众“温暖舒适”的观赛体验。 项目引导案例 那么，类似东奥会这种赛事场馆具体是如何实现温度上报和控温的呢？ 滑冰场温度 上报 任务一 职业能力目标 01 任务描述与要求 02 知识链接 03 任务准备 04 任务实施 05 任务小结 06 任务拓展 07 任务一 滑冰场温度上报  了解 STM32 系列单片机串口结构  了解串口发送的参数设置  了解串口发送的基本流程 现字符串的发送 职业能力目标 01 知识目标 技能目标 职业能力目标 01 任务描述与要求 02 知识链接 03 任务准备 04 任务实施 05 任务小结 06 任务拓展 07 任务一 滑冰场温度上报 一大学生创业团队为国内某家滑冰运动场提供场地温度管理解决方案。 任务是设计一个温度监控设备完成场地冰面温度和场馆各区域温度数据的采 集以及与管理室的通信 机端 使用串口调试助手观察接收数据以达到验证的效果。 任务描述 任务要求  配置串口发送模式；  发送固定格式数据；  在计算机上使用串口调试助手观察数据； 任务描述与要求 02 职业能力目标 01 任务描述与要求 02 知识链接 03 任务准备 04 任务实施 05 任务小结 06 任务拓展 07 任务一 滑冰场温度上报 STM32 串口 基本功能 常见串口驱动电路

1.1 开源模型评估.............................................................................53 5.1.2 预训练任务设计.........................................................................56 5.2 微调策略............ 5.2.1 领域特定微调.............................................................................59 5.2.2 多任务学习.................................................................................60 5.3 模型优化.... 著进展，尤其是 在自然语言处理、计算机视觉和生成式建模等方向。基于深度学习 的 Transformer 架构成为大模型的核心技术基础，其强大的并行 计算能力和上下文理解能力，使得模型在处理复杂任务时表现出 色。随着计算资源的不断优化和训练数据的规模化扩展，大模型的 参数量从最初的几亿迅速增长到数百亿甚至上万亿，例如 OpenAI 的 GPT 系列和谷歌的 PaLM 模型。然而，参数量并非唯一的关键

家，定期分享经验，促进 知识交流和协作。 5. 评估与优化 持续评估⽣成式AI应⽤的 成效。定期收集员⼯反 馈，优化⼯具和流程。 2. 聚焦⾼价值任务 识别各部⻔⼯作流程中最 耗时、最重复、最低效的 环节, 节，特别是与信息流 相关的任务。 3. 试点AI⼯具 通过⼩规模试点，验证AI ⼯具的效果并积累经验。 ⽣成式AI企业智能增效五步法® 生成式AI企业智能增效五步法® 第⼀步：启动AI思维 创建开放的学习环境：鼓励员工积极尝试和反馈生成式AI工 具。 第⼆步：聚焦⾼价值任务 ⽬标： 识别各部门工作流程中最耗时、最重复、最低效的环节，特别 是与沟通相关的任务。 确定首批应用AI的领域，并设定明确的自动化目标。 实施步骤： 梳理⼯作流程：找出最需要优化的环节，尤其是那些涉及大量 文本生成、编辑或沟通的任务。 优先排序任务：根据任务的价值和自动化潜力进行排序，设定 具体目标。 客⼾类型 服务类别 选择并实施适合优先领域的生成式AI工具 通过小规模试点，验证AI工具的效果并积累经验。 实施步骤： 评估并选择AI工具：根据试点任务的特点和需求，选择合适的生成式AI工 具。 1. 小规模试点：从简单任务开始，逐步扩大应用范围。 2. 快速迭代优化：根据试点反馈，不断调整和优化AI工具的使用方式。 3. 创建⾼价值任务模板库： 分析过往成功案例，提炼高效沟通模式。 利用生成式AI，根据不同场景和目标受众，生成多样化的模板。

模型的智能化水平与使用成本的演进趋势 • 数据作为 信息媒介 • 信息获取效率 提升 信 息（感 知）系 统 • 将数据转化成 知识表达 • 大模型带来 推理能力 提升 ？ • 数据与 真实环境交互 • 具备 任务拆解与实现 能力 模 型（知 识）系 统 行动（ 实现） 系统 新拐点 和 新范式 正在形成，通用人工智能的发展 将带来人类社会发展的巨大飞跃 Gartner：A New Market Is Emerging 高级形态：AI作为主要工具，Agent对人 的依赖性在降低，且越来越像真人。人 的大部分用于繁琐日常工作的技能被AI取 代，而人机协同又让个体以前90%的弱技 能被瞬间强化 p Agent具备角色识别，规划及任务拆 解、记忆及知识沉淀、工具/技能使 用、执行动作等能力 p 采用更加高效的CUI交互模式 从技术架构演进角度 p 对话式编程时代，我们相信新的更优雅 的基于大语言模型的软件架构必将诞生 p p SPQA架构是一种全新的软件架构，区别 于以前静态、有限输入、电路式的软件 架构 n State+Policy：用于感知环境状态、组织 策略 n Questions+Action：拆解问题任务、组织 行动 用户 Autonomous Agent State+Policy Questions Action 感知 交互 实现 LLM Toos/S kills DocQA Text2SQL

系列、文心一言、通义千问、腾讯混元以及科大讯飞表现较好。 金融垂类模型国外发展先行 ，国内成品问世。 1 ） 国外彭博 BloombergGPT 率先登场。 BloombergGPT 的混合训练方法使其模型在金融任务上 的表 现大大超过了现有的大语言模型 ，而在通用场景上的表现则与之相当 ，甚至优于现有模型。 AI4Finance Foundation 开发 FinGPT ，为金融大 型语言 模型提供互联网规模的数据 ；腾讯云公布腾讯云金融行业大模型 ， TI-OCR 大模型帮助银行解决 日常业务问 题；恒生电子进一步升级金融大模型 LightGPT ，并发布多款光子系列大模型应用产品 ；蚂蚁集团公布蚂蚁金融大模型 ，在多项金融 专属任务中表 现突出；东方财富、 同花顺加大 AI 研发技术投入 ，筹建人工智能事业部 ，重点推进金融垂直大模型研发应用。 投资建议：我们预计 2024 年金融垂类模型产品落地较多，建议关注具备 领域专业性 在金融领域具有专业的理解能力，更精熟于金 融术语和概念 灵活性和利用率高 大量数据训练提高了模型的准确率，并可以应 用于多种任务中 针对性的解决方案 更适合解决金融行业的具体问题，与行业需求 和合规性要求相匹配 可迁移性强 在数据量较少的特定任务上，通用模型也可以 通过微调进行有效的迁移学习，大大减少模型 的训练时间和计算资源 高精度和合规性 提供更精确、可信赖的金融信息和建议，同时

行业薪酬云 问卷服务云 培训课程云 员工福利云 HR运维云 一体化业务 应用集成 EAS K/3 Cloud OA 其他ERP 人力共享服务 坐席绩效 智能问询 事务共享 任务监控 任务分派 快速入职 消息预警 AI机器人 满足集团管控、数据共享、灵活设置、信息安全、快捷运算 规范、高效的 人力资源事务处理能力 自 助 功 能 覆 盖 全 员 共享服 务平台 云服务接入 配送、SPS 成套配送、紧急叫料等； 备料管理：根据产线生产计划与执行进度，产生备料信息，如备料指令、备料看板等，指引精准 备料； 配送任务：根据现场生产进度与配送策略实时生成配送任务，配送人员根据手持终端获取配送 指令进行物料配送； 配送执行与接收：物流人员收到任务，执行配送将物料送至线边指定地点，线边进行物料接收； 线边库存管理：物料到达线边库存实时增加，防止物料在线边货架或其它物流器具上积压，实 • 异常补录 • 手动工步 实时接收 • 系统实时接收 • 报错实时反馈 光伏行业数字化联合白皮书 办公区 AGV小车 配送任务指令 AGV取料 材料仓/线边仓 扫描识别 生产线1 生产线2 生产线3 产线 AGV送料 计划安排任务顺序 生产派工 MES 配送需求 LES 配送执行 指令生成 ③安灯拉动式 ①计划拉动式 ②补仓拉动式 37 38 5.2

人工智能自诞生以来，历经“符号主义”“连接主义”的迭代，但始终受限 于任务单一化、数据依赖强、泛化能力弱的瓶颈。直到以 ����������� 架构为核 心的大模型技术突破，才真正开启了“通用智能”的可能性，为整个智能领域带 来颠覆性的范式重构。� 大模型的核心优势在于规模化训练带来的涌现能力。与传统 �� 模型针对单 一任务设计、依赖人工标注数据不同，大模型通过万亿级参数规模、跨领域大量 理解复杂语义、生 成逻辑内容、跨任务迁移知识的能力。以 ��� 系列、������、文心一言等为代表 的大语言模型，不仅能流畅完成文本创作、代码生成、逻辑推理等任务，更能通 过多模态融合（如��������的图文理解、�������的跨模态交互），实现对“文 本�视觉�语音”多源信息的统一处理。这种“跨模态理解�知识泛化”能力，打 破了传统��� 的任务局限，为智能技术向物理世界延伸奠定了基础。� 了基础。� 长期以来，传统机器人作为自动化工具，仅能按照预设程序执行重复任务， 缺乏对环境变化的适应能力与自主决策能力。而人工智能与大模型技术的进步， 正推动传统机器人向智能机器人跃迁，并赋予了其感知、决策、交互三大能力。� �� 具身智能� 当大模型推动传统 �� 技术突破，并赋能传统机器人向智能机器人升级时， 具身智能概念应运而生，成为定义下一代智能机器人的核心范式。� 具身智能

设备端 边缘服务器 本地一体机部署 私有云 公有云 来源：沙利文、头豹研究院 中国推理算力：定义与服务覆盖范围 关键发现 推理算力主要负责AI模型的推理任务，主要用于处理和执行已经训练好的模型进行实 际应用。这包括执行推理任务、处理实时数据和提供预测结果。推理过程通常对计算 资源需要快速响应，对实时性要求较高。 市场研读 2025/08 使用新数据推理出各种结论。  推理芯片的目标是在已经训练好 的模型上执行任务，推理芯片不 需要进行复杂的学习过程，其设 计重点是在保持高效计算的同时， 尽可能减少功耗。  因此，推理芯片比较关注低延时、 低功耗。可配置使用优化的推理 硬件，高效能的服务器和网络设 备如GPU、NPU或FPGA，这些硬件 能够高效执行模型推理任务，以 确保快速响应时间和稳定的服务。 但不一定需要与训练时相同的硬 件配置 Cache同步  每个NPU配备不少于200Gbps的RoCE接口  确保数据传输低延迟和高带宽 用户请求 任务调度 预填充实例 Prefill  任务类型：计算密集型  硬件需求：高算力NPU/GPU集群  优化目标：最小化首Token时延 解码实例 Decoding  任务类型：内存密集型  硬件需求：大容量内存+高内存带宽  优化目标：最大化Token生成效率 高性能RoCE网络

已经成为衡量一个国家或地区综合实力的重要标志，谁在信息化潮流中落伍， 谁就会被时代所淘汰，在教育大国向教育强国迈进的进程中，加快教育信息化 既是事关教育全局的战略选择，也是破解教育热点难点问题的紧迫任务。”因此， 教育信息化将成为今后十年中国教育系统整体改革与创新发展的战略选择和强 大杠杆。 我国教育改革和发展正面临着前所未有的机遇和挑战。以教育信息化带动教 育现代化，破解制约我国教育发展的难题，促进教育的创新与变革，是加快从 德国职业教育教学信息化发展对我国有如下启发： 1) 探索信息技术条件下的职业学习“新范式” 应当建立职业教育信息化教学的新“范式”，即通过设计在现代教育技术（包括 互联网+）支持下的跨职业、多学习场所的学习性工作任务，确保学习者成为教 学过程的主体。在此，需要适时采用多种情境教学的模式和方法，如在考虑实 际问题的复杂性时建立接近学习者的个体学习环境（即抛锚式教学），按照“从 初学者到专家”（from Novice 在较大差别。“工学一体化”教学的特 点是： “工学一体化”基本概念： 工学一体化的教学方法是以技能训练为主线，融合各种理论知识教学及综合 素质养成的一种职业技能教学方法，也就是我们通常所说的任务驱动法教学。 坚持实用为主、够用为度的原则，以职业技能训练为核心，建立若干教学模块， 将理论教学和技能训练有机结合的教学模式。 “工学一体化”特点： 一是突出职业技能训练的主导地位。围绕职业技能训练要求，确定理论教学

A 三 奥意建筑 食 智慧 VIP 商务接待场 景 自动递送核心优势 设置任务 放置餐食 提升运营效率 摄升服务质量 开始递送 路径规划 提升品牌形象 降低运营成本 顾客 / 用户 机器人执行下一个任务 任务完成机器人返回 减少上菜风险 应用场所及功能 应用于餐厅、办公、医院、娱 中国电子院 | A 奥意建筑 · 送餐机器人可代替部分人工工作，起到 降本增效的作用。 · 送餐机器人可实现多任务配送，准确送 达，避免餐品滑落、交叉污染、菜品丢 失、误送等风险。 · 送餐机器人已成为一种新颖的推广方式， 能吸引更多顾客，在社交媒体上产生更 多话题和曝光。 食 智慧递送场 景 中国电子院 A= 奥意建筑 · 自主最优全覆盖路径规划； · 自动标识已清扫区域； · 自主乘梯，实现跨楼层多区域清洁。 · 定时任务，自动启动； · 精准导航，完美避障； · 自动返航充电，无须人工干预。 · 清洁滚刷自清洁，精准贴边清洁； · 清洁速度快； · 多档位可调节。 室 内 清 洁 机 器 人 食 智慧清洁场景