从智能营销到智能制造 邴金友 2025.03.19 营销 (CRM) 等业务系统在系统功能之外还存在很多的挑 战 自动化 开放性 高可用 易操作 云原生 智能化 高可靠 高扩展 高性能 以销售易为例，腾讯云坚实稳固的技术底座是这些挑战的解决方案 云原生计算 云原生存储 块存储 CBS 虚拟机 CVM 容器平台 TCS Mongo DB 企业 微信 腾讯 会议 腾讯 乐享 伙伴云 现场服务云 客户服务云 营销云 销售云 智能分析云 知识引擎 大模型 TI 平台 微 信 端 企 微 端 人 工 智 能 数 据 库 微 服 务 大 数 据 中 间 件 连接伙伴 连接客户 连接产品 连接员工 价值：问答准确率： 35%- 84% • 问 答对至少需要 30 人 天工 作量，现在 用大模型只需要 5 人 天，预计 每个 手 册知识梳理至少节省了 25 人天 工 作 量，知识构建效率提升 83.3% • 已有多款车型接入使用，覆盖车主用户 数百万 如针对终端客户：基于大模型和用户手册的智能问答助手 大幅提高客户体验 难点：文档庞大，图文混排复杂

智能制造从数字化开始 ，打造全流程数字化模型 中 中车 CRRC www.crrcgc.cc 3 打造全流程数字化模型 1 挑战与机遇 2 智能制造从数字化开始 4 中车信息公司简介 中车信息技术有限公司 版权所有 2015 目录 单 C R R C 制造业发展面临的压力 劳动力成本的上升 人身伤害 技术创新 Fleet/Equipment 维修材料 服务 融合 智能 创 新 驱 动 中国中车股份有限公司 版权所有 2015 单 C R R C 绿色 超常 4 3 打造全流程数字化模型 1 挑战与机遇 2 智能制造从数字化开始 4 中车信息公司简介 中车信息技术有限公司 版权所有 2015 目录 单 C R R C 数字化是智能制造的必由之路 数字化制造 完整的 PLM 系统 全面的数字化设计和仿真 据资源和信 息管理平台 基础上，开展 核心应用 系统建设。信息 化工具 覆盖各个管理环节 ；整 体信息化建设框架基 本 成型 ，管理水平和信息 化水平全面提升 建设信息资源整合应用能 力 ，信息化从应用系统的 事务性处理阶段逐步发展 到综合分析决策阶段 ； 通 过信息系统准确掌控 各业 务环节运营状况 ， 数字化 监管和决策管理 的信息化 支持能力明显 提升 ，对业 务发展带来 明显的效益。

从制造到智造 — 瞻博网络 AI 驱动智造园区方案 © 2024 Juniper Networks 新技术部署难，出问题溯源难，终端多运维难 业务连续性 业务生产 7X24 业务中断会造成严重损失 数字化落地 - 并不容 易 © 2022 Juniper Networks Juniper Public Junipe: N ET WO R K 11 从端到云的保障 • 应用程序、用户、设备和会话的可见 性 • 实时客户端数据、主动射频调整 • 集成 Wi-Fi 、 vBLE 和物联网 90% AIOps 领导者 • 实时 SLE Juniper Public 创造 AI 小模型 / 专业市场 / 特定场景 / 创造价值 / 提升 效率 不可避免的终局背后 -AI 一定会 来 使用 AI AIGC/ 多模态 / 大模型 / 行业泛化 / 提升 体验 15 “You can’t look at the competition and say you’re going to do it better. You

AI 大模型对智能汽车产业的影 响 3 AI 大模型对汽车产业链的影 响 2 AI 大模型在汽车业的应 用 1 ChatGPT 与 AI 大模 型 目录 2 13 26 39 42 2022 年 11 月 ，美国科技公司 Open AI 发布 ChatGPT ， 因能很好地与人实现互动而迅速成为爆款产品：上线 5 天 用户过 100 万 ， 2 个月后用户就突破 2023 年 3 月 2018 年 6 月 据不完全统计， 目前已发布 的国内大模型中： 参数量超过 10 亿的有 79 个， 其中 ，参数量最高的达到 174 万亿。 ChatGPT （ Chat Generative Pre-trained Transformer ） ，是一种适用于自然语言交流的人工智能大模型， 它 成功的关键之一 ，是 Open AI 使用了海量数据进行预训练。 使用了海量数据进行预训练。 5 年间 ， GPT 的参数量已从亿级飙升至万亿级。 GPT-3 1,750 亿 参数 量 2022 年 7 月 四代 GPT 参数量变化 ChatGPT 成功关键之一：大参数 GPT-1 GPT-2 1.17

Big-data Driven ，模型基于大规模语料训练而成； Multi-tasks Adaptive ，支持多种任务 ，包括自然 语言生成 NLG 和自然语言理解 NLU 类的任务； AI 大模型就是预训练语言模型 通过在大规模宽泛的数据上进行训练后能适应一系列下游任务的模 型 产业研究 战略规划 技术咨询 Few-shot (Zero-shot) ，在少甚至无标注样本的 条件下支持推理（自监督学习）。 将模型在下游各种自然语言处理任 务上的小规模有标注数据进行微调 得到适配模型 预训练语言模型 从海量数据中自动学习知识 将模型在大规模无标注数据上进 行自监督训练得到预训练模型 不同特定任务 有标注训练数 据 模型预训练 模型微调 最终模型 ⼤规模⽆标注 ⽂本数据 预训练语⾔模型“预训练 (Google. 引用 78550) Attention ( 图灵奖得主 Bengio) Model ERNIE( 百度 ) CPM( 智源 ) GLM( 洁华 ) 预训练模型 大模型 Transformer( Google. 引用 91332) Foundation 计 算 机 视 觉 AlexNet ( 图灵奖得主 Hinton) CAN (Gioodfellow

项目编号： 智慧工业园区数字政府领域 AI 大模型底座 设 计 方 案 目 录 1. 引言.....................................................................................................................6 1.1 背景与意义................... ............................................................................................12 2. 大模型底座架构设计.......................................................................................13 2 性能优化........................................................................................44 3. 大模型技术支持服务.......................................................................................46 3

展融合，为高质量发展提供新动能。要围绕建设现代化经济体系，以供给侧结 构性改革为主线，把握数字化、网络化、智能化融合发展契机，在质量变革、 效率变革、动力变革中发挥人工智能作用，提高全要素生产率。要培育具有重 大引领带动作用的人工智能企业和产业，构建数据驱动、人机协同、跨界融合、 共创分享的智能经济形态。要发挥人工智能在产业升级、产品开发、服务创新 等方面的技术优势，促进人工智能同一、二、三产业深度融合，以人工智能技 持以供给侧结构性改革为主线，进一步激发市场活力、增强内生动力、释放内需潜力， 推动经济保持中高速增长、产业迈向中高端水平。以更大力度激励创新。完善政策、 创新机制，着力拓展工业互联网、“互联网 + 公共服务”两大空间，打造线上线下结合、 各类主体融通的创业创新格局，推动“双创”上水平。 ——2018 年 9 月 28 日 李克强总理在夏季达沃斯论坛上的讲话 加快制造强国建设。推动集成电路、第五代移动通信、飞机发动机、新能源汽车、 的全球企业期待 使用内部的企业 社交网络应用 2.7 万亿 G 数据的增长 >80% 在过去一年中 的新应用程序将通过云计算或 部署在云计算环境 32% 的企业愿意在 BI 和分析服务 上进行投入 从基础架构，到应 用平台 云计算将成为很多 企业的战略重点 2015 年全球智能手机 出货量超过 14 亿部， 相比 2007 年 1.24 亿 部的增长量，增幅达 1000% 以上 850 亿

ChatGPT 和 DeepSeek 为代表的人工智能大语言模型（简称大模型），正在对知识工作者的生产方 式产生革命性的影响。本文面向经济管理学科的研究者，介绍大模型的技术原理、应用方式以及在科学研究全 流程中的应用。本文首先从社会科学和大语言模型的本质出发，分析了认知自动化的边界，指出围绕理论工作 的能力是人类科学家在人工智能时代的核心能力。随后，本文介绍大模型的基本原理、关键技术和发展趋势， 经济 ，本文介绍了通过 API 访问、本地部署等大模 型的具体应用方式。随后本文提出了大模型在经济管理研究全流程中的四种角色：参谋、助研、智能体和朋 友。作为参谋，大模型充当研究者的思想伙伴，协助资料收集、深化文献理解、澄清概念并提供研究反馈；作 为助研，大模型承担研究助理职能，处理文献整理、参考文献格式调整、梳理建模和推导等重复性任务；作为 智能体，大模型本身成为研究对象与实验工具，能模拟人类 预测反应，并通过多智能体系统模拟社 会互动；作为朋友，大模型超越学术角色，提供全方位非学术支持，包括职业发展建议、心理辅导和人际交往 建议。大模型全面融入学术工作流程，不仅能通过自动化重复劳动提高研究效率，更能通过人机合作扩展人类 思维的广度和深度，经济管理研究即将走向人机协作的新时代。 关键词: 人工智能；经济学方法论；人机协同；大语言模型 JEL Codes: A11；B41；C45；D83

专家序言 在零售行业经历百年未有的变革浪潮中，服装企业深刻体会到数字化转型不是选择题，而是生存 题。当消费场景从单一门店延伸至电商、社交、直播等全渠道矩阵，当客户需求从标准化产品转 向千人千面的个性化体验，我们的 IT 系统正面临前所未有的考验。 传统业务模式下的 "烟囱式" 系统架构，在多渠道融合的冲击下逐渐显露短板。门店库存与线上 订单不同步、会员数据分散在多个平台、促销活动难以跨渠道协同 "以资源换性能" 的模式早 已难以为继。我们需要的是能精打细算的技术底座，用一体化设计降低总拥有成本，让有限的 IT 预算创造更大价值。 当下，AI 技术正从概念走向实战，成为重构商业模式的核心引擎。从智能选款、动态定价到个 性化导购，AI 应用的深度取决于数据底座的支撑能力。在探索 AI 驱动的 "超级导购" 场景中 发现：能否将商品图片、面料参数、会员偏好等多模态数据实时转化为向量特征，能否用 戈尔的实践证明：当数据底座从 "各自为战" 转向 "协同作战"，IT 系统才能真正成为业务增长 的加速器。 本书收录的零售企业实践，既是技术创新的缩影，更是行业转型的启示。期待更多同行能从中找 到适合自身的数字化路径，在变革浪潮中筑牢根基、赢得先机。 专家序言 作为深耕消费品零售行业二十多年的 IT 从业者，我亲历了从 DOS 时代的 ERP 系统上线到全渠 道融合的每一次技术浪潮。从超市、百货、专卖店到