Examples of different architectures in embodied AI 10 自 动 化 学 报 51 卷 件变分自编码器 (Conditional variational autoen- coder, CVAE)[127], 包括一个编码器和一个解码器. CVAE 编码器采用类似 BERT[128] 的 Transformer (如机器人技术) 中行动 的智能代理. 在机器人领域中, 公开可用的数据通 常缺乏用于训练行为先验的标签, 为了解决这一问 题, 研究者通过半监督模仿学习的方法, 展示了如 何利用少量标记数据训练一个逆动力学模型 (In- verse dynamics model, IDM), 该模型能够准确预 测视频中每个时间步的动作. 类似地, RoboCLIP[34] 提出了一种在线模仿学习方法, 该方法能够使用单

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 求。突发且不可预测的地缘政治变局以及持续变 化的贸易环境，正迫使首席供应链官们迅速调整 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 那么，这对企业员工而言意味着什么？我们 的研究表明，在自主智能供应链的生态系统中， 人力依然是核心要素。事实上，最高效的自主智� 供应链体系将实现人员角色转型⸺从任务执行 者转变为系统决策的指导者与监督者。我们观察 到，这一转变正通过“人机协作”的渐进式发展 在企业中逐步实现，每个阶段都推动着效益提升。 此外，通过将资深团队成员数十年积累的专 业知识和洞察进行系统化梳理与编码标准化，自 主智能供应链有助于确保核心知识的保留，并传 风格，从被动的危机管理模式，转向主动的风险评 估与预防。那些能够前瞻性地思考未来风险并致 力于提升团队效能的领导者，将引领供应链走向 更具韧性和适应性的未来。 归根结底，自主化系统的兴起将从根本上改 变企业的组织结构，以及人与人、人与技术之间的 协作方式。这同时也是重塑工作方式、重塑劳动 力的契机。只有当企业重塑其组织架构以支持截 然不同的流程和工作方式时，那些采纳自主智� 供应链的企业才能实现生产提效或成本节降，而

用智慧发现信息价值 Discover information 日志、交易报文 … … 宏观数据 GDP( 国内生产总值 ), 变劢率 ;CPI( 居民消费价格指数 ), 变劢 率 ;PPI( 工业生产价格指数 ), 变劢率 ;M1/M2( 货币流通量 ); 固 定资 产投资变劢 ; 制造业采贩经理人指数 ; 进出口贸易额 ; 外 资投资增 减额 ; 工业总产值 ; 股市交易行情及成交量 ;

生成式模型的核心在于其能够生成新的数据样本，而不仅仅是 进行分类或回归预测。其工作原理通常基于概率分布的学习，通过 对大量样本的分析，生成符合该样本分布的新样本。常见的生成式 模型包括生成对抗网络（GAN）、变分自编码器（VAE）等。每种 模型都有其特定的结构和生成方式，适应不同的应用场景。 在具体应用中，生成式模型具有以下几个特点： 1. 高维数据处理：能够处理高维数据，如医学影像等，生成具有 实际临床价值的新图像。 生成、图像修复以及风格转换等领域有着广泛应用。例 如，StyleGAN 就是一种高质量图像生成的 GAN 变体，它能够生成 极为真实的面孔图像，且在医疗图像处理中的应用日益受到关注。 此外，变分自编码器（VAE）也是一种重要的生成模型，其通 过编码器和解码器的组合，学习潜在变量的分布。VAE 在生成任务 中具有良好的表达能力，并且能够有效进行数据的重构或插值。在 医疗数据的生成和去噪方面，VAE 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， 预计还会涌现出更多创新性应用，进而推动医疗行业的发展和变 革。 3. 医疗场景的需求分析 在当前医疗行业中，伴随着技术进步和对高效医疗服务需求的 提升，AI 生成式大模型在医疗场景中的应用展现了巨大的潜力。在 这一部分，我们将分析医疗场景中的具体需求，从而揭示

理，确保数据的质量和可用性。 2. 模型训练与优化：基于收集到的数据，构建深度学习模型，进 行有效的训练与优化。重点针对异常事件的识别，如暴力冲 突、事故发生等，训练模型时需考虑不同场景和光线条件的变 化。 3. 实时监控与预警：通过智能监控平台，实时分析各类视频数 据，并自动识别潜在的安全隐患。一旦监测到异常事件，系统 能够及时发出预警，通知相关管理部门快速响应。 4. 数据存储与回溯 YouTube  Reddit 这些平台上，用户频繁发布关于突发事件、自然灾害、社会运 动等主题的内容。通过对这些数据的挖掘与分析，能够及时识别出 热点事件，评估事件对公共安全的影响，以及监控社交舆论的变 化。在这一过程中，AI 大模型能够通过自然语言处理(NLP)和计算 机视觉技术对文本和视频内容进行深入分析。 具体来说，数据源与输入的流程可以分为以下几个步骤： 1. 数据采集：利用 API 征。CNN 的结构简单而高效，适合进行人脸识别、对象检测和行 为识别等任务。 其次，LSTM 网络是一种能够处理序列数据的深度学习模型。 由于其引入了记忆单元，LSTM 能够有效捕捉视频中的时间动态变 化，适合用于连续帧数据分析。在公共安全场景下，如异常行为检 测，LSTM 可以通过长时间内的行为模式来判断某一行为是否异 常。 视频分类网络（例如 3D CNN）结合了时间和空间信息，通过

智能自动化不仅可以改善客户服务，也能提高工作效率。技术熟练、经验丰 富的员工不用做可以自动化的重复性任务，而是有时间来完成更高质量的工 9 作，专注于需要人工服务或手动操作才能完成的任务。这一转变也会使得他 们的工作变得更加有趣。 多家企业已经将智能决策应用于保险流程。比如，南非的 Santam 保险公司 利用预测分析和机器学习来减少欺诈行为，提高运营效率。这一举措帮助他 们在前

这些趋势表明，人工智能大模型 SaaS 平台在未来具有广阔的 发展前景，关键在于如何不断调整和优化战略，以应对市场的动态 变化。 2.3.1 人工智能技术发展 人工智能技术的发展在近年来突飞猛进，推动了各个行业的变 革。随着计算能力的提高、数据存储技术的进步以及算法的不断优 化，人工智能的应用逐渐渗透到各个领域。从机器学习到深度学 习，再到现在的生成式预训练大模型（如 GPT-3、BERT 等），这 些 平台开始拓展到全球市场。特别是在亚太地区和拉丁 美洲，市场需求的快速增长使其成为新的增量市场。 以上趋势表明，SaaS 平台不仅在产品交付和使用上发生了变 革，还在商业模式、技术应用以及市场战略中表现出强烈的适应性 和创新能力。企业若能有效抓住这些趋势，将能够在瞬息万变的市 场中获得明显的竞争优势。 3. 产品设计 在人工智能行业的大模型 SaaS 平台设计方案中，产品设计是 实现产品价值、增强用户体验的核心环节。本文的产品设计主要围 据的安全。 综上所述，平台架构的各个层次相互依赖，共同构建一个高 效、可靠的人工智能大模型 SaaS 平台。每个层次的设计均需考虑 系统的可扩展性和可维护性，以应对未来可能的业务增长和技术变 革。为了便于理解，以下是平台架构的基本结构图： 通过以上详细的架构设计，能实现人工智能行业大模型 SaaS 平台的高效运行，支持多种业务场景，为用户提供便捷的服务体验 和安全的数据管理方案。

支持。 在合同变更管理方面，DeepSeek-R1 通过智能分析变更申请， 快速评估其对项目成本和工期的影响。模型可根据变更内容，自动 生成变更预算和新的工期计划，并与原合同条款进行对比，确保变 更的合理性和合规性。例如，当设计变更导致工程量增加时，模型 会自动计算新增成本，并生成详细的变更单供各方确认。此外，模 型还能通过历史数据学习，预测未来可能出现的变更风险，并提供 预防措施。 k-R1 还支 持生成多种可视化图表，如柱状图、折线图、饼图等。这些图表不 仅能够帮助项目管理者快速理解成本偏差的现状，还能够用于项目 汇报和决策支持。例如，通过折线图展示不同时间点的成本偏差变 化趋势，项目管理者可以清晰地看到成本控制的效果，并根据趋势 调整项目管理策略。 最后，DeepSeek-R1 还支持与其他项目管理系统的无缝集成， 实现成本数据的自动同步和实时更新。通过与 ERP、BIM 性和合规性。 其次，DeepSeek-R1 能够通过历史合同变更数据的分析，预 测变更可能带来的风险，并提供相应的风险缓解策略。例如，模型 可以识别出某一类型的变更在过去项目中导致的风险，并在新的变 更中提出修改建议，以避免类似问题的再次发生。 此外，DeepSeek-R1 还支持合同变更的多维度管理。模型可 以根据变更的类型、金额、时间等维度，自动分类和归档变更记录， 便于日后查询和审计。例如：

能应用系统 4. “ 推理大模型 + 知识图谱（知识库） + 智能体”是否会成为未 来 AI 系统开发和应用的范式？ 总结： 使能技术、赋能社会：人工智能是引领这一轮科技革命、产业变 革和社会发展的战略性技术，具有溢出带动性很强的头雁效应， 其作始也简，其将毕也必巨 致天下之治者在人才，成天下之才者在教化，教化之所本者在学校 谢谢！ 肖俊 博士、教授、博士生导师 浙江大学计算机学院人工智能研究所

生成额外的微调训练数据 故障检测与诊断能 力测试提示词库 错误诊断的对话 模型自我纠正 原始大模型 构建提示词 微调大模型 New sample 补充 均值和标准差 归一化 系统正常运行期间征兆变 量的平均值和标准差 归一化 归一化 研究三：基于微调大语言模型的系统故障检测与诊断：模型微调 46/80 基于诊断准确率自适应调整每类样本需新增的提示量，并基于 SMOTE