人工智能产业创新高地，吸引顶尖人工智能企业和人才汇聚。 ◆ 上海市政府着力于AI大模型的产业集聚和生态建设，通过 实施大模型创新扶持计划和示范应用推进计划，推动AI技 术在金融、制造、生物医药等领域的应用；推动AI开源生 态产业集群的建设，以促进AI技术的创新和应用。 “夯实产业根基， 站在高维的视角， 对人工智能产业 各层次的发展进 行标准制定。” “各地因地制宜， 充分发挥自身独特 优势，出台具有地 方特色的人工智能 2018年，OpenAI发布了GPT-1大模型；Google发布BERT大模型； • 之后GPT模型持续演进，2022年11月，GPT3.5的ChatGPT面世，引爆互联网，大 模型时代随之到来。 2014年，GAN（对抗式生 成网络）诞生，深度学习进 入了生成模型研究的新阶段。 里程碑事件：2006年深度神 经 网 络 引 入 ； 2012 年 AlexNet ImageNet图像识别 大赛让图像领域飞跃式发展 求，由此诞生以DeepSpeed、 Megatron、Colossal-AI为代表的分布式 AI开发框架，提高大规模模型训练的效率 和可扩展性，并有效降低训练成本。 • LLMOps是面向大模型，提供整个模型生 命周期中加速 AI 模型开发、部署和管理 的专业平台工具。 • 针对大模型的AI开发平台可更好的助力企 业、开发者完成大模型应用的开发、构建 及部署。 • 一方面搭载高性能硬件，提供可灵活配置

人工智能产业创新高地，吸引顶尖人工智能企业和人才汇聚。 ◆ 上海市政府着力于AI大模型的产业集聚和生态建设，通过 实施大模型创新扶持计划和示范应用推进计划，推动AI技 术在金融、制造、生物医药等领域的应用；推动AI开源生 态产业集群的建设，以促进AI技术的创新和应用。 “夯实产业根基， 站在高维的视角， 对人工智能产业 各层次的发展进 行标准制定。” “各地因地制宜， 充分发挥自身独特 优势，出台具有地 方特色的人工智能 2018年，OpenAI发布了GPT-1大模型；Google发布BERT大模型； • 之后GPT模型持续演进，2022年11月，GPT3.5的ChatGPT面世，引爆互联网，大 模型时代随之到来。 2014年，GAN（对抗式生 成网络）诞生，深度学习进 入了生成模型研究的新阶段。 里程碑事件：2006年深度神 经 网 络 引 入 ； 2012 年 AlexNet ImageNet图像识别 大赛让图像领域飞跃式发展 求，由此诞生以DeepSpeed、 Megatron、Colossal-AI为代表的分布式 AI开发框架，提高大规模模型训练的效率 和可扩展性，并有效降低训练成本。 • LLMOps是面向大模型，提供整个模型生 命周期中加速 AI 模型开发、部署和管理 的专业平台工具。 • 针对大模型的AI开发平台可更好的助力企 业、开发者完成大模型应用的开发、构建 及部署。 • 一方面搭载高性能硬件，提供可灵活配置

大模型能为智能机器人找到最 优行为策略。在复杂环境中， 机器人通过与环境交互获得奖 励反馈，大模型利用这些反馈 不断调整自身决策。大模型参 与对抗训练，让生成器生成各 种复杂场景数据，判别器与生 成器对抗，使智能机器人模型 在不同场景下都能稳定运行。 3 落地应用 大模型强大的自然语言处理能 力，让智能机器人能理解人类 语言指令，实现流畅对话。在 物流、医疗等复杂场景，大模 从人形机器人的制造成本上看，“感官”因涉及部位多、总体数量多，成为其最具价值的一部分。电机、减速器、丝杠、编码器、力矩传感器等组成的关节执行 器关乎机器人的自由度，影响动作的精准度与灵活性。各类型传感器与关节执行器内的组件成为拟人化、可互动、灵活可靠的机器人的重要支撑。 资料与数据来源：特斯拉，高工机器人产业研究所，MIR睿工业公开资料 以40自由度的机器人为例 传感器 电机 丝杠 减速器 编码器 物料清单（按部件分解） 13 产业链发展现状 多模态大模型增强人机交互，实现 对人类意图的理解，对复杂外部环 境的理解与认知，助力形成决策： Ø 大模型可直接用于对环境的理解, 并通过提示词使之输出结构化内 容如控制代码、任务分解等指令 Ø 利用多模态大模型对环境进行建 模, 实现具身智能对空间信息的 多模态理解 Ø 机器人能够从数据中学习决策与 规划策略，基础模型为机器人决 策与规划引入了丰富的先验知识。

用，将 AI 从概念真正转化为解决业务问题的有效工具。 应用场景的快速拓展 全球范围内 AI 监管框架的逐步构建，不仅为大模型的规范化应用扫清了障 碍，更为行业的可持续发展提供了制度保障。 政策环境的日趋完善 中国 AI 市场规模不断扩大， 投资及应用 Al 的热情高涨 1.1 05 在全球范围内，中国企业不仅展现出强劲的投资热情，更以实际行动推动 AI 技术的商业 落地，正在快速确立全球领先地位。根据 落地，正在快速确立全球领先地位。根据 IBM 最新发布的《2023 年全球 AI 采用指数》 ，有超过 85% 的中国企业在加速其 Al 投入，并有超过 63% 的中国企业在积极应用生 成式 Al，显著领先于其他国家的企业。 2018 2019 1372 9.2% 11.0% 12.2% 13.8% 15.5% 17.2% 18.7% 20.9% 40.0% 1858 2603 3705 5298 7470 应用规模上相对较小，但由于其业务流程更加标准化和规范 化，反而更容易实现 AI 的深度整合，从而达到较高的应用成熟度。而核心业务部门尽管 应用普及率较高，由于业务场景复杂和跨部门协同困难，AI 的应用成熟度较低。 08 "君子生非异也，善假于物也。"两千余年前，荀子在《劝学》中道出“借外物以成事”的生存 智慧，在数字文明时代正演绎出新的战略内涵。 以大语言模型为代表的新一代 AI ，早已突破了简单的效率提升，正在为企业带来全方位

闭源模型规模庞大，无法为企业进行定制，无法本地部署  成本高昂，一般企业难以负担 50 政企、创业者必读  不追求用一个大模型解决企业所有问题，而是找垂直场景，做专业技能大模型 • 政府和企业不需要全能博士，需要管培生  企业内部未来一定是多个大模型组合工作 • 术业有专攻，专业的工作交给专业的模型去完成 大模型能力很强 但在企业中不要幻想用一个大模型 解决所有问题 51 政企、创业者必读 走开源 • 烧结矿质量预测 • 烧结烟气 S02 排放在 线预测与控制 • 构建能源消耗预测 • 智能故障诊断 • 挡板位移检测 • 皮带划痕、 撕裂、 跑偏检测预警 • 1球团皮带智能监测 • 生球粒度分布在线 识别 • 球团1颗粒粒度检测 • 球团1现场生产安全 态势感知与预警 • 皮带机预测性维护 • 建立设备健康模型 • 焦化皮带智能监测 • 生产现场动作远程控制 • 焦化现场生产安全态势 ·转炉吹氧自动控制 • 炼钢现场生产安全态势感知与预警 • 炼钢过程智能调度 • 能源动态管控 • 碳资源智能分析 • 电弧炉炼钢尾气检测与控制 • 钢包内渣状态识别 • 渣罐残留水识别 • 钢包挂钩挂实确认 • 钢包内渣状态识别 • 渣罐残留水识别 • 钢包挂钩挂实确认 • 中间包长水口区域 钢水裸露状态和渣 壳状态识别 • 铸胚编号识别 • 连铸漏钢及纵裂纹 预报 • 带材制品板坯号自

的风起云涌恰逢波澜壮阔的企业智能化浪潮,体现在《中 国企业智能化成熟度报告 (2024) 》 (以下简称《报告》) 中,便是千行百业如 雨后春第般地开始探索与迈进各自的智能化发展旅程,从智能制造领域的智能生 产线优化,到医疗行业的辅助诊断与疾病预测,再到交通领域的智能调度与拥堵 缓解, AI 技术如同流水 悄无声息又快速地填满了企业运营的各个环节 静水流 深地改变了企业的运营模式和人们的生活方式。 (2024 年) 》认为, 当前人工智能应用持续走深向 实,行业大模型已在金融、 医疗、教育、零售、能源等多个行业领域实现了 初步应用,并产生了明显的经济效益和社会效益。 如今, AI 成为发展新质生 产力的核心要素, 企业智能化转型也成为新质生产力的关键价值呈现。 企业作为科技创新的主力军,积极投身于人工智能的应用浪潮中 人工 智能创新发展和融合应用取得积极进展, 行业应用活力涌现。从企业管理、 等 AI 技术提高研发效率? 是否实现了企业研发体系的知识共享与智能化赋能? 是否搭建了基于行业场景的定制化研发平台? (2) 智能供应链: 对于制造、零售、医疗等行业来讲, 供应链能力是 "内 核实力" 。智能供应链包括, 需求管理、采购计划、生产计划、订单履约计划以 及运输管理等流程自动化;梳理和整合客户需求平台、 物料需求计划、供应商信 息等系统;供应链的数字化、 在线化协作,建立预测到采购、

无处不在的AI：生成式人工智能无疑是近一 年来引领技术变革的一颗超级新星，正在引 发各行业领域的“智能革命”，并逐渐成为 创造价值的主要来源。生成式人工智能的早 期应用展示了其在创意艺术、内容和代码生 成以及个性化推荐等领域的潜力。从改善客 户体验到创新性解决问题，有效利用生成式 人工智能的力量并驾驭其相关的复杂性，有 可能塑造行业的未来并推动人工智能驱动世 界的进步。 IDC数据显示，全球企业生成式 ����年IDC一项针对企业CEO的 调研结果显示，在亚太地区，企 业高管团队和董事会优先考虑的 数字商业模式依次为：D�C（直 接面向消费者，Direct to Consumer）模式、构建行业生 态数字生态系统、API货币化、 提供即服务模式和数据货币化。 面对持续变化的新技术、新环境、新问题，企业正在结合自身成长的阶段特性， 借助数字化、智能化的强大赋能作用，一方面稳固成熟业务发展，另一方面不断 根据数据的敏感度和所在地法规要求，设计本地化的定制方案，确保数据合 规存储和处理。 场景五：多级组织建设需要。一些大型集团用户的不同子公司信息平台会出 于商务、成本、合作对象的考虑，独立选择云服务商，这导致企业集团范围 内会形成不同平台同时运行的复杂局面。子公司之间的数据互通要求往往不 高，但集团处于统筹管理的需要，会考虑构建多云统一管理的平台，并对数 据进行一体化管理。 场景六：满足其他特殊要求。一些企业出于行业特殊性或技术发展要求，会

全体员工中部署它呢？ 在我们的生活的每一个维度上扩散，即时可获取，并且 ——实际上——始终存在。 这是为什么它是一个“自治宣言”。 我们或许会称呼它们为不同的名称，但在整个范围内 ，其演变过程是相同的：自主人工智能系统的普及正 在全范围内发生。 知识： 技术与知识图谱、向量数据库一样，能够从整个企业和外部收集、组织和管理数据。 的方式思考他们对这些系统的信任程度，以及他们可能 需要施加哪些约束。Sakana AI，一家AI研究公司，通过 测试他们名为“AI科学家”的新系统，完美地展示了这一点 。 14 该系统自主使用大型语言模型进行科学研究，在实 验设定的时限内，它遇到了一个问题无法完成，于是调 整了自己的代码，为自己争取更多时间。Sakana AI认为 这种行为是创新的，但也表明了这样一个事实：具有绕 过特定约束能力的AI模型对AI安全性具有重大影响。 不那么智能，但它们高度可预测，因此更加值得信赖。 因此，它们在企业中的采用和扩散非常普遍。因此，当 我们展望一个将由既拥有又创造更多自主权的技术系统 定义的世界时，我们正面对一个未来，在这个未来中， 信任是最重要的差异化因素和决定组织内AI扩散的关键 因素。毕竟，我们只能让系统拥有我们所信任的自主权 。 我们今天拥有的，是无限增长和创新的火花——以及颠 覆的力量。随着组织内外的自主性不断增长，摩擦减少 ，我们可以更快地完成更多任务，先行者将能确保持续

《上海市数字经济发展“十四五”规划》 落实本市集成电路和软件产业研发设计人 员奖励政策，支持和鼓励基础软件、工业软 件、新型技术软件、信息安全软件等企业研 发设计人员在沪发展，用好应届毕业生和留 学生进沪就业以及外籍人才永久居留等相 第 6 页 关便利服务政策，加大力度引进数字经济领 军和青年人才。依托“基础研究特区”试点， 进行稳定集中科研支持，在高校和科研院所 培育一批数字经济优秀人才团队。 人才培养周期普遍较长，而企业数字化建设周期短，产业和市场发展速度快、变化大。无 论是学校还是教培机构，人才培养往往追不上市场热点的变化，供需之间存在“时间差”； 2. 学校培养人才主要以单一模式教学为主，应届毕业生实践经验普遍较少，兼具行业知识和 数字技能的复合型人才大多需要在企业中慢慢培养，市场中可流动的数字化实践型人才较 为短缺； 3. 企业在数字化转型过程中很容易陷入“重硬轻软”的误区，更注重业务流程的数字化建设， 数字中国”，在“十四五“”规划中， 已经明确了国家推进数字化的目标和决心。 2020 年因疫情的出现注定是一个重大的转折点。世界范围内的环境、经济等越发低迷和 萎缩，造成企业方订单取消、停工、裁员等，再一次促使企业不得不寻求一种新的出路、转型 或者变革的内生动力。在此情形下，数字化的优势就愈加明显，加速企业数字化转型的步伐、 推进其进程，对数字化人才的迫切需求变得更加明显。 企业数字化

带来的边际收益开始递减；如果想要深度提 升模 型推理能力和长程问题能力，基于 RL 的 Post-Training 将会成为下一个突破点。 自回归模型在数学推理问题上很难进步的一点在于没有办法进行回答的自主修正，如果仅是依靠生 成 式方法和扩大参数规模，那么在数学推理任务上带来的收益不会太大。所以需要寻找额外的 Scaling 为什么我们需要后训练 Scaling-Law ? 回顾： Post-Training Scaling 核心思想是通过构建多个模型输出的群组，并计算群组内的相对奖励来估计基线，从而避免 了传统策略优化算法中需要使用与策略模型大小相同的评论模型。 大幅度降低 RL 训练的计算成本，同时还能保证模型能够有效地学习到策略。 具体来说，在传统的 RL 训练中，评论模型需要与策略模型具有相同的大小，增加计算资源的 消耗。而 GRPO 算法利用群组内的相对信息来估计基线，避免了使用 Critic 对于每个问题 q ，从旧策略模型 πθold 采样一组输出 {o1, o2, o3, … , oG } ， 奖励模型为 每个输出生成奖励 {r1, r2, r3, … , rG } 。随后，奖励通过减去组内均值并除以标准差进行归 一化。结果监督将 归一化后的奖励分配给每个输出的末尾词元，并将所有词元的优势设为该归一化奖励； 基于过程监督的 GRPO: 结果监督仅提供输出末尾的奖励，对复杂数学任务的策略指导不足