1 第一章 AI 战略制胜法则：智算基础设施重构商业价值 3 1.1 大模型下半场，推动 AI 普惠并抢占战略制高点 界同仁共执算力之楫，在智能时代的沧海中直挂云帆。让我们以这本 《非凡箓》为契，共赴 " 大模型赋实千行，新基建智领万业 " 的星辰 之约！ 联想中国基础设施业务群 卷首语 2 第一章 AI 战略制胜法则： 智算基础设施重构商业价值 3 联想算力基础设施非凡箓 — Al 大模型算力解决方案手册 1.1 大模型下半场： 推动 AI 普惠并抢占战略制高点 在全球数字经济加速向智能化转型的浪潮中，生成式 转变为 开放协同 ，全力打造一个开放、安全且普 惠的 AI 生态系统。通过这一生态系统，企业能够以较低的成本构建专属的智能中枢，推 动 AI 技术的普惠发展。 第一章 AI 战略制胜法则：智算基础设施重构商业价值 4 此外， DeepSeek 还通过全球化生态布局、开放 API 与工具等方式，不断降低成本和 技 术门槛，促进 AI 技术的广泛应用。值得一提的是，DeepSeek

面对大批量的知识数据源，如何精简提炼出贴近业务、适合系统处理、易于运营的知识？基 于历史知识运营经验，建议依据以下原则及方法进行实践： 3.3.1 知识提炼：知识管理的原则 基本原则：帕累托法则，80/20 法则，由于知识源往往覆盖大数据量的知识，基于二八 定 律，需要定位出真正有效的知识，一般来说，在收集到的广泛庞大的数据源中，最核心有 效 的数据比例往往为 20%左右，在知识运营构建的初期，这样的原则将大幅降低前期投入

。推荐算法模块是整 个系统的核心，采用多种机器学习算法进行岗位推荐，包括协同过 滤、内容基于推荐和混合推荐算法。其中，协同过滤算法通过分析 用户的历史行为和偏好，推荐相似的岗位；内容基于推荐算法则通 过分析岗位的描述和要求，推荐与用户技能和背景匹配的岗位；混 合推荐算法结合了协同过滤和内容基于推荐的优点，提供更加精准 的推荐结果。用户接口模块则负责将推荐结果展示给用户，提供友 好的交互界面和个性化的推荐展示。 能否为用户提供符合其职业发展需求的岗位。为了提高准确性，系 统采用了基于深度学习的协同过滤算法和内容推荐算法相结合的混 合推荐模型。协同过滤算法通过分析用户的历史行为和相似用户群 体的偏好，来预测用户可能感兴趣的岗位；而内容推荐算法则基于 岗位的描述、技能要求和工作地点等特征，为用户匹配与其背景相 符的岗位。通过这两种算法的结合，系统能够在多样化的场景中提 供更为精准的推荐。 在算法效率方面，系统采用了分布式计算框架（如

的智能交通系统提供更加可靠和安全的解决方案。 3.2 路径规划与控制算法 在自动驾驶技术中，路径规划与控制算法是实现安全高效行驶 的核心要素。路径规划的主要目标是为车辆在复杂的交通环境中找 到一条可行且优化的行驶路线，而控制算法则确保车辆能够沿着规 划的路径稳定行驶。实现这一目标需要综合考虑多种因素，包括静 态和动态障碍物、道路条件、交通信号、以及目标位置等。 首先，路径规划可分为全局路径规划和局部路径规划两个阶 段。全局路径规划通常使用图搜索算法，如 一步 中都会选择最小的路径权重节点，并更新与其相邻的节点路径权 重。这种方法适用于没有负权重边的情况，适合共享出行平台的需 求，因为交通线路通常是正权重的（如行程时间、行程距离等）。 A 算法则广泛用于人工智能路径规划。其通过启发式函数（估 算剩余成本的函数）来引导搜索过程，从而优化搜索路径。具体来 说，A 算法不仅考虑当前路径的成本，还通过启发式估计剩余路径 的成本，从而更快找到最优路径。

智慧景区解决方案  采用微波+被动红外+人工智能化技术相结合，互相补充以确保最可靠的探测效果并防 止误报。  利用实际运动识别运算法则，它能够将人体的实际运动因素与其它经常导致误报的干 扰因素区分开来。  智能化数字信号处理–报警确认，并根据实际入侵者的行为决定门限调整。 本方案采用四光束主动式红外对射、三鉴探测器，结合报警按钮、视频监控、高音喇叭 不同，以及各网络 设备带宽使用率等的不同，造成实际网络带宽每时每刻都可能存在不一样，这就是所谓的网 络带宽抖动。当需要传输的数据量恒大时，网络带宽的抖动就造成传输数据质量的下降。先 进的抖动算法则可平滑网络的抖动，合理使用有限的带宽，传输尽可能多的数据，图像显示 更流畅，长时间监看不会产生不适感。同时提供流畅和实时的抖动控制模式供用户选择，方 便在不同工作模式下使用。  动态集群

和随机搜索。利用交叉验证可以有效评估模型的稳健性，避免过拟 合现象。 以下是训练过程中的一些常见考虑事项：  选择合适的损失函数与优化算法：损失函数反映了模型输出与 真实值之间的差距，优化算法则决定了模型参数更新的方式。  采用适当的正则化方法，例如 L1 或 L2 正则化，以防止模型过 于复杂。  设置合理的学习率和批次大小，以获得最佳的收敛效果。 在模型训练完成后，进行验证与评估是至关重要的一步。通过 不同模型的优点，从而实现更高的准确性和可解释性。 集成学习可以分为两大类别：投票法和加法法。投票法通常用 于分类问题，其中多个独立模型的预测结果通过简单投票或加权投 票的方式进行整合。加法法则常用于回归问题，利用各个模型的预 测值进行加权求和。以此为基础，我们可以在钢铁生产的不同环节 应用集成学习，包括质量预测、生产效率优化和故障检测。 在具体实施过程中，以下几种集成学习方法可以被考虑：

首先，物理训练的“时空非对称性”导致数据获取效率极低。传统互联网 AI 12 的数据采集依托自动化脚本实现指数级增长，而具身智能的动作习得高度依赖 实体机器人在真实物理环境中的交互。这种受限于物理法则的 1:1 时间比训练 方式，使得高质量、多样化动作轨迹数据的获取成本极高。训练一个具备基本 泛化能力的通用操作模型，通常需要数万小时的有效物理交互数据，在单一实 验室或封闭场景下，这种数据积

 人力成本：传统方法需要大量人力资源进行简历筛选，而 Deepseek 则可以自动化完成这一过程，显著减少人力需求。  时间成本：Deepseek 能够在短时间内处理大量简历，而传统 方法则耗时较长。  招聘成功率：Deepseek 通过智能算法精准匹配候选人，提高 了招聘成功率，减少了因招聘失败产生的额外成本。 此外，Deepseek 的引入还带来了一些不可量化的经济收益，

系列电子皮带秤，实现了对全矿产量 的监测和计量，该系统功能完善、数据准确、运行稳定。 4、 干部考勤系统。 煤矿采用 “HST ” 安全考勤管理 系统。该系统采用灵活的数据访 问模式，能够根据局域网络用户按组设定权限法则，同时在在保证数 据安全的基础上，最大限度地考虑系统的通用性、简捷性及快速性。 5、 束管监测系统。 煤矿采用南煤科技 JSG-7 型煤矿自然发火束管监测系统。该系统 结合了色谱监测的高灵敏度和红外线监测的快速连续两种监测手段

备停机时间和运 营成本。 常见的机器学习方法包括但不限于回归分析、分类算法和聚类 算法。其中，回归模型用来预测设备在未来时间段内的性能指标， 分类模型则用于确定设备是否存在故障的风险。聚类算法则能够发 现数据中的潜在模式，为设备故障的先兆提供线索。以下是几种主 要的机器学习方法及其在设备故障预测中的应用特点： 1. 监督学习 在监督学习中，模型通过带标签的数据进行训练，常见的算法