互成为可能。基于大语言模型技术的人机协同创新 模式，将人的认知优势与计算机的计算与存储优势整 合起来，让人可以在更高层次、更广泛视角研究外部 环境，加深对客观世界规律的认识，并在人机交互中 将知识转移到机器上，提高机器智能 [18]。 2 智慧应急面临的挑战 应急管理信息化建设通过促进信息技术与应急 管理业务深度融合，为应急管理实战提供支撑保障。 一个典型的应急管理系统架构如图 2 所示，从下至 上依次包括： 数据库层：为应急管理业务应用提供数据服务， 乏系统的、持续的学习机制来增强应变能力。 2.4 人机协作不足 人的优势包括创造力、认知力、价值判断等，机 器的优势在于计算能力、存储能力等，系统智能的 提升在于将人的能力与机器的能力有效整合[18]。系 统中人机协作的效率和效果仍然受到人机协作的自 然度、信息处理能力、交互系统智能水平、工作流程 等方面的制约，缺乏有效的机制将人的优势与机器 的优势整合起来。 2.5 智能层次局限 通过引入大数据、人工智能技术系统智能化水 cessing Systems, 2022. [7] 米加宁, 刘润泽 . 大算力与知识生产方式的革命—基于 ChatGPT 的技术影响与实践展望 [J]. 中国社会科学评价, 2023（2）: 13-18. MI J N, LIU R Z. High computational power and the revolu⁃ tion in the knowledge production mode-on

请务必阅读正文之后的信息披露和法律声明 [Table_MainInfo] 行业研究/信息服务 证券研究报告 行业专题报告 2024 年 09 月 18 日 [Table_InvestInfo] 投资评级 优于大市 维持 市场表现 [Table_QuoteInfo] -39.74% -31.18% -22.62% -14.05% -5.49% 3.4 全球智能体市场增速加快 ................................................................................. 18 4. 潜在标的：Agent 企业千帆竞发，垂类应用引人期待 ................................................ 19 4.1 LeewayHertz：提供多领域解决方案 中国智能算力规模及预测 .................................................................................. 16 图 18 企业 AI Agent 使用情况 ................................................................................

...... 17 图 7 我国在用智算规模（FP16）分布....................................................................18 图 8 省级行政区算力分指数-算力质效 Top10........................................................19 图 9 各省上架率情况. 图 17 省级行政区模力分指数 Top10....................................................................... 29 图 18 省级行政区模力分指数-模型资源 Top10......................................................30 图 19 省级行政区模力分指数-模型生态 省，具体情况详见图 6。河北、广东、江苏等 Top6 省份在用标准机 架全国占比超过 50%，在用标准机架数均超过 60 万架。 来源：中国信息通信研究院 图 6 我国在用标准机架数量分布 综合算力指数 18 我国在用智算规模 Top10 省份为河北省、上海市、浙江省、贵 州省、内蒙古自治区、广东省、宁夏回族自治区、甘肃省、湖北省、 山西省，具体情况详见图 7。河北省、上海市、浙江省等 Top5 省份

实现运营绩效的全面突破 何为自主智能供应链？ 引领未来： 开创价值新高地 自主化征程： 当下现状与未来十年 前言 05 25 04 18-24 17 06-07 08-09 10-16 实现自主智能供应链 4 前言 克里斯·蒂默曼斯（Kris Timmermans） 埃森哲全球供应链与运营业务主管 传统的供应链模式如今正迅速过时。地缘政 运输准备（包装与装载） 运输（货运） 产品搬运 生产制造 14. 15. 16. 生产/制造 产品组装 产品包装 设置、维修与切换 质量与生产控制 运营采购 预警、风险、改进 17. 18. 19. 产业化（初始设备设置、规模扩大） 切换（包括清洁） 维修 22. 23. 供应商合同签订 采购到付款 24. 25. 26. 异常或风险检测及预警 评估与根因分析 45 50 55 60 65 70 75 80 85 自主化 增强型人工决策 主要为自动化 主要由人工驱动 16 27 42 24 46 16 12 20 25 25 12 20 27 18 33 27 27 27 10 19 28 54 44 44 45 10 19 43 43 10 42 17 10 22 21 11 25 9 42 16 9 15

像隔着一堵高墙；如今，人工智能正成为所有科学家都能听懂的通用语言 " 。 自动化 工程热物理 新能源 化工 软件 工程 人工 智能 范式困境主要原因三：周期长、链条多、人员配合难度大效率低 18/80 口需要多个 团队 深度长期协作，难度大成本高 口从经济性角度而言，大部分项目支撑不起如此开销 迭代 需求分析 运维算法设计 Al 模型开发 测试 水平 电力 工业 2.0 将人类带入分工明 确、大批量生产的 流水线模式和“电 热力 工业 1.0 创造了机器工 厂的“蒸汽时 代 ” 1970 年代 初 20 世纪 初 18 世纪 末 能楼 字 新范式的本质：替代了人类专家的角色，把人从开发链条中移出 25/30 口 未 来 Al 计算速度将更快、成本更低 口未来算法的能力将会更大，智能程度将会更高 GPT-4 的 token 成本，到 2024 年年中 GPT-40 的 token 成本变化中，我们可 以看到 这一点——期间每 token 的价格下降了约 150 倍。摩尔定律曾以每 18 个 月翻倍的速 度改变世界；而人工智能成本下降的速度，比这还要快得不可思议。 3. 智能水平的线性提升，其社会经济价值的增长本质上是超指数级的。由此推断，我们认 为在可预见的未来，没有理由停止对人工智能进行指数级增长的投资。

...................................................................................................18 2.3 构建智能体提效方案的核心目标............................................................................... 一期目标 二期目标 数据处理效率 8 小时/ GB 2 ≤ 小时/ GB ≤30 分钟/ GB 维度 基线水平 一期目标 二期目标 规则覆盖度 58% 85%+ 95%+ 全量扫描占比 18% 60% 100% 误报率 22% ≤15% 8% ≤ 通过部署 DeepSeek 智能体，计划实现审计作业流程的范式转 ” ” ” 移：从 人工主导抽样检查 转变为 AI ” 驱动全量分析 4 小时完成的科目匹配任务。典型数据处理效率对比如 下： 任务类型 传统人工耗时 智能体耗时 准确率提升 银行对账 2.5 小时/账户 9 分钟/账户 +12% 发票校验 3.2 小时/百张 18 分钟/百张 +9% 跨系统数据一致性检查 6 小时/系统 25 分钟/系统 +15% 异常检测采用动态阈值技术，通过分析行业基准数据自动调整 预警参数。例如在费用审计中，智能体会结合企业历史数据、同行

an- chor boxes)[16]、CLIP (Contrastive language-im- age pre-training)[17]、SAM (Segment anything 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 BERT[128] 的 Transformer 编码器, 而 CVAE 解码器则结合了 ResNet 图像编 码器、Transformer 编码器和 Transformer 解码器. 输入的图像通过 ResNet18 进行处理, 将高分辨率 的 RGB 图像转换为特征映射, 然后通过 Trans- former 编码器和解码器生成动作序列. 在 ACT 的 训练过程中, 编码器首先将动作序列和关节观察压 缩成一个特征 为了有效地学习多样化的机 器人轨迹, 他们扩展了扩散策略, 以处理基于语言 的多任务条件, 允许学习到的策略通过基于语言的 规划器被重用和重组. 此外, 文献 [44] 还提出了一 个新的多任务基准, 包含 18 个任务, 以测试长期行 为、常识推理、工具使用和直观物理理解. 在基准上 的实验结果表明, 蒸馏策略成功地学习了数据收集 过程中的鲁棒重试行为, 并在上述领域的绝对成功 率上平均提高了 33.2%

-13- 中美在AI领域的对比：企业 n 中美头部高科技企业的市值差距非常显著 n 我国AI独角兽的数量和估值落后于美国 n 头部高科技企业 n 美国7大科技公司市值：均在万亿美元以上，合计约18 万亿美元 n 中国7大科技公司市值：第一名5600亿美元，合计约1.4 万亿美元 n AI独角兽 -14- 中美在AI领域的对比：GPU芯片 中 美 l 英伟达：拥有A100、H100、B200等GPU芯片，性 美：发现在模型的技术创新上已经被中国追赶并部分超越，危机感和压力陡然增加，预计会加大对华技术封锁（更严格的芯片禁令等） -17- 目录 Contents 02 03 01 04 05 -18- 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

产品、创新AI原生学习硬件 2月6日，网易有道宣布旗下有道小P、Hi Echo、有道词典、QAnything、有道智 云等产品全面接入DeepSeek推理能力进行升级，深化AI技术与教育场景的结合； 后于2月18日推出AI原生学习硬件产品答疑笔SpaceOne。网易有道通过将全产品 线接入DeepSeek、加速智能硬件创新，推动AI教育场景的深化与成本优化。 1、底层技术融合：构建DeepSeek-R1的通用智能推理能力与自研教育垂类大模型

.................16 2.1.2 预测客流量与车次安排..............................................................18 2.2 设备故障预测与维护...........................................................................20 2.2.1 预计车次安排 07:00-08:00 1500 10 班 08:00-09:00 2000 12 班 12:00-13:00 1200 8 班 17:00-18:00 2500 15 班 18:00-19:00 3000 18 班 根据模型的预测结果，调度中心可以根据不同时间段的客流量 动态调整车次安排，以确保每一时段都有足够的运力满足客流需 求。这种灵活调度的方式可以有效减少乘客的等待时间，提高乘客 大模型能在实际中发挥显著效果。 基于以上考虑，建议在以下城市中选择试点： 城市 轨道交通线路 数 年客运人次（亿） 技术基础设施评分 政府支持程度 北京 23 35 9 高 上海 14 36 8 高 广州 14 18 7 中 深圳 12 10 8 中 选择试点项目的具体方法可以包括： 1. 识别关键应用场景：比如，通过 AI 大模型优化线路调度、改 进客流预测、提升故障预警等。这些场景应与选定城市的实际