雲計算的江湖，風雲再起

        還記得當年英特爾的廣告語嗎？「Intel Inside」，這個標誌性的標籤幾乎成了計算設備的象徵。然而，隨着AI大模型的迅速崛起，計算的核心從CPU悄然轉向了GPU。一場前所未有的技術革命正在醖釀，而這場革命的主角正是GPU。這並非簡單的硬件升級，而是對整個雲計算生態的重新定義。

這一變革並非是循序漸進的升級，而是一場顛覆式的革命。GPU不僅僅是性能更強，它的出現實際上重新定義了雲計算的底層邏輯。傳統的雲計算巨頭——無論是AWS、微軟雲、谷歌雲，還是阿里雲、騰訊雲、百度智能雲——都必須面對一個殘酷的現實：過去依賴的技術優勢正在被快速蠶食。更為重要的是，行業的新興玩家正抓住這一機遇，迅速崛起，試圖挑戰這些巨頭的霸主地位。

但問題來了：傳統巨頭們能否及時轉身，擁抱這場GPU主導的變革？他們能否在這場新競賽中繼續保持*，抑或最終會被更加靈活、創新的新勢力所超越？

這不僅僅是一場技術的比拼，更是一場關於未來計算主導權的戰爭。雲計算的江湖，風雲再起。

01 從雲計算、雲操作系統的本質，來看市場的演進邏輯

雲計算，乍聽之下，這是一個充滿科技感的詞匯，彷彿觸手可及的未來。然而，雲計算的本質並不複雜——它的核心就在於「資源池」和「彈性調度」。

想象一下，一個巨大的水庫（資源池），里面儲存着豐富的水資源（計算資源：CPU、存儲、網絡）。每當你打開水龍頭（發出計算需求），水庫就會根據需求調配水量，不多也不少，精確地滿足你的需要。這個過程就是雲計算的彈性調度——根據需求動態分配資源，既不浪費，也不短缺。

但水庫本身不會自動運行，背后需要一個大腦來指揮這些資源的分配與調度，這就是雲操作系統的角色。它不僅管理資源的分配，還確保資源之間的高效協同運作，讓每一滴水（每一份計算資源）都能發揮*的效用。

這就是雲計算的核心——彈性調度和資源池的管理。正是這個看不見的「大腦」在幕后運籌帷幄，才能讓你在任何時間、任何地點都能獲得所需的計算資源。而這個「大腦」，正是雲操作系統。

要理解雲操作系統的演進，得先追溯到它的起點：虛擬化時代的開端。

早期階段：虛擬化時代的開端

早期的雲計算操作系統幾乎與虛擬化技術緊密相連，虛擬機（Virtual Machine）技術是雲計算的奠基石。通過虛擬機，物理服務器被抽象成多個虛擬實例，每個實例都可以運行自己的操作系統和應用程序。這種資源的抽象化讓雲計算的彈性調度成為可能——不同的用户可以共享同一台服務器而互不干擾。

虛擬化的核心是Hypervisor，一個運行在硬件之上的輕量級軟件層。它負責管理虛擬機的創建、銷燬和資源分配。Hypervisor既要保證各虛擬機之間的隔離性，又要高效調度硬件資源，儘量減少開銷。

然而，虛擬化技術並非*無瑕。儘管它提升了資源利用率，但引入的性能開銷和管理複雜性也不容忽視，這些問題為后來的技術發展埋下了伏筆。

中期發展：容器化技術的興起

進入容器化時代，雲操作系統迎來了新的變革。容器技術，比如Docker，提供了一種比虛擬機更輕量的虛擬化方式。容器能夠在共享的操作系統內核上運行多個隔離的應用實例，啟動速度更快，資源佔用更少。

容器的核心技術包括cgroups和namespaces，它們負責資源限制和進程隔離。這些技術使得雲操作系統能夠更加高效地管理資源，並顯著降低了應用程序的部署複雜性。

與此同時，Kubernetes等容器編排工具的出現，更是讓雲操作系統能夠自動化地管理和調度成千上萬個容器實例，實現微服務架構的快速部署和擴展。

容器技術的興起，使得雲操作系統從以虛擬機為核心的架構，轉變為一個更加靈活和高效的生態系統，極大地提高了資源利用率。

現代階段：智能化調度與AI賦能

隨着AI和大數據的迅速發展，雲計算的需求變得更加複雜，智能調度成爲了雲操作系統的新焦點。通過引入AI技術，雲操作系統能夠預測工作負載變化，並自動調整資源分配，確保計算資源的*化利用。

如今，雲操作系統正朝着更智能、更自動化的方向發展。不僅要管理傳統的計算資源，還要面對包括GPU、FPGA等異構計算資源在內的複雜環境，這對操作系統提出了更高的要求。

雲計算操作系統的發展，是一場從資源管理到智能化運營的進化。起初，它專注於如何高效、靈活地利用資源，通過虛擬機和容器技術實現。隨着時間推移，操作系統不斷在性能與效率間尋找平衡，每一次迭代都是爲了解決靈活性、資源利用率和操作複雜性的平衡問題。這一系列技術進步揭示了雲計算操作系統演進的內在邏輯，展現了技術發展的趨勢和未來方向。

02 GPU崛起，重塑雲計算操作系統的全新邏輯

曾經，CPU在計算領域佔據着核心地位，但隨着AI技術的發展，GPU以其強大的並行計算能力逐漸成為雲計算的新寵。GPU擁有眾多計算核心，能夠同時處理大量任務，這使得它在執行深度學習和AI模型訓練中的大規模矩陣運算時，效率遠超CPU。

GPU的高吞吐量和浮點計算能力，使其在處理大數據和複雜模型方面表現*，訓練大規模神經網絡的效率是CPU的數十倍。因此，GPU正逐漸成為AI時代雲計算的核心力量。

隨着GPU的崛起，雲計算操作系統面臨着全新的挑戰。

GPU的並行計算能力要求雲操作系統具備高效的調度機制，以*化地發揮GPU的性能。這意味着，操作系統不僅需要調度單個計算任務，還要協調數千個並行計算線程，以確保資源的*利用。

而且，GPU在處理深度學習尤其是大模型任務時，通常需要快速訪問大量數據，這對存儲和網絡系統提出了更高的要求。傳統的雲操作系統設計主要圍繞CPU展開，數據處理的模式較為線性，而GPU的工作方式更像是一個海量數據的「攪拌機」，需要在極短的時間內處理和交換大量數據。這種數據處理方式要求操作系統具備更高效的內存管理機制，以及支持高帶寬、低延迟的數據傳輸能力。

另外，GPU的多節點協同計算也是一個新的挑戰。大型AI模型的訓練往往需要跨越多個GPU節點進行分佈式計算，這要求雲操作系統能夠在多個節點之間高效協調資源，確保計算任務的同步執行和數據的一致性。

爲了應對這些挑戰，雲操作系統正在經歷深度的變革。

首當其中的，就是是調度算法的優化。傳統的調度算法主要是為CPU設計的，強調的是單核性能和任務的串行處理。而針對GPU的調度算法則需要處理數以千計的並行線程，並在任務之間動態分配GPU資源，以*化GPU的利用率。

而且，異構計算環境的構建成為新的重點。現代雲操作系統需要管理的不僅僅是CPU和GPU，還包括FPGA、TPU等其他專用加速器。操作系統需要能夠識別並調度這些不同的計算資源，並根據任務的特性動態選擇最適合的硬件加速器。

隨着GPU的廣泛應用，雲計算中的計算集羣調度也發生了革命性的變化。以往，集羣調度主要集中在CPU的負載平衡和資源分配上，而在GPU主導的時代，調度器需要處理的是複雜的並行計算任務，以及跨節點的資源協調。

特別是在大模型任務中，計算負載往往是動態變化的，這要求調度器具備實時響應和調整的能力。例如，在訓練大型神經網絡時，不同階段對計算資源的需求可能會有顯著差異，調度器需要能夠快速調整資源分配，避免資源浪費或任務延迟。

此外，分佈式計算任務的協調管理也變得更加複雜。爲了充分利用多個GPU節點的計算能力，調度器需要能夠同步多個節點的計算進程，確保數據在節點之間的高效傳輸，並防止計算任務的分散執行導致性能瓶頸。這一切都對雲操作系統提出了前所未有的要求，促使其在調度算法、資源管理和系統架構上進行全面升級。

我們可以看到，這不僅僅是硬件的升級，更是雲計算架構的深層次變革。GPU的強大性能在推動雲計算走向新的高度，但同時也對操作系統提出了更高、更復雜的要求。只有那些能夠快速適應這一變化的雲服務商，才能在這場新一輪的技術競賽中立於不敗之地。

03 智算雲的骨架重塑，存儲、網絡和數據中心的協同進化

在智算雲的時代，GPU無疑是明星，但在這場革命中，存儲、網絡以及數據中心的基礎設施同樣不可或缺。光有強大的算力而沒有與之匹配的存儲和網絡支撐，這樣的系統無異於一個跑車卻裝上了低速車輪，無法充分發揮其潛能。

存儲系統的升級之路

首先，讓我們聊聊存儲。在AI大模型的訓練中，數據就是「燃料」，而存儲系統就是這個燃料的「油箱」。傳統的存儲系統根本無法滿足AI大模型對數據讀寫的苛刻需求。

AI大模型在訓練時，會不斷地讀取和寫入大量數據，要求存儲系統不僅有極高的吞吐量，還要有極低的延迟。為此，分佈式存儲技術成爲了關鍵。分佈式存儲系統通過將數據分散存儲在多個節點上，不僅提高了數據訪問速度，還增強了系統的容錯能力。如果一個節點故障，其他節點可以無縫接管，確保數據的持續可用性。

此外，NVMe over Fabrics (NVMeoF) 技術也是應對這一挑戰的重要工具。NVMeoF通過將NVMe協議延展到網絡中，打破了傳統存儲的瓶頸，實現了存儲和計算之間的高效通信。這種技術不僅提高了存儲設備的利用率，還顯著降低了延迟，滿足了AI大模型對數據高頻讀寫的需求。

但這還不夠。在面對海量的數據時，存儲系統還需要具備智能化的數據管理能力，能夠根據數據的重要性和訪問頻率動態調整存儲策略。比如，把訪問頻率高的數據優先存儲在速度更快的設備上，而冷數據則轉移到低成本的存儲介質中。這種智能分層存儲技術，能夠有效地提高存儲資源的利用效率，降低總體成本。

網絡架構的轉型挑戰

如果説存儲是數據的油箱，那麼網絡就是整個系統的「血管」。在智算雲環境下，GPU集羣的高密度併發計算對網絡的要求達到了新的高度。傳統的網絡架構已經難以支撐這些計算任務的高速數據交換。

這里，RDMA (Remote Direct Memory Access) 技術應運而生。RDMA允許直接在網絡上訪問遠程內存，而無需經過操作系統的干預，這種技術大幅降低了數據傳輸的延迟，提升了數據吞吐量。RDMA的引入，解決了GPU節點之間的數據傳輸瓶頸，特別是在需要頻繁交換大量數據的深度學習任務中，RDMA能夠確保數據傳輸的高效和低延迟。

與此同時，高速互聯 和 無損網絡架構 也成爲了網絡架構轉型的焦點。高速互聯技術，如InfiniBand，提供了比傳統以太網更高的帶寬和更低的延迟，適合需要大規模併發的計算任務。而無損網絡則通過精細的流量控制和擁塞管理，確保了數據傳輸的穩定性和可靠性，避免了因為網絡擁塞而導致的計算任務中斷。

這些網絡技術的集成，使得GPU集羣能夠以接近實時的方式進行數據交換和計算協同，大大提高了AI任務的執行效率。

數據中心的全面升級

GPU集羣的崛起，不僅對存儲和網絡提出了挑戰，還迫使數據中心進行全面升級。

爲了支撐GPU的高性能計算，數據中心需要搭載更多的GPU卡，這直接帶來了散熱和功耗的問題。傳統的風冷系統已經難以勝任。液冷散熱技術逐漸成為主流，液冷系統通過液體直接接觸GPU芯片，將熱量迅速帶走，確保系統在高負載下依然能夠穩定運行。這種技術不僅提高了散熱效率，還降低了數據中心的能耗。

此外，密集功率管理也成爲了數據中心的重中之重。隨着GPU集羣的規模擴展，功耗的管理變得越來越複雜。數據中心需要採用先進的功率管理系統，實時監控和調節每個節點的功耗，以防止因過度負載而引發的系統崩潰。

模塊化數據中心設計也是一個關鍵的升級方向，通過模塊化設計，數據中心可以根據需求靈活擴展，快速部署新的GPU節點，同時保持高效的資源利用率。這種設計不僅降低了初始建設成本，還提升了數據中心的靈活性和可擴展性，能夠更好地適應未來的技術發展。

操作系統如何適應新環境？

面對存儲、網絡和數據中心的全面升級，雲操作系統也必須做出相應的調整，以適應這些變化。

操作系統需要更智能地管理和調度存儲資源，確保數據能以最快的速度到達GPU，並在內存中高效處理。它還需要支持分佈式存儲和NVMeoF等新興技術，為高吞吐量和低延迟的存儲需求提供強有力的支持。

在網絡管理方面，操作系統必須能夠識別和利用RDMA、高速互聯等技術，優化數據傳輸路徑，減少延迟，提高網絡的整體吞吐量。同時，操作系統還需要具備動態調節網絡流量的能力，以應對高密度併發計算對網絡帶寬的需求。

此外，操作系統必須能夠與數據中心的硬件基礎設施深度集成，特別是在功率管理和散熱優化方面。它需要實時監控硬件狀態，並根據負載情況自動調整系統配置，確保GPU集羣在高效運行的同時，保持低能耗和高可靠性。

我們可以看到，智算雲時代的到來不僅僅是算力的革命，更是整個基礎設施的升級和重塑。

04 PaaS和SaaS的進化，從開發到服務的重構

在智算雲的時代，隨着GPU成為計算的核心，PaaS和SaaS平臺也面臨着新的變革。這場變革既可能是開發者的春天，也可能是他們的冬天，關鍵在於平臺是否能夠跟上技術的步伐，提供更強大的工具和服務。

PaaS平臺的全新生態

智算雲時代的到來，意味着PaaS平臺必須進行徹底的革新。過去，PaaS平臺主要為CPU優化，無論是編譯器、調試工具，還是開發框架，都以CPU的計算邏輯為核心。然而，隨着GPU的崛起，PaaS平臺需要重新審視並優化其生態系統，以支持高性能計算和深度學習應用。

其中，編譯器的優化成為當務之急。傳統編譯器無法充分利用GPU的並行計算能力。為此，許多PaaS平臺已經開始集成支持CUDA或ROCm等GPU計算框架的編譯器，使開發者能夠更輕松地編寫並行計算代碼，充分發揮GPU的潛力。

其次，開發框架的優化也是至關重要的。框架如TensorFlow、PyTorch等已經成為深度學習開發的主流工具。這些框架在PaaS平臺上的表現直接影響開發者的生產力。為此，PaaS平臺必須提供深度集成的開發環境，使得這些框架能夠無縫運行在GPU集羣上，並且能夠利用平臺的分佈式計算能力，支持大規模模型的訓練和推理。

此外，PaaS平臺還需要提供更強大的調試工具。在複雜的GPU計算環境下，調試變得更加困難。PaaS平臺必須支持遠程調試、實時性能監控，以及自動化的故障診斷，以幫助開發者迅速定位和解決問題。

這種全面的技術優化將使PaaS平臺成為智算雲時代開發者的「春天」，為他們提供高效的開發工具和環境，助力他們在AI領域快速創新。

SaaS服務的智能化進化

隨着PaaS平臺的革新，SaaS服務也在迎來新的進化。GPU強大的計算能力為SaaS應用帶來了前所未有的智能化升級機會。這不僅僅是性能的提升，更是服務模式的根本性變化。

GPU的計算能力，使得SaaS應用能夠實時處理和分析海量數據。這種能力的增強，使得自動化決策和個性化服務變得更加高效。例如，AI驅動的客服系統可以實時處理用户請求，並根據用户歷史數據和行為模式，提供更加精準和個性化的服務。

更進一步，GPU的並行處理能力，疊加上OpenAI剛發佈的o1這樣的強大模型，使得複雜模型的實時推理成為可能。對於許多SaaS應用而言，AI模型的推理速度直接影響用户體驗。例如，在金融風控系統中，GPU加速可以實現對海量交易數據的實時分析，從而即時發現異常行為，提升系統的安全性。

此外，GPU還使得SaaS應用能夠動態適應不同用户的需求。通過利用AI技術，SaaS服務可以根據用户的實時數據和操作習慣，自動調整系統配置和資源分配，為每個用户提供量身定製的服務。這種個性化的服務模式將大大提升用户滿意度和系統的使用效率。

在智算雲的時代，PaaS和SaaS平臺面臨着前所未有的挑戰，但也迎來了無限的機遇。對於開發者來説，這或許是他們的春天，因為平臺的革新將為他們提供更強大的工具和支持。然而，這也可能是他們的冬天，如果他們無法快速適應這些變化。

05 全球雲廠商的智算競賽，誰能笑到最后？

在雲計算的戰場上，傳統巨頭們一直佔據着主導地位。然而，隨着AI大模型和GPU計算的崛起，雲計算的格局正悄然發生變化。全球主要雲廠商之間的智算競賽，正愈演愈烈。那麼，誰能在這場角逐中脫穎而出，成為最終的*？

根據數據猿觀察，國內的阿里雲、騰訊雲、百度智能雲，在面向AI大模型重構雲計算基礎設施方面，顯得特別的「激進」。

阿里雲，雲棲大會上展示了其全新升級的雲產品體系。

在2024年雲棲大會上，阿里雲展示了其AI基礎設施和彈性計算產品家族的全面升級，以適應生成式AI時代的需求。阿里雲通過全棧優化，從底層計算、存儲、網絡到AI大模型平臺，構建了一套穩定高效的AI基礎設施。

推出了CIPU2.0處理器，具有400Gbps的高吞吐數據加速和一體化的軟硬件安全優化。基於此，阿里雲發佈了支持16卡GPU和1.5T顯存的磐久AI服務器，以及AI算法預測GPU故障的功能，提高了AI算力的穩定性和效率。

在存儲領域，阿里雲的CPFS實現了單客户端25GB/s的吞吐量，為AI提供了強大的存儲支持。同時，HPN7.0網絡架構優化了集合通信性能，確保大規模AI集羣的高效運行。

阿里雲還發布了第九代ECS企業級實例，性能提升高達30%，並推出了GPU容器算力服務，升級了容器服務ACK，減少了大模型應用的冷啟動延迟。

在大模型領域，阿里雲的通義千問和Qwen系列模型全面升級，覆蓋多模態應用，並降低了調用成本，推動了生成式AI的普及。

尤其值得指出的是，飛天企業版實現了智算升級，將智算能力融入專有云平臺，優化了異構算力池化和推理效率。通過GPU虛擬化和容器調度，資源利用率提升了100%。在推理場景下，通信帶寬和模型吞吐量得到顯著提升。

系統穩定性方面，飛天企業版提供了一體化監控和分析診斷能力，實現了分鍾級故障定位，確保AI任務的高效穩定運行。這些升級使飛天企業版在滿足政企市場AI需求的同時，繼續引領雲計算操作系統的智能化發展。

騰訊雲，發佈了AIInfra品牌「騰訊雲智算」。

騰訊雲在2024年數字生態大會上推出了AIInfra品牌「騰訊雲智算」，這是一個整合了算力、存儲、網絡的高性能計算平臺。該平臺旨在提供*性能、多芯兼容和靈活部署的智算服務，推動AI生產力的釋放。

騰訊雲智算包括HCC高性能計算、星脈網絡、AIGC雲存儲等核心產品，形成了強大的智算基礎設施。HCC提供3.2T的超高互聯帶寬，優化大模型訓練和推理。星脈網絡2.0採用自研設備和400G硅光模塊，降低延迟，提升訓練效率。

存儲方面，CFS Turbo和COS針對高性能文件存儲和大數據存儲需求優化，CFS Turbo特別適合AIGC訓練，提供百萬級OPS和千億級文件擴展，而COS支持百EB級存儲規模。

騰訊雲智算還包括向量數據庫和TACO系列加速框架，提升AI訓練和推理效率。TACOTrain加速引擎兼容多種訓練框架，優化網絡通信和模型並行處理；TACOLLM針對大語言模型推理加速，提升性能，降低成本。

百度智能雲，通過整合基礎設施和大模型工具鏈，提供全棧的AI解決方案。

在2024年雲智大會上，百度智能雲推出了全棧AI解決方案，強化其在智能雲計算領域的佈局。

核心產品「百舸」AI異構計算平臺4.0，專為大模型訓練和推理設計，支持多芯異構計算，提供高效穩定的算力。該平臺通過秒級部署功能，顯著縮短集羣創建和模型部署時間，並具備強大的故障容錯能力，確保了大規模集羣的穩定性。

模型開發和應用方面，百度智能雲的「千帆」3.0平臺提供了從模型開發到應用部署的全套工具鏈，整合了文心繫列模型，滿足企業複雜業務需求。平臺還引入了低代碼、零代碼開發工具，如AI速搭，降低開發門檻，提高效率。

此外，百度智能雲還推出了智能客服產品「客悦」和數字人平臺「曦靈」。客悦利用多模態交互和情感識別技術提升服務智能化，降低人力成本。曦靈平臺則提供2D、3D數字人生成和實時交互技術，為電商、金融等行業提供數字人解決方案。

除了我們上面重點介紹的3家雲廠商，其他雲廠商也在智算雲這條道路上，矇眼狂奔。

在智算雲的賽道上，各大雲服務廠商正加速佈局，以GPU為核心的計算資源池和智算雲服務正逐漸成為新的行業標準。

AWS 憑藉專為AI任務設計的Inferentia和Trainium芯片，以及Amazon SageMaker等AI服務，確立了其在AI計算生態系統中的領導地位。

微軟Azure 通過與OpenAI的緊密合作，推出了Azure OpenAI服務，將生成式AI技術與企業級服務相結合，提供了靈活的模型部署和微調功能。

谷歌雲藉助其專為AI任務設計的TPU（Tensor Processing Unit），在深度學習任務中展現出*的性能，其新一代TPU v5p在性能上實現了顯著提升。

華為雲通過Ascend系列AI處理器和ModelArts平臺，為用户提供了一站式AI開發環境，支持自動化模型訓練、調優和部署。

這些廠商的操作系統和雲基礎設施正在經歷重大的改造，以適應AI大模型的需求。例如，華為雲的xGPU技術實現了物理GPU的資源任意劃分，靈活隔離，以適應AI訓練任務的配置要求。

在這場智算雲的全球競賽中，沒有誰能夠輕松取勝。這是一場持久戰，技術、市場、生態系統的多維競爭將決定最終的贏家。

誰能引領下一個計算時代？

隨着大模型技術的飛速發展，雲計算正邁入一個全新的階段——智算雲時代。這個新時代不僅帶來了前所未有的機遇，也對雲服務商提出了極高的技術要求。要在這場變革中勝出，廠商們必須克服一系列複雜而棘手的挑戰。

智算雲的興起，預示着全球雲計算市場將迎來新一輪的洗牌。那些能夠迅速掌握智算雲核心技術的廠商，將在市場中佔據有利位置。例如，阿里雲通過其自研的飛天操作系統，已經實現了對異構算力的統一調度，顯著提升了資源利用效率。

然而，智算雲帶來的高技術門檻也可能導致一些中小型雲服務商陷入困境。如果這些廠商無法快速適應新的市場需求，無法提供穩定、高效的智算雲服務，他們將面臨被市場淘汰的風險。與此同時，那些能夠提供差異化服務並在特定領域取得突破的創新者，也有可能通過垂直整合或專注於特定應用場景，開闢出新的市場空間。

展望未來，智算雲技術的發展將深刻影響全球經濟和社會結構。隨着AI逐漸滲透到各行各業，智算雲將成為新一代數字基礎設施的核心，其重要性不亞於當前的電力和互聯網。我們可以預見，未來的智算雲將不僅限於支持現有的AI應用，還會推動更多跨領域的創新。例如，在智能製造中，智算雲可以實時分析生產數據，優化製造流程；在智慧城市中，智算雲可以整合交通、能源、安防等多個系統，提升城市管理的智能化水平。

更進一步，智算雲的普及可能催生出新的商業模式和產業生態。例如，隨着邊緣計算與智算雲的深度融合，更多的實時、個性化AI服務將得以實現，從而推動消費互聯網和工業互聯網的進一步發展。這一切的前提是，雲服務商能否在這場技術競賽中脫穎而出，成為引領下一個計算時代的領航者。未來的勝者，將不僅掌握技術制高點，還將重塑全球經濟格局，推動社會的智能化變革。

【本文由投資界合作伙伴微信公眾號：數據猿授權發佈，本平臺僅提供信息存儲服務。】如有任何疑問，請聯繫（editor@zero2ipo.com.cn）投資界處理。