元年 " 概念再次被热议。 一、人工智能发展简史了解 · 第一阶段：标志事件是 1950 年提出图灵测试， 1956 年达特茅斯会议召 开 · 第二到四阶段：低谷的原因是符号主义 Al 无法处理复杂现实问题 · 第五阶段：复兴时期，标志事件是 1997 年 IBM 深蓝击败国际象棋冠军 · 第六阶段：数据驱动的崛起，驱动力是互联网积累海量数据， GPU 算力 提升，机器学习算法突破，里程碑事件是 AI, 能陪你唠嗑、回答问题，但干不了实事，像“懂很多 道理的学霸朋友”。 → 现状：人类已实现，满大街都是。 ·L2 ( 黄 色 ) : “ 野生博士” → 不用查资料、不用联网，自己就能解决复杂问题，比如直接设计火箭图纸、破 解 癌症难题。 → 现状：还没达到，目前 Al 需要依赖工具 ( 比如上网搜索、调用计算器 ) 。 ·L3 ( 浅 黄 ) : “ 打工替身” → 能替你干活的 Al 大模型的设计和训练旨在提供更强大、更准确的模型性能，以应对更复杂、更庞大的数据集或任务。大模型通常 能够学习到更细微的模式和规律，具有更强的泛化能力和表达能力 学习能力强 大模型可以从大量的数据中学习， 并利用学到的知识和模式来提供 更精准的答案和预测。这使得它 们在解决复杂问题和应对新的场 景时表现更加出色 上下文理解能力 大模型具有更强的上下文理解能 力，能够理解更复杂的语意和语 境。这使得它们能够产生更准确、

 建设领先的信息化基础设施，实现基础设施环保、节能、智能 化服务等高级功能 基于现代化 IT 技术，部署计算、存储、网络、安全等基础设施，满 足校园复杂、多元、异构、分散等应用需求，降低基础设施运维与 管理复杂度，减少数据迁移、整合工作量，实现高效可靠的数据保 护，向“绿色数据中心”转变打下坚实基础。  构建弹性的基础支撑平台，实现基础设施资源的按需分配、调 带宽利用 率只有 50%；虽然 MSTP 基于 VLAN 进行优化，但使用 MSTP 又会 导致配置复杂，日常维护非常困难。  配置维护复杂，网络故障率高 每个接入交换机和汇聚交换机都需要运行 STP 协议，随着接入交换 机的增加，交换机需要处理的 STP 也越来越复杂，会导致可靠性问 题。 集群+堆叠的无环网络方案 基于 STP 方案有以上这些缺点，我们推荐采用集群+堆叠的无环网 题，接入层采用堆叠技术解决环网的难题，抛弃了复杂的环网协议， 简化网络，降低管理成本；堆叠、集群技术同时提供了冗余设计， 可靠性得到大幅提升。 横向虚拟化 横向虚拟化即在园区网的核心层、汇聚层、接入层分别采用集群/堆 叠技术，将多台物理设备虚拟化成单台逻辑设备，达到简化网络结 构、简化网络协议部署、提高网络可靠性和可管理性的目的。 接入层在复杂的接入环境中运行堆叠技术，可以最多将 9 台物理网

素大学集团的《在教育中使用生成式人工智能的原则》则强调要促进对人工智能的负责任和合乎道德的使用， 需要培养师生成为人工智能领域的领导者。英国高等教育质量保障署的《质量指南针：驾驭高等教育人工智能 时代的复杂性》提出应将人工智能素养纳入教师培训项目，因为教育工作者需要接受培训来教授这些知识，同 时也需要学会使用生成式人工智能工具。日本文部省《关于大学及高等专门学校在教学方面处理生成式人工智 能的通知 月的《高等教育中的人工智能：现状总结》报 告指出了人工智能对评估方式、学术诚信带来的严峻挑战，以及数据偏差、隐私保护、数字鸿沟等伦理问题。 英国高等教育质量保障署《质量指南针：驾驭高等教育人工智能时代的复杂性》报告中甚至提出了对“后抄袭 时代”的担忧，强调在利用 AI 创新和保持教育人文精神间取得平衡的重要性。这些都表明，数据隐私、算法偏差、 学术诚信是所有政策明确的红线，强调在引入任何人工智能技术前，必须有完善的治理和安全框架。 需要特别说明的是，在政策语境中，“人工智能”是指通过模拟人类智能构建的综合体系，其核心目标是通过 算力、数据和算法的有机融合，赋予机器人类水平的跨领域认知能力、自主学习能力与环境适应性，从而完成 多样化的复杂任务。2022 年 ChatGPT 3.5 的问世标志着人工智能进入大模型主导的新时代，大模型已然成为 当代人工智能技术最具代表性的实践载体，也是人工智能发展的重要方向。在实际语境中，人工智能与大模型

吗？ 便捷的操作工具帮助师生进行演示互动，提高教学效率 卓越服务 智慧校园 拍照投屏演示内容 大屏展示，便于讨论及点评 问题：录播操作太复杂，不会用，不敢用 卓越服务 智慧校园 录播设备控制繁杂、不易操作 功能乱、按钮多 界面复杂 一键录课操作，沉淀课堂教学精华，方便学生课后复习 卓越服务 智慧校园 一键录课 课堂录频回看 简单的编辑发布 问题：缺少客观的手段评估课堂整体教学效果 卓越服务 智慧校园 复杂的多媒体系统部署连接示意 仅需一台设备，即可将教室内所有设备进行物联管理 卓越服务 智慧校园 仅需一台设备，就可以将教室内现有设 备进行物联控制，更可根据决策与策略 进行综合性管理。 将原有的傻瓜设备，通过传感器进行数 据采集，并进行分析判断后给出调整动 作，让教室内的设备更加具备智慧。 问题：传统教室设备繁多，老师需要进行复杂的课前配置 卓越服务 卓越服务 智慧校园 一键上课 电脑开启 黑板灯关闭，投影机开启 幕布降下 通过一个按键，即可启动教学 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

学习交流可加AI肖睿团队助理微信号（ABZ2829） 第12页 模型蒸馏的定义 通俗解释：模型蒸馏就像是让一个“老师”（大模型）把知识传授给一个“学生”（小模型），让“学生” 变成“学霸”。 正式定义：模型蒸馏是一种将大型复杂模型（教师模型）的知识迁移到小型高效模型（学生模型） 的技术。 模型蒸馏的原理 教师模型的训练：先训练一个性能强大但计算成本高的教师模型。 生成软标签：教师模型对数据进行预测，得到每个样本的概率分布，这些就是软标签。 PTX 测试时计算 TTC 能力突破 开源、低成本、国产自主 n 基础能力：进入推理模型阶段，并跻身全球第一梯队 1. 推理能力跃升： DeepSeek大模型核心技术突破，实现复杂推理任务的精准处 理与高效执行，覆盖多模态场景应用。 2. 国际竞争力对标：模型综合性能跃居全球第一梯队，技术指标与国际顶尖水平 （如GPT系列、Claude等）直接对标，奠定国产大模型的行业标杆地位。 FP8混合精度训练（FP8）：在关键计算步骤使用高精度，其他模型层 使用FP8低精度进一步降低训练成本。这一点，是DeepSeek团队非常 有价值的创新和突破。 2. 长链推理技术（TTC）：模型支持数万字的长链推理，可逐步分解复杂 问题并进行多步骤逻辑推理。 3. 并行训练系统（HAI）： 16 路流水线并行(Pipeline Parallelism, PP)、 跨 8 个节点的 64 路专家并行(Expert Parallelism

用药提醒与注意事项生成  病历摘要自动生成（通俗语言版本） 从技术实现角度，系统需要满足不同场景下的响应速度要求。 测试数据显示，在门诊场景下，从语音输入到文字输出的延迟应控 制在 800ms 以内；住院病历的复杂模板加载时间不应超过 1.5 秒。同时需要兼容主流医疗信息系统，包括但不限于 HIS、LIS、PACS 的标准化接口（HL7 FHIR R4），确保日均 10 万 次以上的稳定数据交互能力。隐私保护方面，必须符合《医疗卫生 系统性能 系统性能是确保 AI 辅助病历书写系统稳定运行的核心指标， 需满足以下具体要求： 1. 响应时间 o 常规操作（如病历模板加载、基础文本输入）的响应时 间不超过 1 秒。 o 复杂操作（如自然语言处理生成诊断建议、多模态数据 整合）的响应时间控制在 3 秒以内。 o 高峰期（如每日上午门诊集中时段）系统需支持并发请 求，响应时间延迟增幅不超过 20%。 2. 并发处理能力 处理能 力。 o 数据库支持分库分表，单表数据量超过 1000 万条时自动 触发水平拆分。 以下为性能指标汇总表： 指标 目标值 测量方法 常规操作响应时间 1 ≤ 秒 端到端监控工具 复杂操作响应时间 3 ≤ 秒 日志分析+APM 工具 峰值并发用户数 ≥500 压力测试（JMeter） 数据存储扩展性 ≥1PB 分布式存储监控 可用性 ≥99.9% 心跳检测+冗余切换 3.3

指职业教育、高等教育与产业界深度合作，共同培养人才、协同创新的模式。 数字基座 在本报告中指的是指支撑上层应用和教学业务运行的、统一的、标准化底层技术平台基础设施。 PBL 项目式学习，学生通过在一段时间内对真实、复杂的问题进行探究来获取知识和技能的教学方 法。 低蓝光认证 由TÜV莱茵等权威机构颁发的，证明显示设备能有效过滤有害蓝光，保护视力健康的认证。 1.3 版权说明及免责声明 1.4 专有名词对照 19 。 高等教育赛道：聚焦交叉与创新 战略重心在于抢占未来科技竞争的人才制高点。它旨 在利用江苏雄厚的高校资源，推动AI技术与传统优势 学科的深度交叉融合，系统性地培养能够引领原始创 新、解决复杂系统性问题的复合型、研究型顶尖人才。 实施路径与产业机会： 推进的核心抓手是平台化建设 与跨学科重组。通过建立人工智能学院、未来技术学 院等跨学科的实体平台，打破院系壁垒，汇聚不同学 科的师 针对AI+金融、AI+生物、AI+材料 等具体方向，提供经过清洗和标注的高质量、行业专 有数据集。支持跨学科项目制学习（PBL）的管理与协 作平台： 提供能够支持不同学科背景师生进行长期、 复杂项目研发的管理软件和协同工具。 职业教育赛道：融合与协同 战略重心目标极为务实和精准，即将AI技术作为产业 升级的工具，深度赋能职业技能人才培养。其核心任 务不是教授泛泛的AI理论，而是要紧密对接江苏1650

达特茅斯会议 约翰 · 麦卡锡提出人工智 能标志 AI 的诞生 1957 年 罗森布切特发明感知机 Perceptron ，将人工智 能推向第一个高峰 1970 年 计算能力无法支持 大模型数据训练和 复杂任务， AI 进 入第一个低谷 第一次 浪潮 1960s 1980s 2000s 2020s 1982 年 霍普菲尔德神经 网络被提出 1986 年 BP 算法使得大规模神 经网络的训练成为可能， 断 大数据整合与模型预测 检测智能化与自动化 数字生物标志物解决临床应用挑战 实验室检测挑战 临床应用挑战 临床应用场景复杂 • 多指标组合困境 -DRG/DIP （如肺癌需 ProGRP+NSE 或 CEA+CYFRA21-1 组合） • 动态监测复杂性—治疗干扰，生物半衰期差异 沟通及认知偏差 • 检验 - 临床信息断层 - 异常值解读缺乏上下文（如 CA724 升高未关联患者胃溃疡病史）；报告形式僵 AFP DCP GAAD ASAP 模型 GAAD 模型 AI 生物标志物研究举例之自身免疫 病 • 人体免疫系统错误地攻击和损害自身细胞、组织和器官的一类疾病 • 临床症状重叠 , 诊断标准复杂 , 发病率逐年升高 • 患者的经济以及精神的负担都相对增大 • 早期诊断对于自身免疫疾病的治疗至关重要 科学目的：基于实验室指标构建自身免疫风湿病早期分类的 多分类模型  研究对象： 519

数据驱动智慧校园建设｜ 10 体系化数据灾备及可观测性方案，增强智慧校园数字化韧性 随着以服务师生为中心的智慧校园建设的不断深入 ，数字化、智能化技术与教育业务实现了更深度、更紧密的融合 ，其规模和复杂 度都在快速增长。高校师生对于智慧校园的各类数字化应用和数据的依赖程度越来越高 ，对其服务水平（ SLA ）的要求也越来越严 格。因此 ，提升智慧校园数字化韧性已经成为了一个关键要素。 级数据；基于 3-2-1-0 的勒索病毒防护机制 ，实现数据 0 感染；通过灾难恢复管理及演练平台 ，对备份数据进 行 恢复演练策略编排 ，实现自动化的灾难恢复演练及报告 ，降低灾难恢复管理的复杂度和成本 ，增强智慧校园数字化韧性： • 数据灾备体系专业服务 ，资深灾备咨询服务专家为高校提供定制化的数据灾备体系咨询、交付和培训服务 ，提升高校数字化韧 性能力 • 多备份域统一运营管理 库以及一卡通等重要业务系统的灾备保 护；并建设了灾备相关流程，以及灾备 运维及灾难恢复演练制度，提升智慧川 大数字化韧性； 统一灾备运营管理 多数据中心统一灾备运营、实现望江校 区与江安校区进行统一管理，降低运营 复杂度，简化灾备运营管理； 灾备体系可观测 释放灾备运维压力，打造完善的智慧校 园灾备体系运维能力，通过可视化、自 动化等提升灾备恢复能力。 增强智慧校园数字化韧性，提升服务水平（ SLA ）

工作压力不断增大，因此亟需一种高效、精准的病历自动生成工 具。 中医院作为具有悠久历史和丰富经验的医疗机构，其在门诊病 历的精确记录和及时更新上存在着巨大的改善空间。与西医不同， 中医的诊疗过程涉及到复杂的症状分析、辨证施治等多个方面，病 历的完整性和准确性对于后续治疗有着重要影响。然而，基于具体 中医理论和实践的病历生成过程，往往需要专业的中医知识和经 验。这使得借助 AI 技术的介入成为可能和必要。 智能化管理。这一转变有助于提高中医院的服务水平，提升患者的 就医体验，同时促进中医事业的可持续发展。 2. AI 大模型概述 AI 大模型是近年来人工智能领域的重要进展，通过大规模的数 据训练和深度学习算法，能够在各种复杂任务中展现出强大的理解 和生成能力。其核心在于通过深度神经网络架构，尤其是 Transformer 模型，处理和分析文本、图像和音频信息。这些模型 在自然语言处理、计算机视觉以及其他领域中已经展现出超越传统 方法的性能。 以 OpenAI 的 GPT-3 和 Google 的 BERT 为代表，这些模型具 有多层次的自注意力机制，使得它们能够理解语境、生成连贯的文 本，甚至在特定的应用场景中进行复杂的推理和决策。借助这些 AI 大模型，中医院的门诊病历自动生成系统能够显著提高数据录入的 效率和准确性，减轻医务人员的工作负担。 AI 大模型的应用涉及多个关键环节，包括数据处理、模型选 择