0 1 0 1 0 0 1 0 1 0 0 1 0 0 0 1 0 1 0 0 1 0 1 0 0 1 0 1 0 0 1 趋势 趋势 • 海量异构非结构化数据 • 大规模用户数 • 安全合规无法保障 • 知识沉淀难度高 • 知识赋能无法达成 “ 数据”和“知识”双擎驱动智慧校园 数据是高校的“血液” ，是保障正常管理和服务运营效能提升的基础。高校中存在海量 集成、可配置、可 扩展 的企业内容门户 ，实现一站式内容获取 ，一体化协同； • 平台化架构：通过云原生架构、 内容数据湖、开放架构、可观测性等平台化架构 ，实现 海 量数据存储管理、大规模请求支撑、业务系统集成整合能力 ，提升平台的可靠性、可 扩展 性、可维护性 ，从容应对海量非结构化数据挑战。 高效洞察文档 利用领域认知智能精准提取文档特征， 利用 One-Pass 技 术 高校用户分布： 用户数量级在 1W-20W+ 管理层 管理及服务人员 高校教师，科研人员 高校学生 AnyShare 云原生架构 应对高校大规模用户并发访问 弹性、可靠 提供从文档整合 ，存储 ，处理 ，共享等全生命周期立体安全体系建设； 避免由于大规模用户使用而造成的安全合规风险 ，简化安全治理 ，降 低 业务合规风险 1000 - 2000 - 1W - 500+ 2000+

环境所需要的所有设备，老师 无需进行复杂配置。 提供了信号接入接口，通过快 捷按键进行快速切换自带设备 画面。 真正做到即开即用，无需准备 复杂的教学环境。 问题：传统互动课堂，连接云平台时出现大规模授课时延迟、掉线等品质不稳定 卓越服务 智慧校园 传统互动课堂模式，大多强依赖于云端服务。当云 端服务出现异常或出口网络出现异常的时候，会造 成授课信息不同步、资源获取缓慢、掉线丢包等影 的机构，在智能弹性计算集群的基础上，通过配备智 慧核心提供稳定的本地化性能与服务，形成主要业务 服务本地化，不依赖于云平台的高性能、高可靠的分 布式架构。 核心一体机：通过将云端主要服务本地部署，从而在 大规模部署后，极大程度减少外部资源开销，并提供 高度协作管理，可在无外网的情况下实现业务连续性 保障，智慧核心与卓智教育云平台仅同步机构运营数 据，保障云平台与本地平台状态同步。智慧核心未来 还将 轻录播子板 提供基础版本课堂录播功能；提供大数据图像采集基础环境。 可选 云魔方（核心一体 机） 智慧教室统一控制，数据呈现，所有和智慧教室软件化的功能统一化。提供卓智教育云本地化部署环境；提供对大规模雨立方的管理；提供大数据 等更多业务的扩展基础环境。 必选 智慧管理子板 内置云魔方的智慧管理硬件卡，全景校园展示，全局掌握教室、设备、环境、课堂等的分布、状态和异常。 可选 智慧课堂子板 内

网络学习平台采用B/S结构,基于J2EE架构,页面采用Web2.0 AJAX开发,不需要另行安装插件就可以支持IE8及以上版本、safari、 firefox、chrome等浏览器。系统设计满足大规模用户使用、支持分布 式部署,可满足十万人在线学习的性能要求。主要效果如图2所示。 4.1 教师用户界面 教师个人空间主页主要展示的是功能模块名称以及各个功能 模块中所包含的功能界面,用户可通过点击相应的功能界面名称 在PAL、GAL、CPLD等可编程器件的基础上进一步发展的产物,是 一种半定制的集成电路。它是作为专用集成电路领域中的一种半定 制电路而出现的,它通过软件手段更改、配置器件内部连接结构和 逻辑单元,凭借高速并行计算的能力和大规模的芯片容量,同时片 内集成的乘法器和阵列,用先进的技术驱动电路来实现各种复杂的 逻辑和运算,它的这些优点很适合用于软件无线电核心处理器的优 先考虑方案。 3.3 DSP+DDS 数字信号处理器(DSP)

x 、Wi n do ws 多种平台，完全支持跨平台 的部署。 5. 容错性 在集群模式下，运行环境出现故障时仍能提供稳定、持续的服务。 6. 高性能 在大规模用户的访问的情况下仍然能够提供高速运行的服务，至少支持 30000 人的同时在线访问，10000 人的同时并发。 7. 可管理性 提供应用管理界面，可以对应访问权限进行分级赋权，设置应用的业务周期。 平台遵循应用的接入标准与管理规范，且提供校园应用交互设计规范。平 台 给后台管理人员设定了应用管理界面，可以对应访问权限进行分级赋权，设 置应 用的使用业务周期。 8.4.8.性 能 要 求 平台在大规模用户的访问的情况下提供高速运行的服务，支持 30000 人的同时在线访问，10000 人的同时并发。支持基础平台和应用的分离部 署，且在集群部署的模式下，运行环境出现故障时仍能提供稳定、持续的服 页 兼容大部分主流浏览器，包括 I E /F i re f ox /Ch ro me 等主流 的浏览器，无需第三方浏览器插件支持。 支持在大规模用户的访问的情况下仍然能够提供高速运行的服务，支持 5000 人的同时在线访问、单节点具有 500 人的同时并发。 兼容多种设备，完美兼容 Wi n do ws

执行小屏 （处） 校务管理 数字大屏 （观、防） 看板订阅 分析看板 校园一卡通 可视化 物业管理 后勤管理 污染治理 G IS 管 理 空间数据管理 会客厅 （观、感） 大规模并行计算 异构计算 云原生 网络安全 对象存储 智能云平台 物理模型管理 行业模板 统一运维中心 看板开发 数据探索 统一能力支撑 统一应用中心 设备接入 协议解析 数字孪生 数据中台 异构调度 掌上安防 通过 AI 赋能办公视频监控系统 ，实现事前预警、事中处置、事后分析及 AI 自主学习功能 ，通过视频 监控 人脸数据、车辆数据等的关联分析 ，融合 3D 立体视觉感知、大规模跨镜追踪（ ReID ）等多种算 法 ，实 现人、车、非机动车结构化分析 & 智能检索 ，提升办公整体安全防控治理水平。 应用价值： ① 支持通过人脸、人体、车辆、非机动车特征属性查证 ，可节约事后

电网 风电 光伏 微燃机 TacOS-Data Analysis 数据分析 AI 中台 大规模并行计算 平台层 低碳节能 能源管理系统 EMS AI 能际管理平台 校园管理 校务管理 空间管理 数据总汇总览 物业管理 资产管理 全域安全 视频监控 安消一体化 动态布控 安防安全：提升校园整体治理水平 通过 AI 赋能办公视频监控系统，实现事前预警、事中处置、事后分析及 AI 自主学习功能，通过视频监 控 人脸数据、车辆数据等的关联分析，融合 3D 立体视觉感知、大规模跨镜追踪（ ReID ）等多种算法， 实 现人、车、非机动车结构化分析 & 智能检索，提升办公整体安全防控治理水平。 应用价值： ① 支持通过人脸、人体、车辆、非机动车特征属性查证，可节约事后

的可靠性，MapReduce 的引入大大加强了平台在数据分析方面的弹性，使平台在可扩 展性、可靠性、易用性和性能方面都有良好的表现。 2.13.1、 Hadoop 技术 Hadoop 框架是一个开源的大规模数据处理平台和工具， 主要来源于 Google 公司提出的 MapReduce 编程框架，GFS 文件系统以及 BigTable 存储系统等技术。Hadoop 具有庞大的 家族体系，本平台的构建主要涉及到 框架的底层，主要负责分析数据的分布式存储和管理， MapReduce 模型主要是负责对大规模数据集进行计算处理。 Hadoop 釆用 HDFS 文件系统子框架来实现其所具有的存储能 力，用 MapReduce 编程模型框架来实现其计算能力，二者的 巧妙结合使得 Hadoop 拥有高效的存储和计算能力。 2.13.2、 HDFS 技术 HDFS 分布式文件系统是对大规模数据实现分布式存储和 管理的有效工具，也是分布式计算的存储基础，具有很高的容 管理的有效工具，也是分布式计算的存储基础，具有很高的容 错性和扩展性，并且对数据读写提供了的高吞吐率。HDFS 实 现了数据的分布式存储，使得应用程序能够更加灵活地访问大 规模的数据集，同时也为后续对大规模数据的分析提供了数据 平台。HDFS 分布式文件系统釆用的是典型的主/从结构，这种 结构极大的简化了系统的架构，使得系统更加简洁，方便系统 的管理。Hadoop 的分布式文件系统 HDFS 主要由主控制器和 数

强调“以人为本”的人工智能应用原则，旨在利用人工智能技术提升 教育效果的同时确保教师仍处于决策核心地位。该报告指出人工智能 在教育中的三大紧迫性：人工智能虽能以创新方式实现教育优先目标， 但系统性风险和潜在未来风险同步增加，大规模部署可能引发意外或 非预期的教育后果、决策需要在技术赋能与人文关怀之间寻求最佳平 衡点。报告呼吁教育领导者采取七项政策行动建议，包括强调“保持 人在回路中”、确保人工智能模型与教育共同愿景一致，以及保障人 算力能够有效训练和运行复杂的神经网络模型，从而提升人工智能的理解与分析能力，这使得算力成为数字经 济时代的核心生产力 48。大模型训练依赖数百至数万 GPU/TPU 并行计算资源的深度协同，这种规模空前的算 力投入使超大规模参数模型成为现实。算力突破直接催生了模型容量的指数级增长，当参数规模从数十亿跃升 至数千亿或数万亿时，模型呈现出“涌现能力”——一种质的飞跃，使其能够处理复杂抽象任务的能力超越传 统模型的简单叠加预期。2025 政策引导和技术创新双管齐下，构建更具包容性的算力生态系统。 2. 训练数据存在大规模、多样性和高质量的“不可能三角” 大模型的知识整合能力源于海量多样化训练数据。以 ChatGPT 为例，每一代的 GPT 在迭代升级的过程中训练 的数据量呈现爆炸式增长，GPT-3 训练数据量约为 3000 亿个 Tokens，而 GPT-4 训练数据量约为 13 万亿个 Tokens，在这样大规模的数据支撑下，GPT-4 在文本输入与输出方面已取得显著成果，还进一步增强了视觉与

CG 课程目标 EI 国际教育 EU 欧洲联盟 GDPR 一般数据保护条例 ICT 信息和通信技术 IT 信息技术 LMS 学习管理系统 LO 学习目标 MOE 教育部 MOOC 大规模在线开放课程 NETS 国家教育技术标准 UNESCO 联合国教育、科学及文化组织 13 教师的人工智能能力框架 - 第 1 章 ： 导论 第 1 章 ： 导言 1.1 为什么要建立 也应被设计出来，以验证旨在教育 目的且本质上可靠和安全的AI系统 ，包括特殊需求学生使用的系统。 此类AI系统应无恶意意图或有害后 果，具备抵御操纵的能力，并能够 保护学习者的隐私和敏感个人数据 。在大规模采用之前，还应评估并 验证这些AI工具的年龄适宜性和教 学实用性。 人类负责任的设计和开发 ： 教育 机构和技术提供商应对其人工智能 的性能、成果和影响的透明度和可 解释性负责。 2.5 确保所有教师的适用性并反映 AI 实现终身 专业学习 AI 增强 组织学习 AI 支持 专业 转化 集成AI的战略；以及“Create”，明确 了进行AI系统创造性配置和教育中创 新应用所需的高度专业技能。 并且涉及大规模采用的AI工具的性能特征 及其对教师工作量的影响。所有这些因素 ，以及可能的其他因素，也将影响教师AI 技能的实践、观察和提升的程度。相关使 能条件的策略在第五章中进行了讨论。 通过在这三个层次上结合人工智能能力的

的引入大大加强了平台在数据分析方面的弹性，使平台在可扩 116 智慧校园大数据云平台建设和运营整体解决方案 展性、可靠性、易用性和性能方面都有良好的表现。 2.13.1、 Hadoop 技术 Hadoop 框架是一个开源的大规模数据处理平台和工具， 主要来源于 Google 公司提出的 MapReduce 编程框架，GFS 文件系统以及 BigTable 存储系统等技术。Hadoop 具有庞大的 家族体系，本平台的构建主要涉及到 MapReduce 模型主要是负责对大规模数据集进行计算处理。 Hadoop 釆用 HDFS 文件系统子框架来实现其所具有的存储能 力，用 MapReduce 编程模型框架来实现其计算能力，二者的 117 智慧校园大数据云平台建设和运营整体解决方案 巧妙结合使得 Hadoop 拥有高效的存储和计算能力。 2.13.2、 HDFS 技术 HDFS 分布式文件系统是对大规模数据实现分布式存储和 管 管理的有效工具，也是分布式计算的存储基础，具有很高的容 错性和扩展性，并且对数据读写提供了的高吞吐率。HDFS 实 现了数据的分布式存储，使得应用程序能够更加灵活地访问大 规模的数据集，同时也为后续对大规模数据的分析提供了数据 平台。HDFS 分布式文件系统釆用的是典型的主/从结构，这种 结构极大的简化了系统的架构，使得系统更加简洁，方便系统 的管理。Hadoop 的分布式文件系统 HDFS 主要由主控制器和