数学、科学和代码等领域领先业界， 成为业界公认的 LLM 的领先模型 来源： DeepSeek 模型测试数据 & 互联网 硬件级优化 绕过 GUDA 进行 PTX 编程 计算与通信优化，性能提升 30% GRPO ：群体进化的智慧筛选器 自我验证机制： AI 的 " 错题本系 统 " 混合专家模型的 " 智能路由器“ 多头潜在注意力 MLA ：空间压缩术 训练框架加速： 16 到 通用编程 KS 自定义算子开发 毕昇编译器 | Runtime 运行时 开放硬件资源接口，满足开发者对模型开发、系统优化、三方生态对接等各场景需求 算子加速库 开放 1600+ 基础算子接口、 30+ 融合算子接口，简化开发复杂度，提升开发效率 Ascend C 编程语言 开放 130+ 底层 API 、 60+ 高层 API ，支持高性能自定义融合算子开发 加速库 1.41~2.72x A10 Llama2-13B 1.44~2.19x A10 电商 ChatGLM2-6B 1.86x A30 Baichuan2-13B 1.82x A30 Qwen-14B 1.81x A30 ZN 大模型 智脑 13B 1.7x A30 图像识别、 OCR 文 字识别和视频 处理 Llama2-70B 1.7x L20 智慧教育、办公问 答 星火 -65B

万美元（仅为美国同类模型的 1/20） ⚫ 推理速度提升 3 倍，生成文字速度从 20 字/秒提升至 60 字/秒 行业重塑： ⚫ 迫使国际巨头降价（如 AnthropicClaude 降价 30%） ⚫ 首款登顶全球 140 国应用榜的国产 AI 模型 国家战略： ⚫ 突破“卡脖子”技术：仅用 2000 块国产昇腾芯片完成训练 ⚫ 构建自主技术生态：带动华为昇腾、寒武纪等国产芯片产业发展 -分析商业案例时生成因果逻辑图 2.行业专用模板：拿来即用的生产力工具 3.避坑指南：新手常犯的 5 大错误 1.模糊指令 错误：“帮我写点文案”→AI 无法判断需求 修正：“为 30-40 岁女性设计护肤品广告语，突出‘抗皱+提亮’功效，带 Emoji 和话题标 签” 2.过度复杂 错误：一次性提问“如何从零开始做小红书账号？” 修正：分步拆解“冷启动→爆款公式→变现路径” ⚫ 思维退化：调查显示重度 AI 依赖者抽象推理能力下降 27% ⚫ 创新悖论：AI 辅助的专利申请量激增，但颠覆性创新占比下降 15% ⚫ 解决方案：推行“人机分工认证”，强制保留 30%创造性工作由人类完成 ②社会震荡 ⚫ 职业重构：47%基础岗位面临替代，但“AI 训练师”等新兴职业薪酬达传统岗位 3 倍 ⚫ 数字鸿沟：掌握提示词工程的人群收入差距扩大至 5

与机器视觉检测方案相结合，为这类难检缺陷提供有效解决方案。 以手机玻璃盖板为例，手机玻璃盖板在生产过程中可能会出现划痕、蹭伤、崩边、气泡、手指纹、水迹、水印等多 种微小且不易察觉的缺陷，缺陷种类最多可达 30 多种。必须精准、高效地检出这些缺陷以保证产品质量，检测精 度一般要求达到 10μm，检测节拍根据盖板尺寸大小通常在 6 秒到 1 秒/件之间，甚至更快。 传统的人眼检测，不但无法达到微小缺陷的 (GSC) • 集成的英特尔® 图像处理单元 • Windows 通道锁定视频同步，带边框校正功能和 EDID 管理/显示锁定 • 多达 50 个同步 HEVC HDR 10b 1080p30 视频流 • 多达 4 个并发 4K60 HDR 显示器或 2 个 8K 显示器 • 基于 SR-IOV 的 GPU 虚拟化 内存和 I/O • 高达 LPDDR5-6400、LPDDR5x-7467（Type 17，OpenVINO™ 2022.3，Numenta 优化的 BERT-Large，序列长度 512，批大小为 1。 英特尔® 至强® Max 9468：由 Numenta 测试，截至 2022 年 11 月 30 日。1 个节点，2 个英特尔® 至强® Max 9468，128 GB HBM2e 3200 MT/s，Ubuntu 22.04 内核 5.15，OpenVINO™ 2022.3，Numenta

，其基本思想是测试者 在 与被测试者（一个人和一台机 器） 隔离的情况下 ，通过一些装 置（如 键盘）向被测试者随意提 问。进行 多次测试后 ，如果被测 试者机器让 平均每个测试者做出 超过 30% 的误 判 ，那么这台机器 就通过了测试 ， 并被认为具有人 类智能 1.1 图灵测试 人工智能的诞生可以追溯到 20 世纪 50 年代。 当时 ，计算机科学刚刚起步 ，人们开始尝试通过计算机程序来模拟人类的思维 冗余电源等附加成本约 15-25 万元 2. 运维成本 • 电费 ：满载功耗约 6000W ， 年电费约 5-8 万元（按工业电价 1.2 元 / 度计算） • 维护： 专业工程师团队年成本约 30-50 万元 4.4 本地部署大模型方 案 高校科研基础设施不足 ，算力短 缺且资源碎片化问题依然突出 DeepSeek 虽然大幅降低了算力消耗 ，但对于尖端的 AI ，为科研人员提供智 能 文献整理分析、跨学科交叉研究辅助 ，以及数据驱动的科研 支持。 有数据显示 ，模型效果提升 ，科研人员借助其进行文献阅 读、数 据挖掘、论文撰写的周期能缩短 30%-50% 浙江大学生命科学研究院研究人员把 DeepSeek 当作“交叉学科 顾问”。虽然它在单一领域比不上专业学者 ，但在多领域涉猎上 达到了博士生水平 7. A I

text inputs ➢ 涵盖了 planning \ evaluation \ reflection \ exploration 多种范式 RL Infrastructure System 30 ➢ 强化学习：从 In-Context RL 的角度出发，直接训练模型approximate Planning的过程（例如将Search 中, state 和 value 等信息都视为 Language SFT、RLHF、DPO等主流对齐 微调算法的训练代码 模型：开源指令跟随微调后的 Chameleon、LLaMA3.2-Vision 等模型，并公开微调数据集 评估：开源面向任意模态、 涵盖超过30种主流开源基准 的大模型评测代码 数据、框架、算法、模型全开源 开源项目：https://github.com/PKU-Alignment/align-anything 55 未来技术方向展望: