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) 机器人能够在动态环境中进行鲁棒的闭环规划: 机 器人执行第一步行动, 并观察结果, 执行行动后, ViLA 会将新的视觉观察作为反馈, 与之前的视觉观察和 已执行的行动步骤一起输入到 GPT-4V 中. GPT- 4V 将根据这些信息更新其对环境的理解, 并调整 后续的行动步骤. 例如, 如果第一次行动没有完全 达到预期的效果, ViLA 可能会生成一个新的行动 步骤来纠正或完成未完成的任务. 通过这种以多模 态大模型提供实时反馈的设计 freedom) 操控任务. 体素化提供了对场景的 强结构先验, 而 Perceiver Transformer 则允许模型 从少量演示中学习并泛化到新的环境和任务. 同样 是使用体素对环境进行建模, AVLMaps[91] 将视觉 定位特征、预训练的视觉−语言特征和音频−语言特 征与 3D 重建相结合, 将多模态大模型的开放词汇 查询能力融合进环境的 3D 体素网格中, 使得机器 人系统能够基于多模态查询 (如文本描述、图像或

埃森哲大中华区战略与咨询事业部董事总经理、 供应链与运营业务主管 jane.zheng.pan@accenture.cn 潘峥 麦克斯·布兰切特（Max Blanchet） 埃森哲资深董事总经理、全球供应链与运营战略主管 克里斯·麦迪威特（Chris McDivitt） 埃森哲供应链与运营董事总经理、自主智能供应链全球主管 斯戴芬·梅尔（Stephen Meyer） 埃森哲商业研究院供应链与运营研究高级总监 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

合适的工具 （如 jieba、NLTK 等）进行处理。此外，命名实体识别（NER）和 术语规范化也有助于提高数据的可解释性和模型训练效果。 对于结构化数据，可能需要进行特征工程。例如，将类别型特 征进行独热编码（One-Hot Encoding），将数值型特征进行标准 化或归一化处理。同时，特征选择也是重要环节，可通过相关性分 析、卡方检验等方式筛选出对模型训练有显著影响的特征。 数 求，设定一个适当的相似度阈值（如 0.9），只有当相似度超 过该阈值时，才认为两条记录是重复的。 3. 重复记录的处理：通过上述步骤识别出重复记录后，需要决定 如何处理这些重复数据。常见的处理方式包括保留最完整或最 新的记录，或者将重复记录合并为一条更为全面的记录。例 如，对于两条部分重复的记录，可以选择保留字段信息更完整 的那一条，或者将两条记录的字段信息进行整合。 4. 去重结果验证：完成去重操作后，需要对结果进行验证，以确 法能够更好地保留数据的趋势和连续性。  标记法：在某些情况下，缺失值本身可能包含有用的信息。此 “ 时，可以通过引入一个缺失值标记（如 Unknown” “ 或 N/A”） 来保留这些信息，并将其作为一个新的特征进行处理。 在处理缺失值时，还需要考虑数据的分布特征和业务背景。例 如，在金融数据中，某些缺失值可能意味着用户的特定行为（如未 填写某项信息），因此需要结合业务知识进行判断和处理。 为了

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 和分析周期较长，使得生态变化无法及时反映，进而影响管理和决 策的时效性。这种选择在面对突发环境事件（如污染泄漏或生态灾 害）时，往往显得捉襟见肘。 其次，生态监测的空间覆盖面往往不够广泛。在许多地区，特 别是偏远和难以到达的区域，生态监测的设备和人员投入不足，导 致缺乏对生态系统的全面真实的了解。此外，某些生态指标的监测 要求高度专业化的技术设备和操作，这进一步限制了生态监测的安 装和使用范围。

的骨干力量，其重要性愈发凸显。如何提升城市轨道交通的运营效 率、增强服务质量、降低运营成本，成为了行业亟需解决的关键问 题。近年来，人工智能（AI）技术的飞速发展为城市轨道交通行业 提供了新的解决方案。AI 大模型的应用不仅可以有效提升决策支持 能力，还能通过数据分析洞察乘客需求，从而优化服务。 随着城市轨道交通网络的不断扩展，运营管理面临越来越多的 挑战。例如，公共交通的高峰时段客流量剧增，导致了拥挤和不 道交通行业中的数据需求与获取途径。 AI 大模型的核心需求是多样性和丰富性的数据。首先，技术数 据是基础，包括车载设备数据、轨道状态监测数据、信号传输数据 等。这些数据对于模型的训练至关重要，帮助其理解系统的动态特 性，并优化运行效率。例如，来自传感器的实时数据能够用于预测 设备故障，从而实现预防性的维护。 其次，运营数据也是必不可少的。这类数据包括客流量、列车 运行图、停站时间、日常维护记录等，这些数据可以反映出整体运 端和移 动端。  数据可视化：通过图表、仪表盘等方式，将数据和推理结果清 晰呈现，便于用户识别趋势和异常情况。 在设计系统架构时，还需考虑以下几点：  系统的扩展性和灵活性，以适应未来新的数据源和模型的添 加。  数据隐私和安全性，确保用户数据和敏感信息的保护。  系统的容错能力，确保在出现故障或异常时，能够快速恢复， 确保运营安全。 整个系统架构可以用以下的 Mermaid

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 模型的回答与事实不符， 因为尼尔 · 阿姆斯特朗 才是第一个登上月球的 人，而尤里 · 加加林是 第一个进入太空的人。 模型的回答是虚构的，因 为没有经过验证的现实世 界证据支持独角兽在亚特 兰蒂斯的存在，特别是与 皇室的关联。 违反事实，专业知识不足 https://www.lakera.ai/blog/guide-to-hallucinations-in- 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

入了强大的动力。在这一背景下，大模型（如 GPT、BERT 等）因 其强大的自然语言处理和生成能力，逐渐成为了技术创新的核心。 大模型通过对大量数据进行训练，能够实现文本理解、情感分析、 自动创作等多种应用，为企业提供了新的商业机会和解决方案。 随着云计算的普及，企业对软件即服务（SaaS）模式的需求不 断增加。SaaS 平台作为一种灵活、高效的应用交付方式，能够降 低企业的 IT 成本，提高业务的灵活性。将大模型与 人工智能技术上的投入占各国科技预算的比重普遍超过 10%；而中 国政府每年在此方面的投入也不断增加，预计未来将保持在 15%以 上。 总体来看，人工智能行业正迎来新的发展机遇。大模型技术的 普及与应用，将为 SaaS 平台的构建与发展带来新的动力，企业需 积极拥抱这一变化，探索基于大模型的智能化解决方案，以适应时 代的快速变迁。 1.3 SaaS 平台定义和优势 软件即服务（SaaS）是一种通过互联网提供软件应用的模式， 和更新过 程。此外，服务提供商会负责软件的安全性和漏洞修复，进一步减 轻了企业的 IT 负担。 第三，SaaS 平台具备优秀的可扩展性。企业可以根据业务的 发展迅速增加或减少用户数，甚至拓展新的功能模块，而无需重新 考虑整个软件架构。这一特性特别适合快速发展的初创企业或快速 变化的行业。 此外，SaaS 平台的数据存储和共享能力也为企业提供了极大 的便利。通过云端存储，企业可以随时随地访问数据，实现多设备

出。各类突发事件、公共安全事故频繁发生，给社会和人民生活带 来了沉重的负担。传统的安全管理手段已难以满足现代社会对快速 反应、精准应对的需求。与此同时，信息技术的迅猛发展，特别是 人工智能（AI）技术的崛起，为公共安全领域提供了新的解决方 案。 人工智能大模型的应用，尤其是在视频智能挖掘方面，展现了 巨大的潜力。通过深度学习技术，这些模型能够从海量的视频数据 中提取出关键的信息，进行智能分析与判别。这种能力不仅能够提 的分析。 o 准确性：确保 AI 大模型在事件检测中的准确性和鲁棒 性，目标是达到 95%以上的准确率，尽量减少误报和漏 报情况。 o 可扩展性：系统应具备良好的可扩展性，以便于后续增 加新的模型、处理更多的视频源或提升存储能力。 o 安全性：数据传输和存储过程应确保安全性，包括数据 加密、访问控制及审计日志等功能，以满足公共安全领 域对数据的高安全要求。 3. 实施环境需求 定期检 查与维护计划，以确保系统始终处于良好状态，并及时修复潜在的 技术问题。此外，应建立完善的故障检修流程，以快速响应各种故 障情况，保证系统的持久运行。 最后，系统的兼容性需求也需考虑。新引入的 AI 大模型系统 应具备与现有公共安全设备和系统的数据交换能力。这要求系统支 持多种视频编码格式和数据接口，以确保与不同品牌和型号的监控 摄像头、存储设备及警务系统的无缝对接。 综上所

号、桥梁、隧道等多种结构，周围环境也包括居民区、商业区等， 这些因素对铁路的安全运营和服务品质有直接影响。传统的人工巡 检与监控方法已无法满足快速发展的铁路需求，且人力成本高、效 率低，而新兴的人工智能与三维建模技术为我们提供了新的解决方 案。 其次，现有的铁路监测系统多为单点或局部监控，缺乏全局观 与综合效益的分析。通过引入实景三维大模型技术，可以实现对铁 路沿线的全面可视化、动态分析，使得管理人员能够及时掌握沿线 在实际的实施过程中，应用层的设计需要紧密结合后端数据层 和基础设施层，以确保数据的一致性和平台的稳定性。在应用层不 断迭代和优化的过程中，用户需求的变化也是我们需要重点关注 的，确保系统能够灵活适应新的应用场景。 2.3.3 展示层 展示层是系统架构中用户直接交互和获取信息的重要组成部 分，其主要功能是将后端数据和分析结果以直观、易于理解的方式 呈现给用户。为了满足不同用户群体的需求，展示层应具备灵活性 等）。这些方法可以帮助我们自动化地识别出不合常规的样本。例 如，引入 Z-score 方法，我们可以对每个数据点计算其与平均值的 偏差程度，从而确定是否为异常。 接下来，异常数据标记是将检测到的异常数据进行标记，通常 会创建一个新的字段来标识每个数据点是否为异常。例如，我们可 “ 以使用一个布尔值字段，如 is_outlier”，来表示数据点是否异常。 数据修复是处理异常数据的关键步骤之一。为异常数据填补合 理的值可以采

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。 市场新闻和社交媒体评论等。具体应用包括情感分析、实体识别、 语义搜索和自动问答系统。 在情感分析方面，DeepSeek 能够实时监控社交媒体和新闻平 台，识别市场情绪波动，帮助银行及时调整投资策略。例如，系统 可以分析用户在推特上对某只股票的评论，判断是正面、负面还是 中性情绪，并生成情感评分。这些数据可以与历史市场数据结合， 预测股价走势。 实体识别技术则用于从文本中提取关键信息，如人名、公司 名、日期和金额等。这在合同审查和风险管理中尤为重要。例如， 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