对 行业和产业的影响。同时，也强调了AI技术对保险行业的影响深远，将改变保险公司的运营 模式和服务效率和质量，为服务规模化提供重要的支持。未来，随着技术的不断发展，AI技 术将推动科技产业价值规律的变化，更加注重应用的创新与服务的提升。 • 保险公司在应用AI技术方面的优势和能力：保险公司可以通过分析自身优势并利用AI技术提 高运营效率，包括在产品设计、市场营销、核保及理赔等环节。AI应用研发框架的流式会话 ，因此，针对每一个问题的解释 回答，不仅要聚焦一个重要的因素，同时在一些必要阶段需要进行升维/抽象化，使得最终的问 题具有通用性。在这个例子中，最终可能会将问题抽象聚焦为：“看不清楚未来的趋势和规律” “缺乏明确的定位”“无法有效识别机会”等。 挖：洞见问题本质 在当前不确定的环境中，保险 企业在经营上面临的挑战之一 是消费者行为的不断变化，这 些变化都包括什么？ • 数字化互动增加：消费者 在大周期中，影响科技应用的社会因素也是不容忽视的，这里以“创新扩散理论”，说明技术创新 改变社会的规律。 除了将科技周期和文化适应度纳入考量，帮助企业更好地洞察保险行业的未来走向。三轮规模化 变革，则为企业提供了更为清晰的行业技术发展规模路径： 卡洛塔·佩雷斯（Carlota Perez）的研究总结了科技革命与金融系统的规律。 ►一系列技术革命组成的科技大周期呈现S型的扩散曲线，整体可以分为两个阶段：【导入期】

的总体目标，强调要适应科技信息化发展大势，以信 息化推进应急管理现代化，提高监测预警、监管执 法、指挥决策、救援实战、社会动员等应急管理能力。 大语言模型是具有大规模参数的深度学习模 型，通过对海量文本的训练习得语言的统计规律， 从而具有理解和生成自然语言的能力，实现人机之 间的有效通信。自2018年双向编码表示模型（bidirec⁃ tional encoder representations from transformer，BERT） 现[9-10]。优势在于从数据中学习的能力，善于处理复 杂的、模糊的问题。 1.1.2 主动学习 与传统结构化的知识获取方式相比，大模型采 用自监督学习方法，主动捕捉训练文本中更深层次 的特征和规律，而非在预设知识结构下的信息抽 取[11]，从而具有突破已有认知局限实现创新的潜能。 1.1.3 数值计算过程 模型通过优化其预测下一个单词（如 GPT）或填 充缺失单词（如 BERT）的能力，来调整多层神经网络 BERT）的能力，来调整多层神经网络 模型的内部大量神经元连接权重参数，实现对知识 的获取。这一参数调优过程在连续平滑数值空间进 行，与符号化表示的知识获取中的离散符号操作相 比，可以捕捉更为复杂和细致的规律，实现对过往 经验的超越。 1.1.4 知识分布式隐式表示 与符号化知识表示不同，模型获取的知识内嵌 于神经网络模型的海量参数中，无需对其进行显式 表示，这种分布式隐式表示能够处理符号化知识表 示无法处理的情况，例如，无法言明的复杂知识。

科学研究促进人工智能创新。传统科研 范式大致可分为经验归纳（实验科学）、理 论建模（理论科学）、计算模拟（计算科学） 以及数据密集型科学 2。实验科学由自然现 象和实验结果归纳出一般性规律，但没有抽 象出经验规律背后的普适理论。理论科学基 于自然现象或实验结果，提炼科学问题并形 成科学假设，然后运用逻辑推理和数学分析， 构建普适理论，但难以在复杂系统中实验验 证。计算科学以科学模型为基础，通过数值 的增长，出现了数据密集型科学的研究范式。 这一范式利用机器学习方法，自动从数据中 发现统计关联，一定程度上避免了提出科学 假设，但无法发现因果关系，且难以分析低 质量数据和发现复杂系统中的规律。当前的 科学研究主要面临系统复杂性的挑战，相互 关联的自然、技术和人类系统受到跨时间和 空间尺度作用力的影响，导致复杂的相互作 用和涌现行为 1。传统科学研究方法难以应 对这些复杂性挑战，迫切需要新的科学研究 验知识的模型驱动、假设生成与验证、自动 与智能化实验以及跨学科合作等方式，加速 科学发现。传统科学发现以实验观察和理论 建模为核心，提出科学假设并归纳一般规律， 如物理定律。人工智能则采用模型驱动的方 式，从大规模数据中自动发现隐藏的规律， ©️diyun Zhu / Moment / Getty 科学智能白皮书 2025 4 5 2. 发展与态势 2.1 最新进展 随着深度学习、生成模型与强化学习等

在大盘择时、行业轮动、识别财务瑕疵等应用中涉及 到的项目细节、技术原理以及方法对比与优化进行了详细的回答：本文系统 梳理了 AI 技术在策略优化、风险识别与决策闭环中的关键作用，通过动态 学习机制与智能决策框架的构建，AI 能将历史规律挖掘与实时信号解析相结 合，形成具备自我进化能力的智能投研体系。 AI 通过非线性建模技术重构动态赋权机制，显著提升市场适应性。不同于经 典风险平价模型的静态风险分配逻辑，AI 融合 XGBoost 因子对市场趋势 的影响规律，并将其转化为初始权重基准。该过程首先通过 XGBoost 对历史股债 市场数据（如宏观经济指标、资金流向等）进行特征重要性分析，量化各因子对" 股债强弱走势"的解释能力，筛选出具有长期稳定性的高价值因子；然后将这些因 子重要性结果作为训练样本输入 DeepSeek 模型，使其学习因子与市场状态的关联 模式；最后结合当前市场环境，AI 基于历史规律生成初始权重框架，再通过动态 基于历史规律生成初始权重框架，再通过动态 赋权机制进行实时调整。这种方法的优势在于既保留了传统模型的逻辑可解释性， 又能通过 AI 动态适应市场变化，同时避免了直接训练大模型带来的复杂性和资源 消耗。 整个流程体现了"历史规律挖掘-规律映射学习-实时预测应用"的技术路径，通过 XGBoost 的先验分析为 AI 模型提供可靠的初始基准，再结合 DeepSeek 的推理能 力实现权重的动态优化，在保证模型稳定性的同时提升对市场变化的适应能力。

临前所未有的挑战：系统规模的指数级增长、多学科交叉的深度融合、全生命周 期管理的极致要求，以及对安全性、可靠性和可持续性的严苛标准。这些挑战， 已然超出了传统方法和人类智力的极限。我们迫切需要一种新的力量，来驾驭这 份复杂，洞悉其规律，优化其进程。人工智能，无疑是这个时代最响亮的回答。 这便是我们探索工程智能（AI for Engineering）的第一个动因：工程学科的 发展，亟需人工智能的深度赋能。将 AI 的感知、认知、决策与生成能力，注入 于推动国家制造强国、科技强国战略目标的实现，具有不可替代的战略支撑作用。 1.2 工程智能的定义 科学与工程，两者在人类文明进程中相辅相成，却有着本质区别：科学以“认 识世界”为目标，致力于探索自然规律、构建理论体系，其方法论核心在于理论 工程智能白皮书 AI for Engineering White Paper ©同济大学工程智能研究院版权所有。如需引用，请注明出处。 3 推导与实验验证 动。 相应地，本文所指之“智能”特指人工智能技术。其核心能力体现在感知、 认知、决策、自适应等方面，具体通过机器学习、深度学习、自然语言处理、计 算机视觉等技术路径，使机器能够从海量数据中学习规律、识别模式、进行推理 判断，并最终以近似甚至超越人类的方式解决复杂问题。在工程语境下，区别于 传统的自动化技术，这种“智能”的价值尤其体现在它解决了传统自动化无法应 对的非确定性问题，是改进流程、优化决策和驱动创新的关键技术引擎。

AI+CAD：多模态输入到模型 技术路径方面，生成式设计主要分为数据驱动、知识驱动和参数 化与生成式混合三种类别。数据驱动，利用大量的 CAD 模型数据、 设计案例、工程数据等，通过人工智能方法从数据中学习设计模式、 规律和特征。如申龙电梯利用浩辰 CAD 土建自动生成系统，实现根 据建筑 CAD 图纸自动生成最优电梯配置方案的设计工具，不仅使得 电梯设计更加灵活、高效，还能快速响应不同项目的特殊设计需求， 实 该工具 框架实现人工智能驱动的物理模拟，解决复杂的非线性物理问题。 技术实现方面，大、小模型技术路线协同并进。大模型擅长处理 高维复杂物理场、捕捉长程依赖关系，实现在海量数据中学习复杂物 理规律，在宏观尺度上实现颠覆性的性能提升。小模型高效、灵活、 低成本的特性使其在特定物理场景和工程任务中应用广泛。如其在焊 接工艺仿真等复杂制造场景中，可以精确模拟熔池流动、热影响区和 残余应力。使用 科研智能：人工智能赋能工业仿真研究报告（2025 年） 23 量的观测或仿真数据进行训练，可以构建出一个既能反映内在物理机 制又能适应实际场景的智能模型。模型一旦训练完成，便能确保其预 测结果严格遵循物理规律。在保持较高预测精度的同时，提供对复杂 物理现象的可解释性洞察，实现对系统行为在物理约束下的高效、可 靠预测。 流体仿真领域，物理驱动的方法将流体力学控制方程方程嵌入模 型结构，使得网络输出

可以进一步将这种思路扩展到思考过程是搜索过程的特例，比如 rStar-Math, SoS 都可以用类似的思路来理解。 ➢ 本质上，STaR一类的方法是希望模型能够学习到MetaCoT, 即问题到答案映射 过程背后的深入规律 ➢ 但是对于问题的结构要求性高，对于复杂数学推理任务可能难以自我迭代 ➢ 难以融入 Rule-Based Reward for RL训练 ➢ PureRL加持下，业界的技术实践更多Focus on 直接利用SFT蒸馏可以学习到数据中的推理范式，虽然在推理分数上的表现有所提升，但是更多是去拟合数 据中的Pattern, 很难学习到数据背后的数学规律和MetaCoT ➢ 强化学习则是通过试错和尝试，鼓励模型在最大化奖励过程中学习到推理背后的规律，获得的泛化性和推理 表现上界更高 ➢ SFT 主要负责记忆而很难进行OOD泛化，基于ORM的RL泛化能力较好 [1] ➢ SFT规范模型输出格式，使得后续的RL可以获得更高的收益 单智能体系统下 的安全，并不保证多智能体系统安全 \AI系统伪装已被“安全对齐”，行为欺骗监管 ➢ 随着 VLA \ Agent 等模型下游和赋能应用兴起，确保模型AI系统准确应对不确定性，考虑物理规律下的人 类价值观对齐至关重要 ➢ 在复杂动态环境中不仅要短期安全，还要确保长期行为的安全性，例如对操作环境造成影响。 ➢ 通过形式化验证和RL，提升AI系统的可靠性与处理复杂推理问题的能力。通过构建形式化数学数据库，

智能（Intelligence）：以模型为核心，是对真实世界的模拟和解释 人类智能 • 抽象（语言）：概念，数字，理念 • 逻辑（理性）：归纳，演绎，类比 • 计算（模型）：科学方法 • 基于观测经验，发现规律 • MIT：一切问题都是模型问题 • 模型：一个映射，一个函数 科学范式 • 用语言逻辑方法获取理论模型：模糊 • 用解析数学方法获取数学模型：精确 • 用计算数学方法获取数据模型：近似 第一代（规则系统）：推理为核心 2. 第二代（知识工程）：知识为核心 3. 第三代（数据模型）：学习为核心 ◼ 从机器学习到深度学习 1. 任务：判别、预测，通过学习数据分布规律 2. 边界：有规律、可以数字化，属于经验科学 3. 要素：机器学习-深度学习 • 模型：神经网络模型（分层；单向） • 策略：损失函数定义 • 算法：反向传播+梯度下降  从感知智能到认知智能

道的桑格尔弹道基础上发展而来的。高超声速滑翔弹头在临近空间跳跃式飞行，气动参数具有随机不确定 性，弹道由跳跃和滑翔相互交叉构成。 目前该领域的主要技术方向包括高超声速滑翔弹头的气动力特性精确分析，基于运动规律认知、控制 模式辨识、作战意图推断的轨迹预测方法，基于声光电的高分辨率传感测量元器件及测量滤波技术，基于 人工智能和神经网络多源数据融合技术及快速处理智能算法等。该领域未来的发展趋势包括建立复杂飞行 的无人决策系统自主学习换代，提升协同效能；三是强异质动力学特性的海空无人系统一体化协同控制， 结合实时反馈与调整机制构建一体化控制模型，统一与适配不同跨域航行器的动力学特性，探索人机多模 态交互控制规律，为不同平台之间的高效协同提供支持。总之，海空协同异构无人系统一体化控制技术的 不断发展，对保障我国海上活动安全、开发深海资源与发展海洋经济等具有重要的实际意义 目前，该前沿中核心专利产出数量排 85.35 2021.7 4 多模态感知认知智能理论 117 11 893 101.65 2020.4 5 超高灵敏度跨尺度缺陷检测技术 88 5 027 57.12 2020.1 6 数据和物理规律驱动的智能科学计算 62 12 916 208.32 2021.4 7 大规模卫星集群分布式规划与智能协同控制 61 * 504 8.26 2021.6 8 超大规模集成光计算芯片 20 1 793