深度学习在智能助理产品中的应用 胡一川 结束语 . 提升智能助理产品的可靠性 . 智能助理产品的特点 . 深度学习与智能助理 目 录 用户终端的变化和技术的进步，推动更自然的人机交 互方式及产品形态 通过理解文本或语音形式 的自然语言来协助用户完 成需求的软件应用或平台 2000s PC 键盘 & 鼠 标 网站 时间 设备 交互方式 产品形态 2020s 最懂你的私人助理 结束语 . 提升智能助理产品的可靠性 . 深度学习与智能助理产品 . 智能助理产品的特点 目 录 • • 对一段文本对应的向量进行转换， 转换时使用上下文信息 通常使用 CNN 或 RNN 从编码后的向量中提取对预测有 价值的信息 输出为一个固定维度的向量 基于深度学习的自然语言处 理框架 • 基于输入向量产出最终的预测 [Honnibal 2016] 3. Attend 4. Predict 1. Embed 2. Encode • 将每个词或字映射为向 量 深度学习的应用：意 图识别 l 基于深度学习，完全数据驱动，无需特征工程 l 效果明显优于传统机器学习模型 l 在 20 多个领域下准确率可达 96% Softmax Attention

智慧教育的内涵与特征 3 智慧战略引重视 • 2008 年 IBM 提 出智慧地球战略 智慧教 育 已 成 共 识 新加坡 2006 年iN2015 计划 智慧教育计划 提出 建立学习者为中 心的个性化学习 空间 建设国家范围的 教育基础设施 使新加坡成为全 球教育领域使用 信息技术的创新 中心 5 智慧教 育 已 成 韩国 " 智 慧 教 育 推 进 战 略 " 2011 年 收集、管理与分析， 为学习者提供独特 的学习体验，教学 制度优化 7 智慧教 育 智 慧 教 育 什么是智慧教育？ 在信息化基础之上建构的信息时代的教育新秩序，是信 息时代的教育新形态、教育的“新常态”，是信息化元素充分 融入教育以后，在“时代催化剂”的作用下教育发生的“化学反 应”。 信息化 教育 时代催化剂 智慧教育” 智慧教育体系  智慧教师  智慧管理  智慧学习者及智慧学习 智慧学习者及智慧学习  智慧课程  智慧教学  智慧教育资源  智慧评价（教、学）  智慧服务  智慧教室  智慧校园  智慧平台  智慧教育方式 10 信息技术 与学科教 学深度融 合 全球教育 资源无缝 整合共享 无处不在 的开放、 按需学习 基于大数 据的科学 分析与评 价 绿色高效 的教育管 理 技 术 特 征 情景感知 无缝连接 可视化 按需推送

育 （本报告由 DeepSeek 辅助生成） 人工智能学院 01 DeepSeek 如何赋能 家 庭教育？ 家长辅导时间不足： 89% 的家长每天辅导孩 子 的时间少于 30 分钟 学习辅导能力不足： 72% 的家长遇到“ 四年级 数学题不会做 ”的窘境 。 亲子冲突频发： 65% 的家庭因辅导作业问题 爆 发亲子冲突 。 家长焦虑情绪普遍： 80% 的家长对孩子的学 业 、行为示范。教育理念（权威 / 民主型） 、能力（沟通 / 情绪管理） 。 孩子 主动参与者：年龄阶段（婴幼儿 / 青少年） 、个性（兴趣 / 学习风格） 。 其他家庭成员 祖辈 / 兄弟姐妹：影响教育一致性（如代际观念冲突） 。 2. 系统目标 长期目标 独立人格 、社会适应力 、终身学习（如培养责任感） 。 短期目标 解决具体问题：行为矫正（如拖延症） 、学业支持。 分领域目标 价值观（诚信） 、认知发展（逻辑思维） 对话与倾听（非暴力沟通） 、非语言互动（拥抱鼓励） 。 激励与约束 正向强化（积分奖励） 、负向反馈（暂停特权） 。 参与模式 共同活动（家庭运动日） 、自主探索（提供实验工具） 。 5. 环境与资源 物理环境 学习角布局 、书籍 / 电子设备配置。 心理环境 民主氛围（允许表达意见） 、情绪安全（接纳失败） 。 外部资源 社区图书馆 、学校合作（家长会） 、心理咨询服务。 6. 动态调节机制 反馈循环

现？AI与人类是否会在社会和教育资源上展开竞争？这些重大问题，因AIGC的到来，再一次冲击了 现有的教育体系。 在微观层面上，教育的各场景和环节，都因AIGC技术的应用而有所助益，如教师侧的备课规划、作 业生成和批改，学生侧的自主学习、辅助练习、测试评估等，新技术与古老教育场景的结合，总会 产生令人欣喜的化学反应。然而，商业实践的落地是受到现实和周期限制的。从落地逻辑而言，当 前产品基本是原有教学场景和产品的替代，原有技术功能的优化迭代，而少有新场景的迸发；就落 化。具体到教育行业，部分基础工作被替代，社会人力结构和人才需求被重塑。AIGC技术与现代 教育在教学内容、师资配置、交互方式等方面有着巧妙的吻合之处，彰显着技术落地的必要性。 AI技术也由教学辅助发展到自适应学习，推动大规模因材施教逐步落地。这些共同推高了时代对 AIGC+教育的瞩目，体现在资本投融资、各国政策监管、学术研究等多个方面。澳大利亚经历的 观望—禁止—反思—放开的挣扎历程，代表了全球的态度变迁，即不断与时俱进、同时守正创新。 在教学载体方面，AIGC有望赋能教师并实现规模化的因材施教，但也挑战传统学习模式和评价工 具；在教学内容方面，高阶通识能力、跨学科复合能力的重要性被重提，并辅以AIGC技术素养要 求；在学习主体方面，引发近乎科幻但并不遥远的哲学思辩：教育人类还是训练大模型，二者可 能存在着广义上教育资源的竞争。 AIGC技术在教师、学生、管理者多角色中，在学术科研、备课规划、作业生成和批改、自主学习、 辅助练习、测试评估的多场景中，都发

MIT：一切问题都是模型问题 • 模型：一个映射，一个函数 科学范式 • 用语言逻辑方法获取理论模型：模糊 • 用解析数学方法获取数学模型：精确 • 用计算数学方法获取数据模型：近似 • 用机器学习方法获取概率模型：复杂 • 用人工神经网络获取网络模型：黑盒 • 超过两层的神经网络可以逼近任意连续函数 01 对AI技术的认知：人工智能的本质 人工智能（ArtificiaI In 1. 第一代（规则系统）：推理为核心 2. 第二代（知识工程）：知识为核心 3. 第三代（数据模型）：学习为核心 ◼ 从机器学习到深度学习 1. 任务：判别、预测，通过学习数据分布规律 2. 边界：有规律、可以数字化，属于经验科学 3. 要素：机器学习-深度学习 • 模型：神经网络模型（分层；单向） • 策略：损失函数定义 • 算法：反向传播+梯度下降  语言逻辑和数据集蕴含了人类的认知智能 2. LLM是人类的认知智能的实现方式之一 3. LLM的原理很简单；工程很复杂；效果很神奇 01 对AI技术的认知：大模型的能力边界 用人工神经网络获取网络模型：深度学习-Transformer模型-大语言模型 大语言模型的核心原理：数据化-语义化-NTP（Next Token Prediction） 大语言模型的三层能力：语言能力-知识能力-推理能力

态变化，AI 可以通过不仅限于机器学习力场（MLFFs）、增强采样方法、粗粒化模型等手段大 幅加速分子动力学的研究。例如 AI 2BMD 系统在精度相同的情况下，实现了超过 100 万倍的 模拟加速，并将误差减少了 10 倍以上。 3.小样本强化学习：在有限的实验次数、原材料等条件下，AI 通过机器强化学习以及推理， 使得能够在少量实验数据的基础上，快速学习到如何调整配方和条件以提高反应效率。比如 155 个初始样本，经 7 轮 主动学习迭代，就获得了硬度提升显著的合金。 4.高通量机器人验证：传统化工材料的研发，科学家需要从成千上万种化合物的效果进行筛 选，可能需要研究人员手动对每个化合物进行测试，这不仅耗时耗力，而且可能会因为人为 因素出现遗漏或错误。而高通量筛选技术可以在短时间内对大量化合物进行自动测试，例如 阿姆斯特丹大学开发了一种集成人工智能机器学习单元的机器人 RoboChem，一周内， 可以优化大约 10 到 20 个分子的合成，而对于研究人员手动来说，这通常需要几 个月的时间。 5.产业知识图谱构建： AI 可以自动从互联网、企业数据库等多个数据源中抓取相关的化工 数据。接下来通过机器学习，可以对收集到的数据进行清洗和修复。通过建立数据模型，算 法可以识别出数据中的错误、重复和异常值，并进行自动纠正，找出可能存在错误的记录， 甚至通过推理发现数据之间的逻辑关系，补充缺失的数据。比如潘锋教授团队构建了锂离子

........7 图算法在网络黑产挖掘中的思考....................................................................21 联邦学习与安全多方计算................................................................................36 58 同城风控平台演进 .......113 机器学习中的隐私保护................................................................................. 144 关系图谱在贝壳找房风控体系的应用与实践.............................................162 新一代联邦学习技术及应用实战........ ......................................................... 178 构建端到端的联邦学习 Pipeline 生产服务............................................. 212 风控建模流程：以京东群体感知项目为例............................................

育教学的深度融合” 已经成为共识。随着 “三通两平台” 建设 取得巨大成就，国家数字教育公共服务体系建设日趋完善， 教育信息化基础设施建设已全面覆盖，数字化教育资源得到 极大丰富，师生网络学习空间已达 6,300 多万个 3，中小学 网络接入率达 99.7%，拥有多媒体教室的中小学校比例达 95.2%，已接受过不同程度信息技术应用能力培训的教师人 数也超过 1,000 万 4，基于网络开展教与学的大环境已经基本 未来教育信息化正向智能化方向切换 传统教育 人力驱动 • 课堂场景 • 一对多教学 • 老师板书讲授 • 学生被动接受 • 书面练习为主 • …… • 课堂教学与远程 教学结合 • 数字课件教学 • 多媒体学习终端 • …… • 互动式教学 • 精准化教学规划 • 多对多双师课堂 • AI 教学实训； • …… 信息化教育 技术驱动 智慧教育 数据驱动 9 8 趋 势 篇 趋 势 篇 英 特 ，语音 识别、自然语音理解、深度学习、AR/VR 等前沿技术和相关 教育教学解决方案正在更多场景落地，包括自适应学习系统、 智能导师系统、智能测评系统、基于虚拟现实 / 增强现实的 场景式教学都正在成为现实。而这又推动了以智能技术为代 表的新一代信息技术，更全面深入地渗透到教育多环节以及 教与学模式的融合创新过程之中，为面向未来打造智能型泛 在学习环境，构建智能化、网络化、个性化、终身化的现代

技术对比探讨 ➢ STaR-based Methods vs. RL-based Methods 强推理路径对比 (DS-R1 \ Kimi-1.5 \ o-series) ➢ 蒸馏 vs. 强化学习驱动：国内外现有各家技术路线对比分析及Takeaways ➢ PRM & MCTS 的作用 ➢ 从文本模态到多模态 ➢ 其他讨论：Over-Thinking 过度思考等 ➢ 未来方向分析探讨 ➢ 和 Train-Time Scaling 提升模型的推理能力？ ➢ 得益于纯大规模强化学习，DeepSeek-R1 具备强大推理能力与长文本思考能力，继开源来备受关注。 ➢ DeepSeek R1-Zero 和 R1的出现再次证明了强化学习的潜力所在： ➢ R1-Zero 从基础模型开始构建，完全依赖强化学习，而不使用人类专家标注的监督微调（SFT）； ➢ 随着训练步骤增加，模型逐渐展现出长文本推理及长链推理能力； DeepSeek-R1 Zero: 无需监督微调SFT，纯强化学习驱动的强推理模型 DeepSeek-v3-Base (671B) DeepSeek-R1-Zero 基于规则的奖励 Rule-Based Reward 推理为中心的大规模强化学习 Large-Scale Reasoning-Oriented RL 大规模推理为中心的强化学习，提升模型数学代码能力 RL驱动下自然涌现长文本推理能力

13 2.2 DeepSeek 在金融领域的应用现状....................................................16 2.3 DeepSeek 与机器学习的关系............................................................17 3. 金融贷款评估的传统方法.................. ..................................................................................96 7.2.1 人工智能与深度学习的融合......................................................97 7.2.2 金融科技的创新与应用...................... 。DeepSeek 的应用不仅能够有效降低贷款违约风险，还能优化客户体验，增强 金融机构的市场竞争力。具体而言，DeepSeek 在金融贷款评估中 的应用主要体现在以下几个方面：首先，通过深度学习技术， DeepSeek 能够从海量数据中提取关键特征，构建更为精准的信用 评分模型；其次，该平台支持多源数据的整合与分析，包括社交网 络、消费行为等非传统数据源，从而提供更全面的风险评估视角；