规划和自然资源行业应对DeepSeek浪潮的思考

微信扫码，打开到小程序

规划和自然资源行业应对 DeepSeek 浪潮的思考 中国城市规划学会城市规划新技术应用专业委员会 广州市基础地理信息中心 何正国 一 DS 影响千行百业 二 大模型技术原理 三 四横三纵应对路径 四 未来展望与思考 目录页 CONTENTS PAGE 一、 DeepSeek 影响千行百 业 1. 接入 DeepSeek 热 潮 2. 对千行百业的影响 1 月 31 日 ，英伟达、亚马逊和微软这三大美国科技巨头在同一天宣布接入 DeepSeek 的大模型。英伟达将这一模型应用于其 GPU 加速卡和数据中心中以提供 更 高效的计算能力；而亚马逊则利用自身的云计算平台优势来推广该模型的使用； 至于 微软将其集成到现有的软件产品和服务中去以增强用户体验。 1 、 三大科技巨头同日接入 DeepSeek 2 月 1 日：中国电信“息壤 ”平台接入，华为昇腾云服务部署推理服务。 2 月 3 日： 中国联通“星罗 ”平台集成，覆盖 270+ 骨干云池。 2 月 5 日： 中国移动适配全版本模型，火山引擎支持多尺寸部署 1 、 中国基础电信运营商接入 DeepSeek 截至 2025 年 3 月，已有超过百家国内外企业宣布接入 DeepSeek ，覆盖政务、 互 联网、制造业、汽车、医疗、能源、金融、手机、教育、科技等多个领域，形 成从 底层算力到终端应用的完整生态闭环。 1 、千行百业深度拥抱 DeepSeek 自 2025 年 2 月以来，北京、广东、江西、新疆等省市相继宣布接入 DeepSeek 大 模型，通过智能导办、工单处理、公文写作等场景创新，推动政务服务从“人工 密 集型 ” 向 “数据智能型 ” 转型。 1 、 DeepSeek 赋能政务效率提 升 DeepSeek 大模型正以“低成本、高性能、开源化 ” 的创新路径，打破技术垄 断壁垒，推动 AI 从巨头专属走向全民共享。其技术突破不仅重塑了全球 AI 竞争 格 局，更通过生态赋能为发展中国家提供了技术追赶的新机遇。 2 、技术普惠：让 AI 不再是巨头的专属工 具 DeepSeek 通过“技术穿透、数据觉醒、模式重构 ”的三重跃迁路径，其核心 价值不仅在于单点效率提升，更在于通过 AI 与产业场景的深度融合，重塑行业决 策 底层逻辑。 二、决策模式从经验驱动向“数据 + AI ” 协同驱动转变 金融风控中，传统依赖规则与经验难 应 对实时风险， DeepSeek 构建协同 网 络，通过实时数据驱动模型动态 学习， 反欺诈准确率从 90% 提至 99.7% ，推 动决策转向算法实时优化， 实现精准动 态风险识别。 一、在行业应用方面， DeepSeek 成效显著 制造业中，汽车设计仿真迭代加快， 零 部件参数优化从月级缩至天级，研 发周 期缩短超 50% ；医疗领域，医 学影像 检出率提升 20% ，药物研发 靶点筛选 效率突破，研发周期缩至传 统模式的三 分之一 。 DeepSeek 2 、行业重构：从效率优化到模式改 变 二、资本市场：“砸钱堆参 数 ”转向 “解决实际问题 ” DeepSeek 投资逻辑彻底转变，过去资本追捧 “万亿参数 ” 的大模型竞赛，如 今聚焦 “能否落地赚钱 ”。寒武 纪、海光信息等国产算力企业利润 涨超 50% ，估值从 30 倍跃升至 80 倍，成资本市场新宠。 DeepSeek 高效算法助力国产芯片商用，性能提升，相关企业股价上涨，中下游 也 各有积极表现。资本市场投资逻辑转变，转向聚焦技术落地效能与商业变现能 力的 理性回归。 DeepSeek 高效算法助力华为昇腾、 寒武纪等国产芯片商用，性能达国 际 60% 以上，相关企业股价两月 涨 超 30% 。中游：超算及地方平 台接 入技术，中小企业算力成本降 。下 游：带 AI 功能手机销量涨 120% 。 2 、提振算力产业链：助力国产算力成 长 一、算力产业链：让国产算力 “能用、好用 ” 1. 语言模型概述 2. Transformer 结构 3. 语言模型构建流 程 二、 大语言模型技术原理 数据是用于训练 AI 的，也就是 AI 算法通过大量的数据去学习 AI 中算法的参数与配置， 使得 AI 的预测结果与实际的情况越吻合。这里说的数据是指经过标注的数据，不是杂 乱的数据。所谓经过标注的数据是指有准确答案的数据。 算法是指解题方案的准确 而完整的描述，是一系列 解决问题的清晰指令，算 法代表着用系统的方法描 述解决问题的策略机制。 简单来理解，算法就是解 决问题的方法和步骤。 算力是指计算机的处 理的能力，由于深度 学习的算法，涉及非 常多的参数（不同功 能的 AI 算法参数的 个 数是不同的）， 有的 AI 算法的参数 达到几 千亿上万亿。 人工智能核心要素 语言是人类与其他动物最重要的 区别之一 逻辑思维以语言的形式表达 知识以文字的形式记录和传 播 如果人工智能想要获取知识 ，就必须懂得理解人类使用的不太精确、可能有歧义、 混乱的语言。 1 、语言模型概 述 语言模型（ Language Model ， LM ） 目标是建模自然语言的概率分 布 词汇表 V 上的语言模型由函数 P(w1w2...wm) 表示 ，表示词序列 w1w2...wm 作为 一 个句子出现的可能性大小。对于任意词串 w1w2...wm ∈ V+ ，则有 P (w1w2...wm ) > 0 ，并且对于所有词串， 函数 P (w1w2...wm ) 满足归一化条件： 由于联合概率 P (w1w2...wm ) 的参数量十分巨大 ，直接计算 P (w1w2...wm ) 非 常困难。如果把 w1w2...wm 看作一个变量 ，那么它具有 |V|m 种可能。 按照《现代汉语词典（第七版）》包含 7 万词条，句子长度按照 20 个词计算，模型参数量达到 7.9792* 1096 的天文数字。 1 、语言模型概 述 由此， w1w2...wm 的生成过程可以看作单词逐个生成的过程。首先生成 w1 ，之后 根 据 w1 生成 w2 ，再根据 w1 和 w2 生成 w3 ， 以此类推，根据前 m − 1 个 单词生成 最后一个单词 wm 为了减少 P (w1w2...wm ) 模型参数量 ，可以利用句子序列通常情况下从左至右的 生 成过程进行分解 ，使用链式法则得到： 1 、语言模型概 述 学习语义关系 理解词语含义：大模型通过大量文本中的使用场景来 理解词语含义。比如，当看到“苹果 ”一词频繁与水 果、食物、红色的圆形物体等描述相关联时，模型就 能逐渐明白“苹果 ”指的是一种具体的水果。 分析句子语义： 以“猫在桌子上 ”为例，模型能识别 出“猫 ”是主体， 在 ……上 ”表示位置“关系， “桌 子 ” 是位置的对象，从而理解句子所表达的空间关系。 学习上下文关系：例如，在“小明生病了，所以他没 去学校 ”这句话中，模型通过“所以 ”以及前后句子 的内容，能够明白生病是没去学校的原因，这是因果 关系的一种体现。同时，模型也能理解转折、并列等 其他语义关系。 学习语言模式 观察词语顺序：通过大量文本如“我 爱 吃饭 ” 、 “他 喜欢 跑步 ”等，识别出 主语通常在句首，动词居中，宾语在句 尾的基本句子结构。 统计词语搭配：模型统计词语的 搭配频 率，比如“美丽 ”常与“花朵 ” 、 “风 景 ”相伴， “快速 ”则常与“奔跑 ”、 “ 行驶 ”等词搭配。这一过程帮助模型理 解词语间的搭配习惯，从而判断哪些词语 组合更为合理，形成对语言模式的认识。 语言模型训练就是要学习词、句内在的语言模式和语言关系，对这种关系进行 建模。 1 、语言模型概 述 Token ：自然语言中的最小单元 句子： 我是一名 AI 工程师。 字： 我 / 是 / 一 / 名 / A / I / 工 / 程 / 师 / 。 词： 我 / 是 / 一名 / AI / 工程师 / 。 Bi-Gram ： 我是 / 是一 / 一名 / 名 A / AI / I 工 / 工程 / 程师 / 师。 Tri-Gram ： 我是一 / 是一名 / 一名 A / 名 AI / AI 工 / I 工程 / 工程师 / 程师。 / 师。 WordEmbedding ：将词映射成向量 AI [0.70753, 0.93948, 0.00133, 0.70741, 0.79584, 0.30115, 0.28655, 0.55261, ...] 工程师 [0.73236, 0.73890, 0.64466, 0.54484, 0.80536, 0.46147, 0.96903, 0.88725, ...] 是 [0.41284, 0.41901, 0.37967, 0.90657, 0.99241, 0.05147, 0.85335, 0.29367, ...] 我 [0.69308, 0.84442, 0.21239, 0.55487, 0.08609, 0.52786, 0.55209, 0.43071, ...] 一名 [0.54362, 0.46765, 0.37969, 0.55248, 0.90865, 0.08897, 0.34130, 0.29651, ...] 1 、语言模型概 述 只看下一个词： 「我喜欢」概率： 0.3 「我想」概率： 0.4 多看一个词： 「我喜欢你」概率： 0.3 ×0.8=0.24 「我喜欢吃」概率： 0.3 ×0.1=0.03 「我想你」概率： 0.4 ×0.5=0.2 「我想去」概率： 0.4 ×0.3=0.12 1 、语言模型概 述 语言模型的目标是建模自然语言的概率分布 ，在自然语言处理研究中具有重要的 作 用 ，是自然语言处理的基础任务之一。包括： n 元语言模型、 神经语言模型、 预训 练语言模型。 随着基于 Transformer 的各类语言模型的发展及预训练微调范式在自然语言处理 各 Transformer 结构是由谷歌在 2017 年提出并 首 先应用于机器翻译 Transformer 结构完全通过注意力机制完成对源 语 言序列和目标语言序列全局依赖的建模 。 如 今 ， 几乎全部大语言模型都是基于 Transformer 结构 的。 2 、 Transformer 结 构 类任务中取得突破性进展。 基于 Transformer 的编码器和解码器结 构 如图所示 • 左侧和右侧分别对应着编码器（ Encoder ） 和 解码器（ Decoder ）结构， 它们均由若 干个基 本的 Transformer 块（ Block ）组成 （对应图 中的灰色框） • 每个 Transformer 块都接收一个向量序列作 为 输入 ，并输出一个等长的向量序 列作 为输出 • yi 是当前 Transformer 块对输入 xi 进一步整 合 其上下文语义后对应的输出。 2 、 Transformer 结 构 掩码多头 自注意力 位置编码 位置编码 多头 自注意力 词元 嵌入表示 位置感知 前馈网络 词元 嵌入表示 多头 自注意力 位置感知 前馈网络 输出 （ 迭代右 移 ) Add & Norm Add & Norm Add & Norm Add & Norm Softmax Linear Add & Norm 输出概率 输入 N × ×N • 注意力层：使用多头注意力（ Multi-Head Attention ） 机 制整合上下文语义，它使得序列中任意两个单词之间的 依 赖关系可以直接被建模而不基于传统的循环结构，从 而更 好地解决文本的长程依赖问题。 • 位置感知前馈层（ Position-wise FFN ）：通过全连接 层 对输入文本序列中的每个单词表示进行更复杂的变换。 • 残差连接：对应图中的 Add 部分。它是一条分别作用在 上 述两个子层中的直连通路，被用于连接两个子层的输入 与 输出，使信息流动更高效，有利于模型的优化。 • 层归一化：对应图中的 Norm 部分。它作用于上述两个 子 层的输出表示序列，对表示序列进行层归一化操作， 同样 起到稳定优化的作用。 2 、 Transformer 结 构 掩码多头 自注意力 位置编码 位置编码 多头 自注意力 词元 嵌入表示 位置感知 前馈网络 词元 嵌入表示 多头 自注意力 位置感知 前馈网络 输出 （ 迭代右 移 ) Add & Norm Add & Norm Add & Norm Add & Norm Softmax Linear Add & Norm 输出概率 输入 N × ×N 预训练阶段 1000+GPU 月级别训练时间 GPT 3.0 、 DeepSeek 、 ,qwen 指令微调 1-100GPU 天级别训练时间 MOSS 、 ChatGLM6b 、 Vicuna-13B 等 奖励函数 1-100GPU 天级别训练时间 强化学习 1-100GPU 天级别训练时间 ChatGPT 、 Claude 数据集合 算法 模型 资源需求 3 、语言模型构建流 程 标注用户指令 数万用户指令和对应 的答案 用户指令 十万用户指令 标注对比对 百万标注对比对 原始数据 数千亿单词： 图书、 百科、网页等 语言模型预训练 强化学习方法 二分类模型 语言模型预训练 SFT 模型 RL 模型 基础模型 RM 模型 预训练（ Pretraining ） 阶段需要利用海量的训练数据 ，数据来自互联网网页、维 基 百科、书籍、 GitHub 、论文、 问答网站等 ，构建包含数千亿甚至数万亿单词的具 有 多样性的内容。 利用由数千块高性能 GPU 和高速网络组成超级计算机 ，花费数十天完成深度神经 网 络参数训练 ，构建基础语言模型（ Base Model ） 3.1 、预训练阶 段 I 位置感知 前馈网络 、 Add & Norm 掩码多头 自注意力 位置编码 位置编码 位置感知 前馈网络 多头 自注意力 词元 嵌入表示 词元 嵌入表示 多头 自注意力 输出 （ 迭代右 移 ) Add & Norm Add & Norm Add & Norm Softmax Linear Add & Norm 输出概率 输入 N × ×N 有监督微调（ Supervised Finetuning ） ，也称为指令微调 ，利用少量高质量数 据 集合 ，包含用户输入的提示词和对应的理想输出结果。用户输入包括问题、 闲聊 对 话、任务指令等多种形式和任务。 例如：提示词（ Prompt ）：中山大学有几个校区？ 理想输出：中山大学现有 5 个校区，分别是广州校区南校园、广州校区北 校 园、广州校区东校园、珠海校区和深圳校区。其广州校区南校园是中山 大学 的主校区，广州校区北校园原为中山医科大学所在地，广州校区东校 园位于 广州市番禺区大学城外环东路 132 号，是中山大学较为年轻的校区之 一。 3.2 、有监督微调阶 段 奖励建模（ Reward Modeling ） 阶段的目标是构建一个文本质量对比模型 ，对 于 同一个提示词， SFT 模型给出的多个不同输出结果的质量进行排序。奖励模型 （ RM 模型） 可以通过二分类模型 ，对输入的两个结果之间的优劣进行判断。 RM 模型与 3.3 、奖励建模阶 段 基础语言模型和 SFT 模型不同， RM 模型本身并不能单独提供给用户使用。 强化学习（ Reinforcement Learning ） 阶段根据数十万用户给出的提示词 ，利用 前一阶段训练的 RM 模型 ，给出 SFT 模型对用户提示词补全结果的质量评估 ，并与 语 言模型建模目标综合得到更好的效果。使用强化学习 ，在 SFT 模型基础上调整 参数， 使得最终生成的文本可以获得更高的奖励（ Reward ） 。该阶段需要的计算量 相较预 训练阶段也少很多 ，通常仅需要数十块 GPU ，数天即可完成训练。 例如：机器人一开始并不知道如何保持平衡和移动 , 它会尝试不同的步伐、姿势和动作 （采取各种行动）。如果某一次尝试让它向前移动了一段距离并且没有摔倒，它就会 得到一个“奖励”信号（比如数值为正的奖励分数），意味着这个动作是朝着目标 （学会走路）前进的好行为；要是它摔倒了或者动作很不协调，就会得到一个“惩 罚”信号（比如数值为负的分数）。机器人基于这些奖励和惩罚的反馈，不断调整自 己的动作，尝试不同的变化。经过多次尝试和调整，它逐渐学会保持平衡、协调动作， 最终能够成功地行走。 3.4 、强化学习阶 段 1. 智才筑基—— AI 素养提升工 程 2. 算力赋能—— 基础设施升级 3. 基座选型—— 核心模型构建 4. 安全筑盾—— 防护体系建设 5. 场景深耕—— 业务痛点突破 6. 知识聚库——本地知识库建设 7. 智能铸魂 —— AI Agent 构建 三、 四横三纵应对策略路径 智绘之路 ®deepseek 四横三纵七步谋， 智算筑基夯根基。 筑牢安全破瓶颈， 智识赋能启新章。 应对 DeepSeek 浪潮的策略路 径 安全筑盾 基座选型 算力赋能 智才筑基 场景深耕 知识聚库 智能铸魂 能力 构建 在规划和自然资源行业普及 AI 并提升行业人员的 AI 素养，是推动 AI 技术在该领 域广 1 、智才筑基—— AI 素养提升工 程 先进的带动 后进的养成 使用 AI 的 习 惯，组 织文 化就 重塑了， 贴 上了 AI 的 标签 有使用场景 就想用 AI ， AI 效果好， 就会越用越 多，越用越 熟练，然后 就更想用 不断使用 AI ， 慢慢就 养成 习惯 了，这 就 是“第一 念 原理 ” 得让全行业 人员对 AI 感 兴趣， 别抵 触， 要主动 拥 抱它 泛应用的关键。 习惯 养成 思维 转变 文化 重塑 在当今数字化浪潮以迅猛之势席卷全球的时代，倡导全行业积极运用 AI