..................................................................................45 3.1.1 政务场景特定的任务类型..........................................................47 3.1.2 微调效果的评估指标.................... 量参差不齐。项目将建立统一的数据清洗和标注流程，确保训 练数据的准确性和一致性。 2. 模型泛化能力：政务场景复杂多样，模型需具备较强的泛化能 力，能够适应不同的政务任务和场景。为此，项目将采用多种 数据增强技术和多任务学习策略，提升模型的适应性和鲁棒性。 3. 安全性保障：政务数据涉及敏感信息，模型在处理过程中需确 保数据的安全性和隐私性。项目将引入加密技术和访问控制机 制，确保数据在处理和传输过程中的安全性。 提取和决策 支持的准确性不足。 其次，政务场景中的文本处理任务多样且动态变化。常见的任 务包括但不限于：文本分类、信息抽取、问答系统、自动摘要、情 感分析等。例如，市民提交的咨询问题可能涉及多个领域，需要快 速准确地分类并分发给相应部门处理。此外，舆情监测需要实时分 析大量的社交媒体文本，识别出潜在的社会热点和风险。这些任务 对模型的泛化能力和适应性提出了高要求，传统的定制化模型难以

行业标准的建立和多技术栈的创新，该生态将为 全球服务机器人行业带来深刻的变革，推动服务 机器人迈向通用具身智能的新时代。 在这一生态系统中，机器人的学习和适应能力 将不断增强，能够更灵活地应对各种复杂的任 务和环境，实现跨场景任务的泛化性。此外， 该生态还将助力全球各行各业向智能化、高效 化迈进，创造出更大的经济价值和社会效益。 通过跨行业的合作与资源共享，该生态将帮助 细分场景实现全栈式的智能化解决方案，推动 产业的整体智能转型。 使用，为人类或设备执行有用任务的机器人”。个人使用和专业用途的任务包括搬运物品、检查、监 视、人员运输、提供信息、烹饪和食品处理以及清洁等。 图表1-1：服务机器人的定义 International Organization for Standardization (ISO) 8373:2021 Robotics Vocabulary 供个人使用或专业使用，为人类 或设备执行有用任务的机器人 来源：国际标准化组织（ISO） 于实时数据进行自我学习和适应，从而提供个 性化的交互与服务，极大地提升了用户体验。 通过先进的传感器技术与AI算法结合，服务机器 人可以实时感知周围环境，识别动态障碍物并 做出智能反应，在保障安全的同时高效地完成 各类服务任务。此外，IoT技术的应用使得服务机 器人与周围设备形成一个全面互联的生态系统， 使其在环境中协同作业，优化调度，而用 普渡机器人 公司A 公司B 公司C 公司D 公司E 公司F 其他 数据来源：Frost

别人告诉我这就是盒子 可以打开，可以装东西 我主动体验什么是盒子 被动抽象接受 主动具体体验 重要 意义 具身智能因其能自主产生智能行为和适应性，是通用人工智能的可能起点 3 具身智能的关键任务 导航 问答 操作 4 具身智能的核心目标 5 具身智能的核心要素 具身载体(Agent) 具身模型(Model) 智能 算法 物理 载体 相比具身载体的日趋成熟，具身模型的算法研究方兴未艾、挑战众多 端到端VLA 端测SDK （2025.03） 具身大脑 端到端VLA 9 具身大模型离实用还有差距 2023及之前 2025 及之后 2024 大模型 大数据 基本能力 单任务 单本体 单场景 多任务 单本体 单场景 通用智能系统 多本体 多场景 Scaling Law 在大语言模型和多模态大模型 上都得到了验证 感知和理解 决策和规划 执行和协作 评估和反馈 端到端 传统多模态大模型能够作为“大脑”？ n 传统VLMs在具身智能场景（长程闭环操作、时空智能等）中面临严峻挑战 以‘把锅放到抽屉里’为例，该任务涉及多步骤的长时间交互，包括移动、 抓取、放置等操作，并需要与锅、抽屉等物体进行持续交互 GPT-4o在具身任务中表现欠佳 12 回顾：具身模型应该考虑哪些能力？ n 技能泛化、真实交互、本体扩展 Skill （技能泛化） Reality （真实交互）

是 AI Agent 的“大脑”， 近半年在推理侧实现大幅进步 AI Agent 大规模语言模型（ LLMs ） GPU 算力供 给 3 02 以“自主规划与工具使用”响应“复杂任务”要求： Agent 的核心能力——自主规划、记忆、使用工具 （网页、软件、 API ）使其天生就擅长处理需要与 外部环境交互的复杂、多步骤流程，完美解决了传 级别的核心是“采取行动，完 成任务”。这种“执行导向”与企业追求实际效果、 部 署落地的目标高度一致。 2025 年， To B 市场对 AI 投资的商业价值诉求发生转变。企业不再满足于概念验证或小范围试点，希望 AI 方案能稳定落地生产环境，集成后带 来实 际业务成果，同时将 AI 从“助手”升级为“员工”或“自动化引擎”，处理如自动生成报告、解决复杂客服问题等复杂任务，以实现显著生产力 飞 跃。 AI Agent 契合这一需求，其天生适合处理复杂任务，强调执行与行动，具备自动化复杂流程的潜力，有望带来指数级效率提升和生产力解 放，满足市场对显著价值回报的需求。 过去的状态： 停留在概念验证（ PoC ）或小范围试点， AI 更像一个需要被验证的“玩具”或“辅助工具”； 现在的要求： 必须是能够无缝集成到现有系统、在真实生产环境中稳定可靠运行的解决方案，并能产出可被量化的业务成果；

1.1 开源模型评估.............................................................................53 5.1.2 预训练任务设计.........................................................................56 5.2 微调策略............ 5.2.1 领域特定微调.............................................................................59 5.2.2 多任务学习.................................................................................60 5.3 模型优化.... 著进展，尤其是 在自然语言处理、计算机视觉和生成式建模等方向。基于深度学习 的 Transformer 架构成为大模型的核心技术基础，其强大的并行 计算能力和上下文理解能力，使得模型在处理复杂任务时表现出 色。随着计算资源的不断优化和训练数据的规模化扩展，大模型的 参数量从最初的几亿迅速增长到数百亿甚至上万亿，例如 OpenAI 的 GPT 系列和谷歌的 PaLM 模型。然而，参数量并非唯一的关键

毒化学品的分类、管制、审批方面已经有一整套流程，但是在后续的使用过程 缺乏监管手段，无法掌握其出库、运输、销售等工作也缺少对企业消耗目的和 售出对象进行监管。 案件分析:由于一线办案民警工作任务繁杂，吸毒人员覆盖范围又比较广， 经常会出现同一个吸毒案件的涉案人员由几波单位同时在跟进的情况，办案单 位之前缺少信息互通的机制，也缺少办案调度和分配的机制，存在浪费警力又 只抓到少量吸毒人员无法跟踪深入挖掘每个案件源头的情况。 行报警推送的形式：警务通（需要打通警务通消息推送接口）、手机短信、内 网平台信息推送。 2.1.1.6 案件追踪分析 本模块主要是针对已立案的案件中涉案人员进行关联，并对相关的负责单 位进行查看合任务分配，达到合理的分配警力的效果。 2.1.1.7 企业管理 系统可以对 XX 市内的相关企业进行管理，新增企业和管理企业基本数据库， 并结合互联网微信端，对企业的库存、销存信息进行流程管理，为企业年审和 协议防止被抓包，另外对接口进行加密不使用明文传输，保证接口使用上 的安全性。 2.1.2.3 互联网边界模块 与现有的边界系统进行打通，系统在接收数据后自动生成任务把变动数据 生成脚本并进行打包，上传到边界摆渡文件夹，并在公安内网向互联网摆渡文 件时，自动完成收取并执行对应任务。 2.1.3 学习 app（被监管人员使用） 2.1.3.1 信息上报 在吸毒人员使用 app 时，系统会在后台收集使用 app 手机的相关记录，包

DeepSeek 模型是一种基于深度学习的自然语言处理（NLP） 技术，旨在通过大规模数据训练和优化，实现对复杂文本的高效理 解和生成。该模型结合了最新的深度学习算法和大规模数据集，能 够在多领域、多任务场景下表现出色。DeepSeek 模型的核心架构 基于 Transformer，通过多头自注意力机制和位置编码技术，能够 捕捉文本中的长期依赖关系，从而提升模型的语义理解和生成能力。 在电子政务领域的应用中，DeepSeek 好的性能。此外，模型支持在线学习和增量更新，能够根据新数据 的加入不断优化自身表现，确保在实际应用中的持续高效运行。 为了更好地展示 DeepSeek 模型的技术特点，以下列举其关键 特性：  多任务学习能力：支持分类、生成、问答等多种任务，适用于 复杂的政务场景。  高效训练与推理：通过分布式训练和优化算法，缩短训练时间， 提升推理速度。  增量更新与在线学习：支持根据新数据进行模型更新，适应不 断变化的政务需求。 通过大规模的无监督学习，掌握了丰富的语言知识和模式。常见的 预训练任务包括掩码语言模型（Masked Language Model, MLM）和下一句预测（Next Sentence Prediction, NSP）。这些 任务使模型能够在不同语境下理解词语的含义和句子之间的关系。 在微调阶段，模型针对特定的电子政务领域进行有监督训练，以提 高在知识库构建和检索任务上的表现。 此外，DeepSeek 模型还引入了知识蒸馏（Knowledge

模型的智能化水平与使用成本的演进趋势 • 数据作为 信息媒介 • 信息获取效率 提升 信 息（感 知）系 统 • 将数据转化成 知识表达 • 大模型带来 推理能力 提升 ？ • 数据与 真实环境交互 • 具备 任务拆解与实现 能力 模 型（知 识）系 统 行动（ 实现） 系统 新拐点 和 新范式 正在形成，通用人工智能的发展 将带来人类社会发展的巨大飞跃 Gartner：A New Market Is Emerging 高级形态：AI作为主要工具，Agent对人 的依赖性在降低，且越来越像真人。人 的大部分用于繁琐日常工作的技能被AI取 代，而人机协同又让个体以前90%的弱技 能被瞬间强化 p Agent具备角色识别，规划及任务拆 解、记忆及知识沉淀、工具/技能使 用、执行动作等能力 p 采用更加高效的CUI交互模式 从技术架构演进角度 p 对话式编程时代，我们相信新的更优雅 的基于大语言模型的软件架构必将诞生 p p SPQA架构是一种全新的软件架构，区别 于以前静态、有限输入、电路式的软件 架构 n State+Policy：用于感知环境状态、组织 策略 n Questions+Action：拆解问题任务、组织 行动 用户 Autonomous Agent State+Policy Questions Action 感知 交互 实现 LLM Toos/S kills DocQA Text2SQL

的预期并不一致，而中国面临的首要问题是如何克服芯片能效提升的瓶颈。 第一章： 来源：Hugging Face，未尽研究，环球零碳 说明：对数轴。每进行 1000 次查寻，完成每种推理任务平均消耗的电能。 不同推理任务的用电量 10 1 0.1 0.01 0.001 2.907 图像生成 图像描述 生成 摘要生成 文本生成 对象检测 图像分类 标记分类 掩码语言 建模 提取式 2030 技术保守情景 技术乐观情景 用电量：亿度 AI 改变能源 智算如何引领新型电力系统 扫码了解更多 9 2030 年中国智算年用电最高 1.3 万亿度 智算中心要完成训练与推理任务，所需关键 IT 设备不仅包括 AI 芯片，还包括 驱动这些 AI 芯片正常运行的其他必要组件，即服务器上的 CPU、网卡、供电单 元等，以及服务器间的存储服务器、网络交换机、CPU 节点、光纤收发器和许多 创新。 尽管视频生成等多模态任务（算力需求高于文本任务等）在推理中的占比提升， 进一步推高对智算的需求，但推理占比在智算需求中的整体提升，将充分释放 当前主流 AI 芯片低数据精度能效提升更快的特点，新的推理友好的 ASIC（专用 AI）芯片也将因此获得规模部署，结合较小模型加速落地以及算法与架构不断 优化改进的趋势，未来智算中心将以更少的电力完成更多的任务。 此外，随着时间推移，早先建设的数据中心折旧（一般约

片能效提升的瓶颈。 第一章： AI 改变能源 智算如何引领新型电力系统 来源：Hugging Face，未尽研究，环球零碳 说明：对数轴。每进行 1000 次查寻，完成每种推理任务平均消耗的电能。 不同推理任务的用电量 10 1 0.1 0.01 0.001 2.907 图像生成 图像描述 生成 摘要生成 文本生成 对象检测 图像分类 标记分类 掩码语言 建模 提取式 问答 文本分类 2028 2029 2030 技术保守情景 技术乐观情景 用电量：亿度 AI 改变能源 智算如何引领新型电力系统 9 2030 年中国智算年用电最高 1.3 万亿度 智算中心要完成训练与推理任务，所需关键 IT 设备不仅包括 AI 芯片，还包括 驱动这些 AI 芯片正常运行的其他必要组件，即服务器上的 CPU、网卡、供电 单元等，以及服务器间的存储服务器、网络交换机、CPU 节点、光纤收发器和 新。 尽管视频生成等多模态任务（算力需求高于文本任务等）在推理中的占比提升， 进一步推高对智算的需求，但推理占比在智算需求中的整体提升，将充分释放 当前主流 AI 芯片低数据精度能效提升更快的特点，新的推理友好的 ASIC（专 用 AI）芯片也将因此获得规模部署，结合较小模型加速落地以及算法与架构不 断优化改进的趋势，未来智算中心将以更少的电力完成更多的任务。 此外，随着时间推移，早先建设的数据中心折旧（一般约