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⁃ 究等多个领域展现出类似人类水平的创造力。这些 能力的涌现，使得知识创新不再受限于个体的认知 和经验，能够打破学科和专业的壁垒，加速知识的 融合和创新，预示着知识生产方式正在经历一场深 刻的变革，将引领我们进入了一个人机协作的知识 生产新模式 [7-8]。 1.1 知识获取 1.1.1 联结主义学习 大语言模型的知识获取基于联结主义的学习观 点，该观点认为智能源于大脑神经元的物理结构和 复杂的网络连接，是由大量如神经元的简单元素通 technologies 1.2.3 人机协同创新 大语言模型在获取语言知识的同时，也获得了语 言描述的关于世界的知识，从而让机器具有理解和生 成自然语言的能力，让人与机器在知识层面的有效交 互成为可能。基于大语言模型技术的人机协同创新 模式，将人的认知优势与计算机的计算与存储优势整 合起来，让人可以在更高层次、更广泛视角研究外部 环境，加深对客观世界规律的认识，并在人机交互中 将知识转移到机器上，提高机器智能

计与实现是确保系统有效运行的关键。该方案旨在通过构建高效的 三维模型，结合先进的人工智能技术，实现对铁路沿线环境的实时 监测、分析和决策支持。 首先，本方案的基础是高精度三维地理信息系统（GIS）和三 维模型的构建。通过利用无人机航拍、激光雷达（LiDAR）扫描等 手段，获取铁路沿线的三维空间数据。同时，结合多种传感器的数 据（如气象监测装置、视频监控等），可全面收集并叠加不同维度 的信息，以便形成精细的三维环境模型。 够实现快 速、准确的建模。 首先，该技术涉及到数据的采集，主要采用激光雷达 （LiDAR）、高清摄像机与无人机等设备进行数据收集。激光雷达 可以通过发射激光获取目标物体表面的三维坐标数据，而高清摄像 机则提供丰富的光学信息，二者相辅相成，提高了建模的准确性和 完整性。无人机的使用则有助于在短时间内覆盖大片区域，特别适 合于复杂地形和人力难以到达的地区。 在数据处理阶段，进行数据预处理是确保建模精度的关键步 可能更 侧重于表面重构，而对于地形的建模，则可采用高度图生成策略。 通过实景三维建模技术呈现出的模型具有以下特点：  高精度：通过激光雷达技术，模型的精度可达到厘米级。  高效性：结合无人机的使用，可以在较短时间内完成大规模区 域的建模，显著提高工作效率。  真实感：融合高清影像与三维模型，使得生成的建筑物、自然 景观等在视觉上更加真实。 该技术方案还支持后续的数据更新与维护。随着铁路沿线环境

到，这一转变正通过“人机协作”的渐进式发展 在企业中逐步实现，每个阶段都推动着效益提升。 此外，通过将资深团队成员数十年积累的专 业知识和洞察进行系统化梳理与编码标准化，自 主智能供应链有助于确保核心知识的保留，并传 承至下一代员工，即便在资深团队成员陆续退休 的情况下，仍能维持知识体系的可持续性。 实现自主智能供应链 6 我们的调研发现，通过人工监督关键流程节点 （即“人机协同”）来实现自主运营，能够显著提升 既定的绩效标准。 即便自主智能供应链具备任务自动化与决 策自主化能力，但至少在目前阶段，仍离不开人 的参与。人与技术各有所长，协同合作方能取 长补短。在双方能力领域的交汇处，便形成了 “人机协作”的劳动力形态，现场及远程员工与 自主智能体、智能机器人实现无缝集成。3 在 最高效的自主化系统中，人类的角色并不仅仅 是作为“执行环”（in the loop）来完成任务，他 们更应处于“监督环”（on 议。 增强型人工决策，实现跨域跨组织的无缝计划变更。 • 超过95%的交易实现自动化流程及问题解决。 • 利用分析工具监督流程以提高流程效率。 • 利用事件和预测算法实现自动化维修计划，并通过人机增强支持高效的任务执行、备件订购和 行动建议。 • 通过问题解决方案、风险分析和基于经验教训得出的行动建议，使人工驱动活动得以增强。 • 高度自动化的仓库运营，采用先进的自动导引车（AGV）进行拣选、存储、包装和装载。中央控制中心

深度学习在智能助理产品中的应用 胡一川 结束语 . 提升智能助理产品的可靠性 . 智能助理产品的特点 . 深度学习与智能助理 目 录 用户终端的变化和技术的进步，推动更自然的人机交 互方式及产品形态 通过理解文本或语音形式 的自然语言来协助用户完 成需求的软件应用或平台 2000s PC 键盘 & 鼠 标 网站 时间 设备 交互方式 产品形态 2020s Embed 、 Encode 、 Attend 、 Predict • 在大量标注数据的基础上，深度学习能明显提升语义理解、问答、 对话等模型的效果 • 现阶段，聚焦场景、人机混合的智能助理产品更有用户和商业价 值 The future is already here, ——it’s just not evenly distributed. THANKS

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迅速，但除非保险公司能够使现有劳动力适应人工 智能带来的改变，否则它们将无法充分挖掘人工智能的潜力，这其中包括培 保险公司需要严格把控人工智能的应用，以确保信任度和透明度，特别是考 虑到数据的敏感性。这意味着要为人工智能的使用制定严格的指导方针，以 及完全符合法规的流程。 调研数据同时显示，52%的保险公司高管认为，人机协作对于实现他们的核 心战略非常重要；61%的保险公司高管预计，未来 3 年，需要与人工智能合 作的员工比例将会上升；68%的保险公司高管认为，人工智能将对他们的工 作产生积极影响。

商登记数据库实时对接，自动标记异常注册地。 值得注意的是，审计智能体的部署必须遵循严格的质控标准。 我们设计了双重校验机制：所有 AI 生成的分析结论都需通过独立 ” 规则引擎验证，关键审计判断则保留人工复核接口。这种 人机协 ” 同 模式既保持了专业判断的权威性，又实现了基础工作的智能化 替代。随着审计准则第 1321 号对 IT 控制的强化要求，该方案已通 过三家监管机构的合规性评估，为规模化应用扫清了制度障碍。 键。这类系统需要同时满足三个刚性要求：审计准则的强合规性约 束、海量异构数据的实时处理能力，以及审计判断的可追溯性。这 要求技术方案必须采用模块化架构，既能继承现有审计方法论的核 心逻辑，又能通过机器学习优化风险评分模型，最终形成人机协同 的审计增强模式。 1.2 人工智能在审计领域的应用前景 近年来，人工智能技术的快速发展为审计行业带来了革命性变 革的可能。通过机器学习、自然语言处理和大数据分析等技术的结 合，人工智 Prometheus 监控 第三阶段：试点运行与反馈迭代（3-4 个月） 选择 3 个典型审 计项目进行平行试点，配置差异化的智能体工作模式： - 模式 A： 智能体独立完成费用审计 - 模式 B ：人机协同执行存货监盘 - 模式 C：实时监控资金流水 每周召开问题诊断会，重点优化两个维度：一是调整风险阈值 参数（如关联方交易识别阈值从初始的 0.7 下调至 0.65），二是补 充行业特定规

information 案例：某基金公司投研大数据平台 智能客服 用智慧发现信息价值 Discover information • 产品定位 • XF4.0 版，多场景智能交互机器人，实现人机、机机智能交互，支持客服、 营销、推荐、类 Siri 服务等 • 突破现有机器人只解决客服问答癿狭义定位 小富机器人 用智慧发现信息价值 Discover information 用智慧发现信息价值 人工客服工作压力。 • 格式丌一癿内部业务 文档，服务话术 • 大量非结构化业务文 本癿自劢化知识加工 • 灵活多变癿用户问题 句式需要语义分析才 能真正理解 案例 - 某大型保险集团公司微信人机互劢系 统 上线后敁果 • 提供了结合内外网数据癿与业 知识图谱 • 多语种知识库同步建设，跨语 种知识关联 • 知识加工提供多语种自劢摘 要、主题分类 • 加工知识量

Et. al. DOI:arxiv-2206.06336 各种 服务器 办公 文本表示 图像表示 图表示 Chat 翻译 画图 QA 写 代码 作曲 AI 应 用 文件系统 人机交互 安全管控 进程管理 CPU 调 度 内存管理 网络 1. 智能体 (AI Agent) 是大模型 (Brain) 的眼 (Observation) 和手 (Tools) 2. 通过智能体 法人社会组织 招标采购公告 招投标主体 每日招采公告 标的数据 l SupXmind 基础平台： 充分融合大模型 + 知识图谱的前沿技术 ， 贯穿从“大数据 ”到 “ 大知识”到“大模型”全流程 ，构建人机共生认知决策链路 ，帮助用户打造智能决 策 系统。 四链融合知识计算引擎 是以通用大模型为基座 ，面向产业创新咨询服务场景， 数百个产业链知识图谱 结合工具集 知识库和指令微调训练得到产业垂域大模型

掘、数据应用与展示及系统管理与维护等几个方面，通过这些功能 实现对公共安全事件的快速响应与有效管理。 首先，系统需要具备视频数据的采集与处理能力。该功能应支 持多种视频源的接入，包括但不限于监控摄像头、无人机、移动设 备等，同时能够进行实时视频流处理和存储。系统应能够对视频数 据进行预处理，包括去噪、解码和帧提取等操作，以确保后续分析 的准确性。 其次，智能分析与挖掘是系统的核心功能。该功能包括以下几 术架构设计应当从数据采集、预处理、模型训练与推理、结果展示 等多个维度进行全面考虑，确保系统的高效性、安全性以及可扩展 性。 系统的前端数据采集组件负责从不同的视频监控设备中实时获 取数据。这些设备可能包括高清摄像头、无人机拍摄设备和其他传 感器，系统需要能够支持多种视频格式和协议，如 RTSP、RTMP 等。为了确保系统的高可用性，数据采集层应采取分布式架构，以 便在出现单点故障时保持整体系统的运行。 在数据 能够捕捉到丰富的场景信息。 2. 社交媒体平台：在事件发生后，社交媒体上会迅速涌现大量相 关视频和图像数据。这些数据不仅包含现场视频，还包括用户 的评论、位置标签等，有助于分析事件的性质和影响。 3. 无人机和卫星影像：无人机可以提供特定区域的高分辨率视频 和图像，尤其在大型事件或自然灾害中。这些数据可以为事件 分析和应急响应提供重要支持。卫星影像则适合于大范围事件 的监控与评估。 4. 传感器数据：包括地震传感器、火灾探测器等传感器反馈的数

够以自然语言讨论任务策略, 并生成子任务计划和 任务空间航点路径. 针对无人机的编舞问题, Swarm- GPT[67] 利用自然语言指令, 自动生成同步的无人机 表演. 系统通过使用音频分析工具提取的音乐特征, 以及用户通过自然语言提供的任务规格, 从而形成 LLM 的提示模板. 然后, LLM 根据这些信息生成 一系列与选定歌曲节拍同步的时间位置航点, 为每 架无人机规划编舞. 这些航点随后被一个轨迹规划 器处理, 以保证无碰撞和可行的运动 但受限于机械臂系统, 操作只 能在实验室环境内完成. HumanPlus[39] 则探索了人型机器人的数据收 集与训练. 系统通过单目 RGB 摄像头实现实时人 体和手部运动的估计, 并将其重新定位到仿人机器 人的运动中, 从而实现“影子跟随 (shadowing)”. 通 过这种方式, 人类操作员可以远程操作机器人收集 全身数据, 用于学习真实世界中不同任务的技能. 此外, 系统还利用收集到的数据进行监督行为克隆