能力路线
云原生 → AI 原生Customer story · Automotive manufacturing
Dongfeng Commercial Vehicle: From Cloud Native to AI Native
东风商用车需要的不是单一工具，而是能够同时承载业务创新、数据价值、应用自主研发和资源快速交付的数字化底座。Cloud nativeAI nativeAI engineering
建设对象
数字化底座架构视角
五层能力核心价值
工程资产化Background
An established cloud-native foundation created the opportunity to scale AI application engineering and operations.
Core challenge
Applications, models, knowledge, and agents needed to work within one engineering system.
Customer context and needs
Clarify the problems before defining the program
Pain points
业务需求变快
业务部门对应用的关注从功能交付转向价值创造和体验，上市节点更紧，原有项目式交付难以持续跟上。
数据价值难以释放
数据分散在不同系统和技术栈中，缺少统一集成、治理、服务化与深度分析能力。
架构交付速度不足
资源、平台环境和应用发布之间未形成连续交付链路，无法实时回应应用和数据需求。
软件开发依赖外部
传统的需求、外包开发和 IS 项目管理模式导致应用迭代和功能扩展难以自主可控。
Requirements
统一资源与运行底座
通过软件定义计算、存储和网络，兼容虚拟机、裸金属和容器，支撑混合云资源统一管理。
构建自主研发流水线
将代码、构建、测试、镜像、发布和环境管理连接成一条可测量的交付链路。
数据服务化
建设数据集成、数据湖、数据治理、数据资产和 API 市场，让数据可治理、可共享、可安全调用。
平台化运维与安全
对监控、日志、应用性能、备份、容灾、基线与安全策略进行统一管理。
Goals
Translate business needs into verifiable goals
- 01Extend cloud-native capabilities
通过软件定义计算、存储和网络，兼容虚拟机、裸金属和容器，支撑混合云资源统一管理。
- 02Establish AI engineering systems
将代码、构建、测试、镜像、发布和环境管理连接成一条可测量的交付链路。
- 03Continuously deliver AI scenarios
建设数据集成、数据湖、数据治理、数据资产和 API 市场，让数据可治理、可共享、可安全调用。
Solution
A continuous evolution path spanning runtime, engineering delivery, observability, and AI-native engineering.
混合云和资源基座
覆盖软件定义计算、块/文件/对象存储、SDN/SD-WAN、云主机、裸金属、镜像与 IAM。
技术能力基座
以容器运行框架、服务网格、镜像仓库、多集群、微服务与持续交付支撑现代化应用。
应用与数据能力基座
建设 API 全生命周期、数据开发与治理、低代码、RPA、AI 算法中心和应用商店。
实施与组织转型
按架构研讨、技术预研、数据验证、流程与岗位责任再造、规模建设分阶段推进。
Key architecture
数字化底座总体架构
从业务场景向下连接应用、数据、技术和混合云资源，运维与安全贯穿各层。01
业务与场景
数字化能力的使用方
智能制造数字化营销智能服务车联网自动驾驶
02
应用与数据能力
组装和服务化业务能力
应用商店API 全生命周期数据湖数据治理数据资产AI 算法中心
03
技术能力基座
现代化应用开发与运行
KubernetesCI/CD镜像仓库微服务服务网格多集群管理
04
混合云资源基座
统一管理计算、存储和网络
虚拟机裸金属容器资源软件定义存储SDN / SD-WANIAM
05
运维与安全保障
贯穿式管理体系
监控告警日志管理APM备份容灾基线管控安全策略
Implementation journey
A phased path from assessment to sustainable operations
- 01Scenarios and blueprint
Identify AI scenarios, human accountability, capability gaps, and stages on the existing cloud-native foundation.
- 02Minimum AI engineering loop
Build the shared entry point, knowledge, models, tools, agents, evaluation, and runtime foundations.
- 03Operate and scale
Evolve AI engineering with quality, safety, cost, and operational evidence.
Implementation principle
Existing platform capabilities are reused while knowledge, model, tool, and agent workflows are introduced progressively.
Results
Outcomes across efficiency, quality, resilience, and operations
业务响应方式改变
资源、环境和应用能力通过平台化方式交付，支撑业务快速迭代。
数据 API 化
通过可视化方式生成、编排、审批和管理 API，为数据开放与共享提供可控入口。
能力可复用
共性技术、数据服务和工程流程逐步从项目资产转变为企业资产。
自主可控能力提升
产品、数据和应用团队获得统一工程底座，降低对单一外部厂商和个人经验的依赖。
Future evolution
Capabilities continue to evolve after platform launch
Engineering and asset management
Expand knowledge engineering, ModelOps, AgentOps, AI DevOps, and reusable AI assets.
Unified operations and scale
Scale AI scenarios through continuous evaluation, observability, safety, and cost governance.
Capability tags
Cloud nativeAI nativeAI engineering