构建城轨云数智一体化平台：驱动状态修升级与全链路AI加速

突破传统运维瓶颈，消解大模型落地系统性阻碍

城市轨道交通设备运维正经历从“故障修”、“均衡修”向“状态修”演进。传统模式人力资源消耗巨大且故障易影响行车；而理想的“状态修”需依托PHM（故障预测与健康管理）+AI手段实现按需维修与低成本运转。2025年3月，中国城市轨道交通协会信息化专业委员会（信专委）发布了垂域大模型应用指南，大模型向复场景决策演进成为必然趋势。

然而，当前行业在落地大模型时面临“云、数、AI割裂”的系统性痛点，严重制约价值释放：

• 时延及带宽压力： 大模型集中部署于OCC中央侧，高清摄像头普及导致带宽压力剧增。
• 算力需求膨胀： 面对近百万终端设备，百卡并发作业的迭代训练与推理面临算力瓶颈。
• 数据质量壁垒： 跨专业数据壁垒导致数据质量低下，极易引发AI“幻觉”，影响算法精度。
• 生态碎片化与安全威胁： 框架迁移成本高；同时面临越狱攻击、数据泄露、对抗样本攻击（毒性生成、幻觉）等新型安全挑战。

部署云边协同架构，实现算力、算法与数据闭环协同

针对业务痛点，依托专有云平台构建“云数智一体化”架构，实现算力、数据、模型等AI核心资产的全生命周期管理。

• 推行云边协同算力网络：
  • 中央云（TCE）： 承载线路级/中央级业务，统管大数据价值挖掘及算法训练迭代。
  • 边缘云（TCS）： 算力下沉至车站，承载对时延要求高的业务（如就近计算），并确保降级模式下车站正常运行。
• 构建智算一体化硬件底座：
  • 基于自研TurboFS提供高性能存储；采用最高 3.2Tbps RDMA 自研网络架构结合 TCCL 集合通信库，加速分布式训练通信效率。
• 装配多模态大模型知识引擎：
  • 支持混元、Deepseek及第三方模型，内置标准RAG（检索增强生成）流程，支持图文表混合内容的多模态结构化解析，并通过Agent模式调用插件响应复杂工作流。
• 建立LLM-WAF大模型安全防护线：
  • 实时检测拦截算力滥用、提示词攻击及数据泄露；通过数据分级分类引擎和内容安全大模型实施生成内容过滤。

释放数据驱动潜能，量化提升模型训练与运维指标

通过全链路AI应用加速，有效解决了资源调度与开发效率问题。系统在实际应用中呈现出显著的投资回报率（ROI）与业务优化指标：

1. 核心业务指标一：设备运维精准度与响应速度 严格遵循信专委对5类场景的要求，系统实现了故障预测准确率 ≥95%；故障诊断响应时间 ≤5分钟；通过合理配置人员与备件，维护资源优化效率提升 20%；智能问答与技能评估准确率均 ≥90%。
2. 核心业务指标二：底层算力与推理性能 借助自研TACO训练加速套件优化深度学习算子库，实现了AI训练性能提升 40%，推理性能大幅提升 5.2倍。
3. 核心业务指标三：数据准备与开发加速比 大数据平台提供标准化数据，直接替代了以往算法人员需耗费 60% 精力的高质量数据准备工作；一站式大模型精调内置自研Angel加速框架，相比开源deepspeed可实现 1.5+倍 加速比。

建设广州地铁“穗腾OS”，构建泛在操作系统业务闭环

广州地铁联合应用TCE全栈云原生技术构建分布式城轨云，打造了泛在操作系统“穗腾OS”，实现资源统一管理与高效复用。

• 云架构规模： 采用TCE同城双活架构，中央云已投放 400+ 服务器，边缘云已覆盖投放 140个 车站。
• 数据资产沉淀： 大数据平台目前已接入 220T 数据量，共计维护 8万 张表，沉淀 1100亿 条数据。
• 业务支撑深度： 算法平台已支撑地保特征设备识别、车辆运维（牵引辅助PHM组件、轮对踏面缺陷检测）、信号运维等数十种地铁中长尾算法。

依托全栈自研技术底座，确立行业垂类应用技术壁垒

系统通过底层芯片兼容（一云多芯覆盖主流信创芯片结合TencentOS）、算力网络加速（RDMA+TurboFS）、开发框架优化（Angel）到顶层安全防护（LLM-WAF）的全面自研，构建了高确定性的技术基座。基于该数智底座打造的“穗腾OS”，经院士及专家评估，已达到“行业首创、国际领先”水平，为城市轨道运维的高质量发展提供了可复制的标准化演进路径。

(数据来源：腾讯云交通《打造城轨云数智一体化平台，助力城轨运维高质量发展》报告)