胡诗云，易君健∗ 2025 年 6 月 摘要： 以 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。 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 ∗胡诗云，北京大学国家发展研究院，博士研究生，电子邮箱：hushiyun@pku.edu.cn。易君健，北京大学国家发展研究院，教授，（联系方式）。作者 . . . . . . . . . . 9 3 祛魅 AI：大模型的基本原理 10 3.1 大语言模型的定义和历史 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 3.2 大语言模型的数学结构 . . . . . . . . . . . . . . . . . . . . .

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 2 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 提出 Transformer 框架在机器翻译中取得显著进步 ，其分布式学习和强大编码能力受到广泛关注。 2018 年 Google 和 OpenAI 基于 Transformer 提出了预训练语言模型 BERT 和 GPT ，显著提高了 NLP 任务的性能 ，并展示出广泛的通 用性。 众多预训练模型相继涌现， OpenAI 以 GPT2 、 GPT-3 、 ChatGPT 等系列模型为代表，持续引领大模型时代的浪潮

机器人编程，就是针对机器人为完成某项作业进行程序设计。 工业机器人编程是机器人技术的一个重要方面，它是与机器人所采 用的控制系统相一致的。为了用简单的方法描述作业、操控机器人， 机器人的语言应运而生。在本节中，主要详细介绍示教编程。 本 节 导 入 1 、示教编程 图 6-1 示教再现式机器人控制系统工作原理 示教盒 记忆装置 伺服放大 示教部分 再现部分 公共部分 工作装置 难以与其他操作同步 很难规划复杂的运动轨迹 以及准确的直线运动 难以与传感信息相配合 机器人语言编程是指采用专用的机器人语言来描述机器人的动作 轨迹。机器人语言编程实现了计算机编程，它具有良好的通用性，同 一种机器人语言可用于不同类型的机器人。此外，机器人编程语言可 解决多台机器人之间协调工作的问题。 2 、机器人语言编程 离线编程是在专门的软件环境支持下，用专用或通用程序在离线 情况下进行机器 两种情况 机器人语言提供一种通用的人与机器人之间的通信手段。它是一 种专用语言，用符号述机器人的运动，与常用的计算机编程语言相似。 1 、工业机器人语言的发展概况 1975 年 IBM 公司研制出 ML 语言 随后又研制出 AUTOPASS 语言 1974 年 在 WAVE 语言的基础上开 发了 AL 语言 1973 年 美国斯坦福大学开发了第一种 机器人语言—— WAVE

发过程中的问题能够被及时发现、解决，从而提高 了最终产品的质量。 2.1 汽车设计AIGC基础技术 通用语言大模型通过使用上百亿个参数和庞大的语料库进行训练，使得大模型可以理解并生成更自然、 更丰富的文本内容，在通用领域具备了知识推理能力，初步实现了“人的孪生”。 然而，通用语言大模型也存在一些潜在的问题和挑战，在严肃的专业产品领域应用还存在很多问题： 2.1.2 模型技术——AI模型 汽车设计过程涉及文本数据、图像数据、音频数据等多模态的设计交互及数据处理，通用语言大模型 虽具备强大的通用AI能力，但在特定的应用场景中的仍有缺陷，尤其是在汽车设计这种专业性强、流 程复杂且生成质量要求高的专业领域，需要更加细分的AI技术对通用语言大模型进行能力补足，主要 涉及以下技术： 自然语言处理（NLP）技术 01 NLP是AIGC在汽车制造领域的重要基石，利用先进的自然语言处理技术，如语义理解、对话系 统、文本生 分析。 将知识图谱强大的推理能力和大模型强大的自然语言处理能力结合，取长补短，是确保汽车设计 AIGC系统生成内容符合严肃专业领域的有效手段。具体方案为：首先采用自然语言处理和文字识别 技术，将自然语言书面文件转化为计算机可识别处理的信息，进而实现知识的自动抽取。其次，将抽 取到的知识构建成知识图谱，建立关联性。这一过程结合大模型的语言理解能力，协助实现图谱构建 中实体和关系抽取的过程，

汽车产业正经历着前所未有的转型升级。 在智能驾驶领域，AI 驱动的视觉识别系统利用深度学习算法，能够精准地解析周围环境信息，包括但不 限于交通标志识别、障碍物检测及行人跟踪等。同时，借助自然语言处理与语音识别技术的进步，车载交互界 面得以实现更加智能化的人机对话，从而提升用户体验并确保驾驶安全。 通过集成先进的机器学习模型与海量数据集进行训练，智能网联汽车如今已具备了高度自适应的能力，可 舱交互，更扩展至研发、生产、运营等 核心环节，低成本接入与场景化落地成为关键。阿里云通义大模型家族提供灵活路径，赋能全价值链。 阿里云秉持开源开放原则，提供全尺寸、全模态的通义开源模型并覆盖多种语言，助力车企低成本自研 掌握核心技术 ；同时也支持调用成熟的商业化模型快速落地。阿里云不仅提供强大的基础模型能力，其专业技 术团队也深入业务场景，确保通义大模型的能力真正转化为实际的运营效率提升与成本优化，实现场景化智能 馈调整力度大小和方向角度，这同样离不开 AI 技术 所提供的高精度建模与仿真功能。此环节要求极高精度与可靠性，以保证乘客安全的同时提供顺畅的驾乘体验。 此外，为了进一步提升用户体验，还可以利用大语言模型实现人机交互界面的智能化设计，使得驾驶员可以通 过语音指令轻松操控汽车的各项功能。 持续监控与反馈 ：持续监控车辆状态是保障行车安全的关键环节之一。借助机器学习尤其是无监督学习 方法，可以

字风洞，对造 型方案进行实时气动效能评估。系统可解析时速 200km/h 下的气流分离特性， 图 3-2 风阻仿真测试示意 智能测试体系 基于自然语言处理的测试用例生成引擎， 自动解析需求文档并输出测试 场景矩阵。自然语言处理技术可以将需求文档中的文字信息转化为测试用例， 提高测试用例的编写效率和覆盖率。工程师只需输入需求描述，系统即可自动 生成测试用例，减少了手动编 是否进行相应的答复， 当阈值低于一定范围的时候需要判断是否进入引导式 对 话还是进入最终的 unknown 意图域。 主要意图域 1. 问答 / 对话系统 描述：用户可以与大模型进行自然语言对话，获取知识百科类的答复。 功能逻辑： 本地知识库优先：系统首先检索外挂的本地知识库。（内容包含智己汽 车品牌 / 车型等相关内容、竞品、大模型身份） 大模型查询：若本地知识库中没有答案，则大模型按照用户的提问直接 角色库：系统内置多种角色供用户选择。 个性化回答：大模型会根据所选角色的特点，调整其回答的风格和内容。 3. 短暂人设 描述：用户可以在默认车载助手设定下进行短暂的其他人设选择，大模 意图识别 描述：系统能够准确地识别用户的语言输入，判断用户的意图，并为其 提供相应的服务或响应。 功能逻辑： 文本预处理：对用户输入的文本进行预处理，包括去除停用词、纠正拼 写错误等，以便更准确地识别意图。 模型预测：使用预训练

习模型，可能包含数以十亿计的变量，因此能够学 习复杂的概念，进而赋能生成式人工智能应用程序。 大型语言模型（LLM）： 大型语言模型是一种使用数万亿个单词进行训练的 机器学习模型，因此这类模型能够识别、翻译、预测 并生成文本、图像、音乐等内容。比如 BERT、GPT、 PaLM、BLOOM、LLaMA 和 Chinchilla，就都属于 大型语言模型。 术语须知 探讨采用生成式人工智能所面临的挑战 • 从试点转向生产 的数字化转型部门副总裁 “Amazon QuickSight 全新基于 Q 的编写体验可以节省大量时间，无需 停下来参考即可创建计算，快速构建图片，然后优化图片呈现效果来获得 精确的体验，所有这些均使用自然语言完成。” Christoph Albrecht，宝马集团数据工程与分析专家 Georgia-Pacific（隶属于 Koch Industries）是美国的一家纸浆和造纸公司，总部位于乔治亚 成文本摘要、文本 生成、分类、开放式问答、信息提取、内嵌和搜索 • Amazon QuickSight ：利用生成式商业智能情报（BI）功能，将传统的多步骤 BI 任务转变为直观而强大的自然语言体验 • Amazon Q ：功能极其强大的生成式人工智能助手，可利用公司内部数据并加 速软件开发 结语 后续步骤 ©2024，Amazon Web Services, Inc. 或其关联公司。保留所有权利。

Probabilistic Graphical Models 根因分析 Neural Network 基于时间序列异常检测 自然语言处理 , 地域空间分 析 Domain Expertise Classification 服务级别度量，事件时间轴 GAI /LLM/Transformer 语言模型 Marvis 对话助手 Reinforcement Learning 无线网络射频管理 Unsupervised Juniper Public 对话式语言助手 8 无人化网络检测 无人化变更检查 持续验证检查 © 2022 Juniper Networks

同时具备一定的运动规划、运动控制和人机交互的能 力。 在国内大模型厂商中,创新奇智的 ChatRobot 生 成式工业机器人,借助工业大模型能力,构建了多模 态、端到端的视觉-语言-动作模型(Vision-Language- Action,VLA),实现了自然语言驱动的 机 器 人 操 作 控制。 其次是质量控制。 深度融合大模型与计算机视觉 技术,借助 AI 技术对生产过程中的多个连续环节进行 实时监测和分析 特别是大模型技术,让生产经营数据按需洞察 成为可能,不同于传统的数据库检索方式,大模型可以 让用户根据需要实时洞察生产经营数据,从而降低数 据洞察门槛和提升企业决策效率。 最后是知识管理。 依托自然语言处理与知识图谱 技术,大模型被用于提升企业内部知识资源的整理和 分类效率,对文档、手册、案例研究等资料进行高效归 档和标签化,使员工能够通过智能搜索迅速且精确地 访问所需信息。 这不仅提升了信息检索效率 性化服务策略。 其次是智能产品营销服务。 依托大数据分析,利 用客户历史数据分析建立用户画像,为客户提供个性 化的产品推荐或定制服务,增加客户的转化率和满 意度。 此外是产品售后服务。 通过自然语言处理、数字 人等技术,AI 能够对客户的问题进行理解和回应,24 小时不间断地提供服务,快速响应并解决客户的问题, 减少客户等待时间。 同时,通过数字人技术,AI 可以 根据客户的个人数据和行为偏好

对大规模数据的学习和训练，使具身智能 agent具备强 大的语言理解、视觉感知和决策能力。具身大模型能 够将语言、视觉、行动等多种模态的信息进行融合和 处理，实现对复杂任务的理解和执行。同时，具身大 模型还具有良好的泛化能力，能够在不同的应用场景 中进行快速适应和学习，为具身智能的发展提供了有 力支持。例如，PaLM-E 多模态大模型将语言理解与 机器人控制相结合，使机器人能够根据语言指令执行 各种任务，推动具身智能进入了语义交互的新纪元。