联通国家智慧教育平台、融入教育大数据中心的关键 节点。 从教育实践来看，AI教室的构建有助于学校形成 “师—生—机”三元协同、数据驱动的智慧学习空间。 它不仅是传统教室的硬件升级，更是实现大规模因材 施教、培育学生高阶思维与创新能力的基础环境。其 价值在于无缝对接“集成化、智能化、国际化”的战 略方向，将优质资源精准送达每个角落，助力缩小教 育差距。 面对技术适配、伦理安全与常态化应用等挑战，产业 现代化迈出中国步伐。希沃愿与各方携手，以技术革 新驱动教育公平与质量提升，共同绘制智能时代的教 育新图景。 张凌 广州视睿电子科技有限公司总裁 AI技术开放融合，构建全流程的AI教学空间！ 人工智能正成为重构育人生态、实现大规模因材施教 的关键力量。要构建一个人机共生的教育未来，我认 为需聚焦四大核心：一是升级教学环境，构建教师- AI-学生三元互动的新型生态。我们追求的不是技术的 简单叠加，而是人机共育的深度融合，让AI成为教师 教育服务模式，为加快建设高质量教育体系提供保障。 本报告通过对新型教学装备和解决方案的解构，试图 回答AI+教育时代提出的核心问题：AI技术如何系统性 地感知教学过程，转化为可度量的课堂评价，如何实 现大规模的“因材施教”理想，又将如何构建师-生- 机三元协同共进的教育生态？ 我们相信，答案会在学界、产业界、用户之间不断探 索、实践、反馈与再次探索、实践的循环之中涌现。 希望本报告能给你带来些许思考和启发，Enjoy！

性等问题，以及对数据隐私和安全问题的担忧。本文主要探讨医疗大模型在医疗领域 的应用及其面临的挑战。 大模型技术在医疗领域的应用 （一）医疗大模型的逻辑框架 医疗大模型一般指在医疗健康领域应用的大规模预训练语言模型（LLM），其训练数 据集包含大规模的医疗科研文献、电子病历、医学图像等，参数量通常在百万级到亿 级，远超过普通深度学习模型，因而能够获取更强的特征提取和学习能力等。 医疗大模型的典型运作逻辑主要包含三个层面： 包括电子病历、文献报告、医学知识图 谱、医学图像等多源异构的医疗数据，同时进行数据清洗、标注、统一编码，构建规 模化的医疗语料库。 从模型层看，可使用Transformer、BERT等框架，输入大规模医疗语料，通过Masked LM、Next Sentence Prediction等方式进行无监督预训练。 从应用层看，预训练模型微调，结合医学知识图谱、规则库等知识源增强医学专业 性，使用知识蒸 像，自动检测异常或疾 病迹象，提供快速的初步诊断。此外，它还可以学习大量样本，提高准确性和一致 性。 在医学研究和知识发现领域，传统医学研究依赖于繁琐的实验和文献回顾，速度较 慢。大模型可以分析大规模文献数据，发现新的疾病关联、药物靶点和治疗方法，加 速医学研究的进展，为科学家提供重要洞察。 大模型在医疗领域相较于传统方法具有自动化、高效性、多模态数据处理和个性化医 疗的优势。这些优势使医疗大

的化合物空间。而大规模的虚拟筛选数据集DUD-E，虽然包含超过100万个蛋 白-复合物条目，但也因为数据自身的质量而饱受诟病。 随着transformer模型的出现，人们注意到了利用无标签数据对模型进行预 训练可以提高模型的性能，正如目前风头正热的GPT，GPT利用了大量无标签文 本数据进行自监督预训练，这些文本数据虽然没有标签，但是数据量远远多于有 标签的数据。相应的，模型也可以进行大规模的设计以适应海量的数据。这便是 务上有着大幅度提升，涨幅甚至可达21%。可见Uni-Mol有着极强的小分子表征 能力，这对先导化合物的筛选尤为重要。 虽然无法确定Uni-Mol是否已经学到了分子的"语法"，但毫无疑问的是，在 充分利用了大规模的无标签数据后，模型表征分子的能力进一步加强了，这也进 一步证明了充分利用无标签的分子数据，将AI模型做大，对分子性质表征任务而 言，是有着明显的优势的。 AI大模型在先导药物发现中面临的挑战 贯彻着"AI 虽然理想情况下分子大模型能够能够充分利用无标签的分子数据进行分子表 征，之后利用高维的分子表征便可以将分子进行分类筛选。然而实际情况下，模 型并无法得到完美的分子表征，因此在实际应用中，往往需要对大规模预训练进 行微调，从而优化分子的表征。而微调这一过程同有监督学习一样，受到数据标 签偏差的影响。在虚拟筛选这个领域，分子的标签是严重不平衡的，因为药物化 合物的数量实际是远远少于非药物化合物的。这就导致了微调阶段模型可能会不

云消费 IT4IT 分布式 数据中心 世界级 IT 架 构 数据活化 大规模 数据框架 物联网 移动 app 边缘智能 智能机器人 海量与性能 挑战 绿色与成本 历史包袱 人才文化 生态革新 快速迭代 新型态的智慧医疗 – 感知能力 智能感知 – 连通能力 泛在连接，大规模互通 – 洞察能力 基于数据的认知与决策 – 执行能力 快速智能精准执行 – 安全能力 安全可靠；人才素养； 智算 中心 医疗智算中心建设模型 智算中心 33754 模 型 8 智算中心参考架构 智算中心操作系统 云数智融合 智能中台 多云架构 分层解耦 大规模 多数据类型 硬件重构 DSA 专用领域优化设计 CDI 解耦重组架构 资源池 AI 智慧医疗 软件 定义 硬件 重构 云计算 大数据 人工智能 智慧管理 智慧服务 9 智算中心操作系统

图 ４ ２０００—２０２０ 年不同电源发电量及总发电量增速 瓦，占 ４５％，发电量 ７．６ 万亿千瓦，占比为 ３４％，分别提升了 ２１ 个百分点和 １６ 个百分点。 第四，与风电相比，太阳能发电大规模投入应用的起步时间晚了 ５ 年左右，目前风力和太 阳能发电量都有大幅度增长，虽然发电量占总发电量的比重约为 １０％，但是将会逐步成为 主力电力、主力电量和主力能源。 （三）火电污染控制和碳减排成效显著 但是，当前的改革主体思路是在 ２０１５ 年以前形成的，代表了当时的改革精神和 实际情况，与碳达峰碳中和目标的要求还有一定的差距。 所以，中央财经委员会第九次会 议提出了深化电力体制改革的要求。 其一，建立快速、大规模新能源进入电力系统之后保 持电力系统安全稳定运行的机制；其二，重新定位电网企业（或者主体） 在新能源系统中 的作用；其三，在大量新业态如储能、分布式能源系统、电动汽车与电力系统融合之后，构 建 方面的要求。 但是，从科学性和系统经济 性来看，在任何时间、任何范围、任何条件、对任何对象都百分之百地保障电力供应，这是 无法实现的。 在低碳电力转型过程中，由于随机性高、波动性大的新能源发电大规模进入 电力系统，电网、电力负荷、热电联产的热力供应等都将受到不同程度的影响，一些新型风 险（如互联网黑客攻击等）对电力系统也会形成安全隐患，这些因素对电力安全提出了更 为严峻的挑战，因此，需要

大模型数据训练和 复杂任务， AI 进 入第一个低谷 第一次 浪潮 1960s 1980s 2000s 2020s 1982 年 霍普菲尔德神经 网络被提出 1986 年 BP 算法使得大规模神 经网络的训练成为可能， 将 AI 推向第二个黄金 期 199 0 年 AI 计算机 DARPA 计划失败，政府缩 减投入， AI 进入第 二次低谷 2006 年 Hinton 提出“深度 深度学习 2010-2020 硬件发展，大规模数据，算法突破 推荐系统 人脸识别 算法框架：深度神经网络、卷积神经网络 自动进行特征学习，端对端训练，有监督 在特定场景效果好，但需要根据 不同任务训练不同的模型，泛化 能力差 生成式 AI 2020- 硬件、算法、大数据全面突破 对话机器人 算法框架： Transformer 大规模无 监督预训练 多任务、多模态统一处理 自然语言理解、世界知识记忆、

0 1 0 1 0 0 1 0 1 0 0 1 0 0 0 1 0 1 0 0 1 0 1 0 0 1 0 1 0 0 1 趋势 趋势 • 海量异构非结构化数据 • 大规模用户数 • 安全合规无法保障 • 知识沉淀难度高 • 知识赋能无法达成 “ 数据”和“知识”双擎驱动智慧校园 数据是高校的“血液” ，是保障正常管理和服务运营效能提升的基础。高校中存在海量 集成、可配置、可 扩展 的企业内容门户 ，实现一站式内容获取 ，一体化协同； • 平台化架构：通过云原生架构、 内容数据湖、开放架构、可观测性等平台化架构 ，实现 海 量数据存储管理、大规模请求支撑、业务系统集成整合能力 ，提升平台的可靠性、可 扩展 性、可维护性 ，从容应对海量非结构化数据挑战。 高效洞察文档 利用领域认知智能精准提取文档特征， 利用 One-Pass 技 术 高校用户分布： 用户数量级在 1W-20W+ 管理层 管理及服务人员 高校教师，科研人员 高校学生 AnyShare 云原生架构 应对高校大规模用户并发访问 弹性、可靠 提供从文档整合 ，存储 ，处理 ，共享等全生命周期立体安全体系建设； 避免由于大规模用户使用而造成的安全合规风险 ，简化安全治理 ，降 低 业务合规风险 1000 - 2000 - 1W - 500+ 2000+

环境所需要的所有设备，老师 无需进行复杂配置。 提供了信号接入接口，通过快 捷按键进行快速切换自带设备 画面。 真正做到即开即用，无需准备 复杂的教学环境。 问题：传统互动课堂，连接云平台时出现大规模授课时延迟、掉线等品质不稳定 卓越服务 智慧校园 传统互动课堂模式，大多强依赖于云端服务。当云 端服务出现异常或出口网络出现异常的时候，会造 成授课信息不同步、资源获取缓慢、掉线丢包等影 的机构，在智能弹性计算集群的基础上，通过配备智 慧核心提供稳定的本地化性能与服务，形成主要业务 服务本地化，不依赖于云平台的高性能、高可靠的分 布式架构。 核心一体机：通过将云端主要服务本地部署，从而在 大规模部署后，极大程度减少外部资源开销，并提供 高度协作管理，可在无外网的情况下实现业务连续性 保障，智慧核心与卓智教育云平台仅同步机构运营数 据，保障云平台与本地平台状态同步。智慧核心未来 还将 轻录播子板 提供基础版本课堂录播功能；提供大数据图像采集基础环境。 可选 云魔方（核心一体 机） 智慧教室统一控制，数据呈现，所有和智慧教室软件化的功能统一化。提供卓智教育云本地化部署环境；提供对大规模雨立方的管理；提供大数据 等更多业务的扩展基础环境。 必选 智慧管理子板 内置云魔方的智慧管理硬件卡，全景校园展示，全局掌握教室、设备、环境、课堂等的分布、状态和异常。 可选 智慧课堂子板 内

网络学习平台采用B/S结构,基于J2EE架构,页面采用Web2.0 AJAX开发,不需要另行安装插件就可以支持IE8及以上版本、safari、 firefox、chrome等浏览器。系统设计满足大规模用户使用、支持分布 式部署,可满足十万人在线学习的性能要求。主要效果如图2所示。 4.1 教师用户界面 教师个人空间主页主要展示的是功能模块名称以及各个功能 模块中所包含的功能界面,用户可通过点击相应的功能界面名称 在PAL、GAL、CPLD等可编程器件的基础上进一步发展的产物,是 一种半定制的集成电路。它是作为专用集成电路领域中的一种半定 制电路而出现的,它通过软件手段更改、配置器件内部连接结构和 逻辑单元,凭借高速并行计算的能力和大规模的芯片容量,同时片 内集成的乘法器和阵列,用先进的技术驱动电路来实现各种复杂的 逻辑和运算,它的这些优点很适合用于软件无线电核心处理器的优 先考虑方案。 3.3 DSP+DDS 数字信号处理器(DSP)

、上市圈钱，你醒来发现银行卡多了 100 亿。 一、人工智能发展简史了解 OpenAl 的 5 级 AGI 量表 二、大模型：人工智能的前沿 2.1 大模型的概念 大模型通常指的是大规模的人工智能模型，是一种基于深度学习技术，具有海量参数、强大的学习能力和泛化 能力，能够处理和生成多种类型数据的人工智能模型 通常说的大模型的“大”的特点体现在：参数数量庞大、训练数据量大、计算资源需求高 是指在自然语言处理 (Natural Language Processing,NLP) 领域中的一类大模型，通常 用于处理文本数据和理解自然语言。这类大模型 的主要特点是它们在大规模语料库上进行了训练， 以学习自然语言的各种语法、语义和语境规则。 代表性产品包括 GPT 系列 (OpenAl) 、 Bard(Google) 、 DeepSeek 、 文心一言 ( 百 华为 ) 、 midjourney 等 视觉大模型 是指在计算机视觉 (Computer Vision,CV) 领域中使用的大模型，通常用于图像处理和分 析 。 这类模型通过在大规模图像数据上进行训 练，可以实现各种视觉任务，如图像分类、目 标检测、图像分割、姿态估计、人脸识别等。 代表性产品，包括 VIT 系列 (Google) 、 文 心 UFO 、 华为盘古 CV