什么？智能化下一步，又该走向哪里？

站在新《供水条例》落地、“十五五”开局、行业运行要求持续抬升的节点上，这已经不是一个可以往后放的问题。

也正因此，4月9日—10日，E20环境平台供水服务联盟、沈阳水务集团有限公司、东北水务数字产业创新联盟将在沈阳联合举办“数智筑基十五五，新规落地启新局——供水行业‘十五五’智能进阶战略交流会”，与同行水司共同探讨行业智能化和数据价值释放的未来。

前一轮 DeepSeek 爆火时，大模型真正破圈，很多水司都在接模型，问答、客服、知识库，这些应用都很典型。

而 OpenClaw 带来的，是智能体的破圈。

它之所以引发关注，是因为越来越多人开始意识到：AI 正在从“回答问题”走向“接任务、调工具、跑流程、持续在线”。更需要留意的是，这一波热度已经从技术社区外溢到政策和产业层面。OpenClaw 自发布后迅速走红，国家监管部门已就其安全风险发出提示；与此同时，深圳龙岗等多地开始围绕 OpenClaw 发布激励政策文件。热度与审慎几乎同步到来，说明它已经开始逼近真实组织与真实场景。甚至，惠州水务等水司也已开始相关应用探索。

所以，真正的问题已经不是“要不要跟一个热点”，而是：

如果 AI 不再只是帮你想，而真正开始“替你做”，供水行业准备好了吗？

01 OpenClaw到底是什么？

用最直白的话说，OpenClaw 不是一个更会聊天的机器人，它更像是一套让 AI 能持续干活的运行框架。

可以把它理解成三部分：

一部分像“大脑”，负责理解任务、判断路径、决定下一步做什么； 一部分像“手脚”，负责读写文件、调用接口、处理信息、连接外部工具； 还有一部分像“身体”，负责让这套系统持续在线，能接消息、管会话、排任务、保上下文、处理异常。

所以，OpenClaw 真正特别的地方，不只是“会回答”，也不只是“会调工具”，而是它试图把三件事连起来：

会想、会做、还能持续跑。

换句话说，它不是让 AI 更像一个搜索框，而是在让 AI 更像一个能接任务的系统。

这也是它真正值得关注的地方。

02 OpenClaw为什么火？

过去大家用大模型，更多停留在这些层面：问答、检索、总结、写材料、辅助分析。

这些能力当然已经改变了很多工作方式，但大多还停留在“给建议”“给结果”的阶段。它更像一个认知放大器，而不是一个运行参与者。

而 OpenClaw 往前推了一步。它第一次更直观地让人看到：模型不是只能待在对话框里，它还可以开始接任务、衔接流程、跨平台协同、持续在线，甚至逼近某种“数字执行者”的形态。

所以，OpenClaw 真正火起来的，不只是概念，不只是开源，也不只是新鲜感。供水行业更该看到的是，它在替大模型打开更多真实场景。

这件事一旦成立，整个行业对智能化的理解就该变了。

因为未来智能化真正的竞争，不再只是“谁的模型更强”，而会越来越体现为：谁更能为技术找到真实场景，并最终把效果做出来。

03 真正分水岭，不是多接模型，而是重划边界

很多时候，一谈智能化，大家最先想到的还是模型能力、参数规模、准确率、回答质量。

但顺着 OpenClaw 这条线往下看，会发现更值得盯住的是：

哪些事情可以交给机器，哪些事情必须继续留给人，哪些事情又不能只靠人和机器临场博弈，而必须被写进规则。

这比“接不接模型”更难，也更关键。

因为供水行业过去很多事情之所以能运转，并不是因为一切都被定义得很清楚，恰恰相反，很多环节之所以能跑起来，靠的是大量“模糊闭环”：

靠经验判断，靠组织协调，靠现场弹性，靠责任兜底，靠默契维持。

这些模糊，并不都是坏事。

战略层的模糊，往往意味着方向弹性；复杂例外中的模糊，意味着人的判断空间；组织协商中的模糊，甚至可能是系统韧性的一部分。

真正的问题，从来不是模糊本身，而是模糊没有被分层。

所以，未来供水智能化真正的进阶，不是消灭模糊，而是重划模糊：

战略与复杂例外的模糊，要保留给人；经验与模式的模糊，可以交给 AI 学习；责任、评价与权限边界的模糊，则必须被制度化。

这才是下一轮智能化真正的门槛。

它不只是技术升级，更是在重写运行秩序。

04 AI 不能替行业决定“该怎么定”

很多人会说，AI 的本事不就在于能学那些原来说不清、讲不明白的东西吗？

这话只对了一半。

AI 的强项，确实是学习模式上的“说不清”。

比如图像里的异常特征、运行中的风险征兆、用户诉求的语义归类、经验判断里的隐含规律。这些东西，人往往“看得出来”，却很难完整写成规则，AI 在这里很有优势。

但供水行业真正难的，往往不是模式问题，而是规范问题。

比如：什么算见效？什么算达标？哪一步能自动？哪一步必须人审？出了问题谁兜底？安全、效率、成本、服务之间怎么权衡？

这些事情，不是训练数据天然能给出答案的。

数据可以学“过去大家怎么做”，却不能自动回答“未来应该怎么定”。

这也意味着，未来供水智能化真正高级的能力，不是把所有事情都交给 AI，而是：

把模式上的模糊尽量交给 AI，把规范上的模糊尽量交给规则，把战略和复杂例外中的模糊继续留给人。

这才是成熟的智能化，而不是“技术冲动”。

05 从软件智能体到具身智能体

OpenClaw 今天代表的，更多还是软件层面的智能体能力：

接任务、调工具、跑流程、跨平台协同、持续在线。

它先让人看见，智能体如何进入数字世界、信息世界、流程世界。

但这还不是终点。

随着具身智能的发展，未来智能化还会继续从软件世界延伸到物理世界。

对供水行业来说，这一点尤其值得前瞻性讨论。因为供水本身就不是纯软件行业，而是一个横跨数字系统与物理系统的行业。

今天大家讨论得更多的，还是工单、调度、客服、分析；明天很可能继续往巡检、操作、控制、处置走。

也就是说，OpenClaw 先让行业看到的是：智能体如何进入软件场景；而具身智能下一步要推动的，则是：智能体如何进入设备层、工艺层和现场层。

所以，对供水行业来说：

未来供水智能化，不只是让系统更懂业务，也不只是让流程更自动，而是要逐步实现从数字任务处理到物理场景执行的连续延伸。

这一步今天未必会全面发生，但今天不把它放进视野里，明天就很容易把路看窄。

06 回到供水行业：先把关键场景跑通

这几年，供水行业在智能化上并不缺投入，也不缺系统。真正缺的，往往不是平台数量，而是场景聚焦；不是能力展示，而是效果闭环。

所以，供水行业下一步真正值得做的，不是继续堆系统，而是把注意力拉回到那些真正影响运行质量、经营结果和用户感知的关键场景上。

因为未来真正拉开差距的，不会只是“谁又上了一个新平台”，而是谁先把关键场景跑通，谁先把结果做实，谁先把那些原来模糊、分散、靠经验维持的闭环，翻译成可见、可判、可协同、可验证的闭环。

从这个意义上讲，OpenClaw 给供水行业最大的启发，不是“AI 又能多干一点了”，而是再次提醒行业：

技术真正释放价值，最终还是要回到场景。

07 水司是数据提供者、产品定义者、效果验证者

在基础大模型阶段，水司当然不是底层模型竞争的主导者。围绕大模型产业链，水司并非完全缺席，在行业数据、行业模型共建、场景验证，以及数据中心建设、能源提供、冷却等环节都可能有参与空间，但总体上更多还是局部的、支撑性的，而不是主流主导。

但到了智能体阶段，情况开始不同。

因为真正决定智能体能不能站住的，不只是模型能力，而是场景、流程和效果。

对水司来说，真正重要的未必只是“有没有数据”，而是它掌握着：

真实场景，流程逻辑，运行约束，风险边界，效果定义权。

可以说，大模型时代，水司帮助 AI 更懂水务；智能体时代，水司决定 AI 能不能真正进入水务。

这也是为什么，智能化产品的定义，不能只交给技术公司。水司不只是采购方，还需要进一步成为场景定义者、产品共建者、效果验证者。

08 为什么这场讨论放在沈阳？

顺着这条线继续往下看，一个更值得关注的问题自然会冒出来：

为什么有些地方的智能化，总停留在项目层；而有些地方，却开始把智能化推向运行层、结果层，甚至城市治理层？

从现有实践看，沈阳已经在沿着“场景—流程—结果”这条线往前走。其智慧水务平台覆盖供水、调度、预警、管网、二供、营销、客服和经营管理等系统，并在维修次数、维修费用、人力成本与效率等方面形成了较明显成效；与此同时，围绕用户、计量、工单与漏损治理的持续推进，也开始体现为更直接的经营与治理结果，包括建立覆盖全市 403.5 万用水户的六级营业服务“数字地图”以及产销差率的大幅下降等。

我们也希望与沈阳以及全国所有领跑水司一起探讨，当行业开始从接模型走向找场景、做效果，地方水司能不能、又该如何长出自己的智能化方法论和能力路径。

09 所以，4月在沈阳，一起思维碰撞

站在 2026 年、“十五五”开局和新《供水条例》正式施行的节点上，供水行业面对的，已经不只是智能化升级的问题，更是运行能力建设、数据价值释放和协同共建的问题。

也正是在这样的背景下，由 E20环境平台供水服务联盟、沈阳水务集团有限公司、东北水务数字产业创新联盟联合主办的“数智筑基十五五，新规落地启新局——供水行业‘十五五’智能进阶战略交流会”将于 4 月 9 日—10 日在沈阳举行。

这场交流真正值得关注的，是把一个行业正在逼近的问题，深入探讨：

未来供水智能化，究竟该如何从“会分析”走向“能执行”，并进一步走向“能见效”。

换句话说，下一轮真正要讨论的，已经不是“要不要智能化”，而是：

哪些事情交给机器，哪些事情继续留给人，哪些事情必须写进规则，哪些场景最值得先做，哪些路径最有机会先见效，哪些接口又可能成为下一轮从软件智能体走向具身智能体的关键入口。

OpenClaw 火了，当然是个热点。但对供水行业来说，真正值得跟进的，未必一定是它本身，而是它照出来的那条路。

会议信息

1 会议名称

供水行业“十五五”智能进阶战略交流会

2 会议主题

数智筑基十五五，新规落地启新局

3 时间地点

2026年4月9日—10日   沈阳

4 主要内容

新《供水条例》背景下行业应对与发展思考；

“十五五”时期供水行业智能进阶路径探索；

人工智能、数据要素等方向实践交流与案例分享；

头部水司、典型企业产品展示与协同合作探讨。

5 联系人

段成 18301566019（微信同）