为了推动算力产业发展，我国出台多项相关政策对算力产业顶 层规划，明确算力产业的发展目标、战略重点和实施路径，引导算 力资源的合理配置和高效利用。2023 年印发《算力基础设施高质量 发展行动计划》和《关于深入实施“东数西算”工程 加快构建全国一 体化算力网的实施意见》，旨在不断完善综合算力基础设施，增强 算力赋能成效。2024 年印发《推动工业领域设备更新实施方案》， 提出推动“云边端”算力协同发展，加大高性能智算供给，在算力枢 然而，在算力产业高速发展过程中，也暴露出一系列亟待解决 的问题。一是跨区域资源协同机制亟待进一步完善。目前，我国跨 综合算力指数 3 区域算力资源协同还处于初级阶段，缺乏统一的调度平台和协同机 制。东、西部地区算力供需存在对接不够顺畅，信息不对称、资源 匹配度不高等问题。同时，不同区域的算力政策、标准不一致及算 力网络传输效能不足，导致算力资源在跨区域流动和共享时也面临 诸多障碍，制约了全国算力资源的优化配置和高效利用。二是基础 干直连点，杭州、上海、深圳和中卫 4 个新型互联网交换中心建设 运营步入正轨。国家枢纽间传输时延不超过 20 ms，集群到周边主 要城市传输时延不超过 5 ms，区域内算力节点间时延达 1 ms。 入算网络泛在、灵活、敏捷，技术创新和应用活跃。IP 承载网 具备广域无损超宽 400GE，TB 级样本数据小时级送达的能力，网络 吞吐 90%+，确保计算不等样本，提升训练效率；IP 应用感知使网 络能够

张雨浓 1 郑伟诗 1 孙富春 2 摘 要 得益于近期具有世界知识的大规模预训练模型的迅速发展, 基于大模型的具身智能在各类任务中取得了良好的 效果, 展现出强大的泛化能力与在各领域内广阔的应用前景. 鉴于此, 对基于大模型的具身智能的工作进行了综述, 首先, 介绍大模型在具身智能系统中起到的感知与理解作用; 其次, 对大模型在具身智能中参与的需求级、任务级、规划级和动作 且可以与物理环境进行信 息、能量交换的智能系统[2]. 虽然在过去的几十年 间, 离身智能取得了令人瞩目的成就, 但对于解决 真实世界的问题来说, “具身”的实现仍然是必要的, 与强调从经验中学习并泛化的离身智能方法相比, 具身智能更强调与环境的交互, 只有拥有物理身体 才能与世界进行互动, 更好地解决现实问题[3]. 当 前, 随着机器人技术和计算机科学的发展, 具身智 能受到更多的关注, 逐渐从概念走向实际应用 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] 等大语言模型能与人类进行流畅的对

化需求。项目通过对多源异构数据的采集、清洗、标注和结构化处 理，打造高质量的知识库，为后续的 AI 模型训练提供坚实的基 础。同时，结合先进的深度学习技术和规模化计算资源，设计高效 的模型训练流程，确保模型在准确性、泛化能力和计算效率方面达 到预期目标。项目的实施将涵盖以下关键步骤：  数据采集与整合：从内部系统、公开数据集以及第三方数据源 中获取数据，确保数据的多样性和覆盖度。  数据清洗与预处理：通过去重、缺失值填充、异常值处理等操 最终，该方案将广泛应用于金融、医疗、教育等多个行业，推动人 工智能技术的深入应用和创新发展。 1.2 项目目标 本项目的核心目标在于构建一个高效、精准的知识库数据处理 系统，并基于该数据处理结果，训练出一个具备强大泛化能力和智 能化水平的 AI 大模型。通过系统的数据处理和模型训练，最终实 现从海量异构数据中提取有价值的信息，并将其转化为可支持决策 和创新的知识资产。具体目标包括以下几个方面： 首先，实现 模型提供丰富的上下文信息。知识图谱的关键性能指标包括： - 实 体识别准确率达到 95% 以上 - 关系抽取准确率达到 90% 以上 - 知识 图谱覆盖率达到 80%以上 再次，设计并训练一个具备强泛化能力的 AI 大模型。基于处 理后的数据，采用预训练-微调的技术路线，训练一个能够适应多 场景任务的 AI 模型。模型的训练过程将注重优化参数效率和数据 利用率，确保模型在有限资源下仍能保持高性能。模型训练的关键

过本项目的实施，将 建立起一套科学、规范、高效的人工智能数据训练考评体系，为 AI 技术的进一步发展提供有力支撑。 1.1 项目背景 随着人工智能技术的迅猛发展，其在各行各业的应用日益广 泛，尤其在数据驱动的决策支持、自动化流程优化以及智能分析等 领域表现尤为突出。然而，人工智能系统的性能和效果高度依赖于 其训练数据的质量和模型训练的精准度。在当前的技术实践中，数 据训练的效果评估 练参数和策略。 在数据考评方面，系统需要构建一套完整的考评指标体系，以 确保模型训练的有效性和科学性。考评指标应涵盖模型精度、泛化 能力、训练效率等多个维度，并结合实际应用场景进行动态调整。 例如：  模型精度：准确率、召回率、F1-score 等  泛化能力：测试集表现、过拟合检测等  训练效率：单次训练耗时、资源利用率等 系统应支持自动化考评工具的开发与应用，减少人工干预，提 CSV、JSON、图像、视频等），并提供数据清洗、归一化、特征工 程等预处理模块，确保训练数据的高质量。系统还应具备数据增强 功能，特别是针对图像和文本数据，支持随机裁剪、翻转、旋转、 噪声添加等操作，以提升模型的泛化能力。在训练过程中，系统需 实时监控训练状态，包括损失函数值、准确率、学习率等指标，并 提供可视化工具，如 TensorBoard 集成，帮助用户直观分析训练 效果。 为了提高训练效率，系统应支持断点续训功能，允许用户在训

112 6.1.1 数据质量与可用性...................................................................113 6.1.2 模型泛化能力...........................................................................115 6.1.3 计算资源需求..... 衍生特征：计算信贷额度使用率、逾期率等衍生指标。  交互特征：将多个特征组合，如交易金额与交易时间的乘积。 最后，将处理后的数据划分为训练集、验证集和测试集，通常 按 7:2:1 的比例分配，确保模型在训练中能够泛化到新数据。值得 注意的是，金融数据具有时间序列特性，因此在划分数据集时需采 用时间序列交叉验证策略，避免数据泄露。通过以上步骤，可以确 保数据的质量，为后续的模型训练和预测奠定坚实基础。 4 适合的机器学习算法，如逻辑回归、随机森林、梯度提升树等。对 于复杂场景，可以采用深度学习模型，如 LSTM、Transformer 等。模型训练过程中，采用交叉验证方法进行参数调优，确保模型 的泛化能力。使用网格搜索或贝叶斯优化等自动化超参数调优技 术，提升模型性能。 模型训练完成后，进行模型评估与验证。使用准确率、召回 率、F1 分数、AUC 等指标对模型性能进行全面评估。此外，通过

2017] 有监督 学习 无监督 学习 历史语料 主题词 预处理 l 基于知识库和历史语料训练具有较强 语义泛化能力的问答模型 l 提高问答机器人的召回率和准确率 l 用候选回复辅助客服，提升服务效率 l 传统方法缺乏语义泛化能力 l 传统方法没有上下文理解的能力 l 使用检索 + 上下文深度匹配排序的方法 l 匹配模型考虑上文历史消息序列 深度学习的应用：

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 泛的潜力，能够大幅提升诊断的精确度、治疗的针对性以及医疗服 务的效率。这些特征也使得生成式大模型成为未来医学发展的重要 工具。 2.1.1 生成式模型概念 生成式模型是一类能够通过学习数据分布生成新样本的机器学 形式的信息。这对于医疗图像分析和报告生成等应用具有重要 价值，如通过 AI 分析医学影像并自动生成影像报告。 3. 自监督学习的利用：自监督学习方法允许模型在未标注数据上 进行训练，促进了模型的泛化能力和知识的融入。这意味着 AI 可以在相对较少的标签数据的情况下，依然能够应用于疾 病预测和临床决策支持系统。 4. fine-tuning 技术的成熟：使得在特定领域（如医学）中进行 模 150 30% 临床决策支持系 统 120 25% 药物研发 100 20% 患者管理与教育 80 15% 其他 50 10% 这些应用案例的汇总显示出 AI 生成式大模型在医疗行业的广 泛应用与迅猛发展。在过去几年中，随着数据的积累和计算能力的 提升，医疗场景中的 AI 技术不仅带来了效率的提升，也为患者提 供了更为精确的医疗服务。在未来，随着技术的持续进步和优化， 预计还会涌现

编写组成员（排名不分先后） 马季春 王曼 施晶峰 王月 张建峥 赵以爽 杨军刚 杨伊鸣 郭光鑫 吴茜 梁宇 栋 马凤鸣 党朝志 赵金辉 陈常水 颜万瑞 吴涛 顾剑波 谈儒猛 夏冬 胡铭珊 孙东旺、熊家振、许轶 版权声明 本研究报告版权属于全球计算联盟。 使用说明：未经全球计算联盟事先的书面授权，不得以任何方式复制、抄袭、影 印、翻译本文档的任何部分。凡转载或引用本文的观点、数据，请注明“来源： AI、大数据、云计算和高性能计算为核心的新一代信 息技术产业，旨在为各行各业提供高效、智能的数据处理与决策支持能力。随着全球数字 化转型加速，智算产业已成为推动经济增长、科技创新的关键基石。 政策与市场方面，中国“东数西算”工程、美国“人工智能行动计划 2”等政策加速 推进了智算基础设施布局；金融、医疗、制造等行业利用 AI 优化流程，提高生产力和效 率，使得智算服务市场年增速超 30%。 技术驱动方面，

等方面的挑战，更为开发出更加健壮、可靠且公平的大模型奠定了坚实基础。具体而言，合 成数据尤其适用于那些数据稀缺或难以直接获取的特定领域。此外，合成数据还能根据具 体需求进行定制化设计，如确保不同类别数据的平衡表示，进一步提升模型的泛化能力。 同时，合成数据还有助于缓解数据隐私保护的压力，通过创建匿名化或去标识化的数据 集，为数据的安全共享与高效利用提供了保障。 1.1.1 数据：多措并举缓解短缺状态 �� 然而，值得 可能。 （1）视频生成模型的进步 视频生成模型是大模型技术中的一个新兴领域，它允许从文本描述直接生成视频内 容。过去一年，这一技术取得了显著的进展，生成的视频质量大幅提高，应用场景也更加广 泛，包括电影制作、广告创意和虚拟现实等。 视频生成模型利用深度学习技术生成高质量的视频内容。随着算力的提升和算法的 优化，视频生成模型在生成连贯、逼真的视频方面取得了显著进步。例如，2024年2月16日， （2）多模态模型的崛起 多模态模型能够处理和理解不同类型的数据，如文本、图像和声音。过去一年中，这一 领域取得了显著进展，尤其是在图像和文本的联合表示学习方面。这些模型不仅提高了任 务的性能，还增强了模型的泛化能力，使其能够更好地理解和生成复杂的数据模式。 今年5月，OpenAI在其春季发布会上推出了他们的最新旗舰模型：GPT-4o，该模型具 备强大的多模态实时交互能力。其对音频输入的响应时间最短为0

训练过程中的参数调整也非常关键。我们可以通过下列步骤优 化训练效果：  超参数调优：使用网格搜索或随机搜索优化学习率、批大小、 层数等超参数。  交叉验证：利用 K 折交叉验证提高模型的泛化能力，避免过 拟合问题。  模型集成：可以考虑使用简易集成方法（如 Bagging 和 Boosting），结合多个模型的优势，提升最终预测准确度。 对于训练数据的监控与反馈机制，建议建立实时监测系统，对  超参数调优：利用网格搜索或贝叶斯优化方法对超参数（如学 习率、批量大小等）进行系统搜索，以寻找到最优的训练配 置。  模型评估与验证：定期根据交叉验证结果调整模型结构，确保 模型的泛化能力，防止出现过拟合。 综上所述，设计深度学习模型时需充分考虑数据的多样性与复 杂性，通过合理的网络结构和有效的训练策略，能够显著提升城市 轨道交通行业引入 AI 技术后的智能化水平和运营效率。 模型训练阶段是关键，首先通过对数据集进行划分，建立训练 集、验证集和测试集。随后，将训练集用于训练模型，利用反向传 播算法和优化器（如 Adam 或 SGD）更新模型参数。在这一过程 中，可以运用数据增强技术来提升模型的泛化能力。此外，使用早 停（Early Stopping）策略可以防止模型过拟合，通过对验证集的 表现来调整训练过程。 在训练过程中，可运用交叉验证来进一步评估模型的稳定性和 可靠性，确保模型在