管理上划分优先级是被普遍认可的方式，优先级划分能实现管理投入的合理分配，对于运维 管理同样适用，通过对资源按照所在业务重要度区分其对应的管理等级，比如关乎生产系统的资 源划分成一级，内部办公系统相关资源划分成二级设备；对于一级设备意味着更为密集的数据采 集和更低的阈值，对于异常更为敏感，故障处理上要求更为严格，后期的管理数据统计需要单独 ഀ� 列项统计。 常规运维软件中仅仅是对于将管理对象简单的划分了不同等级，仅是为了界面上进行统计， 界面上进行统计， 没有落实到具体运维过程中；真正落地的等级化管理必须要做到如下几点：  按照业务划分管理资源  实现对于不同等级资源不同的监控周期和预警阈值  对于不同等级资源定义不同预警等级和处置方案  对于不同等级资源进行不同角度的统计和报表分析  能便捷的调整等级，并应用相应等级的管理规则 智慧运维平台以等级为核心进行管理区分，内置不同等级的管理解决方案，从下到上贯彻等 通过系统提供的智能策略机制，将用户对于某些异常分析的人工方式自动化，比如对于主机 高负载原因的排查，一般的操作逻辑是确定主机负载超过风险阈值情况是偶发事件还是一直存在， 然后分析每一次出现高负载的进程是否一致，通过人工智能找到具体的异常进程，关闭该进程或 者卸载相关软件，同时对于该进程的设定预警，达到事前预警；智慧运维平台通过策略实现这一 系列动作，包括对历史记录多点对比，对于进程的记录，异常进程的智能判断，乃至告警的建议；

是关键，包括但不限于企业内部的文档数据、互联网公开数据、第 三方数据库以及用户生成内容。对于每种数据来源，需建立明确的 数据采集标准和流程，确保数据的合法性和合规性。 数据采集完成后，需进行初步的数据清洗。这一步骤包括去除 重复数据、纠正明显的错误、填补缺失值以及统一数据格式。例 如，对于日期格式不一致的情况，需将其统一为 ISO 8601 标准格 式。同时，对于文本数据，需进行分词、去除停用词、统一大小写 等处理，为后续的自然语言处理任务奠定基础。 等处理，为后续的自然语言处理任务奠定基础。 在数据清洗的基础上，需进行数据标注和分类。对于结构化和 半结构化数据，可采用自动化工具进行标注，如使用正则表达式匹 配特定模式。对于非结构化数据，尤其是文本数据，需借助人工标 注或半自动标注工具，确保标注的准确性和一致性。标注过程中， 需制定详细的标注规范，以减少标注误差。 数据标注完成后，需进行数据增强和扩展。通过数据增强技 术，如图像数据的旋转、缩放、翻转，或文本数据的同义词替换、 句式变换，可以增加数据集的多样性和规模。同时，对于特定领域 的知识库，可通过爬取相关领域的最新公开数据或引入专家知识， 进一步丰富数据集。 接下来是数据安全与隐私保护。在处理数据时，需严格遵守相 关法律法规，如《个人信息保护法》和《数据安全法》。对于包含 个人敏感信息的数据，需进行匿名化或脱敏处理。同时，需建立数 据访问权限控制机制，确保只有授权人员能够访问和操作数据。 数据的存储和管理也是关键环节。对于大规模数据，建议采用

中，需确定是否 支持多语言处理、语义理解深度以及实时性要求。 其次，非功能性需求同样不可忽视。这包括系统的响应速度、 并发处理能力、可用性、安全性以及可扩展性。例如，对于实时交 互场景，系统响应时间应控制在毫秒级别；对于大规模部署场景， 系统应具备良好的水平扩展能力，以应对用户数量的增长。 此外，用户体验需求是智能体能否成功落地的关键因素。需要 明确用户界面的设计原则、交互方式以及反馈机制。例如，在对话 其丰富的生态系统和高效的科学计算库（如 NumPy、Pandas、Scikit-learn）成为首选。对于需要高性能计算 的部分，可以考虑使用 C++或 Rust 进行优化。在框架选择 上，TensorFlow 和 PyTorch 均适用于深度学习模型的开发，但 PyTorch 因其动态计算图和更灵活的调试能力，更适合快速迭代和 实验。 对于数据处理和存储，Apache Spark 和大数据生态系统（如 Hadoop）是处理大规模数据的理想选择，而 Cython 等工具进行性能优化，满足高效计算的需求。 然而，对于需要更高性能和更低延迟的场景，C++是一个不错 的选择。C++提供了更底层的控制能力，适用于开发核心算法和性 能敏感模块。通过结合 Python 和 C++，可以利用各自的优势： Python 用于快速开发和集成，C++用于优化关键路径的性能。 此外，对于分布式任务和并行计算，Go 语言因其简洁的语法 和强大的并发支持，也是一个值得考虑的选择。Go

集的训练过程，同时具备动态资源分配功能，根据训练任务的复杂 度自动调整计算资源。此外，系统应内置多种优化算法，如 Adam、SGD 等，并提供超参数调优功能，允许用户通过网格搜索 或贝叶斯优化等方式自动寻找最优参数组合。 对于数据预处理，系统需支持常见的数据格式（如 CSV、JSON、图像、视频等），并提供数据清洗、归一化、特征工 程等预处理模块，确保训练数据的高质量。系统还应具备数据增强 功能，特别是针对图像和文本数据，支持随机裁剪、翻转、旋转、 为了提高训练效率，系统应支持断点续训功能，允许用户在训 练中断后从最近一次保存的模型状态继续训练，避免重复计算。同 时，系统需提供模型版本管理功能，允许用户保存和管理不同训练 阶段的模型，便于后续评估和部署。对于大型训练任务，系统应支 持分布式数据存储和读取，减少数据传输时间，提高训练速度。 在模型验证方面，系统需支持交叉验证、留出验证等多种验证 方法，并可根据需求自动划分训练集、验证集和测试集，确保模型 面，系统应具备自动化监控和告警功能，能够实时监控 CPU、内 存、磁盘等资源使用情况，并在异常情况下自动发送告警信息。 此外，系统还需具备良好的用户体验。界面设计应简洁直观， 操作流程应尽可能简化。对于非技术用户，系统应提供详细的操作 指南和在线帮助，降低学习成本。在多语言支持方面，系统应至少 支持中文和英文两种语言，并可根据用户需求灵活扩展其他语言。 最后，系统应具备良好的兼容性和可移植性。硬件方面，系统

无源物联网，是指没有采用电源（电池或者电线），而是通过采集环境中的微弱能量就能正常工作的物联网设备。 人们常说，“水乃生命之源”，而能量，则是驱动 IoT 设备工作的源头。在人类的发展史上，能源占据着举足轻重的地 位，目前人们对于能量的采集、存储与使用已经炉火纯青，以至于很多人都忽视了它的存在，而在 IoT 产业中，能量技术 在产业的地位也在迅速提升。 近些年涌现出来的 NB-IoT、LoRa 等新兴传输技术一个最主要的 能量，也可以传输信号，让系统非常的简洁，同时还 能节省成本，减小尺寸等。 第二种常见的就是采集太阳能 / 光能供电，太阳能供电可以获取较大的电能，但是系统较复杂，成本高，在某些场景 适用，但是对于大规模，低成本的物联网应用场景而言，明显是不适用的。 第三种，就是按压式发电，通过机械力改变材料的形变而产生电流，这种方式也有一些比较适用的场景，比如说开 关，遥控器等，但这种需要直接动手的方式，在大多数的场景中也不适合。 设备如果脱离了电池的束缚，可以做到更小的尺寸与更灵活的形态，甚至是柔性贴片式的形态，以方便应用。 此外，没有电池也可以降低很大比例的成本，尤其是对于很多低价格的产品而言，几毛钱的成本差异就会限制一大片 应用场景的使用。 物联网的愿景就是“万物皆可连接”，但对于很多低价格的产品比如矿泉水、零食、快递包裹等来说，产品的单价与利 润很低，采用电池连接，显然是不合适的。所以，采用低成本的无源连接方案成为释放千亿乃至万亿级连接量的必然之选。

伴随 AI 应用的持续扩展与需方对于 AI 认知的不断加深，“提效”取代“政策”成为需方 购置 AI 的主要动力。如今，医疗 AI 企业已突破 1-2 亿的营收规模，迈向第一个 10 亿。 2. 超 160 个影像 AI 获批医疗器械三类证，影像 AI 企业们逐渐跳出影像科，向医学装 备、外科手术辅助系统等领域进发，打开了新的百亿市场。 3. 生成式 AI 对于医疗 IT 的重构已经初现成效。上百个大模型涌入医疗领域，许多 ........................................................................................3 1.3 部分主体对于医疗 AI 的购置态度...................................................................................... 3 ..1 图表 2 2016 年—2024 年涉及医疗 AI 的关键政策（下）..............................................2 图表 3 不同主题对于人工智能的需求差异...........................................................................6 图表 4 产品分布图（脏器分布+病种分布）

同时存在。这种叠加态其实对于我们 生活在宏观世界的人来说很难想象。因为我们从出生到现在见到的世 界里的状态都是某一个确定的状态，比如光子要么处于水平偏振，要 么就是竖直偏振。一只猫，要么是死的，要么就是活的。同时处于死 和活的状态是一种什么样子，我们根本想象不出来。所以在量子力学 建立的早期，许多量子物理学家都很难接受其他人甚至自己提出的一 些理论带来的“奇怪”结论。其中对于叠加态的质疑就是著名的薛定谔 当纠缠态被测量时，其结果会出现关联。而这两种结果出现的概率由 量子态中的系数决定的。例如对于纠缠态α|00 +β|11 ，测量后的结果 总是两个白色朝上（00），或者两个黑色朝上（11）。而得到这两个结 果的概率分别为 α 2和 β 2。对于纠缠态α|01 +β|10 ，结果总是一黑一 白，也就是 01 或者 10。 对于两比特的最大纠缠态，我们叫做 Bell 态（Bell state），其有 四种情况，分别表示为： −|11 ), |Φ+ = 1 2 (|01 +|10 ), |Φ− = 1 2 (|01 −|10 ). 这四个 Bell 态是量子信息中经常用到的纠缠态，后续内容也会经常涉 及。对于三比特的纠缠态，常见的有 GHZ（Greenberger-Horne-Zeilinger） 态，也就是|GHZ = 1 3 (|000 ± |111 )。n 比特 GHZ 态的表达式为 10

政务数据的重要来源。例如，教育部网站 （www.moe.gov.cn）提供了教育政策和统计信息，国家卫 生健康委员会网站（www.nhc.gov.cn）提供了卫生健康相关 数据。 5. 国际组织数据源：对于一些涉及国际比较的政务数据，可以参 考国际组织发布的数据。例如，世界银行 （www.worldbank.org）和联合国（www.un.org）提供了 全球范围内的经济、社会、环境等数据。 在选择数据源时，应注意以下几点： 过官方认证或权威机构发布的数据。  数据格式：选择易于处理和转换的数据格式，如 CSV、JSON、XML 等。避免使用难以解析的格式。  数据更新频率：选择定期更新的数据源，以确保数据的时效性。 对于历史数据，应确保其覆盖的时间范围足够广泛。  数据权限：确保数据的使用权限合法，避免涉及敏感信息或侵 犯隐私的数据。 通过以上选择和注意事项，可以为政务大模型的微调提供高质 量、多样化的数据支持。 质量，去除 噪声数据、重复数据和无效数据。对于政务领域的数据，特别需要 关注数据的准确性和一致性。数据清洗流程包括以下几个关键步 骤： 1. 去除重复数据：通过哈希算法或相似度计算，识别并删除重复 记录，确保每条数据的唯一性。例如，在政府公文数据集中， 可能存在多份内容相同的文件，需要通过文本相似度算法进行 去重。 2. 处理缺失值：对于关键字段缺失的数据，可以根据上下文信息 进

传统RLHF背景下，SFT通常被认为是不可或缺的一步，其逻辑先用大量人工标注的数据来让模型 初步掌握某种能力（如对话或者语言风格），然后再用RL来进一步优化性能 ➢ DeepSeek-R1 系列跳过对于大规模人工标注数据的依赖 ➢ 无需构建和维护高质量的SFT数据集，而是让模型直接在RL环境中进行探索 ➢ 类比：初学者在没有老师指导的情况下，通过不断的尝试和错误来掌握一门新的技能。 ➢ 这种 在14.8T 高质量Token上训练）（基座模型知识帮助突破推理上界，也有一些 工作利用小模型复现 Aha Moment 得益于大规模RL和高质量推理数据）； ➢ 大规模强化学习加持：GRPO 对于强化学习训练的优化； ➢ 规则化奖励：绕过奖励攻陷问题，但是得益于推理问题可以进行自动化标记和验证 （Self-Automated Verification and Annotation)，这是与一般聊天和写作请求任务不同的； 表现更为自然， 适应性更为广泛。 ➢ 全领域RL RL for all Scenarios ➢ 进一步提升除了reasoning 能力之外帮助性和安全性 ➢ 对于reasoning data, 可以用基于规则的奖励 ➢ 对于general data, 可以用奖励模型来建模人类偏好意图 ➢ 成效：最终版本的 R1 不仅在推理和对话能力上达到了高水平， 还具备更安全的交互性能。 拒绝采样和全领域SFT

经过环保、安全监管，国内化工行业的管控水平获得了较大程度的提升，部分企业或者赛 道具备先期实现智能升级的基础。我国自九十年代化工行业开始加速追赶以来，先期的化 工企业受限于当时的发展条件、技术水平和装置配置要求以及对于经济性的考量，生产装 置的人员依赖性相对较大，单套装置的配套人员数量相对较多，很多生产环节以员工的经 验为主要调节方式，流程管理、工艺优化、原料采购、库存管理等决策以人为核心主导。 自 2016 年 图表2：化工行业精细和大宗的赛道差异相对明显 来源：国金证券研究所绘制 不同的赛道 AI 的赋能节奏也会有明显不同。从现阶段看，对化工行业 AI 的赋能主要集中 于几个维度： ① 对于有具体或者相似路径设定的重复性环节，形成优化或者加速进程，比如配方研发、 产品设计等 ② 在部分岗位替换人工检测和审查，形成精准、高效且节约成本，比如质量检测、库存 调控、生产监管等； ③ 变革或将是主“战场”。在 AI 的布 局方向中，降本和拓品都相当重要，但相比之下，拓品对接的企业窗口相对较少，对于全 公司的“数字化”要求不是太高，但在部分赛道领域却可以成为目前行业卡脖子问题的重 要解决路径之一，从方向上，产品研发对接 AI 智能化的基础和速度或将有明显提振，同 时对于现阶段公司的稳定运行冲突较小。 化工的 AI 拓品将有望带动材料行业和大宗的基础研究领域形成明显突破。目前从技术突