电力人工智能多模态大模型 创新技术与应用 1 、研究背景 2 、关键技术 3 、应用案例 4 、未来展望 目 录 人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科 学；其在历史上经过多个发展时期，形成了不同的技术流派； 深度学习是目前主流。 1950s—1970s 1970s 中期 1980s-2000s 通用模型 无需人类专家标注 高效互联通讯： NVLINK 、 HCCL ( 华为 ) 多模态通用模型： Qwen2-VL 等 . 背景 1—— 人工智能的概念及发 展 数据 算力 的范式，使大规模预训练成为可能。近年来，大模型凭借超大规模参数和海量数据学习，在多模态学习、 推理和通用人工智能方向取得重要进展，为人工智能的发展开启了新的阶段。 大模型 模态扩展 文本 检索增强 图像 / 视频 大规模基础模型 音频 电力大模型 医疗大模型。 Transformer 架构 注意力机制 多模态融合 0upr ake Wefert

合分析）导致计算性能延迟增加 50% 以上，难以支 撑高价值场景（金融、物流、交通）等低时延响应 要求。 08 · 挑战三、高质量语料稀缺 政府、金融、医疗、制造等行业大模型专业语料稀缺， 海量多模态数据（文本、图像、传感器）待标注数 据占比高，高质量语料转化率低（语义缺失、时效 滞后等），无法满足行业大模型训练推理阶段对行 业标注数据的诉求。 · 挑战四、安全能力参差不齐 数据流通涉及数据提供方、使用方、服务运营方等 薄弱环节，无法满足全链路数据安全防护要求。 2、人工智能大模型语料发展与挑战 2.1 人工智能大模型语料发展趋势 1. 从大语言模型到多模态 / 具身智能大模型的语料演进 当前大模型技术正经历从弱人工智能（机器学习、神经网络、大语言模型）向通用人工智能（Agent、多模态、 具身智能）的范式跃迁。这不仅对于模型架构的设计理念进行了重构，同时也对大模型各阶段的训练语料提出 全新要求。 1942 1956 大模型技术发展演进阶段 09 公开数 2c 现象级应 首先，对多模态关联的复杂语料需求日益迫切。针对 大模型语料质量，传统纯文本数据已经无法支撑多 模态与具身大模型联合建模的需求。业界实践表 明，在多模态场景下的语料供给，需要进行跨模态 语料数据精准对齐，实践通过融合图文信息，运动 轨迹，场景数据，使得复杂论文的解析准确率提升 37%。此类多模态场景在处理包含图表、公式的复杂 文档时，需要在语料标准中体现语义逻辑关联能

月，国网湖南电科院发布 10 亿节点配网视觉大模型。 口 2024 年 12 月，国网长沙供电公司研发人工智能“配网调度员”“光明”。 口 2024 年 12 月 19 日，国家电网发布千亿级多模态行业大模型“光明电力大模型”。 南方电网： 口 2023 年 09 月，南网发布电力行业人工智能创新平台及“自主可控电力大模型 ( 大瓦特 )” 。 口 2023 年 12 月，南网总调发布“大瓦特 统智能仿真计算工具。 口 2025 年 06 月 28 日， “擎源”发电行业大模型，国家能源集团发布。 中国南方电网 CHINA SOUTHERN POWER GRID ■ 多模态技术融合：采用多模态深度学习技术，融合图像识别、自然语言处理和时间序列 分 析等多种 AI 算法，可自动读取实时和历史数据，实现对关键设备的精准诊断。 ■ 算力与算法优化：硬件采用全国产 GPU 算力集群，提升大模型训练效率；软件层面构建 电压 稳定 多 稳 定 耦 合 频率 稳 定 时间特性差异 空间特性差异 预想事故 临时计划修改 分岔 路径 ( 演变场景 ) 多尺度 多模态 多任务 风险事故 → 演变路径 2 计划路径 中国南方电网 CHINA SOUTHERN POWER GRID 风险点 ⑤. ③ ① 多种稳定问题特征分 析

模型城市赋能体系的建设思路,探讨大模型与智慧城 ·91· ���E�����0 市相结合的 3 种典型场景,提出未来智慧城市发展与 大模型结合的持续发展策略。 1 大模型的定义与核心特征 “大模型”是指基于海量多模态数据预训练、具有 巨量参数规模(通常在百亿至万亿级别) 的深度学习 模型,能够处理复杂语言理解与生成任务,并展现出强 大的泛化、推理和上下文学习能力。 大模型的核心特 征包括以下 4 方面 预训练+微调范式:利用大规模无标注数据 预训练获得通用知识,再通过特定领域标注数据微调 适应下游任务。 其三,涌现能力:模型规模达到临界点后表现出的 超越小模型的、不可预测的新能力,如复杂推理、代码 生成。 其四,多模态融合:处理和理解文本、图像、语音等 多种信息形式。 大模型不仅是人工智能技术发展的重要里程碑, 更是驱动新质生产力发展的关键引擎,其应用正渗透 至智慧城市建设的各个环节,推动城市运行模式向更 云计 算资源,提供充足、普惠、绿色的算力支撑,满足大模型 训练和推理的庞大需求。 数据要素体系:在保障安全和隐私前提下,推动公 共数据、行业数据安全有序开放共享与融合治理,构建 高质量、多模态的“ 语料库”,为大模型提供优质“ 燃 料”;建立数据确权、流通、交易机制。 算法模型仓库:建设城市级基础大模型(或引入优 质开源/ 商用模型),并围绕重点领域(如政务、医疗、 交通)开发或汇聚专业领域大模型(如

篡改、滥用等安全风险，保障政务数据的安全和隐私。 1.3 项目范围 1.3.1 平台功能 平台功能涵盖多个方面，包括国产算力资源池、 多模态大模型部署、数据治理工具链、可信管控系统、 智能应用开发平台等。 国产算力资源池要统筹提供多元化的国产算力能 力，满足不同大模型和应用场景的算力需求；多模态 大模型部署模块要实现对 DeepSeek、通义千问、智 谱等通用大模型的统一部署和管理，支持各类智能应 用的调 个部门的试点 场景开发，完成数据采集目录的制定和部分数据的采 集整合，开发相应的智能应用模块，进行初步的测试 和试运行。 8.1.2 二期（2026 年 1 月 - 2026 年 12 月） 上线多模态大模型部署平台、可信管控系统，完善数 据治理工具链的功能。扩大算力资源池的规模，增加 算力设备和存储容量，优化网络架构，提高平台的性 能和可靠性。 扩展试点范围至 10 个部门，新增省高级人民法 亿元，各阶段资金投入如下：  一期（2025 年）：1.5 亿元，主要用于平 台架构设计、基础设施初步建设、5 个部门试点 场景开发等。  二期（2026 年）：2.0 亿元，主要用于多 模态大模型部署平台和可信管控系统上线、算力 资源池扩展、10 个部门场景开发等。  三期（2027 年）：1.7 亿元，主要用于平 台全面上线运行、功能优化、用户培训、运维体 系建设等。 8

中国数字营销生态图 年度解读报告 这一年间，AI完成了从“初级大学生”到“985学霸” 的跨越。 能力进步的背后是大模型深度思考能力和多模态能力 的全面提升。数学成绩的进步尤为突出，从去年的平均47 分飙升至138分，显示其逻辑推理能力大幅增强。同时， 随着多模态能力的发展，大模型在物理、化学、生物等传 统弱项上也取得长足进步，成功弥补了图像识别和理解方 面的短板。 更令人惊叹的是，AI正从“学习人类”向“模拟人类” 估”的 标准尺子。 图：明略科技 2025年 品牌AI认知榜 l 营销的AI决策，从海量生产到测评决策的内容闭环 AI支持决策的另一个表现是中营销中，实现了生成到 评估的闭环，我们知道，多模态内容的发展标志着品牌与 消费者的交互从单一感知向多元化感官体验转变。 Copyright© 2025虎啸文化/秒针营销科学院 2025 中国数字营销生态图 年度解读报告 人工智能已经成为艺术家、设计师、作家和创意工作 这些都是企业的内容痛点。 妙啊AI系统，从找灵感到生成海量素材，一站式完成。 爆款分析模块中提供每天内容电商跑量指标最好的数千条 商品素材，分门别类让用户快速查看获得灵感。以AI技术 针对每条素材进行多模态解析，自动拆解画面、文案、素 材结构，提炼可复用的爆款内容框架，由AI根据产品关键 信息，结合爆款内容框架生成脚本，速度快，质量高。 之后系统通过分析脚本内容，从素材库中匹配最合适 的素材镜

5、Google的Gemini 2.5 Pro、Anthropic的Claude 4等模型在复杂推断能力上持续突破。例如，Gemini 2.5 Pro在数学推理（2025高考数学卷得分140分）和多模态理解（支持100万令牌上下文窗 口）上达到新高度，而Claude 4 Opus通过混合推断模式实现“快速响应”与“深度反 思”的动态平衡。 模型摸高驱动集群规模走向10万卡，代际快速演进： 北美头部互联网客户在智算领域 的范式转变。大模型技术与运维知识工程的深度融合带来了突破性变化。基于自然语言生成 工作流模式，实现告警处置经验固化为自动化流程，从而实现故障处置效率的提升。 在数据中心网络运维领域大模型的发展形式正从自动化、智能化向多模态融合、平台 化运维方向演进。尽管面临数据质量、可解释性和安全性等挑战，但其在数据&信息查询、 故障检测等方面的应用已展现出巨大潜力。未来，随着技术的进一步成熟，大模型将成为数 据中心运维的核心 力分析极限，瞬时故障（如网络抖动、服务雪崩）需秒级定位，传统人工运维面临多系统割 裂，信息孤岛现象严重，同时依赖运维人员自身的经验能力，往往需数小时排查，定位效率 和分析能力与预期存在很大差距。相比之下，AI 大模型通过多模态数据融合分析，能够打 破信息壁垒，将运维模式从被动响应升级为主动预测，有效满足金融业务对网络可靠性的高 要求。 4.3.4 网维 Copilot 数据中心网络运维场景中，数据中心网络运维涉及告警平台、自动化平台、ITSM

炼（RAR）方法提升训练效率，DeepXDE 库实现了复 杂几何域上的前向和逆问题求解，为科研和教育提供 了可操作性工具。未来发展方向包括进一步提升高维 复杂系统的训练效率、设计可自动满足物理不变量的 网络结构、结合多模态实验数据进行隐式物理规律发 现，并拓展至多物理场耦合与实时预测的工程应用场 景。整体而言，该前沿不仅展示了深度学习与偏微分 方程求解的深度融合，也推动了科学机器学习（SciML） 在理论研究和工程应用中的快速发展。 热点前沿 序号 研究前沿 核心 论文 被引 频次 核心论文 平均出版年 1 智能驾驶场景的多模态三维实时目标检测研究 30 3157 2022.3 2 基于深度学习的 6G 语义通信系统研究 26 2343 2022.3 3 通信感知一体化系统设计与性能优化 32 4814 2022.0 4 多模态医学图像分割与特征提取研究 18 4995 2021.9 5 零知识证明：隐私、可扩展性和密码学应用 计算机视觉与三维感知、下一代通信与网络、AI 赋能 科学研究、医学图像计算和密码学与安全等 5 个方向 （表 53）。计算机视觉与三维感知方面的 4 个热点前 沿均是首次上榜，包括智能驾驶场景的多模态三维实 时目标检测研究、6D 目标姿态估计和跟踪技术、神经 渲染和深度伪造的生成与检测、语音驱动的 3D 面部 动画和同步技术。下一代通信与网络方面有 2 个热点 前沿，其中 6G 语义通信系统首次成为热点前沿；通

头部 对冲基金如文艺复兴科技（Renaissance Technologies）和 Two Sigma 的 AI 模型贡献了超过 70%的交易收益。 当前技术发展呈现三个显著特征：  多模态数据融合：传统量价数据与另类数据（卫星图像、社交 媒体情感、供应链物流数据）的结合使模型预测精度提升 20%-35%。例如，美国对冲基金 AQR 通过分析停车场卫星图 像预测零售企业季度营收，年化收益提升 特征工程自动化：通过 CNN 处理订单簿图像数据，LSTM 捕 捉多周期时序模式 2. 策略持续优化：在线学习机制可实现每小时策略权重更新，适 应市场 regime switching 3. 多模态数据处理：融合新闻情感分析（NLP）、卫星图像 （CV）等另类数据源 关键性能对比如下表所示： 维度 传统量化交易 AI 量化交易 年化夏普比率 1.2-1.8 2.0-3.5（顶级对冲基金数据） 用时序模型，例如通过 LSTM 捕捉市场状态记忆性或使用 Transformer 处理多品种协整关系。 数据适应性是模型设计的关键约束条件。若输入为异构数据 （如订单簿、新闻情感、宏观指标），需采用多模态架构。以下为 典型模型与数据类型的匹配方案： 数据类型 推荐模型 优化重点 结构化价格序列 TCN（时序卷积网络） 卷积核尺寸与层级堆叠 非结构化文本 BERT+Attention 融合层 预训练微调与特征降维

营策略。 后记 乌克兰袭击俄罗斯战略轰炸机事件发生后，面对无人机这种低成本、 无底线的公共安全威胁，我国同样面临大规模部署无人机反制的全民低空 安全防务体系建设任务！而基于低成本、广覆盖、多模态的机坪、机库、 机巢【硬件设施+雷达反制设备】等一体化站点来部署全国性的低空安全 防务网络，不失为一种战略选择： 8 全国以通航思维看低空、或者以建设通航机场为抓手入局低空的→都 是伪命题