在其著名论文“Computing machinery and intelli- gence”[1] 中对未来机器发展方向的设想: 一个方向 是让机器学会抽象技能, 如下棋; 另一个方向则是 为机器人提供足够好的传感器, 使之可以像人类一 样学习. 前者的思想出现在后来发展的各类神经网 络如多层感知机、卷积神经网络中, 即离身智能; 后 者则逐渐发展出了具身智能的概念. 现在, 具身智 能一般指拥有物理实体, 且可以与物理环境进行信 1 2025 年 1 月 ACTA AUTOMATICA SINICA January, 2025 数更新或微调的情况下, 仅通过文本交互来指定任 务和少样本示例就能很好地完成各类任务. 在此之 后, 具有优秀泛化能力与丰富常识的基础模型在计 算机视觉、自然语言处理等领域都展现出令人瞩目 的效果. GPT-4[5]、LLaMA[6]、LLaMA2[7]、Gemini[8]、 Gemini1.5[9] model)[18] 等视觉基础模型则以低于前两者的模型 量级提供跨越图像与文本鸿沟的能力, 为进行实时 的开放词汇的视觉检索提供了可能. 这一系列的进 展不仅展示了基础模型的强大潜力, 也为其与具身 智能的融合提供了新的视角和可能性. 文献 [19] 将 上述在大规模数据集上进行训练并能适应广泛任务 的模型统称为基础模型, 意即可作为大量下游任务 训练基础的模型 (目前一般认为基础模型即大模型, 后文将不对二者作区分)

https://paperswithcode.com/sota/multi-task- language-understanding-on-mmlu 大模型在知识问答、数学、 编程等能力上达到新的高度， 多种任务上 的表现超过人类水平。 大模型能力不断增长 Source: https://lifearchitect.ai/timeline/ 大模型发展迅速，参数量从百亿到万亿规模 和领域将得到重点扶持，从而加速其发展和壮大 AI 推动“科技创新”和“产业创新”的深度融 合 推 动 创 新 链 、 产 业 链 、 资 金 链 、 人 才 链 深 度 融 合 是 解 决 当 前 乃 至 未 来 较 长 时 间 内 加 强 产 业 创 新 发 展 、 加 快 锻 造 新 质 生 产 力 的 重 要 抓手 行业知识更深 业务流程更深 产业网链大模型 招商服务 产业发展预测 产业数据探索 业报告生成等 个方向的特色能力。 产业垂域大模型 iChainGPT 产 业 网 链 大 模 型 使 用 海 量 产 业 数 据 和 知 识 图 谱 训 练 ， 创 新 性 地 引 入 了 “ 大 小 模 型 协同 ” 的智能体 框架 ， 面向产业 创新业务场景 ， 提供了包括产业知识问答 、 产业报告生成 、 产业技术分析 、 产业文档理解等能力 ， 向上为企业

息化推进应急管理现代化，提高监测预警、监管执 法、指挥决策、救援实战、社会动员等应急管理能力。 大语言模型是具有大规模参数的深度学习模 型，通过对海量文本的训练习得语言的统计规律， 从而具有理解和生成自然语言的能力，实现人机之 间的有效通信。自2018年双向编码表示模型（bidirec⁃ tional encoder representations from transformer，BERT） 的出现，以及 2022 年第四代生成式预训练模型（gen⁃ 自然语言处理方向的重大突破，引领了大规模预训 练模型及应用研究的热潮。大语言模型技术的迅猛 进展正深刻地影响着机器系统智能化的轨迹，标志 着进入一个新的人工智能时代。从 BERT 到 GPT [1-2]， 这些模型通过深度学习和海量数据训练，不仅推动了 自然语言处理技术的边界，也正在改变知识获取和创 新的模式，将对应急管理体系发展、能力要求以及实 践操作产生深远的影响。在技术进步的强大动力牵 引下，需要重新审视并优化应急管理信息化建设路 创新的潜能之上，探讨了其在应急管理信息化建设 中的应用前景，针对当前智慧应急中面临的挑战以 及业务系统智能化水平的局限，提出了基于大语言 模型技术重构智慧应急的知识管理模式以及应急大 脑的概念框架，为应急管理信息化建设提供了新的 视角和技术路径。 1 大语言模型原理 大 语 言 模 型 通 过 词 嵌 入（word embedding）[3]、 Transformer 架构和注意力机制[1，4]、端对端神经网络 训练等方法和技术学习文本数据中的语义和语法规

DeepSeek-V3和R1相对于700亿以下开源模型（以千问720亿 为代表）， ，扩充了其能力边界 n DeepSeek-R1引入 能力，在代码、数学、复杂规划等 方面的能力显著增强，使得对于新场景的支持成为可能 -7- DeepSeek不同版本对比 n V3 vs. R1：R1在普通的中文和英文任务上性能小幅领先，在数学和代码等需要深度推理的场景下明显胜出 n R1蒸馏版 vs. C端现象级应用。微信、钉钉等头部应用纷纷接入 截至2月15日，全国10省省委书记将人工智能作为 新春第一会重点部署，B端大模型应用进一步加速 省份 要求 广东 集中发力人工智能和机器人领域 浙江 加快建设创新浙江、因地制宜发展新质生产力 广西 不能妄自菲薄、行动迟缓 江西 强化企业科技创新主体地位，推动科研成果向现实生产力转化 安徽 在抢占科技制高点上奋勇争先 江苏 找准“一中心一基地一枢纽” 甘肃 着力提升科技创 山东 建立科技创新和产业创新融合机制 湖北 到2030年，具有全国影响力的科技创新高地加快形成 -10- DeepSeek影响：格局被打乱，AI竞争进入第二阶段 C端AI应用市场格局重构，新入局者迎来机遇 B端客户全面评估DS影响，重新论证基础模型选型 DS国内登顶、全球仅次于GPT，月均活跃用户数跃居第一， 全球全端DAU近1.2亿；纳米AI搜索（原360）将其核心模 型换为DS 1

企业正逐渐意识到，传统商业增效策略的回 报日益递减，无论是规模经济、全球化，还是精益 生产和六西格玛TM，这些都催生出了对开辟新价 值来源的迫切需求。 与此同时，线上消费交易额急剧攀升，供应链 所承受的压力也与日俱增。过去三年间，全球消费 者线上支出增长了30%1，这不仅催生了众多新兴 渠道，也带来了产品个性化定制的新需求。气候变 化、公共卫生危机以及汽车行业等特定领域的深 刻变革，均对企业的敏捷性提出了前所未有的要 其运营网络。更为复杂的是，劳动力老龄化、员工 在职年限的缩短以及技能短缺，正导致宝贵的组 织经验不断流失。 时至今日，仅仅追求成本效益 已远远不够。供应链亟需在速度、 敏捷与可持续方面实现突破，从而 开拓新的价值高地。 得益于快速发展的AI技术2，自主化正是通往 这一目标的必由之路。我们的研究亦表明，这是企 业缔造长远价值的全新战略。它将是工业发展的 下一个阶段。从蒸汽机驱动的机械化时代到电力 clusters of similar nature of task 按相似特征划分的 活动集群 20. 21. 生产控制 质量控制 设计、研发与战略采购 1. 创意构思/创新 2. 新产品/新服务的设计、测试与验证 3. 采购寻源、供应商选择及合同磋商 4. 供应商发展与关系管理 计划与排程 5. 供需集成计划 6. 生产排程/物料需求计划（MRP） 7. 运输计划

统可以感知它 周围的世界，分析和理解它接收到的信息，并在此基础上采取行动，通过学 习改进自己的性能。 通过利用机器与环境、人以及数据进行交互，这项技术可以提高人类和机器 的能力，使之远远超出了它们各自工作时的能力。 而人工智能的实际应用则要更进一步，它意味着结合智能技术和人类智慧， 并应用于商业的每一个流程，帮助企业解决最复杂的挑战，开辟新市场或者 创造全新的收入来源。 如果保险公司将人工智能重点应用于人力资源、工作流程和数据管理方面， 那么他们将从中获得最大效益。 在保险公司面临巨大压力之际，人工智能领域正在取得飞速进展。竞争变得 异常激烈，新的竞争者正在颠覆现有的商业模式。受其他行业技术快速发展 的影响，消费者对保险公司的期望也会越来越高。 因此，保险公司必须找到提高运营效率、推动产品创新、改善客户和员工体 验的新方法。例 流程管理——重新审视商业模式和工作流程。通过智能机器不断审查端到端 流程，并应用“智能自动化”来改进和优化现有流程。 数据分析——保险公司将利用人工智能，来增强大数据分析能力，通过事务 型数据，来改进算法，并以新的方式组合数据以发现趋势。 人力资源：通过科技提高工作效率，人机协作成未来发展趋势 许多保险公司已经在深度学习、视频分析和自然语言处理等技术上投入巨资。 尽管智能技术的发展十分

随着生态环境保护需求的不断增加，采用多模态 AI 大模型， 将科技与环保深度融合，必将为提升生态环境治理能力提供坚实的 技术支持。其应用不仅有助于减轻环境污染、维护生态平衡，还为 社会经济的可持续发展开辟了新的路径，我们期待通过这一系列切 实可行的方案，推动生态环境保护事业的进步。 1.1 生态环保的重要性 生态环保是当今全球面临的重要课题，它直接关系到人类的生 存和发展。伴随着工业化和城市化的快速推进，环境问题日益突 人意。 环境保护的重视程度受经济利益的驱动，有时导致短视的行为。此 外，公众的环保意识尚需加强，缺乏有效的公众参与机制。 在技术上，虽然机器学习和人工智能等新技术的快速发展为生 态监测提供了新的解决方案，但由于缺乏足够的生态标注数据和多 模态数据互通的标准，导致传统的 AI 模型在生态环保领域应用受 限。此外，多模态 AI 对数据的获取和处理能力要求较高，而许多 生态监测点的设备和传感器仍旧使用老旧技术，难以支持高效的数 技术，结合先进的数据管理和 监测手段，可以有效克服生态监测当前所面临的局限性，为生态环 保工作提供强有力的技术支持和决策依据。 2.4 传统诊断方法的不足 在生态环保领域，传统的诊断方法在多个方面显示出其不足之 处，直接影响了环境保护的效率与成效。 首先，传统方法往往依赖于经验和人工观察，这导致了诊断的 主观性和不确定性。例如，在水质检测中，实验室分析需要时间， 且容易受到操作人员的判断能力和经验的影响，最终的结果可能会

在建筑及能源行业的应用趋势和技术方法 汇报人：赵阳 浙江大学能源学院制冷与低温研究所 2025.2.14 报 告 提 纲 临近奇点： AGI 将带来颠 覆 结论和展望 DeepSeek 等带来的新范 式 大语言模型应用的科研案例 能源领域传统 Al 发展困 境 当下 Al 到了哪种程 度 John J.Hopfield Geoffrey E.Hinton "for 11 报 告 提 纲 当下 Al 到了哪种程度 能源领域传统 AI 发展困境 … … … … DeepSeek 等带来的新范式 大语言模型应用的科研案例 · 临近奇点： AGI 将带来颠覆 结论和展望 …… 长期以来，能源领域人工智能止步于信息化阶段，发展范式陷入困境 15/80 口能源领域智能化目 … DeepSeek 等带来的新范式 大语言模型应用的科研案例 … … · 临近奇点： AGI 将带来颠覆 结论和展望 引爆这一轮人工智能的新范式：算法 + 数据 + 算力 22/30 ■ 新范式摆脱了对人类专家的大部分依赖，走向了自我迭代升级

者，于2023年初率先启动了“阳光正言GPT大模型战略工程”，旨在通过大模型技术的深度 应用，推动保险业务模式的重塑与升级。 经过一年的实践与沉淀，可以看到，2024年是大模型技术在各行各业的应用落地之 年。这一年，我们见证了大模型技术从理论探索走向实际应用，从概念验证进入规模化部 署的关键阶段。因此，本年度《大模型技术深度赋能保险行业白皮书》的编写，不仅是对过 去一年技术发展的总结与回顾，更 保真度是首要问题，因为基于虚假 或带有偏见的合成数据训练的模型，在真实世界场景中的表现将大打折扣。此外，合成数 据的设计与验证环节也需高度重视，以避免因设计不当或验证不足而放大原有偏见或引 入新的偏见，从而影响模型的公正性与准确性。因此，在未来的发展中，需持续加强合成数 据的生成技术、验证机制及质量控制等方面的研究与实践，以充分发挥其潜力，推动大模 型技术的持续进步与发展。 （2）多领域开源数据集相继推出 等多种来源数据的综合集成，极大地丰富了 数据的广度与多样性，为开源多模态大模型的突破性发展注入了新活力。 今年9月，由商汤科技携手清华大学、上海AI实验室、哈尔滨工业大学、香港中文大学、 复旦大学及南京大学等多家科研机构共同推出的OmniCorpus项目，再次将开源多模态 数据集的发展推向了新的高度。OmniCorpus包含86亿张图像与16,960亿个文本标记的 �� 算力是推动大模

市场趋势进行高精度预测，为投资决策提供可靠依据。  实时数据分析：DeepSeek 支持对大规模实时数据的快速处理 和分析，确保银行能够及时响应市场变化。  自适应学习：DeepSeek 具备强大的自适应学习能力，能够根 据新数据不断优化模型性能，确保其在复杂金融环境中的稳定 性。  多模态数据处理：DeepSeek 不仅能够处理结构化数据，还能 高效分析非结构化数据（如文本、图像等），为金融服务提供 更全面的支持。 通过上述流程，DeepSeek 平台能够显著提升银行在信用风险 评估方面的效率和准确性，为银行的信贷业务提供强有力的支持。 3.1.2 市场风险预测 在金融银行领域，市场风险预测是风险管理中的核心环节之 一。DeepSeek 通过整合多源数据并运用先进的机器学习算法，能 够对市场风险进行精准预测，帮助银行及时识别潜在风险并采取相 应的应对措施。具体而言，DeepSeek 的市场风险预测方案可以从 较 低的客户，系统可以推荐稳健型理财产品；而对于风险承受能力较 高的客户，系统则可以推荐高收益的股票或基金产品。 为了提高推荐的准确性和实时性，系统还采用了实时数据流处 理技术。每当客户进行新的交易或浏览行为时，系统会立即更新推 荐模型，确保推荐结果的时效性和相关性。 此外，系统还具备反馈机制，客户对推荐结果的点击率、购买 率等行为数据会被实时收集并反馈到模型中，用于持续优化推荐算