中国 AIoT 产业全景图谱报告》应运而生，它不仅是一份产业地图，更是一个 认知框架和商业工具。图谱延续了历史的精华，创造性地提出"通感智值"四维模型， 以通信和感知构筑坚实底座，以智能和价值编织无限循环，勾勒出从数据采集、传输、 理解、决策到执行、结算的完整闭环。这个闭环不是线性的流程，而是生生不息的螺 旋上升，每一次循环都在积累经验、优化算法、创造价值。 图谱的核心创新在于其独特的视 的新时代已经到来。 特别值得关注的是，图谱首次系统梳理了"通感智值"跨域编排的十大协同场景。从车 路云一体化到空天地海一体化信息网络，从工业智联到全屋智能，这些场景不是技术 的简单堆砌，而是响应国家"人工智能+"战略、打造一体化全场景智能交互环境的生动 实践。每个场景都经过深度调研和反复验证，既体现技术前沿性，又具备商业可复制 性，为产业发展提供了清晰的路径指引。 图谱还特设"无锡样本"专章，深入 如何将技术创新转化为产业优势，如何构建起覆盖全产业链的生态体系。无锡的经验 不仅是地方实践的成功案例，更是中国 AIoT 产业发展模式的缩影和标杆。 编制这份图谱，我们秉持"能力-场景-结算"三位一体的方法论。能力是可复用的技术模 块，场景是价值创造的具体载体，结算是商业闭环的关键机制。这种方法论贯穿图谱 始终，使其不仅具有理论高度，更具备实践指导意义。无论是技术研发者寻找创新方 · 向，还是企业决策者制定发展战略，抑或是投资机构评估产业机会，都能从中找到有

目录 2 第一部分 | 场景：人岗匹配 内容： 让 AI 技术提升人岗匹配效果，我们做了这些探索 解锁这项 AI 黑科技，马上实现人岗匹配自由 AI 黑科技： Embedding、知识图谱（KG）方法、自然语言处理（NLP）、非线性树模型、deep 模型、 BERT、 Word2Vec 模型等 本期和大家讨论下 “人岗匹配排序的探索与实践”。从人力资源管理的发展来看，人岗匹配大致 让AI技术提升人岗匹配效果，我们做了这些探索 3 第一部分 | 那么，实现 AI 人岗匹配背后的依据和逻辑又是什么呢？ e 成科技基于前沿的自然语言处理技术 和深度学习模型，并结合大量数据和知识图谱，通过不断探索和反复实践，形成一套高效的人 岗匹配推荐算法系统，下面院长将详细为大家介绍这套系统及其背后的逻辑。 在人岗匹配的任务中存在 HR、职位（JD）、简历（CV）三种实体，人岗推荐系统中由 为了更好的解决该问题，我们分别引入知识图谱（KG）方法和自然语言处理（NLP）方法，其 中 KG 负责去充分提取文本中实体的关系和联系，NLP 则更好的获取 JD 本文和 CV 文本相似性 信息。因涉及个人隐私此处不展示 CV 信息。 01 特征为王 4 第一部分 | 图 1 JD 示例 在以 JD 和 CV 对是否匹配的背景下，我们将特征主要分为以下几类： JD 特征：包含地点，学历硬性要求和利用知识图谱中提取的实体特征如（职能，公司，技能，

第四章：风险识别与评估体系 ....................................................................... 13 4.1 ESG数据资产化的风险全景图谱................................................................13 4.2 ESG数据资产化的风险类别详解............ 数据资产化的风险全景图谱，系统梳理四大类风 险的核心表现与影响程度，为后续风险管控与治理体系构建提供精准的风险画像 与科学的评估工具。 4.1 ESG数据资产化的风险全景图谱 基于 ESG 数据资产化的全生命周期特征，我们将风险归纳为四大类，并根 据其发生频率和潜在影响进行了初步分级，构成一个直观的风险图谱，为后续风 险评估提供分类框架与优先级依据。 图4-1 ESG数据资产化风险图谱 4.2 素的动态复 杂性，导致定价错误。 信誉误导/信誉谬误：过度依赖或误用ESG评级结果，导致错误的投资决策 和资源错配。 4.3 多维度风险评估模型构建 基于前文构建的 ESG 数据资产化风险图谱，为实现对四大类风险的系统性 、常态化管控，需要建立一个动态的、多维度的风险评估模型。该模型是一个 持续循环的过程，而非一次性评估。 15 图4-2 多维度风险评估模型示意图 模型流程说明：

结论），节省研究人员的时间。此外， AI 在医学知 识图谱构建中发挥重要作用，能够整合文献中的医学 概 念 和 关 系 。 例 如 ， 利 用 统 一 医 学 语 言 系 统 （UMLS）知识图谱，AI 帮助研究人员清晰理解不同 医学元素的关联，为深入研究提供结构化知识支持。 中山医学院周毅教授团队提出了一种利用大语言模型 增强医学知识图谱补全的新方法，有效扩展了医学知 识的深度和广度，支持诊断、治疗决策和研究等多种 在建立整个系统的可理解模型，为有机体绘制完整的 图谱。结合知识图谱技术，系统生物学在医学实践和 研究中发挥着日益重要的作用。生成式人工智能模型 在生物和疾病数据上的训练，能够根据各种疾病的系 统相关性和可成药性标准识别并优先考虑潜在的治疗 靶点，从而加速靶点识别和验证过程。 如，Insilico Medicine 基于 Transformer 的知识 图谱功能，从期刊文献中提取信息，将基因、疾病、 ， 用 于 识 别 靶 点 和 疾 病 的 生 物 标 志 物 。 MindRankAI 则利用 PharmKG 平台，通过异构图注 意力神经网络构建药物与疾病之间联系的多关系属性 生物医药知识图谱，该图谱包含了 29 种关系种类以 及超过 8000 种歧义实体。 3.药物分子设计与优化 借助大型模型的生成能力，我们可以根据特定的 靶点和药物设计需求，预测分子构象，如化学和蛋白 质分子结构，进而创造出全新的药物分子结构。这些

MCP 插件调用 AI + 电力行业智能应用场 景 Agentic RAG 指标建模 全域多源异构知识捕获 全方位 安全管控 版式分析 ASR/TTS 图像解析 视频解析 信息抽取 图谱建模 表格解析 OCR 大模型 多智能体协同 工作流编排 上下文工程 提示词工程 AI 护 栏 ② 领先的 AI 多模态知识库 & 知识解析技术 • 支持 29 种多模态数据 ，包括 分段 & 嵌入 段落识别 智能分段 基于文档结构的多 级语义切分 基于场景精调的 ★ Embedding 模型 多 路 召 回 语义检索 图谱检索 全文检索 混合检索 开放式模块化高级 RAG 架构 ，任意模块均可插拔 ★ 自研高性能向 量库 ，达到 18.7 万 QPS 片 段入库 智能标签 智能摘要 问答对提取 精细化的 学习能力：无 • 典型应用场景：简单的文档问答 图式推理 + 非实时证据 （仍然是静态推理） • 核心：基于知识图谱的关联关系进行推 理 • 单向（流水线）：检索 --> 重排 --> 生成 • 问题 ：图谱构建、维护成本高 • 知识内容：静态 / 不完整性 • 检索质量：中（保障事实性正确） • 响应方式：被动 •

需求环境 • 供给情况 • 定义及分类 • 发展历程 • 政策环境 • 经济环境 • 社会环境 • 技术环境 ◆中国智慧养老产业链分析 • 产业链图谱 • 上游分析 • 中游分析 • 下游分析 ◆中国智慧养老企业图谱 • 广东乐心医疗电子股份有限公司 • 江苏艾雨文承养老机器人有限公司 • 湖南格尔智慧科技有限公司 ◆方法论 ◆法律声明 中国智慧养老产业 白皮书 | leadleo.com Chapter 2 中国智慧养老产业链分析 ❑ 产业链图谱 ❑ 上游分析 ❑ 中游分析 ❑ 下游分析 中国智慧养老产业 白皮书 | 2025/09 www.leadleo.com 400-072-5588 14 第二章【产业链分析】产业链图谱 来源：头豹研究院 中国智慧养老产业链图谱 智慧养老产业链通过上游技术支撑、中游产品服务集成与下游应用场 景的有机结合，构建了覆盖全养老生态的协同体系 26.3% 单位：% 32 www.leadleo.com Chapter 3 中国智慧养老产业企业图谱 ❑ 乐心医疗 ❑ 艾雨文承 ❑ 格尔智慧 中国智慧养老产业 白皮书 | 2025/09 www.leadleo.com 400-072-5588 33 第三章【企业图谱】乐心医疗 乐心医疗目前现聚焦医疗级可穿戴健康监测设备应用，融合多技术提供 数字慢病管理方案，在全球心电领域发力，探索新增长路径

国家制造新政促行业化发展 II. 内需增长驱动制造模式转变 III. 制造行业发展仍有较大空间 IV. 新一代技术发展加速数字化 智能制造发展背景 CHAPTER 02 I. 智能制造物流行业图谱 II. 智能制造数字化的四大核心场景 智能制造数字化分析 CHAPTER 03 I. 智能仓储优化场景 II. 生产物流协同场景 III. 质量控制与追溯场景 IV. AI技术应用场景 助力企业实现供应链端到端高效协同。 05 AR/VR 与数字孪生 虚实融合驱动远程监控，助力企业优化制造 全生命周期管理模式。 I. 智能制造行业图谱 II. 智能制造数字化的四大核心场景 PART 2 智能制造数字化分析 制造行业图谱（2025） PART 2 | 智能制造数字化进展 供 给 侧 需 求 侧 物流 服务 基础 设施 工业 软件 系统​ 支 撑 侧 [图片]

多模态预训练机制. 集成模态编码器、投影器与生成器, 结合跨模态对齐策略实现不同数据模态 在统一语义空间下的有效映射与协同推理. 知识增强推理. 该层还接入工业知识库, 支持通过 “知识注入” 方式融合知识图谱、思维链结构、 模型蒸馏与对抗学习等机制, 提升模型在复杂工业任务中的解释性与鲁棒性. 此外, 在系统运行过程中, 公共能力层需与底层模型保持高频交互, 尤其在应对大量并发业务请 求时, 对数据安全提出了更高要求 该体系具备强大的多模态数据处理能力, 通过公共能力层统一处理时序、图像与文本等多源数 据, 打破传统系统间的数据壁垒, 为因果分析、故障诊断与决策优化等高级功能提供高质量的数据支 撑. 此外, 新型体系深度整合了知识图谱、思维链等独立的工业知识库, 使智能体不仅基于数据, 还能 融合专家经验与行业知识进行更深层次的推理与决策, 弥补了传统体系难以系统性吸收专业知识的短 板. 在业务应用层, 体系部署了图表、感知、分 为补足传统工业软件难以 系统性吸收与运用专业知识的不足, 该体系整合了以知识图谱、思维链为代表的独立工业知识库, 并 与 LLM 架构深度融合. 通过知识库调用与推理模块耦合, 智能体在执行任务时不仅能基于数据驱动 进行模式识别, 更可结合领域知识进行任务分解、因果关系推理与自我纠错. 以诊断智能体为例, 其通 过结合多模态感知数据与故障知识图谱, 能显著提升故障定位与根因分析的准确性; 分析智能体可针 对复杂系统进行因果分析与因素贡献度识别;

学研究往往涉及跨学科的知识和数据，AI 模 型在整合不同领域的知识时存在困难。如何 使其真正参与科学假设的提出和验证，仍是 未解的难题。 为了解决这一挑战，可以从以下几个方 面寻找突破路径： 构建跨学科知识图谱、因果推理和生成 模型，整合多领域知识库，使 AI 能够从已 有知识中提取洞察并提出新颖的科学假设。 建立强化学习驱动的 AI 辅助实验设计、数 据分析、理论建模的闭环系统，实现自动化 科学发现。开发可视化工具与交互界面，将 学定理证明及物理模拟等复杂场景中占据主 导地位。计算机视觉技术在生命科学和地球 环境领域渗透显著。此外，分布式学习、图 神经网络、可解释 AI 和边缘智能在不同学 科中均得到广泛应用。AI 技术图谱揭示了一 个根本性转变：AI 不仅是科学研究中可用工 具集的扩展和创新，更是推动科学范式变革 的“元技术”。一场 AI4S 革命，正在重塑 人类科学发现的未来图景。 图1.8｜科学智能中最获青睐的AI技术（2015-2024） 此前大语言模型大多是基于语言构建 的，而针对化学领域的 AI 模型需要在解决 更复杂问题时具备更强的化学科学认知，例 如需要正确理解分子和晶体结构、具备基本 的化学常识。 突破路径：结合知识图谱等方法，加入 化学领域的基本科学定理和物质数据信息， 解决大语言模型现存的短板 12。强调“正在 解决化学领域科学问题”的系统提示词，以 确保调用上述知识背景。 1. Baum, Z. J