等消费电子产品，是驱动消费电子产品更新换代和市场复苏的关键 因素。 消费电子产品将是大模型部署的新阵地。围绕用户的个性化需求，包括不同的使用场景和使用习惯等，大模型的部 署需要根据用户特征对模型进行差异化增强。为了保护数据隐私，与用户隐私相关的应用模型的训练，将在端侧而 非云上进行，这也对边缘端的算力提出了更高要求。 09 01 工业人工智能 (AI) 行业观察 新材料的 快速筛选 加速设计 锂电池未来 落地应用的挑战之一。再次是数据的标注和处理，即便有了足够的数据，对这些数据进行标注和处理也在难度和工作 量方面面临极大挑战。最后是数据安全和隐私问题，数据是 AI 技术及工业大模型应用的基础，这些来自应用端的数 据，其中包含着技术、工艺机密信息或个人隐私信息。如何在数据传输、训练、处理过程中保用户数据的安全性和防 止数据滥用，也是工业 AI 乃至工业大模型成功落地应用的挑战之一。 11 01 来自动识别产品中的缺陷或异常。然而，这些基于 CNN 的方法通常需要大量的标注样本来训练模型，尤其是需要大量的正 常样本来学习正常情况下的产品特征。在实际应用中，这种对大量样本的依赖往往是不现实的，特别是在涉及用户数据隐私 保护或新生产线快速部署的场景中。 为了解决这一问题，零样本或少样本异常检测 (ZSAD or FSAD) 目标是在没有或仅有极少量目标类别样本的情况下，依然 能够有效地执行异常检测任务。这要

工厂质检员用 AR 眼镜识别 0.01mm 级零件缺陷 ③分布式群体智能 ⚫ 区块链+AI：建立去中心化训练网络，数据贡献者可获得智能代币 ⚫ 联邦学习突破：医院间共享医疗模型但不泄露患者隐私 案例实证： 10 万部手机联合训练出地震预警模型，准确率超专业设备 2.产业融合：重塑万亿级市场格局 DeepSeek 将成为“产业操作系统”，催生三大新兴经济形态：

决方案 ，为学科交叉创新发展提供有力支撑 4.2 国产 AI 大模型 DeepSeek 走入高 校 本地部署 大模型 4.3 为什么需要本地部署大模 型 离线与高效使用 成本与资源优化 数据隐私与安全性 避免使用限制 定制化与灵活性 模型微调技术特点 （ 1 ）领域针对性强： 经过微调的 模 型在特定领域的表现会有显著提 升 ， 能够更好地理解和处理该领域 的专业 问题； （ 实时知识补充 模型的回复结合了业务知识和实时知识 ， 所以实时 性可以更好 减少模型幻觉 由于提问结合了业务知识 ，所以减少了模型的幻觉， 即减少了模型的胡说八道 保护数据隐私 由于日常的业务知识是保存到本地的 ， 所以减少 信 息泄露的风险 无需重新训练 不用重新训练模型 ，微调模型降低了成 本 4.4 本地部署大模型方 案 n 本地知识库的优点 步骤 安