习、教师教学、学校治理、教育创新、国际合作等核心 场景，有组织地推动大规模、常态化应用，探索出一条 中国特色的教育数字化发展路径。 当前，大力推进教育数字化，发展包容和公平的优 质教育，让全民终身享有学习机会，已经成为世界各国 的普遍共识。面对教育发展与变革，中国愿与世界各国 携手合作，共促国际文明互鉴、共享优质教育资源、共 建协同创新生态、共护人工智能安全，构建伴随每个人 一生的教育、平等面向每个人的教育、适合每个人的教 ① 三通两平台：即宽带网络校校通、优质资源班班通、网络学习空间人 人通，建设教育资源和教育管理两大公共服务平台。 ·4· 2018 年，发布《教育信息化 2.0 行动计划》，提出“三 全两高一大”的发展目标 ①，推动教育信息化深入发展。 围绕数字教育资源、网络学习空间等方面制定系列政策 文件，构建起教育信息化的政策体系。 完善学校教育信息化环境。习近平总书记指出，要 年底，中国教育部、财政部启动“教学点数字 教育资源全覆盖”项目，让 6.4 万个教学点“一个不落” ① 三全两高一大：即教学应用覆盖全体教师、学习应用覆盖全体适龄学 生、数字校园建设覆盖全体学校，信息化应用水平和师生信息素养普遍提高， 建成“互联网+教育”大平台。 ·5· 接收教育资源。普及“专递课堂”“名师课堂”和“名 校网络课堂”应用，推动超

证。计算科学以科学模型为基础，通过数值 方法模拟复杂系统，但需要简化模型以及提 高模拟精度，以解决模拟系统精度低且计算 成本高的挑战。随着技术的发展和数据规模 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 方法。针对复杂数据中的因果关系，发展了 一系列新的因果推断方法。针对高质量科学 数据缺乏问题，如大气数据、天文数据等， 发展了生成式人工智能技术，如扩散模型和 大语言模型。针对处理复杂系统的局限性， 发展了融合先验知识的深度学习，将先验知 识嵌入深度神经网络，在增强模型可解释性 的同时，显著提高模型的泛化能力，如物理 信息神经网络 3。 人工智能创新重塑传统科学研究过程， 加速科学发现。人工智能通过融合数据和先 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 技术的突破，人工智能不仅能从海量数据中 识别人类难以察觉的复杂模式，更展现出自 主提出科学假设、设计实验方案、优化研究 路 径 的 惊 人 能 力。DeepMind 推 出 的

迈向“全方位商业模式重塑”。目 前，大多数企业正处于IDC所定义的“AI转折”阶段⸺即在业务中发掘高投资回报率 (ROI) 的应 用场景。这一转变要求组织增设新的ICT业务岗位，掌握新技能并持续学习，强化所有岗位（包括 非技术岗位）的AI素养提升，最终建立AI治理架构。 全球ICT岗位需求将新增3600万，ICT技术人才短缺将影响数字化转型进程 AI、安全、数据科学、云计算等领域的技术人 复合技能⸺既要具备专业技术能力，又需通晓AI知 识，还要具备管理人机协作的能力。此外，各领域技术人员还应密切关注开源生态在AI时代带来 的新机遇。 IDC认为，组织应通过主动应对技能缺口、革新学习战略并培育“持续适应文化”的组织来释放AI 的潜力，将技术专长与创造力、同理心、伦理判断力等以人为本的技能相结合，以此应对智能时 代的复杂性。如今，企业、教育机构与政府等各方应协同努力，共同培养能够适应未来变化、把 务职能，以提升生产力与 收入为重点 集中化的AI技能开发被纳 入传统和扩展的跨职能角 色 运营管理 AI转型阶段 以AI为优先的战略，借助 智能代理流程重塑组织的 业务运营模式 AI技能开发包括体验式与 嵌入式学习，覆盖跨职能 角色，由IT与HR共同管理 优化创新 AI驱动型阶段 实现持续的AI驱动业务模 式创新与优化，成为组织 运营的新常态 AI技能开发完全嵌入所有 角色，由代理型AI辅导支 持，并被视为核心KPI

从机械、琐碎的招聘工作中解放出来。 第一部分 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 提升 HR 更高的工作效率， 提升岗位和简历的匹配度来减少招聘人才的成本。 在经典的机器学习排序模型中通常分为两种：复杂的人工特征工程 + 简单的模型，简单的人工 特征 + 复杂的模型。本着该原则我们对以文本为主的职位和简历对进行了匹配排序实践。 以 JD 和 CV 对为背景，该场景为经典的机器学习排序问题，目标在于预测 JD 和 CV 是否匹配， 数据集的采集则是来自我司产品 ATS 平台，HR UID，图谱产生的 ID 类特征等稀疏特征输入 FM 部分，match 特征、IDsim 特征以及 textsim 特征为 dense 特征输入。结果很是令人欢喜，达到了以上实验的最优值，可能这就是 深度学习带来的魅力吧。 8 第一部分 | 在 喜 悦 的 同 时，我 们 想 现 有 的 ID 初 始 化 embedding 都 能 产 生 如 此 大 的 魅 力，利 用 graph embedding

分析和预测方面，传统的技术手段面临着效率低、准确性不足以及 成本高昂等问题。在此背景下，引入先进的技术手段以优化医疗健 康场景的运作已成为行业的迫切需求。DeepSeek 作为一种基于深 度学习的智能分析工具，具备高效的数据处理能力和强大的预测分 析功能，为医疗健康领域的智能化转型提供了新的可能性。 医疗健康场景中，数据的复杂性和多样性对技术提出了更高的 要求。例如，患者的电子健康记录（EHR）、医学影像数据、基因 组数据等多源异构数据的整合与分析，需要处理大量的非结构化数 据，并从中提取有价值的信息。传统的处理方法往往依赖于人工干 预或简单的算法，导致效率低下且容易出错。而 DeepSeek 通过其 先进的深度学习模型，能够自动识别、分类和解析复杂的数据结 构，显著提高数据处理的效率和准确性。 此外，医疗健康领域的决策支持系统也对预测能力提出了更高 的要求。例如，在疾病诊断、治疗方案推荐和患者预后预测等方 先进技术解决方案，不仅能提升医疗服务的质量和效率，还能在保 障数据安全的同时，推动整个行业向更加智能化和个性化的方向发 展。 1.2 DeepSeek 技术的基本介绍 DeepSeek 技术是一种基于深度学习和大数据分析的先进解决 方案，旨在通过智能算法和自动化工具提升数据处理和决策效率。 该技术的核心在于其能够通过海量数据的训练，形成高度精确的预 测模型，并能够在复杂的场景中实现高效的实时分析与响应。在医

将科学理论转化为有形价值，是典型的“实践导向”与“成果落地”驱动。 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 岗位，但同时也将创造更多与工程智能紧密结合的新岗位，这种变化在人工智能 发展所新兴的职业中已经初见端倪，包括人工智能伦理学家、提示词工程师以及 人机交互设计师等。其次，工程智能还将革新工程教育形式，通过个性化学习、 高保真仿真实践等，显著提升人才培养的质量和效率。更进一步地，人类与智能 的协作将逐步演化为“共生智能”的新模式，在此模式下，人工智能的目标不再 是完全替代人类的“完美机器”，而是作为“灵魂搭档”激发人类创造力和智慧， ，人工智能通过生成式设计算法， 能够基于预设的性能需求快速生成多样化的建筑形态，并优化建筑能耗模型，显 著缩短设计周期，识别出最具成本效益和环境友好的方案。在实施与优化环节， 工程智能通过机器学习模型预测项目持续时间、成本超支和劳动生产率，从而实 现高效的排程、资源分配和风险管理。计算机视觉系统能够实时监控工地，追踪 工人动态和设备使用情况，自动检测安全违规行为并提供实时警报，显著提升现

5.3.4. 日常伦理治理与持续评估 5.4 行业人才在大模型能力提升和风险防控重点重要作用 5.4.1.医疗健康领域的人才需求分析 5.4.2.人才教育体系的调整与创新 5.4.3.界合作与持续学习机制 5.4.4.人才评估与认证体系 45 45 46 46 46 48 48 49 49 50 50 50 50 51 51 51 51 52 52 52 53 54 54 参考文献 概述 1.1 大语言模型技术发展概述 近年来人工智能（AI）技术的飞速发展，各行各业正在经历一场颠覆式的科技革命，早期的模型以 判别式为主，主要通过大量的自然语言预训练语料，来让模型学习词句的语意，从而实现文本分类 、命名实体识别（NER）、关系抽取等偏向于理解的任务，此类判别式模型也通常只能解决该场景 下的 特定任务 ， 迁移 性和 可扩 展性 较 为有 限 。 自 20 17 3 等 ） 采 用 了 基 于 自 回 归 （ Autoregressive） 的 生 成 方 法 ， 即 根 据已有的前文信息逐词预测下一个词语的概率分布，从而实现高质量的文本生成。与传统的监 督学习方法相比，生成式预训练模型的优势在于它们可以在大规模未标注语料库上进行预训练，然 后通过少量有标签数据的微调来适应特定任务。这种方法极大地降低了对大量人工标注数据的依 赖，同时也加速了模型的迭代更新过程。

万亿美元经济收入，AI 驱动的自动化决策与交互将成为业务常态。与此同时，传统 应用与 AI 应用的融合不再局限于简单的功能叠加，而是依托数据与 API 的深度协同，构建起“感知 - 决策 - 执行 - 学习” 的闭环智能体系。在这一趋势下，应用现代化的核心命题已从“云原生”升级为“AI-Native”，即应用的全生命周期—— 从开发、运行到运维、集成——均需围绕智能体的自主性、协同性与进化能力重构。 从“工具执行者”进化为“智能决策体” 重塑“以客户为中心”的价值链 涌现“需求即服务”的应用创新范式 算法 算力 数据 安全 人工智能驱动 数字基础设施 数据联接价值 软硬系统自主化 深度学习、强化学习 自然语言处理等 模型库、案例库、知识库 工具库、大型开源平台等 数据融合、数据分析 数据应用等 应用产品安全、供应链安全 （应用开发、运行、运维） 数字 应用生态 硬件开发 部因素制约。软硬协同结合自主可控的根技术软件，将促进关键领域的应用智能化发展，提升产业韧性，抵御外部供 应链风险，为应用智能化生态的长期安全稳定保驾护航。 推动人工智能蓬勃发展的前提是应用现代化的发展成熟和壮大。未来，随着深度学习、强化学习、自然语言处理 等人工智能技术的不断迭代创新发展，AI 将在更多垂直领域实现深度应用，不仅将提升生产效率和服务质量，还将创 造新的商业模式和市场机会，使人工智能成为推动社会进步的重要力量。应用现代化走向智能化发展也将迎来“技术

也能参与数 据分析。通过自助式的数据分析和可视化工具，用户可以根据 自己的需求灵活创建报表和图表，极大提高业务人员的分析能 力，推动全员数据文化的建设。 现代BI系统需具备预测分析的能力，通过机器学习、人工智能 等技术为企业提供更深入的洞察。例如，通过数据模式识别和 趋势预测，帮助企业提前做出决策、优化运营流程。 现代BI系统应具备集成和整合来自不同来源的数据的能力。企 业不再仅仅依赖于单一的数据源，而是需要能够综合内部和外 9 www.leadleo.com 400-072-5588 中国：人工智能系列 白皮书｜2025/05 ABI定义分析 ABI（AI赋能的BI）是AI赋能后的BI系统，它能利用大模型和机器学习技术， 消除了数据分析的门槛并增强了预测能力，使得非技术用户能够轻松地 获取业务洞察，并基于实时数据进行未来趋势预测 人工智能与商业智能发展现状——ABI定义 来源：头豹研究院 数据源 MySQL 降”→“检查天气”→“对比竞争对 手”→“得出结论”。 • 多代理协作（Agenting）：多个AI模块分工，一个查销量，一个查外部新闻，一个做预测，最后汇总。 • 预测与模拟：用统计模型或机器学习，预测未来（如销售额forecasting）。 应用效果 • 例如，老板问“明年销量会怎样”，AI不仅给数字，还能说“基于天气和竞争趋势等，预计增长5%”。复杂 任务自动化，则能实现“不同Agent快速沟通协作”。

数字城市智慧云停车 项目商业计划书 微信扫码 海量资源到手 1. 进群即领福利《报告与资源合编》，内有近百行业、上万份行研、管理及其他学习 资源免费下载； 2. 每日分享最新 6+ 份精选行研资料； 3. 群友信息交流，群主免费提供相关行业报告。 报告整理于网络，只用于群友学习，请勿他用 知识星球 行业与管理资源 1. 无限制下载各行业研究报告、咨询公司管理方案，企业运营制度、科技方案及大 咖报告等。 咖报告等。 2. 每月更新超过 3000 份最新行业资源；涵盖科技、金融、教育、互联网、房地产、 生物制药、医疗健康等行研报告、科技动态、管理方案； 微信扫码 学习工作无忧 微信扫码或添加客服微信（微信号： Teamkon4 ）免费报告等你领。 （添加好友请备注：姓名 + 单位 + 业务领域） 行业与管理资源微信群 业务合作联系微信： Teamkon CONTENTS 01 项目背景 投资期，投资时间也较短，风险可控。 微信扫码 海量资源到手 1. 进群即领福利《报告与资源合编》，内有近百行业、上万份行研、管理及其他学习 资源免费下载； 2. 每日分享最新 6+ 份精选行研资料； 3. 群友信息交流，群主免费提供相关行业报告。 报告整理于网络，只用于群友学习，请勿他用 知识星球 行业与管理资源 1. 无限制下载各行业研究报告、咨询公司管理方案，企业运营制度、科技方案及大 咖报告等。