AI+CAD：多模态输入到模型 技术路径方面，生成式设计主要分为数据驱动、知识驱动和参数 化与生成式混合三种类别。数据驱动，利用大量的 CAD 模型数据、 设计案例、工程数据等，通过人工智能方法从数据中学习设计模式、 规律和特征。如申龙电梯利用浩辰 CAD 土建自动生成系统，实现根 据建筑 CAD 图纸自动生成最优电梯配置方案的设计工具，不仅使得 电梯设计更加灵活、高效，还能快速响应不同项目的特殊设计需求， 实 该工具 框架实现人工智能驱动的物理模拟，解决复杂的非线性物理问题。 技术实现方面，大、小模型技术路线协同并进。大模型擅长处理 高维复杂物理场、捕捉长程依赖关系，实现在海量数据中学习复杂物 理规律，在宏观尺度上实现颠覆性的性能提升。小模型高效、灵活、 低成本的特性使其在特定物理场景和工程任务中应用广泛。如其在焊 接工艺仿真等复杂制造场景中，可以精确模拟熔池流动、热影响区和 残余应力。使用 科研智能：人工智能赋能工业仿真研究报告（2025 年） 23 量的观测或仿真数据进行训练，可以构建出一个既能反映内在物理机 制又能适应实际场景的智能模型。模型一旦训练完成，便能确保其预 测结果严格遵循物理规律。在保持较高预测精度的同时，提供对复杂 物理现象的可解释性洞察，实现对系统行为在物理约束下的高效、可 靠预测。 流体仿真领域，物理驱动的方法将流体力学控制方程方程嵌入模 型结构，使得网络输出

可以进一步将这种思路扩展到思考过程是搜索过程的特例，比如 rStar-Math, SoS 都可以用类似的思路来理解。 本质上， STaR 一类的方法是希望模型能够学习到 MetaCoT, 即问题到答案 映射 过程背后的深入规律 但是对于问题的结构要求性高，对于复杂数学推理任务可能难以自我 迭代 难以融入 Rule-Based Reward for RL 训练 PureRL 加持下，业界的技术实践更多 Focus 直接利用 SFT 蒸馏可以学习到数据中的推理范式，虽然在推理分数上的表现有所提升，但是更多是去拟合 数 据中的 Pattern, 很难学习到数据背后的数学规律和 MetaCoT 强化学习则是通过试错和尝试，鼓励模型在最大化奖励过程中学习到推理背后的规律，获得的泛化性和推 理 表现上界更高 SFT 主要负责记忆而很难进行 OOD 泛化，基于 ORM 的 RL 泛化能力较好 [1] SFT 规范模型输出格式，使得后续的 统下 的安全 ，并不保证多智能体系统安全 \AI 系统伪装已被“安全对齐”，行为欺骗监管 随着 VLA \ Agent 等模型下游和赋能应用兴起，确保模型 AI 系统准确应对不确定性，考虑物理规律下 的人 类价值观对齐至关重要 在复杂动态环境中不仅要短期安全，还要确保长期行为的安全性，例如对操作环境造成影响。 通过形式化验证和 RL ，提升 AI 系统的可靠性与处理复杂推理问题的能力。通过构建形式化数学数据库，

道的桑格尔弹道基础上发展而来的。高超声速滑翔弹头在临近空间跳跃式飞行，气动参数具有随机不确定 性，弹道由跳跃和滑翔相互交叉构成。 目前该领域的主要技术方向包括高超声速滑翔弹头的气动力特性精确分析，基于运动规律认知、控制 模式辨识、作战意图推断的轨迹预测方法，基于声光电的高分辨率传感测量元器件及测量滤波技术，基于 人工智能和神经网络多源数据融合技术及快速处理智能算法等。该领域未来的发展趋势包括建立复杂飞行 的无人决策系统自主学习换代，提升协同效能；三是强异质动力学特性的海空无人系统一体化协同控制， 结合实时反馈与调整机制构建一体化控制模型，统一与适配不同跨域航行器的动力学特性，探索人机多模 态交互控制规律，为不同平台之间的高效协同提供支持。总之，海空协同异构无人系统一体化控制技术的 不断发展，对保障我国海上活动安全、开发深海资源与发展海洋经济等具有重要的实际意义 目前，该前沿中核心专利产出数量排 85.35 2021.7 4 多模态感知认知智能理论 117 11 893 101.65 2020.4 5 超高灵敏度跨尺度缺陷检测技术 88 5 027 57.12 2020.1 6 数据和物理规律驱动的智能科学计算 62 12 916 208.32 2021.4 7 大规模卫星集群分布式规划与智能协同控制 61 * 504 8.26 2021.6 8 超大规模集成光计算芯片 20 1 793

增强， 关注焦点随之发生变化。 爱与归属 自我 实现 尊重需求 安全需求 生理需求 爱和心灵的归属感  例如固定的居所和稳定的收入，朋友/爱人/孩子/稳定/社会地位 远离恐惧，保障规律性生活  保障安全稳定，免除基本威胁，满足对恒常有序的需求 维持自身生存的最基本的需求  盐、糖、蛋白质等基础生存需要，基础但不唯一 最高阶层：实现自身全部潜能的需要  人对于自我发 大家都一样 90/00后 第 一 消 费 第 二 消 费 第 三 消 费 第 四 消 费 代步工具 身份地位 个性彰显 无品牌倾向 规律一：新消费潮流一二线先行再扩散三四五线城市 规律二：新消费潮流均是主力年轻人率先带动再扩散 规律三：新消费潮流家庭增换购先行再扩散首次购车 每一次切换都是重新占领用户心智 每一次切换都是靠供给在创造需求 （ 中国SUV-电动车-智能化渗透率变迁节奏 资 产 机电化 智能化 生态化 ● 汽车行业的”苹果” ● 传统车企都在努力做 ● 新势力 ● 大众、丰田 ● Tesla ◆ 什么事情对车企来说最重要？！一切以用户为中心是永恒不变的规律！ ➢ 造车1.0时代：“开不坏的丰田车“，安全且结实的产品是用户所需。 ➢ 造车2.0时代：“一辆不断自我进化的车“。”安全”是只是及格条件。 ➢ 造车3.0时代：“一辆能给用户带来财富的车”？不仅是消费，更是生产资料。

值时，平台下发控制指令降低可 控负荷（充电桩、景观照明等） 的充电功率或直接停止供电。 通过平台记录的用电负荷历 史数据， 识别企业负荷的“峰”、 “谷” 出现的时间规律、功率、 持续时间，经计算后合理设置储 能系统的充放电时间段和持续时 间，减少容量电费，降低用电成 本，也可以降低扩容需求。 运行流程 0 1 0 3 0 2 不够负载消耗时，减少负载（或者调节充电功率）或者储能系统对负载放电。 10 削峰填谷 1 ）根据用户用电规律，设置峰值和谷值，当电网功率大于峰值时，储能系统放电，以此来降低负荷高峰； 当电网功率小于谷值时，储能系统充电， 以 此来填补负荷低谷，使发电、用电趋于平衡。 2) 根据分布式电源发电规律，设置峰值和谷值，当电网功率大于峰值时，储能系统充电，以此来降低发电高峰；当电网功率小于谷值时， 储能系统放电，

然而，大模型的崛起有望带来“基础模型+各类应用”的新范式。大模型凭借其卓越的理 解能力、生成能力和泛化能力，能够深度洞察工业领域的复杂问题，不仅可以理解并 处理海量的数据，还能从中挖掘出隐藏在数据背后的规律和趋势。此外，区别于传统 的人工智能模型只能根据已有数据进行预测和推断，大模型则能够生成新的知识和见 解。最后，大模型的泛化能力能够在更广泛的工业场景发挥作用。 大模型为工业智能化拓展新空间 竞争 力。 1.3. 大模型应用落地需要深度适配工业场景 大模型的优势在于其强大的泛化能力，可以在不同的领域和任务上进行迁移学习， 而无需重新训练。但无法充分捕捉到某个行业或领域的特征和规律，也无法满足某些 特定的应用场景和需求，在真正融入行业的过程中，需要适配不同的工业场景，其核 心就是要解决以下三个问题。 不懂行业：大模型在处理特定行业任务时，往往表现出对行业知识、术语、规则 庞大的知识数据库中提炼出更多的特征变量。这些特征变量不仅数量庞大，而且涵盖 了多个维度和层面，从而更全面地反映现实世界的复杂关系。以自然语言处理为例， 大模型通过学习大量的文本数据，能够掌握语言的规律和模式。当给定一个句子或段 落时，大模型能够基于联合概率分布生成与之相关的新句子或段落。这些生成的内容 不仅符合语法规则，而且能够保持语义上的连贯性和一致性。此外，大模型还能够根 据上下文信息

育新形态。同时，着力探索建立不同类型高等教育的关键场景转型试点，系统开展应用实验和融合变革，提炼总结数字化转型的模式与 思路，发挥示范和带动作用。 第三，对标高等教育强国建设战略任务，在遵循人的发展规律和高等教育规律前提下，锚定高等教育教学、科研、服务应用场景，跟进 新兴技术尤其是生成式人工智能技术的发展与应用，探索人工智能技术赋能高等教育模式变革路径，使高等教育新形态最大化促进教师 和学生全面发展，实现师生的生命质量提升，发展师生智慧。 筛选审查力度，不能简单地移植或照搬，要在数 字技术和高等教育之间架起“双向奔赴”的理论 桥梁，发挥技术赋能教育优势的同时，用理论催 化二者的深度融合，并透视背后隐藏的风险与挑 战。基于高等教育规律和人才成长规律进行数字 技术研发，在高等教育人才培养、科学研究等场 景的应用反馈中不断优化完善，为高等教育数字 化转型提供专业的技术支撑。 加强理论建构 强化融合质效 05 高等教育数字化转型的实践进路：

快速的数据处理和查询 算法能够让我们快速感 知大千世界发生了什么 ，我们将对大千世界无 所不知。 通过数据分析和挖掘， 我们会逐步掌握大千世 界发生和发展的规律， 洞察未来的趋势，预测 未来的发展，通过掌握 规律，我们能够做到对 大千世界的发展无所不 晓。 数据采集会越来越方便 、简单、全面、低廉， 人类采集的数据将越来 越丰富，未来将记录所 有人类甚至非人类的各 数据应用的四个层次如上图： ◼ 第一层次、 描述性分析： 通过数据统计汇总“发生了什么”； ◼ 第二层次、 诊断性分析：通过数据模型和算法找到事物之间的规律，并回答“为什么发生”； ◼ 第三层次、 预测性分析：通过总结出的逻辑规律进行预测，并回答“将发生什么”； ◼ 第四层次、 规范性分析：通过预测规范行为，并回答“应该做什么”。 数据价值挖掘：从数据分析的四种类型分层挖掘数据价

力供需之间的动态 平衡，确保电力系统的安全稳定运行，已成为各方关注的重点并得到业界的普遍认同。 （2）荷端资源开发潜力巨大。江苏负荷规模居于全国前列，资源的总量和多样性优 势明显，负荷规模大、规律性好、可控性强的工业用电量占全社会用电量的比重接近七成， 电动汽车、5G 基站、数据中心等新型具有调节潜力的灵活性资源规模日益增长；荷端资 源信息化管理程度高，负荷监测覆盖率高，实现了 50 千伏安以上容量客户负荷 形式，属于资源管理模式，而非具体资源类型。故课题主要侧重于工业负荷、充换电负荷、 非工空调、用户侧储能、5G 基站及数据中心等本体资源的开发利用，着重分析其技术调 节潜力。 3.1.1 工业负荷 江苏工业负荷规模大、规律性好、可控性强，可调节潜力巨大，是需求侧资源利用 的优先挖掘和重点开拓方向。不同类型工业的主要负荷调节设备、参与需求响应的时间 尺度以及响应潜力（即可调负荷占比）有明显差异。相关研究表明 [11]，在理想的政策、技术、 。由于各类 充电场景差异较大，不同类型的充电设施聚合开发难度也不同。高速公路充电站、快充站， 主要是满足客户快速补能需求，调节难度大；公交车站、专用车充电站，由于公交车、专 用车运行里程有限、规律性较强、出行时间短、单车充放电功率大等特点，参与短时灵活 | 12 | 需求侧资源潜力评估与开发利用路径 性调节的难度小，是可以优先开发的重点资源；居民用户和办公场所的内部电动汽车充电 设施