自适应智慧体在运维领域面临的 Gap ： 传统自动运维模型既没法“自适应”，也仅是有限“智慧” Gap1: 传统智能运维算法依赖于任务标注数据，仅仅是拟 合 数据，对于新领域无法自适应 10 在线场景下， 由于频繁的软件更新、第三方插件等， 大 部分产生的日志都是模型未见过的，难以获得足量 的历 史标注数据，需求模型有自适应能力。 当任务训练数据减少时，传统方法普遍出现了预测精度下降。因此， 要 现有方法基于任务数据可以自动映射故障现象，但依然没有完成智能运维的最后一步： 根因分析和故障自恢复。这些系统的交互设计缺乏反馈与互动，离“智慧体”距离遥远。 Gap2: 传统运维系统可解释性差、可交互性弱，智慧有 限 运维智慧体愿景：并非数据驱 动，而是指令驱动，可以进行 根因查找与自我纠偏，充当设 备系统与工程师之间交流沟通 的桥梁 根据本轮分析结果由 大语言模型自动生成 了分析报告，推荐解 决方案。 对异常日 从构建方式来看，自动抓取系统流量、截图、客服记录 等进行自监督学习。 AI 运维智慧体面临更高要求：文本、图片、语 音 Prompt ：以上日志怎么理解？ Prompt ：系统是否有异常？ Prompt ：帮我分析一下根因 Prompt ：把上述内容做个摘要报 告 Prompt: 根据该图分析系统 流量变化趋势？ Response: 该图片描述了项 目 & 文档 & 开发视图页面每 月 的使用趋势。其中横坐标

9 1.3 实景三维 AI 大模型的优势..................................................................11 1.4 项目目标与愿景..................................................................................12 2. 技术方案概述.... 包括：  便捷的空间连接促进区域经济发达与平衡  大宗货物的高效运输能力支撑工业发展  人员流动的高效性推动社会联系与城市化进程  低碳环保的运输模式支持可持续发展战略 在这种背景下，开发铁路沿线实景三维 AI 大模型的应用方案 显得尤为重要。该方案不仅将提高铁路运输的安全性与效率，还将 通过智能化服务为旅客提供更加便捷的出行体验，为货运企业提供 精准的物流解决方案，最终达到推动铁路运输现代化、智能化的目 段，但仍然存在一些显著的不足。这些不足主要体现在管理效率、 数据共享、应急响应以及实时监控等多个方面。 首先，现有的铁路管理模式往往依赖于传统的人工操作和各类 独立的信息系统，这使得数据处理的效率受到制约。在许多情况 下，各部门之间的信息孤岛现象严重，导致数据无法实现有效共 享，信息传递的时效性和准确性都难以保证。这种低效的信息流转 不仅增加了管理成本，还可能因信息滞后性而导致决策失误。 其次，针对突发事件的应急响应能力不足也是现有管理模式的

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. R1满血版：在数学、代码等场景下的性能有明显差距，蒸馏版参数量越小，与满血版差距越大 n R1蒸馏版 vs. V3满血版：140亿以上参数的R1蒸馏版的深度推理效果显著强于V3满血版；低参数量R1蒸馏版能力落后 国内主流大模型 公司 模型 阿里巴巴 千问 (Qwen) 系列 字节跳动 豆包大模型 百度 文心大模型 腾讯 混元大模型 华为 盘古大模型 国内互联网公司： 公司 模型 联通 元景大模型 电信 星辰大模型 移动 九天大模型 国内运营商： 公司 模型 深度求索 DeepSeek-V3/R1等 智谱 GLM系列 MiniMax MiniMax-Text-01等 月之暗面 总览”；  元景—经济大模型在“粤经济”上部署实施，发挥联通多源 大数据的独特优势，基于全国高质量经济语料，打造经济垂 直领域大模型，模型在查数据、问知识、做推理、快分析等 经济领域任务中都表现良好。 广东政数局 ”粤经济“平台 n 经济运行大模型落地北京发改委、广东政数局等多省市项目 -23- 大模型赋能公安智能化 n 联通数智公司联合北京联通等打造元景公安大模型，在北京西

Attention ， MLA ）进行优化；在后训练阶段采用冷启动 + 大规模强化学习 方 式，不再使用传统 SFT 做大规模监督微调， 甚至绕过了一些 CUDA ，采用 PTX 汇编来提升能力；在推理场景下通过 大规模 跨节点专家并行（ Expert Parallelism ， EP ）来优化通信开销，尽可能实现负载均衡。 图表： DeepSeek R1 架构图 资料来源：木尧，中泰证券研究所 5 性能： DeepSeek 推理架构优化，可适配银行高并行、高响应的业务场 景 n 以 DeepSeek R1 为代表的优秀开源模型的能力离闭源模型越来越近。行业普遍认为如果开源软件达到闭源 80% 以上能 力，就足以压缩闭源的生存空间。 DeepSeek 能力能够比肩 DeepSeek 服务负荷统计 图表： DeepSeek R1 成本与理论收入 成本： DeepSeek 低价策略下理论成本利润率依旧可达 545% ，部署成本极 低 资料来源： DeepSeek ，中泰证券研究所 资料来源： DeepSeek

及最新的医学研究成果，为医生提供个性化的治疗建议。例如，针 对肿瘤治疗，可以通过模型生成多种治疗方案，并对每种方案的有 效性及可能的不良反应进行评估。 此外，在患者教育方面，生成式大模型也展现出良好的应用前 景。通过与患者进行自然语言交互，模型能够根据患者的具体情 况，提供针对性的健康指导和信息。这样一来，患者不仅能更好地 理解自己的病情，还能增强对健康管理的积极性。 生成式大模型在医疗场景的可行应用还包括： 生成式大模型概述 AI 生成式大模型，正如其名称所示，是通过深度学习技术训练 的复杂模型，能够基于输入数据生成新的内容。这些模型广泛应用 于自然语言处理、图像生成、语音识别等多个领域，尤其在医疗场 景中展现出良好的应用潜力。通过海量医学文本、图像和结构化数 据进行训练，AI 生成式大模型能够理解并生成专业的医疗信息，辅 助医疗决策、提供个性化医疗服务、以及改善患者的整体体验。 首先，生成式大 到深层次的模式和关系。  多模态能力：支持文本、图像、音频等多种数据类型的生成与 处理。  灵活性：根据具体需求进行调整，能够针对不同的应用场景提 供解决方案。  高效性：在某些情况下，生成的内容能够达到或超过人类专家 的水平，提高效率并降低误诊率。  个性化：能够根据用户特定的需求或者特征提供量身定制的内 容或建议。 通过这些特点，AI 生成式大模型在医疗场景中的应用展现出广

体的指标，映射出我国在算力领域的发展状况，这将为国家制定精准的产业政 策提供科学依据，为产业的技术创新和投资方向提供“指南”。 展望未来，我国算力发展之路机遇与挑战并存。我坚信，在全国各界的共 同努力下，我国算力产业必将实现量的稳步增长与质的显著提升，加速高质量 发展的新征程！ 邬贺铨 中国工程院原副院长 算力产业发展方阵指导委员会主任委员 综合算力指数 前 言 近年来，AI 快速发展。算力、存力、运力以及模型能力的协同 荐服务背后复杂的算法运算，各类数字化场景都高度依赖强大、稳 定且高效的算力支撑。特别是在智能化进程加速推进的背景下，智 算需求更呈现出一种持续攀升的强劲态势。据国际数据公司（IDC） 预测，2024 年全球人工智能服务器市场规模为 1251 亿美元，2025 年预计将增至 1587 亿美元，2028 年有望达到 2227 亿美元。 在这一发展趋势下，全球各国愈发重视人工智能产业发展并加 快部署，力求在全球数字经济竞争中抢占先机。IDC 施建设。日本通过制定相应的法律法规来规范人工智能的应用和发 展。 综合算力指数 2 面对全球算力需求的爆发式增长和国际环境的日益复杂，我国 作为数字经济大国，急需突破关键核心技术“卡脖子”环节、实现科 技自立自强。在此背景下，需深入探究我国综合算力发展现状，明 确自身优势与短板，精准布局算力产业，加速数字产业化和产业数 字化进程，从而在全球科技博弈中牢牢把握主动权，保障国家信息 安全与经济稳定发展。 （二）算力发展持续规划，产业亟待提质升级

制造、能源、医疗、零售等多个领域实现智能化应用。结合国家政策支持以及各 大企业的积极投入，智能体技术将不断进步，特别是在算力快速增长的背景下， AI Agent 的发展前景更加可期。多模态智能体的出现，将进一步推动各行业智能 化应用的升级，智能体的商业化将迎来新的突破。  建议关注：AI 算力、模型和应用：寒武纪-U、海光信息、景嘉微、龙芯中科、浪 潮信息、中科曙光、神州数码、软通动力、中国长城、科大讯飞、中控技术、海 康威视 多智能体系统中会有两个以上的智能体，他们一般存在着合作或竞争关系。这样模型称 为马尔科夫博弈，其状态转换符合马尔可夫决策，关系符合博弈。在多智能体模型中， 每个智能体的目标是找到最优策略来使它在任意状态下获得最大的长期累积奖励。由于 其模型更为复杂，干扰因素较多等原因，目前多智能体模型商业化产品较少。 图3 单智能体强化学习原理图 资料来源：CSDN，海通证券研究所 图4 多智能体强化学习原理图 现略高于其他组合。3）ALFWorld（Adaptive Learning Framework World）研究： ALFWorld 是专门用于研究和开发智能体的仿真环境，在其虚拟世界中，包含了各种场 景、任务和智能体需要完成的挑战。ALFWorld 实验发现 3 个智能体的成功率高于 2 个 智能体，说明随着交互的智能体变多，智能体间互相纠错的能力有所提升。但对于 AutoGen 的实验也提到多智能

致了拥挤和不 便；车辆调度管理复杂，需实时响应动态变化的乘客需求；安全隐 患在高密度运营下也日益增多。因此，引入 AI 大模型以实现智能 化、高效化的运营管理显得尤为重要。基于 AI 的大数据分析能 力，能够帮助运营方获取更为精准的客流预测，优化车辆调度方 案，提高整体运营效率。 在这一背景下，AI 大模型在城市轨道交通行业的应用方案应围 绕以下几个核心方面展开： 1. 客流预测与分析：利用 通过信息技术与 AI 技术的深度融合，未来城市轨道交通行业 有望实现智能化转型，从而优化资源配置、提升乘客体验，并促进 可持续发展。 1.2 AI 大模型的定义与应用背景 在当今快速发展的科技背景下，人工智能（AI）大模型的定义 与应用日益受到重视。AI 大模型通常指的是训练时使用海量数据的 深度学习模型，这些模型具有多层神经网络结构，能够在复杂任务 中展现出高效的学习和预测能力。近年来，随着计算能力的增强和 中产生了海量 数据，包括乘客流量、列车运行状态、设备状况等。AI 大模 型可以帮助分析这些数据，为决策提供支持，提升服务效率和 质量。 4. 可持续发展的需求：在当前全球倡导可持续发展的趋势下，城 市轨道交通必须采取更科学的运营方式。AI 大模型通过优化 调度和能耗管理，能够显著降低运营成本，推动绿色出行。 为具体展示 AI 大模型在城市轨道交通中的应用场景，可以列 举以下几个关键应用：

1 埃森哲报告：AI 赋能保险，三大应用场 景如何重构价值链？ 人工智能(AI)使机器能够模拟和增强人类智能，它的出现正值保险和其他行业 数字化转型之际。尽管人工智能技术仍处于发展阶段，但在现实世界中，它 已应用于不同行业。人工智能正被用来解决各种各样的挑战，它使机器和系 统之间的交互更智能、更简单。 保险公司也逐渐进入这一领域，新一代人工智能技术有望帮助保险公司重新 定义其工作 旦做出了智能 决策，就可以利用机器人流程自动化来执行操作。此外，它还可以节省成本， 为智能自动化的进一步发展提供资金。 案例研究——智能的“第一时间损失通知”(i-FNOL)：想象一下，在早上的通勤 途中，你调收音机的时候与另一辆车相撞，你可以拨打保险公司的索赔热线， 寻求相关人员的帮助，并完成基本的 FNOL 报告。索赔顾问会确认事故的责 任方，并要求你通过手机上的应用程序上传事故的照片。

现[9-10]。优势在于从数据中学习的能力，善于处理复 杂的、模糊的问题。 1.1.2 主动学习 与传统结构化的知识获取方式相比，大模型采 用自监督学习方法，主动捕捉训练文本中更深层次 的特征和规律，而非在预设知识结构下的信息抽 取[11]，从而具有突破已有认知局限实现创新的潜能。 1.1.3 数值计算过程 模型通过优化其预测下一个单词（如 GPT）或填 充缺失单词（如 BERT）的能力，来调整多层神经网络 模 等符号描述，如果说文本数据是对现实世界在文字 符号规则下的一个投影，那么图片、视频、传感器信 号等不同数据都可以看作是现实世界在不同符号规 则下的多个投影，大语言模型技术具有在高维数字 空间融合不同符号世界信息的潜能，利用高维空间 的多模态知识表示，能促进不同符号世界信息的理 解、交流和融合，提供在一个更全面、完整、系统的 218 www.jc2.org.cn 2期 认知结构下对现实世界的事物，及其规律的新发现和 知识库层：为应急管理业务应用智能化提供知 识服务，主要存储管理法律法规、典型案例、应急预 案、方法和模型等应急知识。 业务应用层：覆盖应急管理全过程，包括监测预 警、社会动员、监管执法、救援处置等应急管理全场 景应用。 决策指挥层：为所有应急管理业务辅助决策。 2.1 辅助决策功能薄弱 决策指挥层的辅助决策功能相对比较薄弱，尤 其是在重大及以上级别的突发事件非常态业务的临 图2 应急管理系统架构图 Fig