东莞市太粮米业有限公司 东莞华贝电子科技有限公司 广东都市丽人实业有限公司 东莞市瑞勤电子有限公司 三友联众集团股份有限公司 赋能中心 其他案例 附录 01 58 61 维沃移动通信有限公司 东莞模德宝智能科技有限公司 衣针衣线（东莞）制衣有限公司 / 2024年东莞市智能工厂（车间）名单 63 65 69 72 东莞广之源电子科技有限公司 东莞海雅特汽车科技有限公司 29 33 业链供应链协同平台，以订单牵引，辐射 带动中小企业数字化转型。如 OPPO 打 造供应链协同平台，实现供应链管理和业 务协同。华为智慧车间通过“5G+ 人工智 能”实现 3000 多种机型“小批量、多批次” 柔 性 生 产，产 品 良 率 从 98% 提 升 至 99.55%，拉动上下游企业协同数字化改 造。慕思集团联合索菲亚、华辉家具等龙 头企业打造“全屋智能产业链联盟”，通过工业互联网 49%。 面向中小企业推动“轻量化改造”。 针对中小企业特点，推出“诊断免费 + 改造补贴 + 人才培训”组合拳，推出“轻 量级 SaaS+ 低成本解决方案”，实施重 点场景深度改造。模德宝的模云智能制 造云平台提供研发管理、智能工艺、智 能编程、APS 排产、设备监控等轻量化 SaaS 工具（年费仅传统系统 1/10），中 小模具厂接入后生产周期缩短 25%。对 转型效果突出

Data+Al：企业智能化转型的核心驱动力 .......................................... 1 2. 媒体声音 | 重磅升级，阿里云发布首个"Data+Al"驱动的一站式多模数据平 台 ............................................................................................ 全面融合，迈入数据智能新纪元 .......................... 64 2. 云栖大会 | 从数据到决策：AI 时代数据库如何实现高效数据管理？ ...... 76 3. 云栖大会 | 多模+一体化，构建更高效的 AI 应用 ........................................ 89 4. 云栖重磅 | 从数据到智能：Data+Al 驱动的云原生数据库 第四部分：Data+AI 方案实践 ........................................................... 111 1. 内附源码 | 头部基模企业信赖之选一一 DMS+Lindorm 智能搜索方案 .. 111 2. PolarDB-PG Al 最佳实践 1：基础能力实践 ................................

Code �� Other �� 产业研究 战略规划 技术咨询 9 ���� 问答 理解类 推理类 数学类 创作 表达类 代码类 ���� 问答理解类 常识、专业知识、多语言、多模态、角 色扮演+多轮对话、安全陷阱 推理类 情感推理、演绎推理、逻辑推理、归纳 推理、类比推理 创作表达类 文字创作&创意、内容改写/续写、修改 /润色、文字处理、编辑/语义匹配、摘 要提取、关键、字提炼、标题生成、文 单边解码等）转向统⼀的、效率最优化的开源底层框架，提升模型的通⽤性和可维护性。 参数规模扩展 为确保模型质量和性能，未来的大模型将采⽤更深层的⽹络结构和更庞⼤的数据集进⾏预 训练，尤其在数据量和参数量上将迎来显著跃升。 多模态融合 大模型将逐渐融入图⽚、⾳频、视频等多种模态信息，实现跨模态的交互与理解，从⽽拓 宽其应⽤场景和实⽤价值。 大模型小模型化 在产业应⽤层⾯，结合底层基础大模型和针对特定⾏业的精简数据微调，将训练出更为实 产业研究 战略规划 技术咨询 13 来源：面壁智能公众号 ������� GPT-4V ����� �������������� ���� 在 2 0 2 4 年 5 月 发 布 的 多 模 态 大 模 型 MiniCPM-Llama3-V 2.5 仅凭 8B 参数， 实现了“以最小参数，撬动最强性能” 的最佳平衡点。 面壁智能迭代的最新版本MiniCPM-S 1.2B采用了高度稀疏

Transformer 架构支持并行计 算， 训练速度更快。 • 缺点：资源消耗大 上下文学习、指令微调、 扩展规律 (GPT3 、 GPT4…) 自然语言处理模型的演进 预训练语言模 型（ PLM ） “ 预训练 - 微调” 学习范式 （ BERT、 GPT） 大语言模型 （ LLM ） 注意力 Attention 自注意力机制：使序列中的每个单词都能 “关注 两阶段强化学习 BERT Only Encoder GPT Only Decoder RoBERTa Only Encoder GPT Only Decoder Gemma-3 多模态推理融合 思维链推理 DeepSeek-R1 强化学习奠基人获得 2024 图灵奖 （ Discount 面向全场景的强化学习 （规则奖励 + 奖励模型） 纯强化学习训练 多阶段增强训练 R1-Zero 生成的 长思维链数据 综合性能 更强 R1 蒸馏 版 1.5B~32B 对 V3 模 型 监督 微调 混合数据 监督微调 60 万条 推理数据 模型蒸馏是一种将大型复杂模型（教师模型）的知识迁移到小型高效模型（学生模型）的模型压缩技术 ，其 核心目标是在保持模型性能的同时

的热度迅速从科技领域传到了各行各业，人们惊叹于生成式 AI 的无所不知， 也惊叹于它的对答如流。 在这样的关注之下，生成式 AI 背后的基础大模型成为了技术的焦点。基础大模型技术可以被细分为大语 言模型、大视觉模型、音频大模型、多模态大模型等，有了不同的大模型作为基础，生成式 AI 得以适应文字、 图片、音频等各类任务。在众多的大模型技术中，大语言模型有着更为广泛的应用场景，也受着资本投入的青睐。 它可以帮助 C 端用户完 的运用场景 ★ AI 大模型的出现可为 HR 领域带来新的解决方案。70% 以上的 HR 当前最为关注大语言模型的发展与 运用 █ Part2 认识大语言模型：从原理到应用 大 语 言 模 型 是什么？ 大语言模型是大数据、大规模算力、智能算法的结合产物，它可以进行自监督学习，理解 和生成人类语言 性能突破在哪里？ 更强大的语言理解能力、更高的内容生成质量、更广泛的应用领域 相同。就目前而言， AI 技术在 HR 领域的价值多集中在提升效率和增强员工体验两部分，在智慧决策层面的使用凤毛麟角。 AI 在 HR 领域的发展初期，用户更关注 AI 技术对效率的提升；在此基础之上，企业才会更深入的考 虑用户体验，以及智慧决策。 10 智能技术赋能人力资源管理 █ AI 技术的概念 人工智能领域中涵盖了非常多的技术，且细分的技术在不停地迭代。但人工智能的核心

自动化数据采集与清洗：通过接口与银行内部系统对接，实时 采集交易、账户和客户数据，并进行智能清洗，确保数据的完 整性和准确性。  智能核算与对账：利用机器学习模型自动核对账目，识别差异 并进行原因分析，支持多币种、多机构的复杂核算需求。  合规监控与风险预警：实时监控交易行为，识别潜在的合规风 险和异常交易，生成预警报告供管理层决策。  报告生成与审计支持：自动生成符合监管要求的核算报告，并 支持审计人员快速查询和分析历史数据。 其在竞争激烈的市场中保持领先地位。 1.2 金融银行核算流程现状 当前，金融银行核算流程面临着日益复杂的业务需求和技术挑 战。传统的核算方式主要依赖手工操作和分散的信息系统，导致效 率低下、错误率高、响应速度慢。特别是在多币种、跨部门、跨地 区的交易中，核算流程的复杂度显著增加，手工处理难以满足实时 性和准确性的要求。此外，随着金融监管政策的不断收紧，银行需 要更加透明、可追溯的核算机制，以确保合规性和风险控制。 的机器 学习算法，对历史核算数据进行深度挖掘，识别潜在的财务风险和 运营问题，为管理层提供实时、精准的决策支持。通过引入预测模 型，银行能够提前识别可能出现的资金流动性问题，从而采取相应 的应对措施。 第三，提高数据安全性和合规性。通过 DeepSeek 的安全模 块，确保核算数据在传输和存储过程中的安全性，防止数据泄露和 篡改。同时，系统将自动生成合规性报告，确保核算流程符合相关 法律法规的要求，降低合规风险。

开源、低成本、强推 理 助推银行业应用 1 n DeepSeek 模型在 Post-Train 阶段大规模应用了强化学习方法。 R1 使用了冷启动 + 大规模强化学习方法， R1-Zero 版 本模 型使用纯强化学习方法。随训练过程推进，模型展现出了推理能力的扩展（高准确率和 long-CoT 能力涌现等） 。 性能：后训练阶段大规模应用强化学习，表现推理能力扩展 资料来源： DeepSeek-R1: 且蒸馏与强化学习的结合可以进一步提升模型性 能。 n 2025 年 2 月，科学家李飞飞团队带领以不到 50 美元的费用训练了一个能力比肩 DeepSeek-R1 的 s1 模型，也展现了蒸馏 模 型的更多应用潜力。 性能：蒸馏小型模型展现 Test-time Scaling ，可支持多项基础业务场 景 资料来源： s1: Simple test-time scaling ，中泰证券研究所 规模。通过这些改进， Janus-Pro 在多模态理解和文本到 图像的指令跟踪功能方面都取得了重大进步，同时还增强了文本到图像生成的稳定性。 n 作为在 GenEval 等评测中超越 DALL-E 3 和 Stable Diffusion 3-Medium 的开源模型， Janus-Pro 也展现出了更多应用潜力。 图表： Janus-Pro 多模态理解和视觉生成表现 资料来源： Janus-Pro:

化率和客户满意度。 为了实现上述目标，项目将采用以下关键技术和方法： 1. 分布式计算架构：利用云计算和边缘计算资源，构建高性能的 分布式计算环境，确保 AI 大模型的训练和推理效率。 2. 多模态数据处理技术：整合企业的结构化数据（如 ERP、CRM 系统）和非结构化数据（如文本、图像、视 频），形成统一的数据平台，为 AI 模型提供丰富的数据源。 3. 模型管理平台：开发一套完整的模型生命周期管理工具，涵盖 GPU 服务器、存 储系统和网络设备，确保模型训练和推理的高效运行。同时， 配置必要的软件环境，如深度学习框架、分布式训练工具和容 器化平台。 2. 数据管理与预处理：建立统一的数据管理平台，支持多源数据 的采集、清洗、标注和存储。实施数据安全策略，确保数据的 隐私性和合规性。数据预处理流程将包括数据增强、特征提取 和格式转换等步骤，以提高模型训练的质量。 3. 模型开发与训练：基于经典算法和最新研究成果，开发适用于 重要作用。 1.4 项目预期成果 本项目的预期成果将涵盖多个方面，旨在为企业提供一个全 面、高效且可持续的数字化转型 AI 大模型底座。首先，我们将构 建一个高性能的基础大模型，该模型将具备多模态处理能力，能够 支持文本、图像、音频和视频等多种数据类型，并且在多个特定领 域任务上表现出色。该模型的训练将基于大规模、高质量的数据 集，确保其在各类业务场景中的泛化能力和准确性。项目完成后，

根据 2023 年的行业调查数据显示，约 72%的企业已开始利用 机器学习针对大数据进行分类和分析，以提升信息处理的效率。这 一趋势表明，AI 技术在企业级应用中的需求正在逐步上升，越来越 多的公司希望通过 AI 大模型来解决业务中的实际问题。 使用 AI 大模型流水分类系统的关键优势体现在以下几个方 面： 1. 高效率：相比传统人工分类，AI 系统能够快速处理海量数 据，显著提升分类速度。 本文章将详细介绍 AI 大模型流水分类系统的设计方案，旨在 通过高效的分类处理提升流水数据的管理和应用能力。结构上，本 文主要分为以下几个部分。 首先，第二章将围绕系统的总体架构展开，具体分析 AI 大模 型流水分类系统的核心组成部分，包括数据采集模块、数据预处理 模块、模型训练模块以及分类结果展示模块。通过对系统各个模块 的功能及其流程进行详细描述，使读者能够清晰理解系统的内部运 作机理。 要，它直接影响到系统的性能、可扩展性和维护性。整体架构可分 为数据层、服务层和表示层三大部分，每一层都承担着特定的功 能，确保分类系统的高效运作。 首先，数据层负责数据的采集、存储和预处理。多源数据将通 过数据采集模块获取，包括传感器信息、用户输入和历史记录等。 这些数据经过清洗和预处理后，将存储在高性能的数据库中，如 NoSQL 数据库以支持并行读取和写入。预处理包括数据格式转

的人力成本的浪费。 • 将数据当成一种必须产 生价值的资产加以构建 和管理 • • • • 实现了统一标准和快速 响应 一份数据满足多种服务 需求 满足多场景下对响应速 度的需求 企业数据统一共享服务， 数据成为了资产而非成 本 • 业务数据化 • 数据资产化 • 资产业务化 降低成本 促进组织优化 促进数据价值化 存”：数据一旦形成一个价值点，通过数据应用实现数据的流动交 互， 从而使更多的数据被存储上来，并形成“活”的数据，源源不断 供应到 平台中； l “ 算”：通过吸引更多的数据实现数据资产体系的逐步完善，寻找更 多的 业务应用场景， 进行数据的深度挖掘计算，建立数据应用闭环， 数 据越用越有价值； 注：数据中台的规划一定要着眼于未来，从大处着手；落地时要从小场景进行切入，找到最能体现数据价值的地方，逐渐完善能力；随着存储、 数据工具 / 服务管 理 数据服务引擎管理 用户角色管理 数据标准管理 数据资产管理 数据安全管理 开发角色管理 数据开发 数据同步 运维监控 数据开发平台：数据汇聚 支持 20 多种多源、异构数据的汇集、可以支持离线、实时的数据接入，支持以插件化、热插拔的方式对数据源 进 行扩充 数据源 Oracle Reader Oracle 备 库 MsSQL Reader MsSQL