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 使人工驱动活动得以增强。 • 高度自动化的仓库运营，采用先进的自动导引车（AGV）进行拣选、存储、包装和装载。中央控制中心 管理流程、检测问题并提供行动建议。 • 14 28 19 38 19 38 19 36 20 40 22 45 24 48 24 45 当前 未来五年内 实现自主智能供应链 13 图5 大多数供应链活动将通过AI赋能与自动化的强力结合，逐步迈向完全自主化 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 15 8 39 38 37 33 12 10 10

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 ................................................................. 19 4.2 Markovate：提供多模态智能体解决方案 ..................... Agent 使用情况 .................................................................................... 16 图 19 专注于横向应用的 Al 代理初创企业率先获得融资 .......................................... 17 图 20 多模态大模型发展.......... .................................................. 19 图 23 LeewayHertz 公司发展历程与合作公司 ........................................................... 19 图 24 LeewayHertz 的智能体产品架构 ......................

自然语言处理技术的边界，也正在改变知识获取和创 新的模式，将对应急管理体系发展、能力要求以及实 践操作产生深远的影响。在技术进步的强大动力牵 引下，需要重新审视并优化应急管理信息化建设路 收稿日期 2023-10-19 录用日期 2024-01-12 国 家 社 会 科 学 基 金（20BZZ037）, 广 东 省 哲 学 社 会 科 学 规 划 项 目 （GD24XGL075）资助 *通信作者简介 黄欢（1976— 龚晶等：基于大语言模型技术的智慧应急应用：知识管理与应急大脑 219 www.jc2.org.cn 11卷 指 挥 与 控 制 学 报 机 决 策（improvisational decision-making） [19]，需 要 随 事件不断发生、发展的态势，针对具体问题情境作 出决策时，系统通常以数据统计分析、智能计算模 型算法等形式提供辅助决策功能，对于决策者来说， 这些远不足以应对其可能面临的复杂多变灾难环境 于应急预案、行动指南、历史案例、法律规范等显性 知识，缺乏诸如专家知识这一类在长期专业工作中 积累的经验、技能、组织记忆等隐性知识。显性知 识通常适用于常规决策中结构化问题的解决，隐性 知识则是临机决策能力提升的关键 [19，21]。然而，知识 管理模式不适用无法言明的、复杂的隐性应急知识， 这类重要的应急知识游离在系统之外，这也是制约 辅助决策功能的客观局限。 2.3 环境适应性挑战 应急管理实践需要应对自然环境、政治经济环

大型视觉模型, 基础模型, 具身智能, 机器人 引用格式 王文晟, 谭宁, 黄凯, 张雨浓, 郑伟诗, 孙富春. 基于大模型的具身智能系统综述. 自动化学报, 2025, 51(1): 1−19 DOI 10.16383/j.aas.c240542 CSTR 32138.14.j.aas.c240542 Embodied Intelligence Systems Based Embodied intelli- gence systems based on large models: A survey. Acta Automatica Sinica, 2025, 51(1): 1−19 具身智能的概念最早可以上溯至 1950 年图灵 在其著名论文“Computing machinery and intelli- gence”[1] 中对未来机器发展方向的设想: 一个方向 是让机器学会抽象技能 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). 由于涉及到物理环境,

........................................................... 19 3.2.2.1 AI 计算使能服务支撑基于昇腾算力的科研创新应用 ...................................... 19 3.2.2.2 大模型全面助力科学教育 ...................................... ②湿模式：随着室外温湿度逐渐升高，在干球温度＞16℃，且湿球温度≤19℃区间，优 先开启水泵，进行雾化喷淋空空换热，利用水在蒸发过程中吸收空气的热量来进行制冷，从 而达到节能的目的。其中，喷淋效率高达 90%，且水泵功耗远小于压缩机功耗。 图 6 湿模式运行示意图 ③混合模式：随着室外温度进一步升高，湿球温度＞19℃，进一步开启直流变频压缩机、 电子膨胀阀等关键节能器件，根据负

........ 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 Top10......................................................31 图 20 省级行政区环境分指数 Top10 极承接北京外溢算力需求，算力中心上架率较高，且加速推广绿色 节能技术应用，PUE 和 CUE 表现良好，算力业务收入位于全国前列， 算力质效全国领先。浙江算力需求旺盛且多样化，上架率高，注重 综合算力指数 19 算力设施高效运营与技术创新，算力业务收入较高，算力质效表现 位于全国第一梯队。青海依托气候和能源，建设零碳绿色算力中心， PUE 和 CUE 表现优异，算力质效表现优秀，为西北地区提供了强大 湖北省，具体情况详见图 19。北京生态能力全国领先，作为全国科 技创新中心，拥有众多科研机构、高校和科技企业，为模型生态的 发展提供了丰富的资源和良好的环境。广东生态能力优势明显，得 益于其发达的经济、完善的产业配套以及良好的创新创业环境，吸 引众多企业参与模型的应用和生态建设，形成了较为完善的模型生 态环境。 综合算力指数 31 来源：中国信息通信研究院 图 19 省级行政区模力分指数-模型生态

19 价值创造场景之三： AI 赋能实现个性化智能营 销 n 大多数商业银行的决策模式主要依赖经验以及基于规则的系统，数据价值的挖掘和释放空间较大。 OpenAI 的 Deep Research

Gemini系列 Gemma系列 xAI Grok系列 Anthropic Claude系列 Meta Llama系列 Mistral AI Mistral系列 Mixtral系列 国外大模型： -19- 国内外主流大模型工具/应用 工具名称 所属公司 备注 DeepSeek 深度求索 https://chat.deepseek.com/ 豆包 字节跳动 https://www.doubao

..............................................................................................147 19. 未来展望............................................................................................. 应加强对策略运行过程的实时监控，建立预警系统，及时发现并处 理潜在风险。 通过这些经验教训的总结和改进建议的实施，我们相信未来在 股票量化交易中引入 DeepSeek 应用方案将会更加高效和稳健。 19. 未来展望 随着股票量化交易的不断发展，DeepSeek 应用方案展现了其 在数据处理、模型优化和策略执行中的显著优势。未 来，DeepSeek 的进一步应用将在以下几个方面推动量化交易的发 月. 12. 李明. “ ” 金融数据预处理技术手册 . 上海: 数据科技出版社, 2020. 13. 王伟, 李丽. “ ” 量化交易中的回测技术 . 《金融工程学报》, 2021, 19(3): 78-85. 14. DeepSeek 案例研究. “基于 DeepSeek ” 的股票组合优化案例 . 2023 年 10 月. 15. 赵丽, 张强. “ ” 机器学习模型在量化交易中的部署与监控

周：模型评估与改进 第四阶段：系统集成与测试（第 17-20 周）。该阶段将把训练 好的模型集成到实际系统中，并进行全面测试。具体任务包括： - 第 17 周：系统集成与接口开发 - 第 18-19 周：功能测试与性能测 试 - 第 20 周：修复 bug 与系统优化 第五阶段：项目交付与维护（第 21-24 周）。在此阶段，项目 将正式交付并进入维护期。主要工作包括： - 第 21 过程中将进行多轮迭代，逐步优化模型参数。完成训练后，将 通过交叉验证、测试集验证等方式评估模型性能，确保其达到 预期指标。 o 初始模型构建与训练：第 13-18 周 o 模型优化与调参：第 19-22 周 o 模型验证与性能评估：第 23-24 周 4. 系统集成与部署阶段（第 25-28 周） 在模型验证通过后，将其集成到目标系统中，并进行整体测 试。此阶段包括模型部署、接口开发、性能监控和用户培训等 模型设计与开发阶段（第 13-20 周） o 第 13-14 周：选择合适的模型架构，设计初步的模型方 案。 o 第 15-18 周：开发模型代码，搭建训练环境，进行初步 的模型训练和调试。 o 第 19-20 周：完成模型优化，调整超参数，提升模型的 性能和泛化能力。 4. 模型训练与验证阶段（第 21-28 周） o 第 21-24 周：使用预处理后的数据集进行模型训练，记 录训练过程中的关键指标和结果。