AI - Powered Low -Altitude Inspection System 全域感知，智驭低空 雄安国创中心低空智能实验室 CONTENTS 落地成效 Implementation Impact 解决方案 Technology Framework 未来展望 Future Prospects 智巡背景 Background Introduction 中心简介 NATIONAL CENTER OF TECHNOLOGY INNOVATION 政府持续加大对低空经济与智能产业的支持力度， 为创新试点与成果转化提供制度保障。 产学研协同共建 多方机构携手共建低空智能实验室 ，构建跨领 域联合创新平台。 科技创新驱动 通过机制创新与成果转化 ，形成从技术突破到 产品落地的完整产业链闭环。 打造低空智能创新高地 空天地水协同智能无人集群感知平台 多目标检测 多机感知

业化，平均研发周期长达 10 - 15 年，研发投入高达数亿元。 实验数据分散于各类科研机构 、高校以及企业内部， 缺乏统 一的整合与共享机制， 导致大量重复实验， 严重浪费了宝 贵 的科研资源，降低了研发效率。以某新型合金材料研发为 例， 由于不同团队之间数据无法有效共享， 重复进行了超 过 30% 的相似实验， 使得研发周期延长了 2 - 3 年 。模拟计 算数据方面， 由于缺乏统一标准， 由于缺乏统一标准， 不同计算方法和软件得 出 的结果差异较大， 数据的准确性和可靠性难以保障， 无 法为 实验提供精准的理论指导。 在产业应用层面 ，新材料从实验室走向市场的转化之路困 难 重重 。科研机构与企业之间信息沟通不畅， 科研成果往 往未 能充分考虑市场实际需求， 导致大量具有潜在价值的 新材料 成果被束之高阁， 无法实现产业化 。相关研究表 明， 我国新 材料领域的科研成果转化率仅为 产需求脱节， 影响了电 池的生产进度和质量。 1.2 可信数据空间对新材料产业的重要意义 可信数据空间为破解新材料产业发展困境提供了创新性的 解决方案， 具有不可估量的重要价值 。它能够对实验数 据、 模拟计算数据 、产业应用数据等各类数据进行全面整合， 通 过制定统一的数据标准和规范， 打破数据孤岛， 实现数 据的 无障碍流通与高效共享 。这为新材料研发提供了丰富 、全面

..............................................................................33 （一）量子保密通信科研多方向探索，实验成果丰富...................................33 （二）量子保密通信拓展应用场景，提质降本是关键................................. 量子计算主要技术路线核心指标发展趋势....................................................14 图 10 谷歌 Willow 超导量子计算芯片表面码纠错实验........................................18 图 11 量子计算软件技术体系架构...................................... 2.0................................32 图 15 新型协议 QKD 系统实验（a）TF-QKD（b）MP-QKD.............................33 图 16 QKD 应用场景探索（a）英国现网实验（b）我国无人机实验................. 37 图 17 美国 NIST 抗量子加密（PQC）标准化发展历程.....

塑造未来18个月人工智能驱动转型的战略重点 人工智能正从概念验证阶段发展到企业级部署 3. 人工智能从测试和试点转向各行业的战略性、生产就绪型应用 组织正从广泛实验转向具体、高价值 2. 用例 从炒作转向专注：经过验证、可衡量的应用取代了漫无目的的实验 5. 语义建模、对话智能和治理正成为关键的不同点 定义可扩展性、信任和负责任的人工智能采用的隐藏促进因素 结论：基础决定未来 前方的三条道路以及为什么坚实的基础决定了你选择哪一条 的数据是孤立的、难 以修改、难以访问、 管理方式成为瓶颈， 并且局限于狭隘的应 用场景，那么就很难 取得进展。” 1 2026年人工智能的成功将是由数据基础设施驱 动，而非新模型 如果2025年是人工智能实验之年，那么2026年将是基础核算之年。目前最 高投资回报率的技术投资是数据基础设施，而不是最新的AI模型。构建合 适的管道、建立清晰的公司级数据管理方法，并使数据高度可用且尽可能 接近实时，代表着最佳的回报率举措 t等工具 ，但缺乏适当的访问权限和治理，导致员工之间意外共享敏感信息。这并 非真正的人工智能问题，而是数据权限和治理的失败。在准备人工智能时 ，强大的治理框架需要成为优先事项。 2 组织正从广泛的实验转向具体的高价值用例 该模式在各行业重复出现。航空公司需要数据共享平台，以实现与第三方实 体的合作。在媒体和娱乐行业，投资将人工智能与强大的数据管理相结合， 能够带来切实的成果，包括超个性化的客户体验、内容与受众趋势的先进分

达到实际效果。 公司研发了国内目前较为完善的高效课堂师生行为训练系统，形成了符合 学校工作实际的一套切实可行的高效课堂学生行为训练方案，能保证参与互动课 堂实验学校，快速建立符合自己学校特色的高效课堂模式。 为保证实验学校高效课堂的顺利执行，公司以训练方案为蓝本，指导学校建 立信息化课改小组，加大高效互动课堂推进力度。首先进行专家引领，解决教师 观念问题。其次以名师课题为示范，让教师明确操作细节。最后教研推广，形成 户接受的方案是设计者的首要任务。 94 教育信息化智能解决专家 所研制的 VRP 系列真三维虚拟演播室系统是目前世界上渲染能力最强的虚拟 三维演播室，是国内首家具有应用级的，满足学校教学实验要求的真三维虚拟演 播室。系统具有三维空间制作、三维模型制作和三维跟踪交互，广播级图像输出 可同时实时渲染数十万个三角面片、两百多兆纹理贴图、八盏全部类型的灯光及 指数型光照模型、多路活动视频 ，这需要有相应的课程 学习来达成，各个学段涉及到的课程内容由浅到深、循序渐进： 年级 学期 课程内容 培养能力 小学 四年级 上学期 Scratch 创意编程 软件编程能力 下学期 初级实验箱 智能电子认知能力 五年级 上学期 创意电子套件应用 Scratch 编程与传感器应用 101 教育信息化智能解决专家 下学期 初级 3D 结构设计 3D 结构设计能力 六年级 上学期

台《加快推进教育数字化的意见》，明确提出加强人工智能等前瞻布 局，加快建设教育行业人工智能大模型，推动课程、教材、教学数字 化变革。探索建设云端学校、智造空间、未来学习中心，建设“人工 智能+X”国家级实验教学中心，构建新型教学组织形态等方向。 地方层面积极响应算力赋能教育发展方向，各地区出台政策鼓励 算力赋能教育行业发展。2024 年 10 月，北京市教育委员会发文聚焦 于教育教学与技术创新的双向赋能，以建设一个促进教育教学创新、 全省教育系统算力共享机制，集成高性能计算节点、高速网络互联及 智能调度系统，升级“教育魔方”智能中枢能力。推进“西湖之光” 算力联盟、浙江大学启真算力中心、浙江大学国家人工智能产教融合 创新平台和教育大模型研究应用实验室建设。 普惠算力赋能教育行业研究报告（2025 年） 7 二、算力赋能教育行业应用现状 算力赋能教育是算力赋能千行百业转型中的重点领域之一，是以 算力资源为核心底层支撑的教育创新模式，通过“人工智能+教育” 作业批改系统借算力集群 压缩批改耗时，生成知识漏洞报告；个性化学习模型依学生数据实时 生成适配路径。数据驱动融合下，算力将分散数据进行整合，助力教 师调整节奏、管理者优化配置。边缘计算的覆盖，让偏远课堂接入虚 拟实验室，AI 语音互动系统即时响应学习需求，开启即时教育新生 态。 算力赋能 K12 教育的主要问题集中在算力鸿沟挑战、数据信息质 普惠算力赋能教育行业研究报告（2025 年） 12 量难保障

靶点发现，候选药物筛选，候选药物 优化，临床前研究，临床实验，以及市场化等步骤 [1]。靶点发现作为整个流程 的第一步，是新药研发中决定成败的一步，成功的靶点识别可以为后续的药物设 计提供方向。不仅能提高新药的研发效率，也能极大地改善患者治疗期间的生活 质量。 药物研发生产流程，图片引自[1] 传统方法在靶点识别中的局限性 在AI的第三次浪潮之前，靶点的识别通常依赖多组学实验方法或者计算机辅 助药物设计的方法 助药物设计的方法。多组学方法主要通过对病例组和对照组进行基因组、蛋白质 组等组学数据差异性比较，提取出可能致病的基因或蛋白靶点。这一方法通常有 着较高的准确性，但整体策略既费时又费力，且实验结果严重受到生物样本质量 的限制。 计算机辅助的方法主要包括反向对接，结构相似性分析等。这些计算技术能 够一定程度上加速靶点的筛选速度，但同样存在自身的局限性。如反向对接需要 在大量的蛋白质目标中进行对接，这会极大的消耗计算资源和时间。结构相似性 型可以整合海量的医疗研究相关文本，通过在文本中提取潜在的关联信息，发现 人类可能忽视的模式或连接。目前已有研究通过向大语言模型提问的方式，提取 出针对特定疾病的潜在靶点，从而避免一些不必要的组学实验。此外，AI模型完 成训练之后，可以将类似反向对接技术的时间复杂度降低到线性级别，甚至提高 精度。AI也可以进行蛋白质结构的预测，从而帮助结构相似性分析等技术的实 现。 基于上述所提的AI在靶点发

将处理后的数据交由深度神经网络进行二分类和多分类计算,并将结果 融合,得出基本概率分配函数值,其将作为 DＧS证据理论的输入.最后,通过 DＧS证据理论的融合规则得到最终的网络安全态 势评估结果.实验结果表明,相较于传统态势评估模型,所提方法能够在提升客观性的情况下,保持较高的准确性. 关键词:智慧水利;网络安全态势感知;DＧS证据理论;深度自编码器;深度神经网络 中图分类号 TN９１５．０８ 深度自编码先对海量数据进行数据降维和数据过滤,来避免 此类问题. １ 相关研究 网络安全态势感知的研究方法复杂多样,其中态势评估、 态势预测是网络安全态势感知研究的重点.针对这两大重点 模块,学者们将不同的算法融入其中进行实验,并试图建立一 个效率高、适应性强、可靠性高的网络安全态势感知模型. 国内外研究 中,Wang等[５]将 线 性 加 权 法 融 入 DＧS证 据 理论中,通过线 性 加 权 法 对 原 始 数 Xie等[７]所提出的 一种基于 RBF(RadicalBasisFunction)神经网络的网络安全 态势预测模型,是为了解决态势要素与评估结果之间的不确 定性及模糊性问题.但是该模型所使用的方法仅实验于小规 模的理想网络 中,还 需 要 部 署 在 实 际 网 络 环 境 中 进 行 测 试. 同样是基于深度学习的研究,Dutt等[８]提出了一种IBLT(InＧ stanceＧBasedLearningTheory)模型

在AI大模型时代到来之前，先导化合物的发现以实验方法及计算机辅助药物 设计(CADD)的方法为主。这些方法都有着一些自身难以解决的问题。 实验方法: 当前，药物化学实验方法在很大程度上依赖于"试错法"。这些技 术涉及检查大量潜在的药物化合物，以识别具有所需特性的化合物。显然，这些 方法速度缓慢且成本高昂，若是完全基于实验方法进行药物虚拟筛选，完成化合 物数据库的筛选所需的时间是一个天文数字。此外，实验方法还受到可用测试化 化 合物的供应和准确预测它们在体内行为的难度的限制。 计算机辅助药物设计方法(CADD): CADD相较实验方法极大地加速了先导 化合物发现的速度。在CADD中，先导化合物的筛选被普遍称为: 虚拟筛选 (virtual screening)。他使用基于分子力场或者量子力场的分子对接方式，对数 据库中的海量化合物与靶点进行对接，从而依据自由能最小化等方式，计算靶点 与药物的亲和力，完成药物的筛选 评价的性质，需要昂贵的实验进行证明。这一问题往往使得分子大模型在实际应 用中处于尴尬的地位。 算法的透明度和解释性： AI在药物虚拟筛选中的另一个挑战是算法的“黑箱”性质。复杂的机器学习模 型，尤其是深度学习模型，虽然在预测性能上表现优异，但其内部的决策过程往 往缺乏透明度，这对于药物发现来说是一个严重的问题。因为成药需要是一个严 谨且透明的过程，如果不能解释分子为何有效，那么在实验证明药效不及预期