发 票和收据，将其转换为数字格式，直接导入会计系 统，减少了数据录入和处理的时间和错误 。使用自 然语言处理 (NLP) 和机器学习算法，能快速分析候 选人简历，识别出与职位相关的教育背景、工作经历 等关键信息，快速筛选出符合条件的候选人，提高招 聘效率。 05 01 工业人工智能 (AI) 行业观察 大模型（Large Model，也称基座模型，即 Foundation 行交互；另外通过为大模型外挂知识库，增强知识 检索能力，可以提升知识获取和共享效率。这些能 力在工业领域可普遍应用于智能客服、知识管理、 教学与培训、工业文档检索与统计等场景中，大幅 提升工作效率，减少人力劳动和成本。 还可以基于行业大模型提供知识问答/异常诊断/产 线维护/排产建议，大幅提升制造效率，降低运维 成本。 第三，识别/模拟/预测能力。 在工业质检环节，用大量数据训练视觉大模型 第二，创作与内容生成能力，如工业运控软件代码、 设计模型、应用文档的生成。 在模型具备语言理解的基础之上，工业大模型具备 了内容创作与生成的能力，这种内容生成的能力可 大幅提高内容生成效率，提升员工工作效率。其与 工业设备及系统的自然交互及推理的能力，可助力 基于 LLM 工业代码的快速生成、优化与调试，大大 促进工业应用的生成与落地。 尽管目前工业大模型的应用已经渗透到工业的多个环节，应

存储学习过程 数据 28 泛在网 络 泛在网络是通信网、互联 网、物联网的高度协同和 融合，将实现跨网络、跨 行业、跨应用、异构多技 术的融合和协同。 29 泛在网 络 创 新 学习、生活与工作的连通 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 在专业课程中增加了 Web 2.0 内 容。 智慧教育成果 基于角色的、为所有学生学习和资 新加坡职业学院自从 1954 年以来， 已培养了 14.5, 万毕业生。 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 帮助教育减少能源损 耗 , 实现合法的需求 IBM 通过提供先进深 度分析技术，为教育 提供新的研究视角， 从指导决策。 通过开放式应用和灵活性 加工， IBM 帮助教育实现 智能化 智能工作 绿色与其它 新智慧 能源结构 IBM 帮助教育创建智慧设施， 在减少成本的前提下，提供能 源和安全。 提升学生、教育和社会的 成果 为教师和学生提供个性化 学习资源 保证实现投资目标

①知识管理革命 ⚫ 个人知识库： 1.上传历年工作文档/读书笔记/会议记录 2.输入“构建知识图谱，关联 2024-2025 年市场策略”→生成可交互的 3D 知识网络 ⚫ 企业智慧大脑： 销售数据+客服录音+生产日志多源融合→自动生成经营决策建议（ ②流程自动化矩阵 ⚫ 智能工作流： 邮件接收→AI 提取关键信息→自动创建待办事项→生成执行方案→推送进度提醒 案→推送进度提醒 ⚫ 跨平台协作： Excel 表格+微信聊天记录+邮件内容→自动整合为 CRM 客户档案 3.社会影响：重新定义工作边界 DeepSeek 的普及正在引发结构性变革： ①职业重构 ⚫ 新兴岗位：AI 训练师（年薪 50 万+）、智能流程设计师、数字资产管理员 ⚫ 技能升级：提示词工程师认证考试报考人数突破百万 ②教育革命 ⚫ 智能增强：通过脑机接口技术，用户可直接用思维操控 DeepSeek 生成方案，写 作效率提升 10 倍 ⚫ 记忆外延：个人知识库与 AI 记忆网络深度融合，实现“瞬间调取 20 年工作经验”的 能力 ⚫ 决策共生：AI 构建“平行推演空间”，在重大决策前模拟 100 种可能性并标注风险 路径 ②感知升维突破 ⚫ 多模态进化：2025 年将实现“五感互联”，例如通过气味传感器分析食品安全，震

DeepSeek R1 API 接入：在 AnythingLLM 工作区右侧点击设置 ，选择聊天设置 ，更改 LLM 模型为 DeepSeek ，输入 API Key 并选择 DeepSeek R1 模型 ，点击更新工作区即可。 • 搭建本地知识库 • 在 AnythingLLM 左侧工作区找到上传按钮 ，选中要上传的文档 ，点击移动到工作区 ，再点击“ Save and Embed”

Agent 的工作仅需给定一个目标 ，它就 能够针对目标独立思考并做出行动 ，它会 根据给定任务详细拆解出每一步的计划步 骤 ，依靠来自外界的反馈和自主思考 ， 自 己给自己创建 prompt ，来实现目标 目前各类 AI Copilot 不再是机械地完成人 类指令 ，而是可以参与人类工作流 ，为诸 自动执行复杂的任务。比如在智能办公场景中 ， AI Agent 可以根据用户的日程安排 ， 自动预订会议 室、安 排会议议程 ，还能在会议结束后自动生成会议纪要 ，实现办公流程的自动化 ，让员工从繁琐的事务性工作中解脱出来 RAG 技术就像是一个智能的知识助手 ， 它通过将外部知识库与大语言模型相结合 ，极大地增强了模型的回答能力。 当用户提出问题时 ， RAG 首先会在庞大的知识库中进行检索 ，找到相关的信息 ，你给他一个复杂的任务 ， 它就会自动执行。 Operator 的主要功能包括自主完成诸如采购杂货、提交费用报表、订票、 买日用品、 填写表格等任务 ， 旨在通过自动化操作提升日常生活和工作效率 。 它还可以一边 在 Stub Hub 搜索勇士队比赛门票 ，一边处理网球场预订、寻找清洁服务和 DoorDash 订餐 ， 实现多任务并行处理 6. 基于大模型的智能 体 发现矛盾时

无工具链 其他架 构 亟需精度对比工具： GPU 的推理精度在适配昇 腾训练的模型时，需要以昇腾训练的模型精度为标杆 迁移工作量大：建立工具链完成对昇腾的精度 对比和调优。 模型迁移：工具链进一步升级，提升 GPU 到昇腾快速迁移能力 迁移分析工具 模型支持度分析和修改建议 模型支持度评估 离线模型 生态伙伴基于昇腾推出一体机方案，满足不同行业场景 需求 OEM 伙伴 APN 智能客服、内容创 作、医疗影像 AI PC 工作站，本 地办公应用 支 持 deepseek 蒸 馏模型训推 金融助手、智能 风控、文档审核 办公助手，智能 写作，智能搜索 AI 工作站，本地 办公应用 学生 / 开发者实 践 硅基流动一体机 伙伴 元景一体机 25Q1 25Q1 昇腾与

➢ 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 表现上界更高 ➢ SFT 主要负责记忆而很难进行OOD泛化，基于ORM的RL泛化能力较好 [1] ➢ SFT规范模型输出格式，使得后续的RL可以获得更高的收益 ➢ 随着强推理能力复现的兴起，社区也有很多工作比较 LongCoT 长文本思维链的蒸馏效果 ➢ Scaling up verifiable reward是long cot的核心。 ➢ 小模型（例如wen-math-7b）不容易recentivize