Turing 交通专家大模型解决 方 案 建设交管新质生产力 ， 重构智能应用新模式 2024 年 9 月 目 录 二、 解决方 案 三、 场景应 用 一、 现状背 景 CONTENTS 01 现状背景 大模型能力突破 大算力： 硬件快速发展， 使得训练更高参数量 、 更复 杂的大模型成为可能 大数据： 大量标注数据和交通实时数据， 为大模型提 供丰富的数据基础 、 引擎发布， 全面适配华为、 寒武纪、 算能等系列硬件。 图灵 AI 生产力平 台 （ Turing - AICMS - 2.0 ） 依托鹏程 脑海多模态通用大模型 ∙ ， 通过多源异构知识语料与多模态特征编码协同提升多 模态生成式问题理解精度 ， 并结合微调垂域化训练 ， 推进 Turing 多模态大模型行业应用赋能。 多源异构知识语料库 大模型生命周期监测 & 分 析 视图理解 结构化查询 语音指令 文本命令 03 场景应用 新一代智能交通专家系统 依托 Turing 交通专家大模型提供自然语言理解与处理、视觉感知、指令学习、记忆学习、 推理决策等基础能力 ， 打造新一代智能交通专家系统。 Turing 交通专家大模型能力基础 自然语言理解与处理 - 交通语言理解能力

紧密结合，形成一个闭环的智能系统，使智能体能够 更加灵活、智能地应对各种实际问题 ［7］。 1.3 具身智能与传统机器人、工业机器人的区别 具身智能的起源可追溯至 20世纪中叶，计算机科 学之父 Alan Turing 在《计算机器与智能》中首次提出 “机器能否思考？”的哲学命题，预示了具有物理本体 的人工智能 agent通过物理交互实现认知的可能性 ［11］。 然而，受限于当时的技术条件，这一构想在随后数十 comprehensive survey on embodied AI［EB/OL］.［2025- 05-17］. https：//arxiv.org/abs/2407.06886. ［11］ TURING A M. Computing machinery and intelligence［J］. Mind， 1950，59（236）：433-460. ［12］ BROOKS R A. Intelligence

Transforme r 投入成本（百万美 元） BERT Large LaMDA 270B (davinci) Megatro n NLG 530B RoBERT a Gemin i Turing Large Ultra GPT-4 GPT-3 LaMD A 0.0009 175 B 0.003 PaL M 4.3 0.2 6.4 3.9 l 英伟达将 GPU 从图形处理器演进为通用计算处理器， 的 GPU 架构。 • 2017 年的 Volta 架构专注于提高深度学习的性能，采用台积电 12nm 制程， • 2018 年的 Turing 架构是全球首款支持实时光线追踪的 GPU 架构。 • 2020 年， Ampere 架构推出，采用台积电 7nm/ 三星 8nm 制程，统一了 AI 训练和推理，并在光 线追踪和 DLSS 芯片随着架构的不断演进及算力的成倍增长，在大算力需求的 AI 大模型训练中得到广泛运用。基于 Ampere 架构的 A100 GPU 建立在 Volta 和 Turing SM 架 构中引入的特性之上，并显著提高了性能，与 Volta 和 Turing 相比，每平方米的计算马力增加了 2 倍； Ampere 架构还引入了细粒度结构稀疏性， 可以使深层神经网络 的计算吞吐量翻倍。 Hopper 架构利用专为加速

Transforme r 投入成本（百万美 元） BERT Large LaMDA 270B (davinci) Megatro n NLG 530B RoBERT a Gemin i Turing Large Ultra GPT-4 GPT-3 LaMD A 0.0009 175 B 0.003 PaL M 4.3 0.2 6.4 3.9 l 英伟达将 GPU 从图形处理器演进为通用计算处理器， 的 GPU 架构。 • 2017 年的 Volta 架构专注于提高深度学习的性能，采用台积电 12nm 制程， • 2018 年的 Turing 架构是全球首款支持实时光线追踪的 GPU 架构。 • 2020 年， Ampere 架构推出，采用台积电 7nm/ 三星 8nm 制程，统一了 AI 训练和推理，并在光 线追踪和 DLSS 芯片随着架构的不断演进及算力的成倍增长，在大算力需求的 AI 大模型训练中得到广泛运用。基于 Ampere 架构的 A100 GPU 建立在 Volta 和 Turing SM 架 构中引入的特性之上，并显著提高了性能，与 Volta 和 Turing 相比，每平方米的计算马力增加了 2 倍； Ampere 架构还引入了细粒度结构稀疏性， 可以使深层神经网络 的计算吞吐量翻倍。 Hopper 架构利用专为加速

12 图18： 量化可以降低功耗和占用面积 ........................................................ 13 图19： NVIDIA Turing GPU 体系结构中各种数据类型相对的张量运算吞吐量和带宽减少倍数 ........ 13 图20： 优化 AI 完全在终端侧高效运行 Stable Diffusion ........... 存占用，节省 存储空间，降低功耗和占用面积，提升计算速度。 请务必阅读正文之后的免责声明及其项下所有内容 证券研究报告 13 图18：量化可以降低功耗和占用面积 图19： NVIDIA Turing GPU 体系结构中各种数据类型相对的张 量运算吞吐量和带宽减少倍数 资料来源：NVIDIA，国信证券经济研究所整理 资料来源：NVIDIA，国信证券经济研究所整理 高通团队采用量化技术等，首次在安卓手机上部署

12 图18： 量化可以降低功耗和占用面积 ........................................................ 13 图19： NVIDIA Turing GPU 体系结构中各种数据类型相对的张量运算吞吐量和带宽减少倍数 ........ 13 图20： 优化 AI 完全在终端侧高效运行 Stable Diffusion ........... 存占用，节省 存储空间，降低功耗和占用面积，提升计算速度。 请务必阅读正文之后的免责声明及其项下所有内容 证券研究报告 13 图18：量化可以降低功耗和占用面积 图19： NVIDIA Turing GPU 体系结构中各种数据类型相对的张 量运算吞吐量和带宽减少倍数 资料来源：NVIDIA，国信证券经济研究所整理 资料来源：NVIDIA，国信证券经济研究所整理 高通团队采用量化技术等，首次在安卓手机上部署

亿 300 亿 千亿 百亿 , 浪潮信息 商扬科技等 商 汤 科 技 r6 数据日趋庞 大 模型日趋庞 大 任务日趋多 样 成本日趋高 昂 Megatron-Turing ERNW30Titan 源 1 . 0 书生 (NTERN+) 通 译 干 问 " 温元 " Hunyaan_tr 盘古系列大模型 大模型 企业 微和英伟达 G p r

达发布 Ampere 架 构。 同 月 OpenAI 发 布 GPT-3 。 2018 年 6 月， OpenAI 发 布 GPT-1 。 2018 年 8 月， 英伟达发布 Turing 架构。 2017 年 5 月，英伟达 发 布 Volta 架 构 及 Tesla V100 ，增加了 与深度 学习高度相关 的 Tensor 单 元 。 2016 年 4 月，英伟达 发 的 GPU 架构。 l2017 年的 Volta 架构专注于提高深度学习的性能，采用台积电 12nm 制程， l2018 年 的 Turing 架构是全球首款支持实时光线追踪的 GPU 架构。 l2020 年， Ampere 架构推出，采用台积电 7nm/ 三星 8nm 制程，统一了 AI 训练和推理，并在光线追踪 和 DLSS

达发布 Ampere 架 构。 同 月 OpenAI 发 布 GPT-3 。 2018 年 6 月， OpenAI 发 布 GPT-1 。 2018 年 8 月， 英伟达发布 Turing 架构。 2017 年 5 月，英伟达 发 布 Volta 架 构 及 Tesla V100 ，增加了 与深度 学习高度相关 的 Tensor 单 元 。 2016 年 4 月，英伟达 发 的 GPU 架构。 l2017 年的 Volta 架构专注于提高深度学习的性能，采用台积电 12nm 制程， l2018 年 的 Turing 架构是全球首款支持实时光线追踪的 GPU 架构。 l2020 年， Ampere 架构推出，采用台积电 7nm/ 三星 8nm 制程，统一了 AI 训练和推理，并在光线追踪 和 DLSS

具身智能的发展演进 □ 具身智能的发展阶段——技术萌芽阶段 > 1927 年，第一个电驱人形机器人“ Televox' 诞生于美国西屋。 > 1950 年，艾伦 · 图灵 (Alan Turing) 发表了经典的《 Computing Machinery and Inte iigence ( Ⅱ 计算机器与智 能 ) 》一文，其中首次提出了具身智能概念。 > 1960