走向未来学习中心 数据驱动的智慧图书馆新场景 目录 CONTENTS 建设实践与应用场景 数据中台建设 时代背景与面临的任务 2 3 1 时代背景与面临的 任务 2022 年 10 月，党的二十大报告首次提出： “ 推进教育数字化，建设全民终身学习的 学习型社会、学习型大国 ”。 2023 年 5 月，中共中央政治局就建设教育强 国进行第五次集体学习： “ 教育数字化是我国开辟教育发展新赛道 为重塑教育形态、推动创新 发展带来新的机遇和挑战。 时代背景 学习范式转型：从“被动学习 ”向“ 自主学习 ” 搭建智慧学习空间 探索新型基层学习组织 打造泛在化、个性化、协作化的学习场景 源自：教育部高等教育司 . 人工智能引领高等教育数字化创新发展 . 2024-03-17. 时代背景 未来学习中心 资源为基 ， 强化全校文献 信息资源保障体系和保障 科研成果数据应用： 满足科研产出服务需 求， 持续支持校内科研 产出数据管理应用场景 —— 与校务数据中心打通 3 学科资源服务： 学科平台建设、 学科服务打造 —— 与学科院系打通 1 学习资源整合： 满足课程资源服务， 扩 展图书馆核心数据应用场景 —— 与教务部打通 建设实践 需求拉动 建设教材教参数据库： 源头参与教务平台教材管理模块的流程设计 与建设 ，初步完成教材教参数据库建设

杨强 微众银行首席人工智能官（ CAIO ） 加拿大工程院与皇家学院院士 杨强 202307 weBank AI Agent 是大模型面向应用端发展的下 一阶段 联邦学习与联邦 大模型 WeBank AI Agent 目录 2 2. 通用大模型不具备专业知识 通用大模型如直接用于各行各业，模型表现 得专业知识不足，并不能满足业务要求； 需要利用本地数据训练垂类行业大模型，大 机器学习 模型实现 2% 数据标注 25% 数据整合 10% 数据清洗 25% 通用大模型不能直接应用 对数据相关的处理过程可占据 超过 80% 的时间，其中数据标 注环节的耗时占比可达 25% 1. 通用大模型存在幻觉问 题 机器学习项目中不同环节耗费 时间结构比重 机器学习 模型训练 10% 数据识别 5% 机器学习 模型调参 5% 机器学习 算法开发 AI Agent 如何解决生成式大模型短板 微调数据（思维链） 微调效果： 6 联邦大模型 方案 ： 1. 构建联邦大模型新范式，解 决数据稀缺 / 标注不足问题； 2. 利用联邦学习技术，在保护 数据隐私的前提下，合规合 法地利用手机、汽车等终端 设备上的私域数据； 效果 ： 1. 联邦大模型，整体性能更优； 2. 联邦大模型，有效保护了私 域数据的隐私和机密。

Educational，Scientific and Cultural Organization，UNESCO）2023 年发布《2022-2025 年教师发展战略计划》提出， “教师质量是学习成果的核心要素，高质量的教师和教学有助于改善学习，实现 优质、公平和包容的教育” ①。经济合作与发展组织（Organization for Economic Cooperation and Development，OECD）2025 45(08):13-21. 2 第 1 章 生产力的发展需要大量具备技术思维、复合思维与创变思维的新质人才支撑 ①。 新质人才培养需要教师角色转型和能力提升。教师不仅需要转变角色，“做 学生学习的指导者、支持者” ②，还需发展数字素养和人机协同能力 ③，提升利用 数字技术优化、创新和变革教育教学活动的意识、能力和责任 ④，由注重知识的 单向传递转变为注重知识的双向自主建构。推动教师转型驱动育人范式升级，方 相应的设备操作使用技能，能根据教学需要开发相应的资源。 在信息技术阶段，以互联网通讯传输为载体，促进了网络教育资源普及和共 享，推动了在线教育平台、移动学习工具的出现和应用，打破了原有静态化、预 设化、固定化的教学方式，出现了混合式学习、翻转课堂、泛在学习等新型教学 方式。这一阶段需要教师掌握信息技术应用能力，从关注工具操作转向关注信息 技术与学科教学整合应用。 在智能技术阶段，以互联网、物联网、5G/6G

制《普惠算力赋能教育 行业研究报告（2025 年）》。报告阐述了“算力+教育”行业应用发展 的背景，剖析了算力在不同学段的应用现状，明确了“算力+教育” 产业发展状况，以及算力赋能教育在教学、学习、管理以及科研等领 域的典型应用场景，并对各应用场景的部署进行了分析，征集了“算 力+教育”在基础设施层、平台技术层和应用服务层的典型案例，最 后从基础设施、标准规范、人才培养以及政策支持等维度提出了推动 .......................... 23 （一）算力赋能革新教学模式 ........................................ 23 （二）算力赋能升级学习体验 ........................................ 27 （三）算力赋能优化教育管理 ..................................... 1996 强调为教育信息化创造基础 设施条件；NETP 2000 强调数字化学习的重要性；NETP 2010 强调利 用技术促进教育创新。NETP 2024 将教育领域的数字鸿沟划分为“数 字使用鸿沟”“数字设计鸿沟”“数字获取鸿沟”，通过对数字鸿沟进 行详细的分析、阐述，提出具体的行动倡议，以促进有效利用技术支 持教学与学习。NETP 2024 描述了三个数字鸿沟，详细地分析、阐述 教育数字

加入星球获取更多更全的数智化解决方案 十五五时代背景 - 国家教育信息化发展战略 支持各级学校全力推动信息技术与教育教学深度融合。鼓励学校利用大数据技术开展对教育教学活动和学生行为数据的收集、分析和反馈， 为推动个性化学习和针对性教学提供支持。各类学校建设智慧校园，综合利用互联网、大数据、人工智能和虚拟现实技术探索未来教育教 学 新模式。 国务院：《国务院关于印发国家教育事业发展“十五五”规划的通知》 教育部：《教育信息化 高教育质量的有效手段，必将成为泛在学习环境和全民终身学习的有利支撑，必将带来教育科学决策和综合治理能力的大幅提升。 要坚持教育信息化为教育改革发展服务，通过在教育教学与教育管理全过程的深入应用，使教学更加个性化、教育更加均衡化、管理更加精 细化、决策更加科学化，实现信息时代的人才培养目标。 构建信息化条件下的人才培养模式，探索基于信息技术的新型教学模式，加强对学习者任职和学习行为规律的研究，养成师生数字化教与学 字化教与学 的习惯，实施因材施教、个性化学习的新型教学组织方式。重塑教学评价和教学管理方式，利用新一代信息技术、跟踪监测教学全过程，开 展学情分析和学习诊断，精准评估教学和学习效果，变结果导向的“单一”评价为综合性、过程型的“多维度”评价。 加快形成覆盖各级各类学校、学习者和教与学全过程的教育管理与监测体系，推进基于大数据的教育治理方式变革，建立完善教育公共信息 资源开放目录，形成规范统一、

多任务协同学习 视觉－语言－动作 (VLA) 多智能体社会化交互 群体态势自主感知 集 群 协 同 感 控 一 体 视 觉感 四 未来工作 一 研究背景 二 VisDrone 数据平 台 · 三 · 低空协同感知脑 混合专家动态融合 数据支撑 大规模、多源、多模态、多任务的协同感知开放数据平台 双向动态提示学习 复原融合一体化学习 多模 k(sio cn·wi o car)) 模型动态学习模态 - 场景的关联信息 ， 实现场景样本自适应的多模态动态融合 创新：提出局部到全局的混合专家多模态动态模型构建“模态 - 场景”动态感知关联 (ICCV 2023) 在多模态非固定关联范式中动态地相互融合主导 - 辅助模态信息 双向 Adapter 结构简单、高效（仅添加 0.32M 可学习参数） ，以通用的方式将互补特征从一种模态转移到另一种模态。 每个模态分支从其他模态中学习提示信息 ，与当前模态的特征信息相结合 ，增强表征能力。 创新：基于双向 Adapter 的多模态追踪视觉提示框架 (BAT) 实现了出色的多模态互补性（ AAAI 2024 ） 任务门控的多合一退化多模态融合模型（ TG-ECNet ） Ir=TG-EC Net(t,f 动态感知低质量图像退化类型 ，提示引导专家协同学习 ， 实现 All-in-One

、协作具身 感知推理 群体执行协调不稳定 多机具身协同难 ，导致群体具身智 能感策控实现难 性能进化难 灾难性遗忘 协同自主进化机制匮乏 ，导致感知 与持续学习能力双重受限 多机协同感知数据 协同感知与具身基础数据匮乏 ，导 致基座构建受限 “ 自主差” “ 协同难” “ 数据缺” 感知大模型 Z Z " 面 。模型 1 a 模型 2 能 群体协同规划冲突 群体感知不一致 协同 一、 低空研究背 景 二、 低空数据平 台 三、 低空感知大 脑 CONTEN TS 统计机器学习长期关注数据规模、 结构及分布与模型 泛化间规律 前提假设和静态度量失效 经验规律重构新范式导向 数据样本量稀缺 需严格约束模型复杂度 根据数据结构选择模型 维度问题影响模型选择 2017 经典泛化理论质疑： Zhang, C. 《 Understanding deep learning requires rethinking generalization 》 深度学习的 “记忆随机标签”实验 ，质疑经典 VC 维解释泛 化的有效性 2019 双下降现象与复杂度权衡曲线： Belkin, M. 《 Reconciling modern machine learning

媒 体采访时指出 ， “确实需要加快军事智能化发展。 我认为这是我们国家实现创新超越、 实现强军的一个难得战略机遇 ，也是我们实现弯道超车的难得战略机遇。 ” 伴随着大数据、 物联网、 机器学习、 智能芯片等前沿科技的创新 ， 人类社会正在 走向人机协同、 跨界融合、 万物智能的 “智慧时代” ， 而军事领域则是社会的缩影与先导。 前言 目录 CONTENTS 加入星球获取更多更全的数智化解决方案 人的战争、 武器与武器之间的对抗变成人与机器、 机器与机器之间的战争。 军事活动智能化已成为事实 1.2 新技术助力中国军事发 展 中国军事工业发展综述 中国军事工业近七十年的发展就是不断向先进国家学习并自主 创新的过程 ，大体经过了引进仿制、 自主研制、 跨越式发展三个阶段。 历经上世纪 50 年代和本世纪初至今两个黄金发展期 ， 中国军工分别 实现了军事工业基础的建立和军事工业跨越式发展。 ，大量专家系统在此时诞生。随着研究向前 进展 ，专家发现人类知识无穷无尽 ，且有些知识本身难以总结后交给计算机 ，于是一些学者诞生了将知识学习能力赋予计算机本身的想法。发展 到 20 世纪 80 年代 ，机器学习真正成为一个独立的学科领域、相关技术层出不穷 ，深度学习模型以及 AlphaGo 增强学习的雏形 - 感知器 - 均在这 个阶段得以发明。随后由于早期的系统效果的不理想 ，美国、英国相继缩减经费支持 ，人工智能进入低谷。

著提高了交易效率和 准确性。然而，随着市场环境日益复杂，传统量化策略在应对高频 数据、非线性关系以及市场噪音方面的局限性逐渐显现。在这一背 景下，深度学习技术的引入为量化交易带来了新的可能 性。DeepSeek 作为一种先进的深度学习框架，凭借其强大的数据 处理能力和灵活的网络结构设计，能够有效捕捉市场中的复杂规 律，为量化策略的优化提供了有力支持。通过将 DeepSeek 应用于 在量化交易中，模型的选择和优化是关键环节。常见的模型包 括基于技术指标的策略、统计套利策略、机器学习模型以及深度学 习模型等。其中，技术指标策略通过分析价格和成交量等市场数据 来预测未来走势；统计套利策略则通过寻找市场中的定价偏差来获 取套利机会；机器学习和深度学习模型则能够从大量历史数据中自 动学习市场规律，并生成更为复杂的预测模型。 为了确保量化交易策略的可行性和稳定性，通常需要进行以下 统的性能和稳定性。DeepSeek 技术能够通过深度学习算法，自动 从大量历史数据中抽取有用的特征，并生成更为精准的预测模型。 此外，DeepSeek 还可以结合其他技术，如自然语言处理和图像识 别，进一步丰富交易策略的信息来源，提升策略的多样性和有效 性。 1.2 DeepSeek 技术简介 DeepSeek 技术作为一种先进的数据挖掘和机器学习框架，近 年来在金融领域的应用逐渐显现其强大潜力。其核心优势在于能够

..............................83 5.1.1 监督学习与无监督学习.......................................................................................86 5.1.2 深度学习与传统机器学习.......................................... .....................................................................................223 11.1.1 强化学习应用.................................................................................................226 引言 近年来，人工智能技术的快速发展为金融领域带来了革命性变 化，其中量化交易作为数据驱动的典型应用场景，正逐步从传统统 计模型转向以机器学习为核心的 AI 赋能模式。根据国际清算银行 2023 年报告，全球顶级对冲基金中已有 78%将深度学习纳入核心 交易策略，其资产管理规模年均增长率达 23%，显著超越传统量化 基金表现。这一趋势背后是 AI 技术在处理高维非线性市场数据时 的