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

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。

）云边端协同。 第三章，围绕智能算法的研究，首先分析了云计算与云网融合相关的各类智能算法的发展趋势和应 用场景，包括运筹优化、深度学习、强化学习、大模型和 AI 智能体，然后借用本章第一个热点方向：（7） 算法赋能云计算，详细论述了运筹优化、深度学习和强化学习在云计算和云网融合中的应用。本章第二 个热点方向围绕 2025 年最火热的话题开展介绍和论述：（8）AI Agent 和 Agentic . . . . . . . . . . . . . . . . . . . 53 3.2.2 深度学习及其应用 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 3.2.3 强化学习及其应用 . . . . . . . . . . . . . . . . . . . . . . . GPU 利用率、温度、显存占用等指标进行分 钟级异常预警，结合历史故障图谱实现根因定位，SLA 违规率降低超 35%。Google Cloud 的 Autopilot [12] 系统能够结合机器学习分析容器历史负载，自动推荐最优资源配置；Monarch 系统日均处理超百万条监控 流，支持跨区域性能诊断与容量规划。Microsoft Azure 将因果推断与知识图谱应用于告警聚合，将数千条

1 10 人工智能 实验室 （4 分） 人工智能实验室按照 4:1 的生机比配备笔记本电脑；配备人工智能教学网络平 台、模块化人工智能教育实验套件；配置可拆装人工智能教育机器人套件、 VR 学习体验设备及配套资源；为教师和学生动手实验配置必需工具 4 11 防疫、安 防、广播 系统 建设 （3 分） 校园出入口有访客、人员身份识别、测温系统，校园有出入记录及人员体温 电子化可查 1 定期开展基于武汉教育公共服务平台的智慧课堂、名师工作室、课程社区、 探究性学习等规模化应用 2 22 课前能利用信息系统和工具进行备课；课中能用信息化软硬件及数字资源协 助教学和学习；课后具备配套资源平台进行拓展学习 3 23 教师熟练有效运用智能教学设备、资源平台、网络空间等开展协同教学活动； 探索信息技术支持下的翻转课堂、泛在学习、探究式学习、体验式学习等； 开设人工智能相关课程，推广编程教育 3 24 24 建有基于大数据诊断分析教学系统，能实施精准学习分析和教学干预，实现 课堂教学结构重组；能围绕日常“教与学”过程累积数据，进行个性化分析 诊断，实现学生弱点精确诊断、教学内容精确优化 4 25 有市级（四星）、省级及省级（五星）以上信息化专项科研课题，进行了开 题论证，取得阶段性成果。 1 26 积极组织教师、学生参加区级以上（含区级）信息技术应用类评比竞赛。每 年获奖师生人数比例不少于参赛总人数的

有限的传感器数 据处理能力使其难以深入理解和分析复杂的环境信息[1]。 预训练模型的突破和具身算法的应用为人形机器人带来了新的解决方案[1]。与 其他机器人一样，模拟训练也是人形机器人学习任务的主要方法，常用的模拟 平台包括 Isaac Gym、Mujoco 和 BiGym[1]。卡内基梅隆大学图形实验室创 建的 AMASS 数据集捕捉了广泛的人类运动和动作，在机器人领域的研究中被 工作来改变供应链，利用其自身的人工智能和机器学习能力以及自动驾驶汽车 特斯拉人形机器人的技术突破解读 LICHENYANG@PATSNAP.COM 3 技术[17]。除了提高效率外，Optimus 还致力于最小化能源消耗和材料浪费， 并通过将人类角色分配给关键职责来解决劳动力短缺问题[17]。 随着人工智能技术的快速发展，特别是深度学习和强化学习等技术的进步，人 形机器 形机器人的研究得到了巨大的推动[9]。深度学习使机器人能够从大量数据中学 习复杂的模式和行为，从而实现更智能的感知和决策能力；强化学习则帮助机 器人通过不断试验和反馈优化其动作策略，从而在环境中更有效地完成任务 [9]。此外，自然语言处理和计算机视觉技术的进步，使得人形机器人在与人类 互动时更加自然和高效[9]。 2、特斯拉机器人市场需求分析 随着人工智能与机器人技术的不断融合，人形机器人市场正迎来爆发式增长。

年以来，人工智能进入第三次高潮，神经网络和机器学习复兴，深度学习诞生。大 数据和云计算推动 AI 发展，重要算法和模型如 SVM 、 LSTM 、 LeNet 相继提出。 AI 在图像和语音识别应用广泛。 里程碑事件包括深蓝战胜卡斯帕洛夫和 AlphaGo 战胜李世石。 GANs 和无监督学习推动 图 片生成领域。 Transformer 架构改变深度学习方向。 OpenAI 的 GPT 系列和生成式 人工智能硬件基础，包括 GPU （图形处理单元） 、 TPU （张量处理单元）等专 门 为 AI 计算优化的芯片，能够高效处理大量数据和复杂的算法。 1. 人工智能的关键技术 机器学习 深度学习 强化学习 智能芯片技术 基础算法技术 二 、关键技 术 计算机视觉 自然语言处理 语音处理 多模态分析推理技术 1. 人工智能的关键技术 感知技术 二 、关键技 术 人工智能研究的三个门派 宇树科技军用机器狗亮相中柬“金龙 -2024 ” 联合演习 功夫 BOT 完成全球首例 720 度回旋踢： 宇树 G1 联结主义，又称仿生学派或生理学派，是一种基于神经网络和网络间的连接机制与学习算法的智能模拟方法。连 接主义强调智能活动是由大量简单单元通过复杂连接后，并行运行的结果，基本思想是，既然生物智能是由神经网 络产生的，那就通过人工方式构造神经网络，再训练人工神经网络产生智能。

011 1.1 农业科学、植物学和动物学领域 Top10 热点前沿发展态势 011 1.2 重点热点前沿⸺“利用植物根际促生菌缓解植物的盐胁迫” 012 1.3 重点热点前沿⸺“基于深度学习的植物病害检测” 016 2. 新兴前沿及重点新兴前沿解读 019 2.1 新兴前沿概述 019 2.2 重点新兴前沿⸺“花青素在食品智能包装膜中的应用” 019 生态与环境科学 1 临床医学领域 Top 10 热点前沿发展态势 041 1.2 重点热点前沿⸺“CFTR 调节剂三联疗法对囊性纤维化实现从症状控制到病因治疗” 042 1.3 重点热点前沿⸺“全切片病理图像的弱监督深度学习框架” 045 2. 新兴前沿及重点新兴前沿解读 048 2.1 新兴前沿概述 048 2.2 重点新兴前沿⸺“人工智能大语言模型 ChatGPT 等在医疗健康领域的应用” 049 生物科学 重点热点前沿⸺“通过直接探测实验寻找低质量暗物质候选粒子” 089 数学 1. 热点前沿及重点热点前沿解读 095 1.1 数学领域 Top 10 热点前沿发展态势 095 1.2 重点热点前沿⸺“现代机器学习中的双降曲线与泛化现象研究” 096 1.3 重点热点前沿⸺“物理引导神经网络在偏微分方程求解中的方法与应用” 100 信息科学 1. 热点前沿及重点热点前沿解读 105 1.1 信息科学领域