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 AI 崛 起，多模态 AI 处理多种媒体。 全球大模型竞争激烈， AI 技术取得显著进展，对社会产生深远影响。 3. 人工智能的历史 发展历程 推理大模 型 提示词与提示工程 04 AlGC 与 GPT( 通用大模型的代 表 ) 生成式预训练 Transfomer 模型， GPT 的全称，是 Generative Pre-Trained Transformer （生成式预训 练 Transfomer 模型）是一种基于互联网的、可用数据来训练的、文本生成的深度学习模型。 大模型的基本概念 -ChatGPT 概 述 各大热门平台产品月活跃用户数破亿所需时长。 各大热门平台产品月活跃用户数破亿所需时长。 ChatGPT 被称为 AI 的“ iPhone 时刻” , 以 ChatGPT 为代表的生成式 AI 让每个 人命令计算机解决问题成为了可能。可 对生产工具、对话引擎、个人助理等各 类应用 , 起到协助人、服务人甚至超越 人的角色。 海量下游应用也因此捕捉到新的技术与 产业机会 , 希望通过各类大模型与工程 化能力 , 将类 ChatGPT 产品能力输送 到原有的应用中

ARL 调查的未来 12 个月内生成式 AI 在研究图书馆中应用最多的 领域 背景 人工智能生成内容 ( Artificial Intelligence Generated 与人类创作者创作的内容相对，是利用能够在短时间内自动创作大量内容的先进生成式人工 智 能技术创作的内容。从技术角度看，人工智能生成内容是指，在人类提供指导模型完成任务 的指 令后，利用生成式人工智能算法生成的，满足指令要求的内容。生成过程分为两步：从指 令中提 取意图信息；根据提取出的意图信息生成内容 [1]。 上述定义将 AIGC 定义为一类内容，从内容生产者的角度将 AIGC 与专业生成内容 (Professional Generated Content, PGC) 和用户生成内容 (User Generated Content, UGC) 区别开来。除了上述定 义之外， AIGC 还被定义为利用人工智能技术自动生成内容的新型生产方式；以及用于内容自 动化生成的一类技术集合 [2]。 [1 ] CAO Y, L I S , L IU Y, et a l. A Co m p rehensive

环节：第一，警情处置环节，通过实时语义解析 110 报警录音，自 动生成包含地理位置、事件类型、危险等级的结构化数据，某省会 城市试点显示，平均响应时间缩短 22 秒；第二，线索研判环节， 利用图神经网络构建涉案关系图谱，某毒品案件侦破中自动发现关 键人物关联线索 3 条；第三，应急预案生成环节，基于历史处置案 例库自动输出处置建议，在杭州亚运会安保中辅助生成 17 套针对 性方案。 技术落地路径已形成明确迭代路线：第一阶段（6 AI 分析节点，主要承担以下核心功 能：  实时视频结构化分析：采用 YOLOv5s 优化模型，实现人车物 检测准确率≥92%（白天场景）  关键帧提取：每 30 秒保存 1 帧高清图片并生成特征向量  数据脱敏处理：对人脸、车牌信息进行动态模糊（模糊区域像 素偏差值＞15%）  异常事件初筛：通过行为分析算法识别打架斗殴、聚集等 6 类 异常场景，误报率＜3 次/天/路 安全体系采用 三横三纵 防护架构：  横向防护：网络边界防火墙+视频专网 VLAN 划分+HTTPS 传 输加密  纵向防护：RBAC 权限控制+国密 SM4 数据加密+区块链存证 （每 10 分钟生成区块，哈希值长度 256bit） 系统支持平滑扩展，单个集群节点可承载 10 万 QPS 的分析请 求，当业务量增长 30%时，可通过增加 docker 容器实例实现线性 扩容。所有分析模型均支持热更新，模型迭代周期控制在

为核心的全链路改造。一是产品设计数字化。以客户需求为导向， 搭建数字化研发体系：在 PCBA 研发环节，依据客户提供的功能 需求与机构尺寸，通过 Altium Designer 软件将元件库生成 3D 模 型，直观呈现产品结构细节；运用 Keil 软件开发 PCBA 软件代 码，结合编译、动态仿真功能，提前验证软件控制、自动测试、 报警提示等核心功能，避免设计缺陷流入下游环节。同时，将设 -9- （图：新安电器 3D 模型设计图示） 二是工艺设计数字化。依托 CAP、CAPP 软件实现工艺设计 数字化，构建“设计-工艺”数据闭环：基于 PLM 系统中的产品设 计 BOM，自动生成工艺路线与参数清单；针对智能控制器“多品 种、小批量”特点，应用 BOM/Gerber 编辑软件、贴片机编程软 件，调用元件资料库建模模拟 SMT 生产线体配置，优化工作头/ 吸嘴组合与站位平 CAPP 工艺参数，结合 SCADA 系统 采集的设备运行数据（如温度、转速），实现生产工单自动生成、 -10- 数据实时采集与质量追溯，确保设计与工艺方案精准落地。在供 应链领域，PLM 中的物料需求数据同步至 ERP、SRM 系统，SRM 系统基于设计 BOM 自动筛选合格供应商，ERP 系统生成采购订 单，实现“设计需求-物料采购-供应商交付”全流程透明化，降低 物料错配风险。在能源领域，智能仪表采集的能耗数据与生产计

采编辅助 知识加工 专 业研究 智慧业务管理 智能分析决策 智慧办公运营 空间服务 空间管理 智 慧 图 书 馆 大 模 型 应 用 智 慧 图 书 馆 应 用 架 构 自动元数据生成 自动分类 文本图片识别 数据转换 古籍与数字人文智慧研究 学术研究助手 审稿助手 馆员 AI 知识 库 数智助手 创作助手 实体机器人 智慧预约 智慧 辅助选择最具价值的文献资源 AI 赋能知识组 织 三 上海图書 | 館 二 编目标准化自动化 Smart Cataloguing > 自动编目： AI 根据国际标准 ( 如 MARC 21) 自动生成编目记录。 智能分类： AI 自动对文献进行分类，简化编目流程。 书目数据规范检查 自动检查： AI 自动检查编目记录的规范性，确保数据质量。 错误识别：识别编目记录中的错误，并提出修改建议。 别完成，再进行结果整合。这种模块化处 理方式有效降低了模型抽取难度。 > 实现效果：显著提升了整体信息抽取的 准确率与完整性。 本体结构感知的提示词设计：针对特 藏文献的信息结构特性，构建字段本 体结构并嵌入生成提示，以控制大模 型输出结构并实现自动编目结果的语 义 对 齐 。 实现效果：确保模型输出的数据结构 与我们的编目本体严格一致，大大减 少了后期的人工干预。 基于多模态大模型的技术路线：戏

管控层的管控智能体, 作为其算法输入参数. 自智管控层搭载了多模态 AI 算法库, 支持实现网络性能 预测、飞行器路径规划、路由动态切换、服务弹性迁移等网络管理任务. 自智管控层将孪生模型作为 输入, 生成未经仿真验证的网络管理策略 (pre-simulation policy), 随后将该策略回传至数字孪生层进 行模拟仿真. 数字孪生层依托孪生模型的历史版本数据, 对网络性能状态展开小尺度预测, 有效提升 直至物理网络达成预期目标; 最终, 经仿真验证的 策略将解构为具体网络调控指令, 由低空网络层物理实体执行落地. 2.3 自智管控层 自智管控层作为平台的核心智能决策中枢, 依托人工智能与大模型技术生成动态自适应网络策略, 实现业务精准编排、资源高效利用与故障快速自愈. 业务编排模块从业务需求出发制定策略, 其运作机制分为三阶段. 业务开通前, 该模块基于业务 预期和实时网络状态, 通过 NFV/SDN 实现跨区域、跨层级业务编排. 业务策略经制定后, 下沉至数字孪生层进行仿真验证, 通过虚拟环境模拟策略执行效果, 迭代优化直至满足业务需求指标. 验证通过后生成可执行指令集, 下 发至低空网络层物理设备执行. 资源调度模块基于网络资源优化目标生成管控策略, 核心包含 3 个方面. 首先是资源态势感知与 需求预判, 模块通过数字孪生网络实时采集资源状态, 结合 AI 算法实现从被动响应式监控向主动预

于生产 部署的数据治理框架和员工技能。音乐产业承认数据是一项关键资产，但仍 受碎片化及元数据标准化缺乏的限制。 虽然公司声称在拥抱 尖端创新，但其中许 多的工作流程仍未被 其影响。这与其说是 采用生成式人工智能 ，不如说是使日常工 具现代化。 本报告综合了2025年9月和10月对DataArt高级数据、AI和技术领导者进行 的全面访谈的发现。在本报告期间，您将发现这些专家的直接见解——他们 是 结果与直觉冲突时又会推翻分析结果。技术部门像离岸服务提供商一样运 作，而非战略合作伙伴，导致了理解碎片化和缓慢的接口，从而扼杀了创 新。 大多数企业所谓的 AI 应用，实际上只是员工使用 ChatGPT 进行搜索和邮 件生成。真正的应用是指公司利用 AI 自动化流程、实现新能力，并服务于 其特定的业务和客户需求。 组织对AI的预期与实际交付所需之间存在一个基本差距。决策者追求低成 本转型性胜利，而忽视了使这些胜利成为可能的基础性工作。 域被成功使用。使用人工智能代理进行的智能自动化具有明确商业价值。 6 ? ? 2026趋势报告：数据与人工智能 云基础设施 展示用例价值的矩阵 云基础设施 展示用例价值的矩阵 投资 投资 阿啦 阿啦 生成生成 业务影响 业务影响 决策决策 AI AI 智能智能 自动化 自动化 客户客户 服务服务 文档文档 处理处理 开发者 开发者 工具 工具 技术成熟度 技术成熟度 医疗保健行业预示

义 1 、使用自然语言处理和机器学习对检测到的数据进行自动分类与匹配 ， 能对体现新兴战略、 技术和步骤的趋势、 关键词或主题发出警报。 2 、 显示多元情报数据的地理、 时间 ， 用自然语言生成数据摘要。 根据需要将数据分解为个体 ， 并将分析注释 插入到自动摘要。 3 、按照情报优先级要求 ，对数据进行自动分类。 应用自然语言处理和机器学习 ， 配置存储库的智能搜索功能 ， 提高分析师寻找相关产品的效率。 者的信息 ， 甚至识别数据所体现中的行为特质 ， 而这些细节可能因为报告的复杂性被人类分析者所忽视。 5 、人类在经验、 直觉、 心理学、 交战规则和现实世界动态背景方面具备优势之处 ，这都是计算机生成的行动 方案所无法解释的。 通过比较人类行动方案和机器行动方案 ， 可以找出最佳行动方案。 6 、使情报分析过程更加严格 ，将严格和客观的衡量标准与情报评估相关的置信度水平联系在一起。 7 、在海量数据存储库中添加认知搜索 ，在机器生成语言之后 ，语音合成技术可将语言转化为声音 ，形成完整的自然人机语音交互 ，这样的语音交互 系统可看作一个虚拟对话机器人。 智能语音交互系统的技术流程 ASR 语音识别 语音合成 DST 对话状态管理 Policy 动作候选排序 语音识别、 自然语言处理、 语音合成等技 术 NLU 语音理解 NLG 语言生成 对话输入

43%，但两者合计已超过 SaaS，显示出 其在云服务市场中的重要地位，打破了过去 SaaS 长期占据主导地位的局面。这一结构性转变主要得益于 生成式 AI 和大模型等新兴技术的推动，企业和开发者对底层算力和平台级服务的需求持续增长，使 IaaS 和 PaaS 成为驱动市场扩张的核心动力。生成式 AI 和大模型等新技术推动了企业和开发者对于底层算力 资源和平台级开发环境的需求，促使他们选择高效灵活的云服务解决方案。尤其是 SaaS 市场。而 AI 技术的渗透则从根本上重塑了 SaaS 的发展逻辑：生成式 AI 推动 SaaS 产品从传统流程自动化工具升级为智能决策伙伴，通过实时数据洞察、业务风险预判等能力重构服务价 值；这种变革不仅催生了“按效果分成”等新型盈利模式，让传统按账号订阅的收费逻辑面临挑战，更因 GPT 等技术展现出的“需求即生成应用”能力，对标准化 SaaS 产品形成替代压力。 113 148 IT 基础设施向云平台的迁移。因此，在价格、服务与政策等 多重因素叠加下，国内云市场的渗透率进一步提升，导致云厂商排名与梯队结构的重新洗牌。 以智能体（AI Agent）、自动化模型服务、多模态生成等为代表的智算类业务驱动云计算市场从传统 算力需求向“智算需求”转移，成为国内 IaaS 与 PaaS 的核心增量来源。 2024 年国内云计算市场份额中， IaaS、PaaS 和 SaaS 市场份额占比分别为

排的目标，同时为节能诊 断工作者提供运行所满足 的基础数据。在保证校方 供暖系统运行安全的前提 下，提高供暖品质和系统 无偏离 8 系统能够实现对供暖管网的供 热热量计量，通过对计量数据 进行采集、汇总、分析，生成 趋势曲线图，计量能耗使用、 进行能耗诊断等功能；本系统 能够对供暖管网的参数（供回 水 温 度 、 瞬 时 流 量 、 累 计 流 量、累计热量）进行数据采集 接收、发送，且具有本地存储 和远传功能；通过供回水已安 图籍资料进行管理。（2）对供 水管网数据进行二维展示和三 维模拟仿真。（3）对供水管网 数 据 信 息 等 的 查 询 和 维 护 。 （4）对各监测点的数据进行实 时监测。（5）对供水管网数据 的统计，并能生成针对不同统 计需求的报表。（6）对供水管 网系统相关的人员、权限等内 容进行管理。（7）监测点≥200 个。为了实现上述目的，XX 学 院管网移动巡检系统还需要完 成以下几个方面：（1）需要把 现有数据迁移到管网地理信息 通过合理调度热源供给与需求，使需热供热平衡，达到节能减排的目的，同时 为校方的节能减排工作提供科学依据。技术参数要求：系统能够实现对供暖管 网的供热热量计量，通过对计量数据进行采集、汇总、分析，生成趋势曲线图， 计量能耗使用、进行能耗诊断等功能；本系统能够对供暖管网的参数（供回水 温度、瞬时流量、累计流量、累计热量）进行数据采集接收、发送，且具有本 地存储和远传功能；通过供回水已安装的电动调节阀，及供暖区域布置测温点