科学研究促进人工智能创新。传统科研 范式大致可分为经验归纳（实验科学）、理 论建模（理论科学）、计算模拟（计算科学） 以及数据密集型科学 2。实验科学由自然现 象和实验结果归纳出一般性规律，但没有抽 象出经验规律背后的普适理论。理论科学基 于自然现象或实验结果，提炼科学问题并形 成科学假设，然后运用逻辑推理和数学分析， 构建普适理论，但难以在复杂系统中实验验 证。计算科学以科学模型为基础，通过数值 的增长，出现了数据密集型科学的研究范式。 这一范式利用机器学习方法，自动从数据中 发现统计关联，一定程度上避免了提出科学 假设，但无法发现因果关系，且难以分析低 质量数据和发现复杂系统中的规律。当前的 科学研究主要面临系统复杂性的挑战，相互 关联的自然、技术和人类系统受到跨时间和 空间尺度作用力的影响，导致复杂的相互作 用和涌现行为 1。传统科学研究方法难以应 对这些复杂性挑战，迫切需要新的科学研究 验知识的模型驱动、假设生成与验证、自动 与智能化实验以及跨学科合作等方式，加速 科学发现。传统科学发现以实验观察和理论 建模为核心，提出科学假设并归纳一般规律， 如物理定律。人工智能则采用模型驱动的方 式，从大规模数据中自动发现隐藏的规律， ©️diyun Zhu / Moment / Getty 科学智能白皮书 2025 4 5 2. 发展与态势 2.1 最新进展 随着深度学习、生成模型与强化学习等

PDM□ SCM□ 其它□ 客户提供的销售订单是否有规律？如有， 有什么规律？如每周提供一次？每天提供 一次？ 客户订单是否有MOQ要求？ 客户订单是否有谈标准的供货周期？在行 业内处于水平？客户可以接受的最长供货 周期是多少？ 客户近一年每月的准交率是多少？哪些客 户较低？哪些月份较低？是否有规律？ PMC主 管/计划主 管 1个月□ 2个月□

临前所未有的挑战：系统规模的指数级增长、多学科交叉的深度融合、全生命周 期管理的极致要求，以及对安全性、可靠性和可持续性的严苛标准。这些挑战， 已然超出了传统方法和人类智力的极限。我们迫切需要一种新的力量，来驾驭这 份复杂，洞悉其规律，优化其进程。人工智能，无疑是这个时代最响亮的回答。 这便是我们探索工程智能（AI for Engineering）的第一个动因：工程学科的 发展，亟需人工智能的深度赋能。将 AI 的感知、认知、决策与生成能力，注入 于推动国家制造强国、科技强国战略目标的实现，具有不可替代的战略支撑作用。 1.2 工程智能的定义 科学与工程，两者在人类文明进程中相辅相成，却有着本质区别：科学以“认 识世界”为目标，致力于探索自然规律、构建理论体系，其方法论核心在于理论 工程智能白皮书 AI for Engineering White Paper ©同济大学工程智能研究院版权所有。如需引用，请注明出处。 3 推导与实验验证 动。 相应地，本文所指之“智能”特指人工智能技术。其核心能力体现在感知、 认知、决策、自适应等方面，具体通过机器学习、深度学习、自然语言处理、计 算机视觉等技术路径，使机器能够从海量数据中学习规律、识别模式、进行推理 判断，并最终以近似甚至超越人类的方式解决复杂问题。在工程语境下，区别于 传统的自动化技术，这种“智能”的价值尤其体现在它解决了传统自动化无法应 对的非确定性问题，是改进流程、优化决策和驱动创新的关键技术引擎。

Language Model, LLM，也称大模型）和 生成式 AI(Generative AI) 等领域取得了新的革命 性突破。生成式 AI 通过深度学习算法对大量数据进行训练，捕捉数据中的模式和规律，具备 创造出高质量的文本、图片、视频、代码等新想法和内容的能力，即 AIGC（AI Generated Content，人工智能生成内容），为脑力劳动领域带来了创新与效率的双重提升。 典型的生成式 空间，甚至加入数字触觉、嗅觉等实现更多维度 的体验。例如 XR 设备将您带到一片虚拟海滩，可以切实“感受”到从指尖流走的沙粒感。物 体逼真感是指在虚拟空间中创建的数字化虚拟物体，与物理世界中的物体在质地、纹理、形态、 行为和发展规律上是统一的。物体逼真感依赖于数字虚拟内容能够全方位地展示物体的形态、 结构和纹理。3D 数字资产作为这一变革的重要支撑，正逐渐成为内容创作和呈现的核心。3D 数字资产通过精细的建模、贴图和渲染， 丰富智能家居设备和传感器，将交由你的虚拟数字管家统一管理。虚拟数字管家通过其 AI 能力能够更好地学习和适应用户的习惯和需求，通过调节温度、湿度、光线、音量等，以及各 类家居设备的运行和协同状态，匹配用户的身体状态、作息规律，从而提高用户的生活舒适度。 未来场景展望 - 12 - 鸿蒙 2030 白皮书 预计到 2030 年： ◎ 终端设备接入突破万兆，家庭宽带万兆渗透率 23% [7] ◎ 家用智能机器人普及率将超过

舶的航行轨迹均具有随机性，以任意一艘船舶为中心的 5 公里广播范围内，接收信息的目标船舶始 终处于动态流转状态。前一秒处于 5 公里范围内的船舶，可能因航行远离脱离广播覆盖，新的船舶 又可能因航行靠近进入覆盖范围，这种无固定规律的目标实时变化，使得移动通信网络难以提前识别、 持续确定每一次广播的具体接收目标，对网络的实时感知、动态组网与快速适配能力提出了极高要求。 图 1 船船互联场景 任务驱动式智能互联技术白皮书 20%），网络难以通过统一规则捕捉意图产生的规律。 这种“临时、随机、难感知”的通信意图，对移动网络的资源调度能力提出了特殊要求：传统基于 “长期规划、固定分配”的资源模式已无法适配，网络需支持“即时接入、即时释放”的灵活调度。 在智能体突发通信意图时，能快速分配信令信道与数据带宽，完成链路建立与信息传输；通信意图 终止后，立即释放资源以避免浪费，从而适配智能体高频次、短时长、无规律的自主通信需求，这 也成

能力数字化、 绩效颗粒化、 结构柔性化、 文化利他化 现思维与心灵的自我突破 , 帮助企业文化、 经营模式、 组织结构、 数据智能等多方面的全面升级 , 而升级过 程 可能是遵循一般规律的渐进式 , 也可能是站在风口期的跨越式。 内容简介 平台化管理核心理论是管理升维和组织微粒化 : + + 核心模型 03 关系多样 化 02 平台化管理之 魂 01 数字时代的管理挑 帮助企业文化、 经营模式、 组织 结构、 数据智能等多方面的全面 升级。 过去企业的变革通常都是内部的修补与微调。 真正的升维是不断地突破自我认知及能力边界 , 而过程可能是遵循一般规律的渐 进 来的数字化社会 , 在现有的物理世界之上叠加一个虚拟世界。 什么是升维 . 在高维度预测整个商业社会发展的大方向 . 寻找在低维度空间里绝对隐身的战略选择 决策参考。 传统企业的能力之困 科学管理是过去曾存在的多种要素的结合 , 把多年 积累 的经验知识和传统的技巧归纳整理并结合起来 , 然 后进行分析比较 , 从中找出具有共性和规律性的元素 , 然后利用上述原理将其标准化 , 形成科学方法。 科学管理之父 弗雷德里克 · 温 斯洛 泰勒 导致传统企业面临困境的原因是缺乏科学管理。所谓科学管理

Representations from Transformers)，是 google 于 2018 年底提出的一个预训练语言模型，它通过无监督的方法对大规模的自然语言的语料进行学 习，从中提取出人类语言的内在基本规律，辅助后续的自然语言理解的相关任务。 例如，对于一段文本：e 成科技是 HR+AI 赛道的领跑者，在 NLP 领域有很多的技术积累。 01 背景：什么是BERT 第五部分 请回答BERT：HR 以上两方面的能力，可以理解为是人类语言的基本规律，那么当模型学习到这种规律之后，有 什么用呢？ BERT 的强大能力 以 BERT 模型为基础，通过 fine tune 的方式，可以在 BERT 已经习得的语言知识的基础上， 快速构建对其他自然语言任务的学习和理解，相比于普通的模型，其中的增益主要体现在两个 方面： 1. 理解更深入。 由于已经在大量的自然语言中习得了基本的语言规律，当模型面临一个新的自然语言任务的时 候，模型可以利用的知识就包含了已经习得的海量语言规律 + 新任务里的知识，使得模型能够 更加深入新任务所表达的规律。 2. 更少的样本依赖。 在 BERT 以前，凡是涉及自然语言理解的任务，需要少则数万，多则数十万的训练样本，才能 达 到 一 个 基 本 的 效 果，而 训 练 样 本 不 是 自 然 就 有 的，大 多 需 要 人 工 标 注。BERT 出 现 之 后， BERT 可以基于已经习得的语言规律，更好的利用样本，使依赖的标注数量降低至少一个量级，

全面加速数字化转型,已经成 为新时期企业生存和发展的必然选择。然而,企业在推进数字化转型过程中,普遍面临战略不明确、路 径不清晰、过程方法缺失、价值难获取等共性问题和挑战,亟需一套符合数字经济发展趋势和规律,且行 之有效的新型企业架构(EA),以架构为牵引,系统性、全局性推动转型变革,稳定获取预期成效,加速迈 入创新发展新阶段。 基于我国数十年来推进信息化、两化融合、智能制造、工业互联网、数字化转型等过程中形成的体系 据驱动支持实现业务动态柔性响应的模型。 3. 5 知识模型 knowledgemodel 基于多元异构动态数据,对相关业务对象的运行规律等进行动态归纳、演绎及其知识化、数字化、模 型化,可基于知识驱动支持实现业务个性化按需柔性运行和一体化敏捷响应的模型。 注:知识是对信息进一步提炼和加工形成的关于客体对象原理、规律、机理等的形式化表达。 3. 6 智能模型 intelligentmodel 基于多元异构数据,对相关 实现基于动态数据的资源(人、财、物等)全局动态优化配置 和关键业务数字化动态响应(业务数据化、数据模型化、模型数字化、数字动态化)。 注2:知识驱动是指基于对业务场景相关主体、客体、空间等的运行规律等进行动态归纳、演绎及其数字化、模型化 和模块化的知识模型,实现基于知识赋能和人机协同的业务活动个性化按需柔性运行和一体化敏捷响应(业 务规则化、规则模型化、模型知识化、知识个性化)。 注3:

从互联网舆情监测平台收 集涉警舆情，及时掌握社会舆论动态。 b. 数据分析与挖掘 运用大数据分析技术，对收集到的海量信息进行深度挖掘与分析。通过关联分析、趋势分析、聚类分析等 方法，发现犯罪规律、治安热点、潜在风险等。如通过对一段时间内盗窃案件发案时间、地点、作案手法等数 据关联分析，确定盗窃犯罪高发区域、时段及作案团伙特征，为针对性巡逻防控和打击提供依据；利用趋势分 析预测特定时期内某类犯罪发案趋势，提前做好防范部署。 善交通流量监测数据，实现对城市交通状况的全方位、实时感知。 b. 流量分析与预测​ 运用大数据分析技术与交通模型，对采集到的海量交通流量数据进行深度分析。通过时间序列分析、关联 分析等方法，挖掘交通流量变化规律，如早晚高峰、工作日与周末的流量差异模式等。结合历史数据与实时路况， 利用机器学习算法建立交通流量预测模型，提前预测未来一段时间内交通流量变化趋势，包括拥堵路段、拥堵 开始与结束时间等。例如，根 近年来，随着大数据、人工智能、物联网等新兴技术的迅猛发展，机场指挥中心迎来了现代化与智能化转 型的新阶段。大数据技术使机场指挥中心能够整合海量的运行数据，包括航班动态、旅客流量、设备运行状态 等，通过深度分析挖掘数据背后的规律，实现对机场运行态势的精准预测和科学决策。人工智能技术应用于航 班调度优化、异常事件预警、智能客服等方面，大大提高了指挥中心的工作效率和服务质量。物联网技术则实 现了对机场各类设施设备的实时感知

数据处理与分析 数据处理与分析是地形地质研究的核心环节，涵盖预处理、特征提取、地质解译及多 源融合四大步骤。预处理阶段需解决数据噪声、坐标系与分辨率统一问题；特征提取通过 地形参数计算与水文分析揭示地貌规律；地质解译结合光谱分析与机器学习识别岩性构 造；多源融合则借助空间叠加与 AI 模型提升解译精度。该过程依赖 GIS 工具、统计方法 与深度学习技术的协同应用。数据处理具体分为以下三个部分： 格式统一。将不同来源的数据（如 削减洪 峰，控制洪峰流量，平稳泄流过程的动态效果，提高控制性水库的防洪可靠性。 B. 二维水动力 二维水动力学（2DHydrodynamics）是研究水体在二维空间（通常为水平平面）内运 动规律的学科，广泛应用于河流、湖泊、海洋近岸区域、洪水淹没区等场景的水流模拟与 分析。其核心是通过数学模型描述水流的速度、压力、水位等参数的时空变化，并求解控 制方程以预测水动力过程。 根据近地遥感 震灾害的可能范围与强度。 洪水淹没分析：基于地形高程数据模拟洪水淹没范围，评估洪水对地质环境的影响。  地下水资源分析 含水层建模：利用地形数据与水文地质数据，构建地下含水层的三维模型，分析地下 水分布与流动规律。 水资源管理：模拟地下水开采与补给过程，评估水资源可持续性，支持水资源管理决 策。  地质灾害预警与应急响应 实时监测与预警：通过传感器网络实时监测地形变化（如地表位移、裂缝扩展），结