国务院国有资产监督管理委员会 国务院直属机构 （14 个） 海关总署、税务总局、市场监督管理总局、金融监督管理总局 中国证券监督管理委员会、国家广播电视总局、国家体育总局 国家信访局、国家统计局、国家知识产权局、国家国际发展合作署 国家医疗保障局、国务院参事室、国家机关事务管理局 国务院 直属事业单位 （6 个） 新 华 通 讯 社 、 中 国 科 学 院 、 中 国 社 会 科 学 院 、 申报门槛与准备成本；在审批办理环节，针对高频标准化事项，AI 应用可基于规则引擎 进行自动校验与审批，实现“秒批秒办”；针对复杂情形，则为审批人员提供辅助审核、 风险提示与知识检索支持，提升审批质效与一致性；在服务交互层面，智能问答系统可 理解自然语言提问，实时检索政策知识库，提供精准解答与办事引导；智能搜索则能关 联用户身份、需求场景与政策内容，实现“搜索即服务”。整体上，“AI+政务服务”不 仅优化了企业群众办 一、智能化跃迁：从“人找信息”到“信息懂人”的服务范式革命 基于人工智能大模型的语义理解、意图识别、文本生成、知识图谱构建、逻辑推理 等能力，优化智能问答、智能搜索等功能，推动惠企政策精准推送、直达快享，为政府 网站用户提供智能阅读等辅助服务。 在智能问答方面，人工智能大模型通过其强大的自然语言理解、知识图谱构建、多 模态信息处理、上下文关联、多语言支持、智能推荐系统以及安全性和隐私保护等技术， 为

定义：人工智能（Artificial Intelligence，缩写 为AI），又称机器智能，指由人制造出来的机器 所表现出来的智能。 ——维基百科 AI的核心问题：建构能够跟人类似甚至超卓的推 理、知识、计划、学习、交流、感知、移动 、 移物、使用工具和操控机械的能力等。 ——维基百科 一、新一代人工智能 浙江大学人工智能教育教学研究中心 中心 智能教育教学研究中心 大学人工智能教育教学研究中心 模型蒸馏 ➢ 教师模型训练：训练一个高性能的教师模型。 ➢ 知识迁移：利用教师模型的输出（如概率分布、中间层 特征等）作为软标签，来指导学生模型的学习。 ➢ 学生模型优化：利用软标签监督训练小模型，使其学习 到教师模型的决策逻辑和特征表示，从而提升性能。 数据蒸馏与模型蒸馏的深度结合 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 核心目标是在保持模型性能的同时，显著降低模型的计算复杂度和存储需求，使其在资源受限的环境中部 署。 DeepSeek蒸馏技术的关键创新 链式思考推理迁移 ➢ 知识传递的深化：不同于传统蒸馏仅模仿输出结果， DeepSeek要求学生模型学习教师模型的推理逻辑，使 学生模型掌握完整的推理链条。 ➢ 数据蒸馏：通过大模型来优化训练数据，包括数据 增强、伪标签生成和优化数据分布。 ➢ 模型蒸馏强化：采用基于特征的蒸馏与任务特定蒸

欧盟在教育数字化转型过程中强调公平性、公益性、参与性与高 普惠算力赋能教育行业研究报告（2025 年） 2 效化。欧盟推动教育行业数字化旨在通过培养数字人才，建立数字教 育新生态，帮助欧盟成为“世界上最具竞争力和活力的知识经济体”。 1996 年，欧盟委员会发布《信息社会的学习：欧洲教育倡议行动计 划（1996—1998 年）》（Learning in the Information Society：Action 年，欧盟出台《里斯本战略》 （The Lisbon Strategy），作为欧盟第一个十年经济发展规划，目标通过鼓励 创新、大力推动信息通信技术的应用与发展，建设世界范围内最具竞 争力和活力的知识经济体，要求各成员国加大基础设施建设，为教育 数字化转型打好硬件基础。2019 年，欧盟发布《欧洲学校的数字教 育》（Digital Education at School in Europe），评估成员国部分地区学 考勤、资产、课程教学、 幼儿成长档案等管理以及教育教学评价，促使各项教学活动的实施更 加便捷、高效、科学、规范。学前教育算力资源和应用场景日益丰富， 算力赋能学前教育从视、听、触等多种角度呈现知识，可以拓展幼儿 普惠算力赋能教育行业研究报告（2025 年） 9 课程“直接经验性”的边界，提高学习兴趣和认知效率。例如，教学 机器人以其拟人、形象的特点，拉近了与幼儿的情感距离，能够帮助

DeepSeek 大模型构建客户经理智能体成为突破 现有瓶颈的关键路径。 本项目的核心目标是通过 AI 智能体实现三个维度的价值重 构：  服务效能升级：构建具备自然语言理解、多轮对话管理和金融 知识推理能力的智能体，实现 90%标准化业务咨询的自动化 处理，将平均响应时间从传统模式的 4 小时压缩至 30 秒以内  资源优化配置：释放人力聚焦高价值客户，预计可减少 40% 基础客户经理 务。 核心痛点可归纳为以下四点： 1. 服务覆盖半径有限：单个客户经理最优服务上限为 50 名高净 值客户，但实际配置比例常超过 1:150，导致客户满意度下降 15%-20% 2. 专业知识更新滞后：新产品上线后需要平均 2 周的培训周期， 期间错失 28%的潜在销售机会 3. 合规风险管控压力：人工操作导致的合规疏漏占操作风险的 34%，主要集中在 KYC 流程和适当性管理环节 AI 大模型的优势与应用潜力 DeepSeek AI 大模型作为国内领先的生成式人工智能技术，在 金融领域展现出显著的技术优势与应用潜力。其核心能力建立在千 亿级参数训练基础上，通过融合金融行业知识图谱与银行业务数据 微调，具备精准的语义理解、多轮对话管理和复杂业务逻辑推理能 力。在银行客户经理场景中，该模型展现出三大差异化优势： 首先，在服务效率维度，DeepSeek 可实现毫秒级响应速度，

通过微调进行有效的迁移学习，大大减少模型 的训练时间和计算资源 高精度和合规性 提供更精确、可信赖的金融信息和建议，同时 符合行业规定 劣势 特定领域深度较浅 可能不具备特定领域（如金融）的深入理解和 专业知识 适应性限制 由于主要针对金融领域，因此在其他领域的适 用性可能有限 模型复杂 通用大模型的结构非常复杂，使得模型的解释 性变得困难，导致模型的计算量增加，影响模 型的效率 更新和维护复杂度 融领域的数据分散在各个金融机构，通用大模型缺少金融数据进行训练，金融专业知识不足；另外一方面，如果从底层开始训练大模型， 所需要投入的算力成本非常高，比如千亿级别的通用大模型，训练一次需要付出几千万的成本 在特定任务上，精确性与适用性欠缺，需要更多优化与定制。金融垂类大模型通常会投入大量的时间和资源来收集和整理金融领域的专业 知识。这些专业知识包括金融术语、金融工具和金融法规等。通 作。 2023 年 11 月 7 日， OpenAI 开发者大会 重磅发布 GPT-4 Turbo ，这项新 模型带来了六大升 级 ，包括更长 的上下文长度、更 强的控制、模 型的知识升级、多 模态、模型微 调定制以及更高的 速率限制。 谷歌框架领先 模型丰富 ，应用偏弱 谷歌于 2023 年 2 月宣布将在 谷歌云上部署 ChatGPT 的有 力竞品 Claude

核心动力提升 科技和数字赋能才能进一步引数字服 务与运营的人工智能方向发展 ，不仅 仅具备规模优势 ，科技赋能才是核心 竞争力 中资代替外资 扶植和发展国内经济， 切实落地 信息安全及知识产权保护 ，进一 步壮大发展国内数字服务行业走 向世界级发展水平。 数字化服务外包加速 从全球视角来看 ，随着新一代信息技 术的加速普及 ，数字服务外包产业向 源 环 ：运营流 程 物 ：场地设 备 数字化业务系统建设 一键质检 - 质检助力业 务 一键弹窗客户画像类型标签（行为偏 好、渠道偏好、风险等级） ，一键 场 景推送（含建议话术、知识点）。 一键推送 -- 蜂巢计划 智能机器化管理 ，可根据当月绩效目 标下发日序时目标 ，提醒目标缺口。 一键自管 -- 绩效 + 计划 一通解决 -- 服务式运 营 一线员工可通过看板知晓同时段外包 实 现一站式、一通解决客问题 ，用服 务粘性增加回款。 一键看板 -- 数字业绩展 示 传统知识库 数据结构化 信息以预定义的格式存储（如 FAQ 、产品手册），依赖 关键词匹配。 响应不灵活 需预设标准化流程和文案，灵活性差处理能力僵化，难 以应对复杂问题 静态知识体系 更新缓慢，依赖人工，无法自动根据外部变化同步更新 查询效率有限 仅支持简单关键词搜索，对模糊或长尾问题无法精准匹

总体原则 1. 启动AI思维 培养领导层和关键员⼯对 ⽣成式AI的认知，了解其 在提升⽣产⼒⽅⾯的潜⼒ 4. 将AI融⼊到⽇常 ⼯作流程中 在每个部⻔培养1-2名AI专 家，定期分享经验，促进 知识交流和协作。 5. 评估与优化 持续评估⽣成式AI应⽤的 成效。定期收集员⼯反 馈，优化⼯具和流程。 2. 聚焦⾼价值任务 识别各部⻔⼯作流程中最 耗时、最重复、最低效的 环节, 节，特别是与信息流 生成式AI企业智能增效五步法® 第⼀步：启动AI思维 ⽬标： 培养领导层和关键员工对生成式AI的认知，了解其在提升生产 力方面的潜力 实施步骤： 组织AI思维培训：重点介绍生成式AI的基础知识、应用场景和 优势。 创建开放的学习环境：鼓励员工积极尝试和反馈生成式AI工 具。 第⼆步：聚焦⾼价值任务 ⽬标： 识别各部门工作流程中最耗时、最重复、最低效的环节，特别 是与沟通相关的任务。 空的⽅式获得初步提效。 1. 给出更多的上下⽂：增加⻆⾊相关的 特定上下⽂（利⽤system prompt, 或者GPTs），使输出结果更加符合定 制化场景要求。 2. 增加组织专属的知识库/数据集，使得 输出结果符合组织专⻔的业务特点。 3. 利⽤Agent，⾃动化达成指定的⽬ 标，⽽不需要过多的⼈⼯参与。 4. 职业/⻆⾊：【我是⼀名投资经理，专注于制定策略以最⼤化投资组合价值并降低市场⻛险。】

落地有望推动新一轮换机潮。 AI 部署本地化具有必要性，优势包括更低的延迟、更小的带宽、提高数据安 全、保护数据隐私、高可靠性等。完整的大模型仅参数权重就占满一张 80G 的 GPU，但是通过量化、知识蒸馏、剪枝等优化，大模型可以在手机本地实 现推理。高通团队使用骁龙 8 Gen2 部署 Stable Diffusion，实现本地运营 15 秒出图，证明了大模型本地化运行的可能，也体现出目前手机芯片的局限 .....13 图21： 骁龙 8 Gen2 旗舰芯片组 15 秒出图 .................................................... 13 图22： 知识蒸馏基本框架 .................................................................. 14 图23： 单独训练子模型反哺主模型 ... 并在各个应用领域将其专业化。具体来说有三个特点：1）对于拥有的超级海量的 数据，无需进行人工标注，即进行自监督学习；2）基础模型规模非常大，参数规 模从十亿到千亿级别；3）训练出的基础模型具有跨领域知识，而后通过微调用降 低成本的方法来训练，以适应不同领域的任务。AI 2.0 的巨大跃迁之处在于，它 克服了前者单领域、多模型的限制。 图1：AI2.0 时代的特征是通过超级海量数据无需标注训练一个大模型

工业互联网产业联盟（AII） 2025 年 12 月 声 明 本报告所载的材料和信息，包括但不限于文本、图片、 数据、观点、建议，不构成法律建议，也不应替代律师意见。 本报告所有材料或内容的知识产权归工业互联网产业联盟 所有（注明是引自其他方的内容除外），并受法律保护。如 需转载，需联系本联盟并获得授权许可。未经授权许可，任 何人不得将报告的全部或部分内容以发布、转载、汇编、转 让 能弱电、物联终端、 万兆传输网络及无人机/机器人等新型设施，形成弹性可靠、智能感知的 17 物理支撑层；园区平台层聚焦数据治理与智能中枢建设，依托多源数据整 合治理能力，融合大模型、智能体与知识库等前沿技术，打造具备认知推 理与决策优化能力的数字平台；应用层则围绕管理、产业、服务三大业务 维度，通过系统协同化重构、业务流程智能化再造与公共服务创新，实现 园区治理效能、产业生态活力与服务响应能力的系统性提升。该架构模型 代码辅助、数据分析 与洞察、个性化推荐、图像/视频内容创作、科学模拟等，并具备持续学 习与自我优化的潜力。 AI/大模型能力可用于高效实现信息获取与知识沉淀、流程自动化与 效率提升、创意内容生成、复杂决策辅助、个性化体验增强、跨领域知识 融合与创新突破等多种智能化转型目标。 5.3.2 园区核心服务 遍布园区的硬件设备设施和软件系统，需要通过园区核心服务来进行 整合集成和统一管理。

保 护 体 系 智 慧 体 育 场 馆 技 术 规 范 体 系 能耗信息 照明信息 网络信息 时间同步 统一门户 舆情管理 …… 数字孪生 综合态势 实时能耗 平台 智能应急 管理 知识管理 事件日志 管理 权限管理 疫情防控 管理 场馆设备管理平台 环境及水 质监控 智能门禁 管理 消防监测 管理 智慧停车 管理 建筑设备 管理 能耗计量 设备管理 场馆运维管理应用为场馆内设施、设备、能效、环境等监控和管理提供运维保障。 6.7.3.2 场馆运维管理应用包括数字孪生、综合态势、实时能耗平台、资产管理、智能应急管理、智 慧物业管理、数字化办公、大屏可视化管理、知识管理、事件日志管理、权限管理、疫情防控管理等。 6.7.3.3 场馆综合运维管控平台各子应用应符合7.1、7.3的规定。 DB33/T 2305—2021 5 6.7.4 场馆设备管理平台 8.5 应通过分析不同情况下的业务需求，明确需要获取的信息及关联的数据构成，针对实际业务 情形设计能够根据实时信息进行联动切换等各类操作的大数据可视化展示预案。 7.3.9 知识管理 知识管理应用可通过构建场馆知识系统，对场馆日常解决方案、产品说明书、场馆图纸等信息进行 自动记录、存储、更新、搜索、调用，实现场馆运营管理人员快速制定维修服务策略。 7.3.10 事件日志管理 事件