［1］。 2023 年以来，具身智能在技术突破和应用拓展方 面取得了显著进展。计算机视觉中激光雷达、深度相 机等感知技术的进步，使具身物理本体能够实现毫米 级环境感知 ［2］；强化学习、模仿学习、自适应控制等人 工智能算法的发展，让具身智能在虚拟仿真环境中通 过大量试错优化策略，并将经验无缝迁移至真实场 景 ［3］；Vision-Language-Action 大模型的出现，进一步增 题 ［9］。然而，这种方式往往缺乏与真实物理世界的直 接交互，难以应对复杂多变的现实环境。相比之下， 具身智能的优势在于其能够让人工智能通过物理实 体与环境进行实时交互，在交互过程中不断学习和适 应环境变化，从而具备更强的环境感知能力、决策能 力和行为能力 ［10］。具身智能能够将感知、认知和行动 紧密结合，形成一个闭环的智能系统，使智能体能够 更加灵活、智能地应对各种实际问题 家务机器人横空出世之后，具身智能 的前沿概念开始被大众所知晓 ［13］。本次具身智能的 浪潮，是以人形机器人的技术突破为核心，使其逐渐 成为人工智能领域的研究热点。近年来，随着计算机 视觉、深度学习、强化学习等技术的快速发展，具身智 能在理论研究和实际应用方面都取得了显著进展，迎 来了新的发展机遇。 工业机器人在自动化产线作业已经几十年了，这 难道不是具身智能？确实，从二十世纪八十年代，大

2 Few-shot (Zero-shot) ，在少甚至无标注样本的 条件下支持推理（自监督学习）。 将模型在下游各种自然语言处理任 务上的小规模有标注数据进行微调 得到适配模型 预训练语言模型 从海量数据中自动学习知识 将模型在大规模无标注数据上进 行自监督训练得到预训练模型 不同特定任务 有标注训练数 据 模型预训练 模型微调 最终模型 ( MSR. 引用 183222) 跨模态模型 DALL E2 (OpenAI) 2017 年 ， Google 提出 Transformer 框架在机器翻译中取得显著进步 ，其分布式学习和强大编码能力受到广泛关注。 2018 年 Google 和 OpenAI 基于 Transformer 提出了预训练语言模型 BERT 和 GPT ，显著提高了 NLP 任务的性能 ，并展示出广泛的通 大模型参数规模不断增长，推动 AIGC 技术升级。 AIGC 技术发展的背后是大模型（ Foundation Models ）技术的持续迭代。从 2017 年 Transformer 结构 的提 出，加速了深度学习模型的参数学习能力。另一方面， GPU 算力也在指数级增长。 产业研究 战略规划 技术咨询

人工智能是计算机科学的一个领域，致力于解决通常 与人类智慧相关的认知问题，例如学习、创造、图 像识别等。 生成式人工智能 ： 生成式人工智能是一种可以生成新内容和想法（包 括对话、故事、图像、视频、音乐等）的人工智能。 生成式人工智能由基于大量数据进行预训练的大型模 型提供支持，这些模型通常称为 FM。 机器学习（ML）： 机器学习是一种开发算法和统计模型的科学，计算 机系统使用这些算法和统计模型，执行任务时所根 所根 据的是规律和推理（而非明确的指令）。机器学习属 于人工智能的一部分，也是生成式人工智能的基础。 基础模型（FM）： 基础模型是一种基于大量数据进行预训练的机器学 习模型，可能包含数以十亿计的变量，因此能够学 习复杂的概念，进而赋能生成式人工智能应用程序。 大型语言模型（LLM）： 大型语言模型是一种使用数万亿个单词进行训练的 机器学习模型，因此这类模型能够识别、翻译、预测 并生成文本、图像、音乐等内容。比如 与像亚马逊云科技或亚马逊云科技生 成式人工智能能力合作伙伴这样的专 家携手，您可以集中精力实现目标， 而不必将精力浪费在管理技术方面。 亚马逊云科技有着 20 年的人工智能投 资和创新经历，我们一如既往，聘请 了成千上万的机器学习工程师，来协 助企业开发并实施生成式人工智能策 略，包括妥善处理基础设施注意事项 和道德影响等。 亚马逊云科技实现了生成式人工智能的普及化，让任何规模的制造企业都能重塑其产品、流程和体验。 5 应用场景

汽车产业正经历着前所未有的转型升级。 在智能驾驶领域，AI 驱动的视觉识别系统利用深度学习算法，能够精准地解析周围环境信息，包括但不 限于交通标志识别、障碍物检测及行人跟踪等。同时，借助自然语言处理与语音识别技术的进步，车载交互界 面得以实现更加智能化的人机对话，从而提升用户体验并确保驾驶安全。 通过集成先进的机器学习模型与海量数据集进行训练，智能网联汽车如今已具备了高度自适应的能力，可 以在多 术进行自我学习和优化。这种具身智 能特征使得汽车能够更好地理解和适应用户的需求，提供更加个性化、智能化的产品。智能驾驶是汽车具身智 能的核心体现之一，通过集成先进的传感器（如激光雷达、摄像头等）和高性能计算平台，汽车可以实时感知 周围环境，并作出相应的辅助决策，这种智能化的驾驶体验提升了驾驶的便利性和舒适性。除了智能驾驶能力 外，智能化汽车还具备自我学习和优化的能力，通过深度学习算法，汽车可以从大量的驾驶数据中提取有用的 能 应用的深度赋能。 在智能座舱领域，车企希望从“被动响应”转变为“主动理解”，为用户提供一个真正懂自己的“私人助理”。 阿里云通过端云协同的智能架构，端侧利用车内摄像头、传感器和语音交互持续学习车主习惯并识别潜在意图， 云端则依托通义大模型的强大认知与推理能力，调用多个专业智能体，并联合阿里生态服务（如支付、物流、电商、 地图等），生成个性化的服务策略。 此外，大模型的价值还逐渐渗透

GUANLIJISHUHUA 传统制造 认知制造 • ERP • 套装软件 • 数据库 • 工业自动化 • 互联网技术 • 社交网络 • 移动技术 • 工业物联网 • 大数据分析 • 云计算 • 深度学习 • 增强现实技术 • 机器人 • 虚拟现实技术 • 人工智能 实现信息化 实现数字化 您的机器记录的数据 来自外部的浩瀚数据 共享认知库 数据 洞察 执行 结构化数据 非结构化数据 人与机 , 机与机交互 大数据分析 认知技术 认知技术超越了传统的数据分析，擅长处理非结构化数据、机器学习和人机交互。对智能制造有着突破性的意义。 展示页 11 GUANLIJISHUHUA GUANLIJISHUHUA 目录 1 2 3 ME 认知制造观点和概要 ME 对中蝈制造 2025 GUANLIJISHUHUA 传统制造 认知制造 • ERP • 套装软件 • 数据库 • 工业自动化 • 互联网技术 • 社交网络 • 移动技术 • 工业物联网 • 大数据分析 • 云计算 • 深度学习 • 增强现实技术 • 机器人 • 虚拟现实技术 • 人工智能 实现信息化 实现数字化

角度看，AI通过机器学习算法， 能够迅速解析大量历史数据，快速精准地设计出最优的工艺方案，甚至可以实现实时动态优化。这样 大大缩短了研发周期，降低了成本，提升了产品的综合性能。 汽车制造AIGC更是对企业整体运营和决策方式的根本重塑。AI赋能的智能决策系统能够实时收集、 分析海量生产数据，通过对各类指标的深度挖掘，精确预测潜在问题，提出预防措施；同时，AI可自 我学习和进化，持续优化生产 在严肃产品领域中，所有结果都要禁得起 推敲，因此生成过程逻辑要高度透明，数 据来源可回溯。 大模型的决策过程往往是黑盒式的， 这导致其决策缺乏可解释性 03 无监督训练的过程使大模型难免学习到错 误和偏见的信息，从而产生幻觉；另外缺 乏逻辑和规范化数据使模型生成内容存在 信息丢失和违规的风险。 大模型无法确保 生成内容完整、规范、可信 04 通用大模型采用的是一问一答的交互方式， CV技术在AIGC主要应用于识别、分析和理解图像、视频数据，有助于汽车制造可视化、生产监 控、质量检测等环节。如通过图像识别监控焊接质量、检测涂装缺陷、识别装配过程中的零部 件等。 机器学习（ML）与深度学习（DL） 03 侧重于对未知的、以数据科学为代表的相关场景，通过实时分析生产数据，生成工艺参数推荐、 故障诊断报告、设备预测性维修建议等，进行实时工艺指导与优化，指导现场操作人员精确作

规模与速度。这一核心思想与Gans (2025) 所提出的 AI 作为基础、常规任务执行者的框架是一致的。本文讨 论 AI 技术；但本文更希望通过让更多的研究者理解 AI 技术，通过这项技术来减少重复劳动与技术学习的时 间，让我们的经济管理研究从堆砌工作量与嫁接高级方法的竞争中解放出来，更加关注思想本身的创新性和 深度。 2 人工智能时代的社会科学家 在进入对于生成式人工智能原理和应用的具体讨论之前， lligent Machine）的科学与工程 (McCarthy et al., 2006)。 从人工智能概念提出到现在，其发展大致分为三个阶段：早期基于符号和预定规则推理为主的阶段、统计机器 学习，以及近年来迅速发展的生成式人工智能，而后两者又同样基于数据驱动。随着技术的演进，人工智能变 得越来越像人类智能，其与社会科学的关系也不断发生变化。其背后的驱动因素，在于人工智能的数据表达能 力和泛化性能逐步增强。 定量结果相对不精确的社会科学而言，起到的作用十分有 限。 进入统计机器学习阶段以后，人工智能对社会科学才首次产生了实质性的影响，以高维、非线性统计模型 的面目出现在社会科学家 “工具箱”当中，主要包括 LASSO 回归、支持向量机、决策树与随机森林、神经网 络等模型。Gu et al. (2020) 概括了机器学习的三个核心内涵：第一，以预测为主要目的的高维统计模型；第 二，以正则化（R

。应用层 支持多终端访问，包括 Web 端、移动端和桌面端，满足不同用户的 需求。 总体架构设计中，安全性贯穿于各个层次。数据层通过加密存 储和访问控制确保数据安全；模型层采用差分隐私和联邦学习技 术，保护数据隐私；服务层通过身份认证和权限管理，防止未授权 访问；应用层则通过日志审计和异常检测，保障系统的运行安全。 为支撑上述架构，基础设施层提供高性能计算资源、网络资源 和存储资 效的数据处理和分析。实时计算模块能够处理来自传感器和设备的 实时数据流，快速响应业务需求；批处理模块则适合处理大规模的 历史数据，进行复杂的分析和挖掘。 数据分析模块是数据处理层的最后一步，采用机器学习、深度 学习和统计分析等方法，对处理后的数据进行深入分析，提取有价 值的信息和知识。数据分析结果可用于优化园区运营、提升管理效 率和预测未来趋势。 为了确保数据处理层的高效和稳定，还需引入监控和优化机 数据采集：多协议支持、高并发处理  数据清洗：去重、格式转换、错误修正、缺失值填补  数据存储：分布式存储系统、高扩展性和灵活性  数据计算：实时计算、批处理、流处理  数据分析：机器学习、深度学习、统计分析  监控和优化：实时监控、性能优化 2.2.1 数据采集 在工业园区数字政府领域的大模型底座架构设计中，数据处理 层的数据采集是整个模型运行的基础，确保数据的完整性、准确性

EdgeServer EdgeServer EdgeServer EdgeServer LEAP Edge Server 物联网接入服务器 数据接入 数据预处理 协议转换 数据接入 数据规范化 机器学习模型 分 布 式 消 息 服 务 数据规则 流数据监控 HDFS 文件系统 Hive 结构化 存储 HBase 非结构化 存储 Redis 数据缓存 …… MQTT HTTP …… 系统 LEAP APP 传感器 传感器 传感器 互联网 数据 LEAP DataHub 数据集成平台 MQTT HTTP …… 批量数据 导入 互联网数据 采集 … 深度学习 机器学习 算法建模 数据探索 分析预测 品质检测 预测性维护 运筹优化 数据采集 数据传输 存储处理 智能分析 数据应用 提供覆盖企业大数据全技术栈的解决方案 99 仓储库存数据 数据管理平台 LEAP DataGov 元数据 数据安全 数据生命周 期 数据标准 数据质量 数据模型 大数据 计算平台 LEAP HD 知识库 预测库 深度学习分布式框架 DeepNEX 机器学习工具箱 ML Toolkit 优化库 数据智能 平台 LEAP AI 分析应用 多租户管理 集群管理 性能管理 容灾管理 自动化部署 日志管理 大数据企业级分析平台

自动审核规划指令 基于快速响应的自动化实施流程 • 降低流程成本 • 提高业务的效率和精准性 • 促进人员价值观念转型 柔性和动态协调 内容 • 多模式多标准应对变化 ( 机器学习 ) • 新技术赋能 意义 • 重视决策资源 • 打造柔性快速和高效的供应链 • 优化管理提高效率 5 内容 意义 构架设计 运作模式定义 • 流程和技术 • 角色和职位描述 正确的战略举措可以支持员工的学习提高员工的技能 3 转变人才结构– 当前的 , 离职的和未来的 9 定位 评估 转型 规划方法 人才管理计划 转型需要严格的人才管理方法 技能 & 支 持 未来人才管理 离职人才管理 学习网 高标准体系将成为实现跨职能 E2E 结束 结束 相对于现在的要求，我们需要不同类型的技能和才 能 突破功能性孤岛 数字中断 更具活力，敏捷性，易变性 情感智能 / 与他人沟通 端到端视觉 复杂的问题解决 适应性 / 学习能力 批判性思维 新技术中的 IT / 数字专业知 识 新技术的基本 IT / 数字知识 数据处理 判断与决策 批判性思维 技术专长 功能专长 功能专长 功能专长 未来和明日… 今日…