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 级的控制进行了较为全面的总结; 然后, 对不同具身智能系统架构进行介绍, 并总结了目前具身智能模型的数据来源, 包括 模拟器、模仿学习以及视频学习; 最后, 对基于大语言模型 (Large 理解各种操作对象, 解决各种复杂问题. 大模型的强大理解能力也能为具身智能带来与 人类无障碍沟通的能力, 能更有效且准确地理解用 户需求, 而大模型的长对话能力也使其具有处理复 杂任务的能力, 并规划长期目标. 这些特点都使得 具身智能有别于传统的仅面向单一任务, 或同质任 务的传统机器人, 使其具有更强的自主性与适应性. 人形机器人的突出优势就是其通用性, 而大模型带 来的认知能力则是形成通用性的关键[20] 机结合, 并加入对模型规划层级的分类探讨. 此外, 由于该领域发展迅速, 在上述论文发布后又涌现出 了许多重要工作, 本文将补充这些最新进展, 为希 望了解该领域的研究人员提供更多的参考 (工作总 览见图 1[25, 29−100]). 本文内容安排如下: 第 1 节对大模型如何帮助 具身智能实现对环境的感知与理解进行介绍; 第 2 节分析大模型分别在需求级、任务级、规划级、动作 级这四个控制层级上为具身智能提供的规划;

用语规范 逻辑推理 隐私处理 召回率 语音生成 接口服务 摘要总结 诱导防护 覆盖率 · · · · · · · · · · · · · · · 营销服务应用 营销话术优化 客服话术推荐 综合规划配置 营销素材设计 合规风控应用 智能核保 智能理赔 实时质检 评分说明 大模型名称 公司名称 百度 GPT- 3.5 GPT- 4.0 Claude 1 Claude 2 阿里巴巴 0 1 2 3 4 5 0 1 2 3 4 5 0 1 2 3 4 5 保险营销素材设计能力指数 保险客服话术推荐能力指数 保险营销话术优化能力指数 保险综合规划能力指数 GPT-3.5 ** 大模型 ** 大模型 ** 大模型 ** 大模型 ** 大模型 ** 大模型 ** 大模型 清华智谱 GPT-4 通义千问 ** 大模型 GPT-3.5 清华智谱 断， 说明是否要进行理赔，如有金额计算，请给出可理赔金额 保险常识 法律知识 医疗知识 营销素材 话术优化 话术推荐 保险规划 智能核保 智能理赔 实时质检 保险常识 法律知识 医疗知识 营销素材 话术优化 话术推荐 保险规划 智能核保 智能理赔 实时质检 评测结果——国内大模型 聪明贴心“中国通” 答案与我国当前制度情况基本吻合，解答 的角度也更符合国内用户，理解起来比较

0 安全零信任 Nacos内核&应用安全零信任实践 02 Nacos 3.0 AI Registry MCP Registry & MCP Router 03 Nacos 3.0 未来规划演进 一个易于构建 AI Agent 应用的服务、配置和AI智能体管理平台 04 Part 1 Nacos3.0 架构升级&核心能力 性能 & 可拓展性提升 Nacos 简介 Nacos2 Agent 应用的服务、配置和AI智能体管理平台 构建AI Agent应用的通用范式 Model Provider User Ask Response Prompt Model 规划 MCP Tools MCP Server 业务API Agent Agent = Model + Prompt + MCP Tools 工具调用 存量业务接口快速转化 处理任务时对任务其所需要工具列表进行 预筛选减少token消耗 项目地址：https://github.com/nacos-group/nacos-mcp-router Part 4 Nacos 3.0 未来的规划 AI能力持续迭代 & 微服务生态持续探索 一个更易于构建 AI Agent 应用的AI智能体管理平台 1.【Agent运行时配置统一托管】 • Agent组件管理平台，通过AgentId串连各组件

大语言模型（ LLM ） 可以接受输入 ， 可以分析 & 推理、 规划任务、 输 出文字 \ 代码 \ 媒体。 然而 ， 其无法像人类一样 ， 拥有运用各种 工具与物 理世界互动 ， 以及拥有人类的记忆能力。 智能体 (AI Agent) • LLM ：接受输入、思考、规划任务、输出 • 人类： LLM （接受输入、思考、规划任务、输出） + 记忆 + 工具 Reflection Self-critics CodeInterpreter() Search() ...more 记忆 智能体 行动 Short-term memory Long-term memory 规划 工具 第一步：智能体进行任务拆解，首先调用 CollectLinks 工具从搜索引擎进行搜索并获取 Url 地址列表 https://cloud.tencent.com/developer/article/2422923 类 型 名称 说明 角 色 Researcher 调研员智能体， 从网络进行搜索并总结报告。通过 LLM 提示工程 (Prompt Engineering) ，让 LLM 以 调研员的角色去规划和拆分任务，使用提供的工具，完成调研过程，生成调研报告。在定义角色 时，会为其注册下面列出的各项工具 工 具 CollectLinks 问题拆解，从搜索引擎进行搜索，并获取 URL 地址列表。该工具基于

智能体将从概念走向实际应用，成为各行业的重要助力。通过多模态大模型，智 能体能够整合图片、语音等异构数据，提高任务处理效率，并解决跨行业、跨领 域的问题。技术方面，智能体具备长期和短期记忆、自主规划、工具使用和自动 执行任务的能力。这些能力不仅能提高工作效率，还能为用户提供更好的体验。 单智能体通过试错学习适用于简单任务，而多智能体则在复杂环境中通过合作或 竞争调整最佳策略。当前，智能体主要应用在自动化和情感需求等领域，但商业 Agent（智能体）模式中给 AI 设臵目标和身份，并提供 Prompt（提示词）。 AI 自主拆分任务、使用工具、完成工作，用户仅负责设立目标、提供工具资源和监督结 果。OpenAI 定义的智能体具有长期和短期记忆、自主规划、工具使用和自动执行任务 的能力，能提高工作效率和用户体验。另外，智能体也分为单智能体和多智能体。单智 能体通过试错学习在单一环境中行动，追求最大奖励，多用于简易任务。多智能体在博 弈环境中行动，追求长期累积奖励，多用于复杂测试。 资料来源：腾讯研究院，海通证券研究所 以 LLM 为核心，四模块铸造 AI Agent。从 OpenAI 的定义来看，智能体以大语言模 型为核心，其拥有长期和短期记忆、自主规划能力、能自动化执行复杂任务、能够使用 工具等四个特点。1）记忆模块：智能体像人类一样，能留存学到的知识以及交互习惯 等，这样的机制能让智能体在处理重复工作时调用以前的经验，从而避免用户进行大量 重复

人工做出。 • • 作业流程通过智能决策辅 助系统得到增强，该系统能 提供操作建议与洞察以优化 决策。 作业流程可部分实现自动化。 • • 自主化运营流程/自我优化。 AI助手支持人工进行行动规划 与生成。 • • 图2 自主化征程：一场贯穿四大成熟度阶段的真正转型 成熟度 等级定义 自主化指数 实现自主智能供应链 真正意义上的自主智能供应链包含两大维 度（见图2）：任务自动化与决策自主化。在任务 检查库存、创建货运标签以及处理异常情况等 工作，从而将人力解放出来，专注于更具战略性 的事务。在决策自主化层面，机器则会取代人工 进行决策制定。正如供应链经理会响应突发事 件，指导团队成员完成特定任务一样，机器也 能够规划、执行、纠正并改进各项活动，以达成 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 备线上化、自动化能力，从而推动企业向数字 化供应链的探索。高科技电子行业及快消零售 行业的数字化变革已经初具成效，AI算法嵌入 流程辅助决策；伴随DeepSeek等生成式AI技 术的普惠，数字化的领头羊们已开始加速规划 自主化能力与落地探索。 10 实现自主智能供应链 11 End to end supply chain activities have been segmented into 28 activities

年。这一年，我们见证了大模型技术从理论探索走向实际应用，从概念验证进入规模化部 署的关键阶段。因此，本年度《大模型技术深度赋能保险行业白皮书》的编写，不仅是对过 去一年技术发展的总结与回顾，更是对未来应用前景的展望与规划，旨在为保险行业的智 能化转型提供技术参考和实践建议。 白皮书基于阳光保险的大模型落地实践经验，深入剖析了大模型技术在保险行业的落 地应用路线。我们详细阐述了数据准备、模型精调、工程化适配、模型评测等关键环节的技 指 能理解、推理并与物理世界互动的智能系统，其实现离不开大模型的赋能。 （1）技术突破 大模型的出现，使得具身智能在感知、理解和规划任务上的泛化能力得到了显著提 升。机器人接入大模型后，能够直接听懂人类指令，结合环境信息，将复杂的指令转化成具 体行动规划，无需额外数据和训练。这种能力极大地降低了机器人的使用门槛，推进了机 器人落地各行业场景应用。 （2）产业应用 具身智能在多个领域 依据。这些措施有助于增强用户对模型的信任度，促进技术的广泛应用。 （5）技术投入与运维压力 建立和维护大型模型系统需要巨大的技术投入和持续的运维支持。为了应对这一挑 战，保险公司可以采取以下策略：一是合理规划技术投资预算，确保资金的有效利用；二是 加强与科研机构和高校的合作与交流，引入先进技术和人才；三是建立完善的运维管理体 系和应急预案，确保系统的稳定性和可用性。 同时，保险公司还需要关注技术发

................. 1 （一）算力需求爆发式增长，全球竞争日益激烈............................................ 1 （二）算力发展持续规划，产业亟待提质升级................................................ 2 （三）产业数字化转型加速，区域发展差距明显................. 一、综合算力研究背景 （一）算力需求爆发式增长，全球竞争日益激烈 随着人工智能、大数据、工业互联网等新技术规模化应用，全 球算力需求呈现指数级增长。从智能工厂中精准控制生产设备的工 业机器人，到智能交通里实时规划路线的导航系统，再到个性化推 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） 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 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

1 定期模型更新...........................................................................122 8.2.2 系统功能扩展规划...................................................................123 9. 持续发展与前景展望............... 大模型可应用于列车调度的实时优化。在实际运营 中，各种突发事件经常发生，如设备故障、自然灾害、突发的重大 活动等，这些都可能影响到列车的正常运行。通过对各类数据的实 时分析，AI 模型可及时生成调度调整方案，自动重新规划最优的运 行线路和发车间隔。这种动态调度能力能够有效降低由于突发事件 带来的破坏性影响，提高系统整体的鲁棒性。 此外，AI 大模型还可以通过模拟与预演，实现调度方案的验证 与优化。在方案实施前，通过对不同调度策略的模拟，AI 要应用。通过分析用户的历史出行数据和偏好，AI 能够为乘客提供 个性化的出行建议。例如，根据用户的出行习惯，智能推送最优的 出行路线、实时的列车信息以及最佳的出发时间。此外，系统还可 以在节假日或高峰期提前提醒用户，以帮助他们规划出行。 此外，智能推荐系统也能大幅提升客户满意度。AI 大模型可以 基于乘客的出行模式和偏好，推荐周边商家、活动和服务，从而增 加乘客在轨道交通系统内的体验价值。例如，在乘客等候列车时， 可

7.1.2 关键任务分配...........................................................................138 7.2 资源规划...........................................................................................141 7.2 1. 金融服务：包括风险评估、信贷审批、客户服务自动化等，通 过大模型分析交易数据和客户信息，提升服务效率和准确性。 2. 医疗健康：利用大模型进行医学图像识别、基因组学分析、个 性化治疗方案规划等，助力医生提高诊断准确率及治疗效果。 3. 零售与电商：应用于个性化推荐、库存管理、消费者行为分析 等方面，帮助商家提升销售和客户满意度。 4. 制造业：通过预测性维护、质量控制和供应链优化，提升生产 实施计划 在实施人工智能行业大模型 SaaS 平台的过程中，系统的规划 和步骤至关重要。以下是针对该平台的详细实施计划，涵盖了项目 的关键阶段、具体任务及时间安排。 首先，我们将项目实施划分为四个主要阶段：需求分析与规 划、平台设计与开发、测试与优化、上线与维护。每个阶段都有明 确的目标、任务及里程碑。 在需求分析与规划阶段，主要任务包括： 1. 收集用户需求：通过与潜在客户和行业专家的访谈、问卷调查