均指代大语言模型。 2 人工智能时代的社会科学家 5 对于需要大规模文本分析的应用，则需要通过 API 访问；如果有进一步的保密需求，则需要考虑本地部署。 随着相关计算框架的成熟，本地部署大模型、微调大模型已经不是高科技公司的专利，而是每一个社会科学研 究者都能运用的工具。 在介绍完这些技术基础之后，我们分别介绍大模型在研究全过程中的应用。我们认为，人工智能大模型在 研究过程中将会扮演四种 Transformer 模型建构，并发展了 “预训练-微调”范式。所谓“预训练——微调”范式，就是指先在大量一般的文本上对语言模型进行训练，然 后在进行具体任务时，再利用少量数据进行微调。例如，在金融文本情绪分析当中，可以首先利用大量网络文 本数据，训练模型对于语言的一般理解；再利用少量领域数据（如 1000 条标注后的金融新闻标题）对模型参 数进行微调（Fine-tune）。在经济金融研究中，可以利用事先训练好的 利用事先训练好的 BERT 模型，在具体应用中进行微调， 实现对特定任务预测性能的改进。例如Siano (2025) 利用新闻公告文本作为自变量、公告后收益数据作为因变 量，微调了 BERT 模型。Huang et al. (2023) 则进一步针对金融和会计领域训练了 FinBERT 模型。 2020 年，Google 进一步推出了 T5 模型。这一模型的关键意义，在于通过“指令 + 数据”的形式实现了

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 + 微调”技术范 式 预 训 练 测试数据 微 调 2012 ，结合底层基础大模型和针对特定⾏业的精简数据微调，将训练出更为实 用、更易于产业落地的小型化大模型。 产业端 国产 AI 芯片自主研发 为确保中国大模型的长远发展和避免外部制裁风险，国内 AI 计算芯片的自主研发将成为关 键战略方向。 数据产权标准深化 优化和完善现有数据标准和规范，是 推动大模型“燃料”质量提升和数量增长的重要驱动 力， 在 2024 年将作为产业发展的首要任务。 “ 套壳”微调策略 为满足产业实际需求并适应中小企业的发展特点，“套壳”微调（即在现有大模型基础上 进 ⾏针对性调整）将成为除行业巨头外企业的主要发展策略。 人工智能伦理责任 随着大模型性能的飞速提升和实⽤性的增强 ，确保 AI 技术与社会伦理道德标准相—致将成 为⼤模型持续发展的关键考量因素。 在 2024 年，大模型的技术发展将趋向多功能与小型化，同时产业端将强调自主研发和行业标准

场景侦测 音频侦测 部分枪机具有 ABF( 自动后焦调节 ) 功能， 通过摄像机上的 ABF 按钮或者客户端 /IE 上 的 辅助聚焦等按钮可自动或手动实现图像传 感 器的细微调整 ，从而达到微调焦距的作 用， 方便了安装调试。 新一代 Smart IR 技术可自动检测画 面 亮度 ，通过内部算法自适应调节红外 灯亮 度以及画面亮度 ，从而达到抑制近 处物体 过曝同时保证背景区域亮度的效

面实时调整材质、光影与色彩搭配。相比传统手工绘制与反复修改 的流程， AI 技术将设计周期大幅缩短， 同时解决了效果图变形与低质问题。 例如，设计师 仅需上传线稿或概念图， AI 即可生成多种风格的细节方案， 支持多轮精细化 微调。这种“实时创意迭代”模式不仅解放了设计师的创造力， 更使设计决策 更加精准高效。在实际应用中，设计师可以利用这一功能，快 速探索不同的设 计方向，提高设计的效率和质量。 27 技术框架：基于生成式大模型构建参数化工作流： ● 输入层：车型数据库（续航、价格、设计特征） + 场景关键词库（节日热 点、 地域文化）。 ● 生成层：采用商汤秒画模型，支持文生图 / 图生图双模式，通过 LoRA 微调确保品牌风格一致性。 ● 输出层：自动适配多平台格式（小红书竖版海报、微信公众号长图文） 。 ● 风控机制：嵌入三层合规校验： 37 套方案： 方案 A ：星空蓝 L6 穿越月圆场景，文案“月满团圆路，智驾归家途”（文 生图）。 方案 B ：用户全家福与 L6 车型合成，添加“智能座舱赏月”标签（图生 图）。 设计师微调反向描述词：“降低冷色调饱和度，增加暖光滤镜”。 视频生产： 调用三维车模生成 15 秒短片： 0-5 秒： L6 车灯投射月球全息影像（科技感模板）。 6-10 秒：车内氛围灯渐变暖黄，模拟月光洒落（温馨家庭模板）。

味着车辆可以在特定情况下进行智能驾驶，但驾驶员仍需随时准备接管控制权。例如，自适应巡航控制可使车 辆自动保持与前车的安全距离，并根据前车速度调整自身车速 ；车道保持辅助系统能帮助车辆在车道内稳定行 驶，当车辆有偏离车道趋势时自动进行微调纠正。目前不少主流汽车品牌的中高端车型都已初步具备这些功能， 部分车企也宣称其产品具备 L3 级别的有条件智能驾驶能力，允许驾驶员在特定场景下短暂脱手驾驶，但驾驶 员仍需随时准备接管车辆。目前 L4 个性化定制 ：随着消费者需求越来越多样化，传统批量生产模式已难以满足市场要求。而借助 AI 技术， 制造商可以根据每位客户的偏好提供高度个性化的选项配置，如颜色搭配、功能选择甚至是外观细节上的微调。 这种按需生产的灵活性不仅提升了顾客满意度，也为品牌赢得了竞争优势。 研发知识管理 ：借助 AI 算法，能够高效地整合与深度分析海量的历史数据及专家，构建出研发知识图谱 和智能问答系统，方便 并总结沉淀形成了中国一汽的代码开发标准和开发规范，为大模型应用奠定基础。2024 年开始一汽全量开发工程师开始 使用通义灵码，初步验证其可提升 10%-15% 开发效率。 在此基础上，中国一汽引入通义大模型能力进行微调，打造中国一汽的代码生成大模型应用 GPT-Code。目前 GPT-Code 已经能够辅助开发者甚至自行完成功能测试、代码注释、代码评审、原型图自动生成前端代码等开发任务。 而在产品造型设计方面

级数据的实时处理与高效检索，同时通过数据 清洗、标准化和标签化等预处理流程，确保数据质量满足模型训练 需求。 模型层是核心部分，主要包含预训练大模型、领域微调模型和 任务专用模型。预训练大模型基于海量通用数据构建，具备强大的 泛化能力；领域微调模型通过对工业园区特定领域数据的再训练， 提升模型的场景适应性；任务专用模型则针对具体应用场景（如能 耗预测、故障诊断等）进行优化。模型层采用分布式训练框架，支 降时提前停止训练，防止过拟合。同时，引入模型检查点机制，定 期保存训练过程中的最佳模型，便于后期模型部署和调优。 在训练策略上，采用迁移学习技术，利用预训练模型作为初始 参数，结合工业园区特定数据进行微调，提升模型在特定任务上的 表现。具体步骤包括加载预训练权重、冻结部分网络层、调整输出 层以适应新任务需求，再进行精细化训练。这一策略不仅能显著减 少训练时间和资源消耗，还能提高模型在小样本数据上的表现。 Transformer 架构的预训练模型，如 BERT、GPT 等，这 些模型在自然语言处理任务中表现优异，且具有较强的泛化能力。 对于特定的业务场景，如企业数据分析、政务文档处理等，可以在 预训练模型的基础上进行微调，以适应具体的任务需求。 在模型选择过程中，需综合考虑模型的性能、复杂度、计算资 源消耗以及可扩展性。可以通过以下步骤进行模型选择与优化： - 性能评估：通过基准测试（benchmarking）评估不同模型在类

的制造企业正在进行试点 工作。¹ 生成式人工智能代表着人工智能技术的飞跃，采用生成式人工智能可以为 制造企业带来竞争优势。IDC 的一项研究表明，83% 的 IT 领导者认为，利 用业务数据对生成式人工智能模型进行微调，将为他们带来显著的竞争优 势 ；然而，目前只有 30% 的企业正在构建所需的现代工业数据架构。2 亚 马逊云科技将生成式人工智能引入客户数据所在的云端，使制造企业能够 释放其变革潜力。 借助生成式人工智能，制造企业可以

将对画面的细腻度非常有帮助。 2) ABF 自动背焦调节。部分枪机具有 ABF(自动后焦调节)功能，通过摄像机 上的 ABF 按钮或者客户端/IE 上的辅助聚焦等按钮可自动或手动实现图像传 感器的细微调整，从而达到微调焦距的作用，方便了安装调试。另外摄像 机长时间工作后，可能也会出现轻微虚焦的情况，因为相机安装都有一定 高度，二次调试都比较困难，这个时候，具有 ABF 的摄像机，只需要在局 域网内通过

调整标注流程和质量 控制策略。 （二）构建高质量大模型语料数据集 开发L1级行业大模型和L2级业务领域大模型，适配智能检索、试验数字化等场景。基于大模型基座，结 合试验语料数据，进行模型预训练和微调，开发适用汽车行业的L1级大模型，使其具备行业专属性能和准确 度。围绕汽车研发试验场景，基于开源大模型，开展模型优化、场景适配研究，开发应用。开展面向RAG模 型优化及策略研究和AIGC生成技术研究 。优化生成模型的架构，提升生成内容的质量，实 现知识库增强，参数调优，嵌入质量评估模块，提升生成内容的专业性和准确性。使用剪枝、量化、蒸馏等 技术优化模型，训练和推理效率。 （三）开展模型预训练和微调 针对行业积累的Word、PDF、扫描件等非结构化知识源数据，开发数据获取、数据清洗、拆分、标注、 转换等数据批处理智能体工具集，实现这些数据向大模型能够识别的Markdown、Json格式的高效转化， 数据模型分析预训练后，通过预训练与微调结合、打破信息孤岛、知识增强等方式构建了解决方案，助力企 业实现智能问答、装置监盘、预警、离子膜寿命预测、电流负荷动态分配、AI控制及绩效考核等功能，各个功 能既可以通过聊天式交互访问，也可以通过对应的菜单的图形界面访问。 （一）方案架构 一是预训练模型和微调。TPT模型分为基础模型、微调模型和应用管理三部分，基础模型由不同行业不同 设备的海量数据融合训练而成；微调模型是根据业

模型是否真正理解了要生成的任务，二是生成的结果需要进行全覆盖测试和验证。检测生成内容是否 能够真正应用于实践，应用的程度如何，能否达成使用者的目的等，都是评估生成内容可信性的标准。 通过这些评估结果，来对模型进行微调，重新梳理数据与流程，提高生成内容的可信性。 设计大模型根据主动收集的需求，调用仿真模型基础模块库，自动生成数字化任务场景，供设计师确 认；根据场景工况知识图谱生成全覆盖测试工况和场景模型，实现自动化测试。 全网车信息 全域价格信息 线上看车 线上选车 渠道营销 邀约到店 经营管理 可训练的百亿大语言模型 70亿数据源每日更新 智能数仓全网检索分析 语言处理与分析 海量基础知识 行业数据微调 品牌与产品交叉分析 市场动态监控与动态分析 反漏斗用户决策模型 场 景 层 能 力 层 基 础 层 洞察竞争对手 指标检测预警 车企产品迭代 市场监督与建议 多模态营销内容 丰富营销灵感