1.检查文件是否受损（重新保存后上传） 2.确认图片清晰度（建议 300dpi 以上） 3.尝试用“请总结这份文档的三个核心要点”等明确指令 四、高效提示词工程 1.黄金提问法则：像指挥特种兵一样精准 DeepSeek 的提示词设计遵循“目标导向+场景适配”原则，掌握以下技巧可让 AI 输出质 量提升 300%： ①四要素提问法 公式：身份+场景+目标+限制条件 ③认知依赖 ⚫ 思维退化：调查显示过度依赖 AI 导致 25%用户独立思考能力下降 ⚫ 应对策略：中小学增设“批判性使用 AI”课程，培养元认知能力 5.未来展望：AI 原生时代的生存法则 DeepSeek 预示的不仅是工具革新，更是认知革命的序幕： ①能力坐标系重构 核心能力： ⚫ 跨域整合（将 AI 与行业 know-how 结合） ⚫ 价值判断（在 DeepSeek 正在催生“AI 原生经济”，重构传统产业逻辑： 底层逻辑转变：企业核心竞争力从资源占有转向智能连接密度——即与 AI 系统协同的 深度与广度 3.文明挑战：智能时代的生存法则 在享受技术红利的同时，人类正面临前所未有的伦理与技术挑战： ①认知危机 ⚫ 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

1 第一章 AI 战略制胜法则：智算基础设施重构商业价值 3 1.1 大模型下半场，推动 AI 普惠并抢占战略制高点 界同仁共执算力之楫，在智能时代的沧海中直挂云帆。让我们以这本 《非凡箓》为契，共赴 " 大模型赋实千行，新基建智领万业 " 的星辰 之约！ 联想中国基础设施业务群 卷首语 2 第一章 AI 战略制胜法则： 智算基础设施重构商业价值 3 联想算力基础设施非凡箓 — Al 大模型算力解决方案手册 1.1 大模型下半场： 推动 AI 普惠并抢占战略制高点 在全球数字经济加速向智能化转型的浪潮中，生成式 转变为 开放协同 ，全力打造一个开放、安全且普 惠的 AI 生态系统。通过这一生态系统，企业能够以较低的成本构建专属的智能中枢，推 动 AI 技术的普惠发展。 第一章 AI 战略制胜法则：智算基础设施重构商业价值 4 此外， DeepSeek 还通过全球化生态布局、开放 API 与工具等方式，不断降低成本和 技 术门槛，促进 AI 技术的广泛应用。值得一提的是，DeepSeek

“规模定律”。 “规模定律”的提出是 AI 发展的里程碑，揭示了模型性能与参数、数据量、计算投入的关系，促使 训练从“赌注”走向“可量化投资”（Kaplan et al., 2020） ；钦奇拉法则（Chinchilla Law） [2] 大模型对基础设施的挑战 2.0 AI 大模型正以前所未有的速度发展，行业呈现出模型加速迭代、算力大规模投入和商业化进程 加快的特点。全球科技巨头与新 处理器泛指用于人工智能计算的加速器，如神经网络处理器（NPU）和图形处理器 （GPU）等。 规模定律 (Scaling Law): 揭示了 AI 模型性能与参数量、数据量、计算投入之间存在幂律关系的法则。该法则驱动了模型参数 的指数级增长，是推动基础设施走向超节点架构的核心理论之一。 超节点通信域 (Supernode Communication Domain): 在超节点集群组网中，为实现大规模

模型效果越好 算 力 L=(Cmin/2.3·108) )-0.050 10-3 10-1 Compute PF-days,non-embedding 大模型指导法则 Scaling Law: 富则火力覆盖 数据集 模型参数量 7 6 5 4 3 ---- 2+ 10-9 Dataset Size tokens Parameters

环中的重要环节，通过仪 价值飞轮法是一种从本质出发，以解决问题为导向的关键思路策略，它帮助个人或组织实现持续 的价值提升。 Page 14 价值网法 相较于价值飞轮法强调的单点突破，价值网法则注重整体优化。其定义是根据本质解，为解决问 题“配资源”的重要方法。 01 客户价值网 企业的各类客户 （或用户） 02 供应商价值网 企业的各类供应商 03 资本价值网 企业的投资或资金 ，可以不断循环并进行优化。 14 基于上述分析，要关注单个环节的优化，还要从整体角度构建一个协调一致、高效运转的价值网 络。价值飞轮法提供了一个理解业务逻辑和识别关键驱动力的有效工具，而价值网法则有助于进 一步拓展视野，将各种利益相关者纳入考虑范围，实现更全面的优化。然而，仅凭文字描述往往 难以直观呈现整个价值网络的全貌。因此，引入了画布法这一视觉化工具，将价值网中的各个要 素以图形化

理的强化学习、拒绝采样 与监督式微调、全场景强化学习等。 l AI 应用爆发在即，算力需求持续攀升，关注 ASIC 及服务器产业链。 Scaling Law 与“涌现”能力是大模型训练遵循的重要法则，随着 ChatGPT 引领全球 AI 浪潮， 国内外科技公司纷纷发布 AI 大模型，截至 24 年 7 月，全球 AI 大模型数量约 1328 个 ( 其中美国位居第一位，占比 44% ；中国位居第二位，占比 ，国信证券经济研究所整理 参数量 （十亿） GPT-4 PanGu-Sigma Ernie 4.0 BingChat* PaLM2 Titan Scaling Law 与“涌现”能力：大模型训练遵循的重要法则 请务必阅读正文之后的免责声明及其项下所有内容 2022/8/27 2022/12/5 2023/3/15 2023/6/23 2023/10/1 GPT- 3 大幅提高；国产模型中阿里的 Qwen2.5-72B 取得 86.1 分的 高分，在各大模型中亦取得排名相 对靠前的位置。 Scaling Law 与“涌现”能力：大模型训练遵循的重要法则 请务必阅读正文之后的免责声明及其项下所有内容 图：全球模型数量激增 2019 2020

理的强化学习、拒绝采样与监督式微 调、全场景强化学习等。 l AI 应用爆发在即，算力需求持续攀升，关注 ASIC 及服务器产业链。 Scaling Law 与“涌现”能力是大模型训练遵循的重要法则，随着 ChatGPT 引领全球 AI 浪潮， 国内外科技公司纷纷发布 AI 大模型，截至 24 年 7 月，全球 AI 大模型数量约 1328 个 ( 其中美国位居第一位，占比 44% ；中国位居第二位，占比 Laws for Neura l Language Models 》 - Arxiv （ 2020 ） -P3 ，国信证券经济研究所整理 Scaling Law 与“涌现”能力：大模型训练遵循的重要法则 参数量 （十亿） GPT-4 PanGu-Sigma Ernie 4.0 BingChat* PaLM2 Titan 请务必阅读正文之后的免责声明及其项下所有内容 2022/8/27 GPT- 3 大幅提高；国产模型中阿里的 Qwen2.5-72B 取得 86.1 分的高分，在各大模 型中亦取得排名相对靠前的位置。 Scaling Law 与“涌现”能力：大模型训练遵循的重要法则 请务必阅读正文之后的免责声明及其项下所有内容 图：全球模型数量激增 2019 2020

wants ？ 4 技术进化周期越来越短 5 大模型为什么突然火了 现实域 数域 现实域 模型 + Chat 6 矩阵 概率 “ 大数法则” 大模型的底层 7 2017.6 Transform er 6500 万参数 深度学习框架 TensorFlow 发 布 分布式版本 2018.1 0 BERT 3 亿参 数

建筑设备一体化 监控系统和建筑设 备能效监管系统等 实施智能化和数字 化综合管理的系统 BMS 与 iBMS 的 对比 ■ 核心基石 集成技术 BMS 与 IBMS 顶层设计 设计法则 智慧演进 第 章 BMS IBMS 系统结构 C/S B/S 中间件 ( 实时域 ) B/S 平台 ( 信息域 ) 数据特点 DI/DO AI/AO 枚举字符串环境参数、设备状态、故障

在2020年提出Scaling Laws（尺度法则）。对于基于trans- former的大模型而言，在AI训练中有以下结论：1）模型规模要大：即增加模型参数量、数据集和计算量， 就可以得到性能更优的模型。2）模型参数量、数据集以及计算量之间存在幂律关系。3）随着模型规模增 加，模型会出现涌现特质——未预期到的新能力，推动模型性能提升。尺度法则正在驱动大模型硬件部署走 向更大集群。早期AI