以支持在仿真和物理环境中进行广泛的基准测 试. 为了解决开放词汇移动问题, 文献 [103] 利用 CLIP 等大规模预训练模型的能力, 以弱监督的方式学习 场景的 3D 语义表示, 构建了一个从空间位置到语 义特征向量的映射函数, 能够处理分割、实例识别、 空间语义搜索和视图定位等多种任务. 文献 [86] 提出了 C2F-ARM 算法, 实现了由粗 到细的 Q-attention 机制, 它在给定体素化场景的 (grounding module) 从指令中推断出场景中的 2D 关键点. 锚定模块首 先使用 CLIP 提取图像视觉特征, 并将提取所得特 征融合到全卷积网络中, 最终输出表示关键点在图 像中的位置概率的热图, 并根据概率提取关键点. 考虑对同一物体执行不同任务时对应的关键点相似 但动作可能截然不同, KITE 使用大语言模型从指 令中提取任务类型 (如抓取、放置、开启、关闭), 并 将锚定模块所得关键点与任务类型输入至动作生成 intelligence systems 1 期 王文晟等: 基于大模型的具身智能系统综述 7 忆. 导航时将语言查询转换为语义向量, 并在体素 图中找到与查询向量点积最大的体素, 从而确定物 体的位置. 对于抓取任务, LangSam 模型根据语言 查询对物体进行分割, 得到物体的掩码, 然后从 AnyGrasp 生成的抓取姿态中筛选出与物体掩码匹 配的抓取点, 并实施抓取. CaP (Code

命。 在客流分析方面，AI 大模型通过对乘客流量的实时监测和分 析，能够提供精准的客流预测。这一信息可以帮助运营方优化站点 和车厢内的资源配置，例如增加高峰期间的工作人员数量、调整广 告投放位置及内容等，从而增强乘客的整体出行体验。 此外，智能客服系统的建设也是 AI 大模型在城市轨道交通领 域的应用之一。通过自然语言处理和机器学习技术，智能客服能够 为乘客提供实时咨询、问题解答和服务引导。这不仅节省了人工成 具，调度 员可以快速理解不同调度方案的优劣，从而选择最佳解决方案。 在具体实施过程中，调度优化的技术架构可以分为数据采集、 数据处理、模型训练和结果反馈四个阶段。  数据采集：实时采集列车位置、速度、客流量等相关数据，并 结合天气、事件调度等外部条件。  数据处理：利用大数据技术对采集到的信息进行清洗、整合和 存储，以便后续的分析应用。  模型训练：通过机器学习算法，训练出针对特定城市轨道交通 方案的利弊，从而选择最佳方案。这种基于数据驱动的决策过程可 以显著提高整个运输系统的效率。 以下是通过实时数据分析和 AI 大模型优化调度决策的具体步 骤： 1. 数据收集：实时获取列车位置、运行速度、到站时间以及客流 量等信息。 2. 数据处理：使用数据清洗和预处理技术，去除噪声和异常值， 确保数据的准确性。 3. 实时分析：利用 AI 大模型进行数据挖掘，识别高峰时段、设

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 骤。这一过程包括噪声过滤、数据配准和点云拼接等。首先，利用 先进的算法对采集到的原始数据进行清洗，去除噪声和不相关的信 息。接着，通过多视角的匹配与对齐，将不同位置采集的数据进行 融合，形成完整的三维点云模型。 点云生成后，采用三维重建技术将其转换为可视化的三维模 型。常用的重建技术包括表面重构、高度图生成等，这需要根据具 体的应用需求选择合适的算法。例如，对于结构物的建模，可能更 相结合，能在相对较快的时间内获取高密度数据，确保模型的细节 得以保存。此外，使用全站仪等测量设备，对难以覆盖区域的数据 进行补充，这样可以提升模型的整体准确性。 安装固定监测设备也是一种有效的数据采集手段。通过在铁路 沿线的重要位置设置监测点，定期采集环境变化数据，包括地形、 植被生长状态及气候等信息。这些数据将提供长期的动态变化分 析，帮助构建更为真实的三维模型。 综合上述方法，我们将形成以下数据采集流程： 1. 无人机遥感采集： ，生成真实的场 景。 为保证航拍数据的有效性，以下措施将被采取： 1. 确定航线和拍摄计划，避免在人流密集或禁止飞行的区域进行 航拍。 2. 配备高精度的 GPS 设备，确保航拍图像的地理位置准确，使 数据更具参考价值。 3. 根据天气情况和光照条件选择合适的拍摄时间，以获取更清晰 的图像。 4. 采用多角度拍摄策略，分别从不同方向和高度获取同一地物的 影像数据，增强模型的细节。

流通常以实时或非实时方式传输，具有较高的帧率和分辨率， 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 输或存储过程中可能出现丢失，为此应采用插值法或其他数据填补 技术（如 K 邻近法）来估算丢失信息，确保视频数据的完整性和连 贯性。 最后，根据具体应用场景，对数据进行标签化处理。为视频数 据添加时间、位置、目标类型等标签信息，这是构建有效语义索引 的基础，在后续的智能分析中，标签信息能够帮助提高检索效率和 准确性。 通过上述步骤的有效实施，最终将获得高质量、结构化的清洗 后视频数据，为后续的智能分析奠定基础。这一数据处理模块的设 统，我们能够实现对视频内容的自动分析、事件检测、行为识别等 多项实际应用。 首先，AI 视频智能挖掘系统应具备以下核心功能： 1. 目标检测与跟踪：利用深度学习模型对视频中的人、车辆等目 标进行实时检测，提供位置信息并持续跟踪其轨迹。该功能可 以帮助监控特定区域内的可疑活动，如人员聚集或异常移动。 2. 行为分析：通过对目标的动作进行分析，识别出可能的危险行 为，例如打斗、跌倒、不当聚集等。这一功能能够通过训练深

保对延迟敏感的应 用得到最佳的网络体验。网络切片通过网络资源的逻辑隔离，为不 同用户提供定制化的网络服务，满足特定业务的带宽、时延、安全 性需求。边缘 OTN 将光传输网络延伸至靠近用户的边缘位置，提升 用户访问算力的速度和质量。OSU 作为下一代 OTN 技术创新方向， 支持灵活弹性带宽，满足多元化数据传输需求。 算间网络高速、弹性、高可靠。骨干 IP+OTN 网络正在向 400G 数字化转型程度高，对高效数据存储和管理的需求旺盛，推动了存 力性能的提升。北京、上海拥有大量的科研机构和金融机构，对数 据存储的可靠性和高性能要求高，促使算力中心采用先进的存储技 术和设备。福建在民营经济活跃和地理位置优越的双重优势下，重 视存力质量建设，提升 IOPS、存算均衡、先进存储占比等。 综合算力指数 24 来源：中国信息通信研究院 图 12 省级行政区存力分指数-存力质量 Top10 （五）运力分指数 15。东部沿海省份，如浙江、江苏、上海等， 在算间网络方面依然占据优势。这些地区算力中心分布密集，网络 带宽大，能够实现算力中心之间高效互联，满足大规模数据传输和 算力调度的需求。另外，四川、安徽等交通枢纽省份优势凸显，地 理位置优越，通信网络覆盖广泛，能够有效连接东西部地区的算力 中心，促进数据的流通和算力协同，在算间网络方面也表现出色。 综合算力指数 27 来源：中国信息通信研究院 图 15 省级行政区运力分指数-算间网络

务仍将 持续提升单核、单实例性能。 多技术融合提升连接性能：云服务商综合利用内存/缓存、PCle、RDMA、IP网、EIP、VPC 等一系列技术升级和软硬件融合优化成果，大幅提升云、边、端不同位置服务之间的协同效 率，这对于保障在线业务的体验至关重要。 存储方案升级应对大数据量冲击：云服务商通过采用更高性能的存储设备和更高效的存储架 构，结合对数据布局的优化，提供贴合不同在线业务需求的个性化存储服务，例如低时延块 推理的优化加速，助力 提升系统准确性与效率。 * 注：数据来自《IDC 中国加速服务器市场追踪》。 �� 传统 AI 受限于算力限制和成本要求等各种原因，NLP、CV 等传统 AI 模型仍占据重要位置，满足多种业务和 场景需求的精度和效果。英特尔 ® AMX 以及英特尔 ® oneDNN 能够显著优化模型中的矩阵乘法和 卷积等计算，并借助算子融合，缓存分块等软件优化方案，结合英特尔 ® AVX-���

眼镜、 AR 党建沙盘等多渠道观看和体验  虚拟展厅程序后续可拓展延伸，打造元宇宙党建展厅  不受空间影响，展陈内容更丰富，宣传、教育面更广  可设置多样化互动，展陈方式更多元  不受地理位置影响，观看更便捷 --VR 虚拟学习展厅 3 方案优势及价值  更专业实用的党务工作工具，并有标准化规范化的 党务工作指引，指导三会一课、谈心谈话、公益活 动等各项工作开展； 

部分采用了多 层次的注意力机制，允许模型在处理长序列数据时保持高效性和准 确性。每一层的注意力机制都经过精心设计，能够自动识别和加权 不同特征的重要性，从而提高模型的预测精度。此外，模型还引入 了位置编码和局部注意力机制，以更好地处理时间序列和空间序列 数据。 GNN 部分则采用了图卷积网络（GCN）和消息传递机制，能 够有效地捕捉工程项目中的复杂关系。通过多层图卷积操作，模型 能够聚合 DeepSeek-R1 大模型在深度学习算法方面采用了多层次、多 模态的神经网络架构，能够在工程造价领域实现高效的数据处理与 精准的预测。其核心算法基于 Transformer 结构，结合了自注意 力机制和位置编码，能够处理大规模的序列数据并捕捉长距离依赖 关系。特别地，针对工程造价中的复杂数据类型，如工程量清单、 材料价格波动、施工工艺参数等，模型通过多任务学习框架，实现 了对多种目标的同时优化，从而提升预测的准确性和鲁棒性。 用户可以将多个设计文件同时导入系统，模型会自动并行处理，快 速生成完整的工程量清单。在处理过程中，系统会实时显示进度和 状态，并提供错误日志供用户参考。例如，当某一张图纸中的某些 数据无法识别时，系统会记录下具体位置和原因，方便用户后续手 动修正。 在数据提取完成后，DeepSeek-R1 还会对结果进行智能校验。 模型会结合历史数据和行业经验，对提取的工程量数据进行合理性 分析，自动识别出可能存在的异常或错误。例如，当某一项材料的

面向不同船厂的设计规范、图纸中不同类型的线材，运用元景视觉 大模型进行分割检测，有效提取船舶轮廓、不同船舱的设计要素， 输出3D建模所需的信息要素，提高设计师看图建模的工作效率。 翻模设计 线条类型 位置参数 -26- 大模型赋能国产大飞机装备运维 n 联通数智公司支撑装备军团和上海产互打造大模型应用，赋能大飞机装备运维 级联切分 增强长文本召回匹配度 自适应拆分 增强知识理解完整性

助评估土壤质量和作物生长条件。 4. 气象传感器：包括温度、湿度、风速、风向、降水量等气象数 据的监测，为生态环境变化提供基本的气象信息支撑。 在进行传感器部署时，应考虑以下几个方面：  部署位置：选择通风良好、避免污染源影响的地方进行气体传 感器部署，水质传感器应设在水流平稳的区域，避免直接暴露 于日光下以减少误差。  部署密度：根据实际监测面积和监测精度要求，确定合适的传 感器 传感器数量 就越多，确保不同地点数据的代表性。  动态调整：在部署初期，建议进行一次试点传感器的设置，以 便根据实际情况进行调整。如发现某些区域数据收集不完善， 应及时增加传感器数量或调整位置。  供电与数据传输：保证传感器的电源稳定，对于长时间监测， 可考虑采用太阳能供电或电池供电。同时，选择合适的数据传 输方式，如 4G、5G、LoRa 等，确保数据的实时传输与远程 监控。 数据采集层负责从多种传感器和监测设备中实时获取空气质量 数据。这些传感器能够测量 PM2.5、PM10、NO2、SO2、CO、O3 等多种空气污染物的浓 度。这一层的设备应选择高灵敏度、高精度的传感器，并考虑其分 布位置，以便更全面地覆盖城市区域。以下是可能使用的传感器类 型及其特点： 传感器类型 测量参数 精度 响应时间 激光粒子计数器 PM2.5、PM 10 ±0.1µg/m³ < 1 秒 电化学传感器