先进计算驱动的非招标采购智能化应用研究

doi:10.12267/j.issn.2096-5931.2025.10.008

信息通信技术与政策 ›› 2025, Vol. 51 ›› Issue (10): 51-58.doi: 10.12267/j.issn.2096-5931.2025.10.008

专题：先进计算创新应用与生态建设上一篇下一篇

先进计算驱动的非招标采购智能化应用研究

Advanced computing in the application of non-bidding procurement within supply chains

沈金辉¹, 宋雨辰¹, 田抒川¹, 王扬¹, 腊志垚¹, 刘宁²

¹ 中国信息通信研究院信息化与工业化融合研究所, 北京 100083
² 国家能源集团物资有限公司, 北京 102299

收稿日期:2025-09-01 出版日期:2025-10-25 发布日期:2025-11-06
作者简介:
沈金辉, 中国信息通信研究院信息化与工业化融合研究所算法研究员,主要从事先进计算、大语言模型、智能评审等方面的研究工作
宋雨辰, 中国信息通信研究院信息化与工业化融合研究所算法与评测研究员,重点从事算法评测体系、先进计算等方面的研究工作
田抒川, 中国信息通信研究院信息化与工业化融合研究所算法与评测研究员,长期从事先进计算、多智能体框架、自动机器学习等方面的研究工作
王扬, 中国信息通信研究院信息化与工业化融合研究所智能科技与ICT产业研究部主任,高级工程师,主要从事人工智能、具身智能、人工智能终端、通信等领域技术研究和产业研究工作
腊志垚, 中国信息通信研究院信息化与工业化融合研究所算法与评测研究员,主要从事先进计算、图神经网络等方面的研究工作
刘宁, 国家能源集团物资有限公司高级工程师,主要从事采购与供应链管理研究与实践工作

SHEN Jinhui¹, SONG Yuchen¹, TIAN Shuchuan¹, WANG Yang¹, LA Zhiyao¹, LIU Ning²

¹ China Academy of Information and Communications Technology, Beijing 100083, China
² China Eenergy Investment Group Materials Co., Ltd., Beijing 102299, China

Received:2025-09-01 Online:2025-10-25 Published:2025-11-06

摘要/Abstract

摘要：

先进计算技术正驱动非招标采购向智能化系统化转型,其规模化落地的关键在于构建“算力+架构”协同的底层支撑体系。聚焦资质核查、合同解析、专家评审与文件生成四大场景,系统阐述异构计算、分布式推理等架构如何赋能多模态解析、多模型协同与人机交互式生成,显著提升采购效率、准确性与合规性。结合国家政策导向,系统梳理了先进计算赋能下非招标采购智能化的技术演进路径、典型应用成效及核心挑战,并指出未来需在算力友好型模型设计、可验证的生成校验机制及工程化部署策略等方面持续突破,以构建高效、可信、可扩展的智能采购体系。

关键词: 人工智能, 先进计算, 混合推理, 非招标采购, 多模态解析, 文件合规校验

Abstract:

Advanced computing technologies are driving the intelligent and systematic transformation of non-bidding procurement, the scalable implementation of which hinges on building a foundational support system based on the synergy of computing power and architecture. Focusing on four core scenarios—qualification verification, contract analysis, expert review, and document generation—this paper elucidates how architectures like heterogeneous computing and distributed inference empower multimodal parsing, multi-model collaboration, and human-AI co-generation, significantly enhancing procurement efficiency, accuracy, and compliance. Aligning with national policy directives, this paper systematically outlines the technological evolution path, application effectiveness, and core challenges of AI-powered non-bidding procurement. It further identifies that future breakthroughs must focus on compute-efficient model design, verifiable generation validation mechanisms, and engineering deployment strategies to build an intelligent procurement system that is efficient, trustworthy, and scalable.

Key words: artificial intelligence, advanced computing, hybrid reasoning, non-bidding procurement, multimodal analysis, document compliance verification

中图分类号:

沈金辉, 宋雨辰, 田抒川, 王扬, 腊志垚, 刘宁. 先进计算驱动的非招标采购智能化应用研究[J]. 信息通信技术与政策, 2025, 51(10): 51-58.

SHEN Jinhui, SONG Yuchen, TIAN Shuchuan, WANG Yang, LA Zhiyao, LIU Ning. Advanced computing in the application of non-bidding procurement within supply chains[J]. Information and Communications Technology and Policy, 2025, 51(10): 51-58.

导出引用管理器 EndNote|Ris|BibTeX

链接本文:

http://ictp.caict.ac.cn/CN/10.12267/j.issn.2096-5931.2025.10.008

http://ictp.caict.ac.cn/CN/Y2025/V51/I10/51

图/表 2

参考文献 25

[1]	毛科. 数字化时代企业采购体系搭建及设计[J]. 能源, 2020(10):84-86.
[2]	郭莎莎. 国有企业非招标采购机制创新与合规运营实务解析[J]. 中国产经, 2025(14):122-124.
[3]	岳小川. 政府采购非招标采购方式程序解读(五)竞争性谈判和竞争性磋商采购方式的交易特点分析和应用比较[J]. 招标采购管理, 2015(5):58-61.
[4]	宋大鹏. 大型企业数字化采购平台开发实践[J]. 中国管理信息化, 2020, 23(21):49-53.
[5]	王晓洁. 非招标采购业务智能评审研究[J]. 中国信息化, 2022(11):83-84,91.
[6]	NGUYEN T T H, JATOWT A, COUSTATY M, et al. Survey of post-OCR processing approaches[J]. ACM Computing Surveys, 2021, 54(6):1-37.
[7]	MEMON J, SAMI M, KHAN R A, et al. Handwritten optical character recognition (OCR): a comprehensive systematic literature review (SLR)[J]. IEEE Access, 2020, 8:142642-142668.
[8]	GRAMA A Y, GUPTA A, KUMAR V. Isoefficiency: measuring the scalability of parallel algorithms and architectures[J]. IEEE Parallel & Distributed Technology: Systems & Applications, 2002, 1(3):12-21.
[9]	FAN H, FERIANC M, RODRIGUES M, et al. High-performance FPGA-based accelerator for bayesian neural networks[C]// 2021 58th ACM/IEEE Design Automation Conference (DAC). San Francisco: IEEE, 2021:1063-1068.
[10]	XU Y, LI M, CUI L, et al. LayoutLM: pre-training of text and layout for document image understanding[C]// Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York: ACM, 2020:1192-1200.
[11]	KIM G, HONG T, YIM M, et al. OCR-free document understanding transformer[C]// European Conference on Computer Vision. Cham: Springer Nature Switzerland, 2022, 13688:498-517.
[12]	BAI J, BAI S, YANG S, et al. Qwen-VL: a versatile vision-language model for understanding, localization, text reading, and beyond[J]. arXiv Preprint, arXiv:2308.12966, 2023.
[13]	GLM-V Team. GLM-4.5V and GLM-4.1V-thinking: towards versatile multimodal reasoning with scalable reinforcement learning[J]. arXiv Preprint, arXiv:2507.01006, 2025.
[14]	MOLINA A, TERRADES O R, LLADOS J. Fetch-A-Set: a large-scale OCR-free benchmark for historical document retrieval[C]// International Workshop on Document Analysis Systems. Cham: Springer Nature Switzerland, 2024:347-362.
[15]	LEWIS P, PEREZ E, PIKTUS A, et al. Retrieval-augmented generation for knowledge-intensive NLP tasks[J]. Advances in Neural Information Processing Systems, 2020, 33:9459-9474.
[16]	YANG A, LI A, YANG B, et al. Qwen3 technical report[R], 2025.
[17]	DeepSeek-AI, GUO D, YANG D, et al. DeepSeek-R1: Incentivizing reasoning capability in LLMs via reinforcement learning[J]. arXiv Preprint, arXiv:2501.12948, 2025.
[18]	KIRK D. NVIDIA CUDA software and GPU parallel computing architecture[C]// Proceedings of the 6th International Symposium on Memory Management. New York: ACM, 2007, 7: 103-104.
[19]	MITTAL S, VETTER J S. A survey of CPU-GPU heterogeneous computing techniques[J]. ACM Computing Surveys (CSUR), 2015, 47(4): 1-35.
[20]	JIANG Y, ZHU Y, LAN C, et al. A unified architecture for accelerating distributed DNN training in heterogeneous GPU/CPU clusters[C]// 14th USENIX Symposium on Operating Systems Design and Implementation (OSDI 20). Berkeley: USENIX Association, 2020(26): 463-479.
[21]	KAMAHORI K, TANG T, GU Y, et al. Fiddler: CPU-GPU orchestration for fast inference of mixture-of-experts models[J]. arXiv Preprint, arXiv:2402.07033, 2024.
[22]	刘银娣. 同行评审的人工智能应用: 现状与挑战[J]. 出版科学, 2020, 28(5):68.
[23]	KHOKHAR A A, PRASANNA V K, SHAABAN M E, et al. Heterogeneous computing: challenges and opportunities[J]. Computer, 2002, 26(6):18-27.
[24]	CAO K, LIU Y, MENG G, et al. An overview on edge computing research[J]. IEEE Access, 2020, 8: 85714-85728.
[25]	周京艳, 黄裕荣, 刘如, 等. 智能集体评审的缘起和特征[J]. 中国科技期刊研究, 2018, 29(3):231. doi: 10.11946/cjstp.201709180788

先进计算驱动的非招标采购智能化应用研究

Advanced computing in the application of non-bidding procurement within supply chains

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 2

参考文献 25

相关文章 15

编辑推荐

Metrics

本文评价

[1]	闫嘉豪. 城市智能算力底座建设现状与发展建议[J]. 信息通信技术与政策, 2025, 51(9): 2-7.
[2]	龙海泉, 王少帅, 李科. “人工智能+”赋能IPv6网络管理场景及技术方案研究[J]. 信息通信技术与政策, 2025, 51(8): 10-14.
[3]	李腾达, 朱紫钰, 韩子奇. “人工智能+”赋能具身智能机器人新形态及关键技术应用[J]. 信息通信技术与政策, 2025, 51(8): 15-25.
[4]	吴盈盈, 宋平, 任璐. 我国“人工智能+”行动的必要性及推进路径[J]. 信息通信技术与政策, 2025, 51(8): 2-9.
[5]	燕江依, 李荪, 樊威, 曹峰. 新一代数据标注产业对“人工智能+”范式创新的作用机理与实践路径研究[J]. 信息通信技术与政策, 2025, 51(8): 26-34.
[6]	胡文娟, 闫昭坤, 孟丹妮, 许珊, 蒋博丞, 许丽姣, 陈广拓, 张义. “人工智能+”推动天然气行业高质量发展路径研究[J]. 信息通信技术与政策, 2025, 51(8): 35-41.
[7]	王锐, 左铠瑞, 蒋亦伟. 人工智能与信息通信业融合发展成效、面临问题与建议[J]. 信息通信技术与政策, 2025, 51(8): 50-54.
[8]	刘志鹏, 张津铭. 从平台经济到人工智能:治理机理比较与治理体系构建[J]. 信息通信技术与政策, 2025, 51(8): 55-63.
[9]	秦思思, 闫东伟, 齐可心, 程阳. 人工智能赋能软件形态演进趋势研究[J]. 信息通信技术与政策, 2025, 51(8): 64-70.
[10]	吴重庆, 杨思哲, 宁庭勇, 胡永波. 上海政务垂类大模型应用探索[J]. 信息通信技术与政策, 2025, 51(8): 78-83.
[11]	徐贵宝, 柏润泚, 易宏杰. 人工智能赋能医康养融合服务生态体系建设研究^*[J]. 信息通信技术与政策, 2025, 51(8): 84-90.
[12]	岳锦疆, 宁庭勇. 人工智能在固态储氢材料中的综合应用[J]. 信息通信技术与政策, 2025, 51(6): 21-26.
[13]	杨光, 尹会会, 凌大兵, 韩笑. 人工智能赋能石化行业转型升级研究[J]. 信息通信技术与政策, 2025, 51(6): 33-37.
[14]	汪振涛. 人工智能驱动能源系统变革的挑战与应对策略[J]. 信息通信技术与政策, 2025, 51(6): 38-43.
[15]	葛坚, 牛晓燕, 毕然, 黄雍涛. 低碳AI:大模型的绿色训练与推理优化方法研究[J]. 信息通信技术与政策, 2025, 51(6): 44-51.