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

维修简单方便 高度集成化插拔式收发组件 信号处理器 故障实时响应 到达设备现场 2 小时内恢复工作 P12 技术成果： 延长预见 期 融合短临预报和实测数据的降水空间分布计算方法 提出了耦合深度学习和时空地理加权回归的数据融合方法（ GTWR-LSTM ） ； 融合站点观测数据与雷达回波反演或模式短临预报数据 ，提供精细化降水时空数据； 降低短临预报平均绝对误差减小 10% 以上 ，预见期延长 将水文学原理和数据驱动模型相耦合 ，构建物理函数约束的深度学习模型 ，在深度学习模型中考虑了 流域产汇流的物理机制 ，使深度学习模型测预测结果更符合物理规律。 耦合物理机制的深度学习： 产汇流机制约束的深度学习洪水预报模 型 技术成果： 提高模拟精 度 在损失函数中嵌入物理机制 在模型训练模式中考虑物理机制 P16 耦合物理机制的深度学习： 产汇流机制约束的深度学习洪水预报模型 模型结构： 在充分考虑流域产汇流机制基础上 在充分考虑流域产汇流机制基础上 ，模型构建了分布式的深度学习预报模型进行滚动预 报，最大程度控制误差； 模型输入： 前 24h 降雨与边界流量 / 水位 ，未来 72h 的气象网格降雨预报结果； 模型输出： 四条支流关键断面 ， 以及丽水站、 开潭水库未来 72h 的流量 / 水位。 技术成果： 提高模拟精 度 P17 适用性强： 与其他神经网络模型相比 ，模型结构适用于雨水

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

让党的旗帜在互联网上高高飘扬。 建设需求 加强党员队伍建设是党建思想的重要内容，培养高素质党员，是每个基层支部的职责，也是日常 工作。每周开展的党员学习、会议精神传达，是很多行政、事业单位日常功课。党员的思想建设 是一项长期工作，集中学习，不仅耗时耗力，而且还会产生巨额会议花费；会议精神传达，讲求 及时准确，但在实际操作中根本无法保证，自然落实就成了一句空话。村、镇一级的党建工作无 法 03 现场扫码 签到 04 扫码 签退 05 学习 台账 06 党建云视频直播用于各乡镇、村进行党员集中性 的视频会议。使用 PC 端进行视频会议的消息发 布，党员通过“云岭先锋” APP 接收消息，并在线 提交报名信息，现场进行对应直播视频的扫码签 到，直播视频结束时扫码签退，对整个学习过程 记录并生成学习台账。 视频设备 摄像头、切换台、液晶电视、笔记本 电脑 下达教育培训会议通知后，生成会议相对应的二维码，二维码贴纸现场，使用云 岭先锋手机 APP 接收会议通知，在线报名，并参加现场会议，进行收集扫码签到，记录 学习轨迹，会议结束生成学习台账及学习数据。 01. 党建云视频直播 扫码签到 学账习台 学习台账 01. 党建云视频直播 学习台账 应用场景 会议直播频道 用户扫码签到 签到成功 01. 党建云视频直播 序号 系统名称 模块名称 模块介绍 一次性建设

《教 育强国建设规划纲要》明确指出，需通过实施国家教 育数字化战略，构建泛在可及的终身学习体系。这要 求我们突破传统教室的物理边界，将AI教学装备视为 联通国家智慧教育平台、融入教育大数据中心的关键 节点。 从教育实践来看，AI教室的构建有助于学校形成 “师—生—机”三元协同、数据驱动的智慧学习空间。 它不仅是传统教室的硬件升级，更是实现大规模因材 施教、培育学生高阶思维与创新能力的基础环境。其 学、处处能学、时时可学的学习型社会奠定坚实基础， 共同塑造引领未来的教育新形态。 当前，我们正处在以人工智能为核心驱动力的新一轮 教育变革浪潮之中。智慧教室作为教育教学数字化转 型的关键载体，不仅是技术装备的集成升级，更是教 育理念与底层逻辑的系统性重构。它依托AI技术底座， 实现从“教”到“学”的深刻跃迁，推动教学流程再 造、场景融合与生态协同，构建以学习者为中心、数 据驱动的教育新范式。 教育部基础教育教学指导专业委员会委员 面向未来，智慧教室承载着素养导向 育人为本的时代使命！ 著名教育专家观点 产业领军人物观点 人工智能正在重新定义教育的未来。其核心在于通过 对学习过程的多维度精准感知与基于数据的自适应反 馈，真正理解每一个学习者：感知他们的学习节奏， 洞察他们的认知特点，从而实现规模化因材施教与个 性化发展支持的协同发展。 在AI教室的整体架构中，鸿合依托多模态感知等技术， 实现情感计算与学情追踪的深度融合。同时，在恪守

....25 3.3.1 机器学习........................................................................................................................................................27 3.3.2 深度学习................ 的空间。AI 技术在新能源汽车制造中的应用，不仅能够提升生产效 率、降低生产成本，还可以通过智能化的质量控制手段，显著提高 产品的可靠性和安全性。例如，在电池生产环节，AI 可以通过大数 据分析和机器学习算法，优化电池材料配比和生产工艺，从而提高 电池的能量密度和循环寿命。在装配线上，AI 驱动的机器人能够实 现高精度的零部件组装，减少人工操作的误差。此外，AI 还可以应 用于供应链管理、物流调度和售后服务等环节，通过智能预测和优 应用报告显示，全球领先 制造企业中已有 67%实施了 AI 解决方案，其中，预测性维护的成 功实施使设备非计划停机时间减少了 30%-50%，维护成本降低了 20%-40%。 在质量控制方面，基于深度学习的视觉检测系统已广泛应用于 精密制造领域，通过高分辨率工业相机与 AI 算法的结合，缺陷检 测准确率可达 99.9%，远高于传统人工检测的 95%。以某汽车零部 件制造企业为例，其引入 AI 质量检测系统后，产品返工率降低了

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

药物虚拟筛选，所需的时间同样是难以接受的。 AI大模型辅助药物虚拟筛选 基于AI的算法，包括监督学习，无监督学习，自监督学习，强化学习以及基 于规则的算法，可能有助于解决传统方法中存在的问题。 AI方法通常基于对数据特征的学习。具体来说，就是从大量的已知药物化合 物和非药物化合物中，去学习成药所需的潜在特征，并依据这一特征对化合物进 行能否成药的分类。这样的方法同CADD一样，是一种虚拟筛选的方法，不受到 筛选的方法，不受到 化合物是否可得的限制。但是相比于CADD，他有着一个巨大的优势，即AI方法 并不基于复杂的物理计算，而是基于已有的数据去自主学习。这一优势主要的体 现便在于，他打破了CADD中的trade off，即在高质量数据的支持下，AI方法 能够做到同时保持高精度以及高速的药物筛选。 然而，高质量数据这一前提条件十分的苛刻，简而言之，高质量数据要求具 备两个特征: 1，进行训练的药物 法，从而为自然语言处理带来了质的飞跃。 而在药物筛选领域，如果我们依照类似的方式，让AI模型去充分利用海量的 蛋白、分子数据去进行自监督训练，是否也有可能学习到分子世界中的"语法"规 则? 这种方法的潜在优势在于，它可以利用现有的大量无标签分子数据集，就像 GPT使用互联网上的无标签文本一样。通过自监督学习，模型可以无需昂贵的实 验数据标签，就能够识别和理解生物分子的本质特性，从而为新颖和强大的药物 发现机制奠定基础。如果AI能

..............................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