息，如温度、湿度等； 14 无缝连 接 泛在网络是智慧教 育开展的基础，基 于泛在网络的无缝 连接是智慧教育的 基本特征。 15 无缝连接 为特定学习情景建立 学习社群，为学习者 有效联接和利用学习 社群进行沟通和交流 提供支持 无缝切换 无缝切换 联接社群 系统集成 虚实融合 多终端访问 系统集成 遵循技术标准，跨级、跨 域教育服务平台之间实现 数据共享、系统集成 学校教育、家庭教育和社会教育的 连通； 手机、平板、 PC 、学习机、电视 等各种终端设备的连通。 三 方 连 通 智慧教育：促进智慧学习 31 智慧教 学 的 智慧教学是教师在智慧教学环境下，利用各种先进 信息化技术和丰富的教学资源开展的教学活动。 特征 高效 开放 多元 互通 深度交互 32 常规 ( 课堂 ) 智慧教学过程 智慧学习 智慧学习是在智慧环境中开展的完全以学习者为中心的学习活动。 智慧课堂：智慧工作，实现可达性学习  与学生一起工作：将团队、学习者和教师连接在一起。  将个体需求融合到团队需求中：有利于培养创新能力。  实现参与性和交互性用户体验：通过 Web 2.0 实现  在学习中充分利用开放资源工具 :  桌面应用和环境  课件平台与工具  内容和课程材料 智慧课堂： Lotus ， Sakai CLE ， Moodle 50 50 通过提供新的绿色服 务和产品档案，

➢ 需要足够强的基座模型：基座模型 (DeepSeek-V3 Base) 超过了某个质量和能力阈值 （671B 在14.8T 高质量Token上训练）（基座模型知识帮助突破推理上界，也有一些 工作利用小模型复现 Aha Moment 得益于大规模RL和高质量推理数据）； ➢ 大规模强化学习加持：GRPO 对于强化学习训练的优化； ➢ 规则化奖励：绕过奖励攻陷问题，但是得益于推理问题可以进行自动化标记和验证 DeepSeek-R1 Zero的关键启示：举例 - 自动化标记和验证 ➢ 示例输入: 编写 python 代码，该代码采用数字列表，按排序顺序返回，在开始时添加 42。 ➢ 自动化验证方法： ➢ 利用软件检查代码补全判断是否为完整代码； ➢ 执行Python代码检查运行情况判断是否为可运行代码； ➢ 调用外部模块构建额外的检测单元； ➢ 甚至可以更进一步，测量执行时间，使训练过程首选性能更高的解决方案； Research Questions: ➢ 能否在Zero基础上兼顾推理性能的同时，提升模型的帮助性和安全性？例如产生 Clear & Coherent CoT 并且展现出通用能力的模型 R1； ➢ 能否利用一些高质量反思数据集做 Cold Start 从而加速RL的收敛或帮助提升推理表现 16 DeepSeek-R1 技术 Pipeline 总览 DeepSeek-v3-Base (671B)

市场规模与增长潜力 03 01 工业人工智能 (AI) 行业观察 AI 技术在工业领域的应用，已经贯穿于产品设计、生产、管理、服务等众多环节，它主要通过各种方式收集海量数据，然后 利用机器学习和统计模型对数据进行分析，并依据数据分析结果辅助决策，帮助企业优化资源配置，提质增效，节省成本。 具体来看，AI 技术在工业领域的应用主要在以下几大方面： 研发与规划 • 需求分析与预测：基于历史数据和机器学习算法，构 完成。 • 自动化代码编写与优化：AI 编程助手利用深度学习 算法和大量代码数据训练模型，通过分析代码的结构 和模式，并根据开发者的需求，自动生成函数、类、 模块等代码，甚至优化现有代码，从而帮助开发者加 速代码生成，减少错误。 • 优化产品结构与应用模拟：通过形态识别技术，将 产品外形及特征转化为数据，辅助设计师不断优化 迭代。利用收集到数据构建数字孪生产品模型，模 拟产品的各种实际应用场景，如正常操作、极限性 号、序列号等；AI 的自然语言处理功能，可以自动 提取设备手册或标签上的文字信息，获取设备规格、 性能指标等关键参数。这些都能显著提升设备入库管 理的效率和准确性。 在设备运维管理方面，利用机器学习算法，对部署在 设备上的温度、压力、振动等各种传感器给出的监测 数据进行处理分析，实时监控设备运行状态，并可通 过模式识别算法检测数据中的异常，预测可能出现的 故障或发现故障甚至给出修复建议，便于运维人员及

大模型的设计和训练旨在提供更强大、 更准确的模型性能 ， 以应对更复杂、 更庞大的数据集或任务。 大模型通常能够学习 到 更细微的模式和规律 ，具有更强的泛化能力和表达能力 学习能力强 大模型可以从大量的数据中学习， 并利用学到的知识和模式来提供 更精准的答案和预测 。这使得它 们在解决复杂问题和应对新的 场 景时表现更加出色 上下文理解能力 大模型具有更强的上下文理解能 力 ，能够理解更复杂的语意和语 系列 （ Google ） 、文心 UFO 、华为盘古 CV 、 INTERN （商汤）等 3.4 大模型的分 类 通用大模型 L0 是指可以在多个领域和任务上通用 的大模型 。 它们利用大算力、使 用 海量的开放数据与具有巨量参 数的 深度学习算法，在大规模无 标注数 据上进行训练， 以寻找特 征并发现 规律 ，进而形成可“举一 反三” 的强 大泛化能力 ，可在不 进行微调或少 ，大模型能够更好地理解和生成自然文本 ， 同时还能够表现出一定的逻辑思维和推理能力 3.5 大模型的基本原 理 具有大量参数的 神经网络模型 大量的数据和计算资源 基于深度学习 不断地调整 模型参数 大模型 训练 利用 3.5 大模型的基本原 理 3.6.1 国外的大模型产品 3.6.2 国内的大模型产品 3.6.3 主流大模型“幻觉”评 测 3.6 大模型产 品 厦门大学大数据教学团队作品 n ChatGPT

界面（ ChatbotUI ）或命令行（ JupyterLab ）直接调用 DeepSeek - R1 模型。 • 云应用：登录腾讯云找到云应用服务 ，直接购买成品 DeepSeek 应用 ，或利用云应用定制化软件功能 ， 快速 部署 AI 应用或定制传统软件。 • 搜索方案：大模型知识引擎：注册并登录腾讯云 ，在控制台搜索“大模型知识引擎” 体验”开通服务。新 建 应用并配置基础信息

空闲 超大集群线性度 90%+ L2 层 下发路 径 L1 层 分布式并行 + 算网协同，集群并行最优 模型算力利用率（ MFU ） 模型通信与计算优化，单机执行最优 计算 通信 计算 1 计算 2 计算 3 计算 4 通信 1 通信 2 通信 3