，“看不准”和“看不全”的挑战 “ 看不清 ” 雨雪雾恶劣天气和低光照环境降低 了无人机对目标的感知清晰度 “ 看不准” 低空感知模型进化难 “ 看不全” 多机跨视角感知难 “ 看不清” 复杂环境全天候感知难 低空感知 基础模型自主进化技术 水情监测 研究挑战 关键难题 技术创新 低空复杂环境 全天候感知技术 安防巡检 多机跨视角 协同感知技术 应急搜救 成果应用 空军“无人争锋”挑战赛冠军 基础平台建设 构建了国内外广泛使用的无人机视觉基准数据平台 空天地水协同进化智能无人集群感知平台 团队荣获吴文俊人工智能科技进步奖一等奖等科技奖励 构建世界上规模最大无人机视觉数据平台 VisDrone 人工智能科技进步奖一等 奖 从被动感知到自主协同 ，构建支撑具身智能体与集群协同进化的下一代数据基座 感 - 策 - 控一体化构建 仿真－物理具身数据基座 大规模低空数据平台 VisDrone MultiDrone AnimalDrone DroneCrowd DroneVehicle DroneRGBT 建立低空无人机视觉计算领域和多个平台兼容的模型库并实现大小模型协同进化 多维评估体系 场景识别能力 定位检测能力 条件判断能力 推理思考能力 n 建立超过 10 亿图像 / 视频帧数据库 ， 开发低空多模态视觉推理大模 型 指令划分 场景数据 2000 万

复杂环境下 ，低空群体智能面临数据缺、 自主差、协同难的挑 战 、协作具身 感知推理 群体执行协调不稳定 多机具身协同难 ，导致群体具身智 能感策控实现难 性能进化难 灾难性遗忘 协同自主进化机制匮乏 ，导致感知 与持续学习能力双重受限 多机协同感知数据 协同感知与具身基础数据匮乏 ，导 致基座构建受限 “ 自主差” “ 协同难” “ 数据缺” 感知大模型 模型 2 类增量： 持续学习 进化前 进化后 性能进化： 1 +1 >2 面向 10 万 + 机场的海量巡飞数据 ，如何构建低空模型基座并自主进 化 产出价值： • 持续学习 • 模型进化 核心动作： • 广域知识学习 • 基础能力构建 核心动作： • 大小模型协同 • 能力持续进化 关键特征： • 多模态 • 非结构化 非结构化 海量低空数据 性 能 进 化 协同进化 边端协同 边端小模型 感知大模型 版本迭代 云端赋能 迭代进 化 类 增 量 场景解 析 关键目标理解 特征融合压缩 轨迹规划与优化 最优轨迹生成 动态跟踪控制 代价加权 板载指令执行 多项式轨迹 低空智能从环境感知、推理决策到控制执行各阶段割裂 ，亟需端到端学习范 式 往前向一点钟方向走。经过马路 以及灰白色的建筑后

生态环境部核与辐射安全中心 AI 是如何思 考 这个问题的？ 01 AI 对 AI 赋能核安全监管的思考 02 国际上核安全监管在 AI 的进展 03 核安全监管信息化工作汇报 04 面向未来的进化路径 CONTENTS AI 对 AI 赋能核安全监管的思 考 核安全：文明发展的关键命题 人类文明的代际划分是 基于能源的应用 核物理本质上是对世 界本源的探究 文明演进的风险镜像 完成知识分类体系梳理及知识管理系统一期建设 ，形成十大知识库。 面向未来的进化路径 全域感知网络与边缘智能 02 、边缘智能部署 在核电站本地部署轻量化 AI 模型（如 TinyML ） ， 实现辐射泄漏等紧急事件的毫秒 级响应 ， 减少云端依赖 ，提高应急处理的 及 时性和可靠性。 AI 技术进化路径： 从“工具辅助”到“ 自主协同” 01 、多模态感知网络构建 集成核设施传感器（辐射、 集成核设施传感器（辐射、 温度） 、 卫星 遥 感（地理风险） 、 无人机巡检（设备腐 蚀检 测） 数据流 ，构建全域感知网络 ， 实 现对核 设施全方位、 多角度的实时监测。 AI 技术进化路径： 从“工具辅助”到“ 自主协同” 因果推理与数字孪生决策 因果 AI 的应用 01 突破传统相关性分析 ，构建核事故因果链模型（如冷却系统失 效→堆芯熔毁→放射性扩散） ，提升风险归因能力

聚焦业务场景，优选 AI 联合方案… ……………………………… 7 1 中小制造企业数字化转型七大业务痛点和场景……/……8 2 数字化转型解决方案组合……/……21 03 价值流分析，驱动企业持续进化的“飞轮”……………………23 1 价值流分析：看清企业生产运营的 “价值河流”……/……24 2 中小制造企业的应用图景：把 “看见” 和 “迭代” 变成企业的能力…/……27 VSA）为手段，帮助企业认知 与探索数字化战略规划、生产运营、 组织与管理、人才体系等方面的最佳 实践 形成自身数字化企业建设和运营逻辑改善 的思考 23 第三篇 · 价值流分析，驱动企业持续进化的“飞轮” 价值流分析，驱动企业持续进化的“飞轮” 第三篇 在全球制造业的激烈竞争中，中小制造企业就像在汹涌海浪中航 行的小船，虽然奋力前进，却总被迷雾——那些无形的浪费和瓶颈—— 拖慢航速，甚至改变航向。价值流图分析作为能直观呈现企业“物料流” 是精益管理的核心工具之一，通过可视化特定产品或服务在从原材料到最终客户交付的每一流程步骤 及其所需的物料流和信息流，从而识别和量化流程中的非增值活动（浪费），以指导流程改进。 25 第三篇 · 价值流分析，驱动企业持续进化的“飞轮” 案例，某发动机缸体加工企业案例 a. 背景 某装备制造企业主要从事发动机缸体的生产与装配，典型的制造流程为：铸件来料→粗加工 （车、铣、镗等工序）→精加工（孔系、关键尺寸）→清洗→检测→装配。企业在数字化转型过

，提取出与输 入序列相似的所有序列，并构建为一个矩阵。这种比对基于这样一个假设：序列 的相似性表示它们具有共同的进化起源。多序列比对可以帮助确定多物种保守的 序列区域，这些区域在进化过程中保持不变，可能是因为它们对生物有重要的功 能。AlphaFold2通过MSA来提取出蛋白质序列的进化信息，此外，如果在MSA 中的多个序列中观察到两个位置的氨基酸同时变化，那么这可能暗示这两个氨基 酸在蛋白质的空 ESMfold放弃了MSA的构建步骤，而是采用了使用一个蛋白质大语言模型 ESM2，来对氨基酸之间的相互作用模式进行表征。ESM2同样基于 Transformer架构，可以针对输入的蛋白质序列直接提取出其包含进化信息 embedding。该embedding可以直接输入类似AlphaFold的Evoformer中。 这种端到端的计算方法，使得ESMfold的推理速度比AlphaFold2快了一个数量 级。更适合用户的使用。

赋能打通全链路智能化测试闭环，通过智能需求分析、 智能用例生成、缺陷根因分析等能力实现高效精准验证；另一方面强 化对 AI 系统自身的深度测试，形成“以 AI 测 AI”的自我进化闭环。 （4） 运维智能化聚焦“主动防御-智能进化”的体系构建。以 AI for OPS 为核心实现故障预测、根因定位、自愈执行的闭环管控， 通过日志智能分析、异常模式挖掘、演练自动化提升系统韧性；以 Ops for 辑错误和设计缺陷，还能给出具体修复方案，实践表明可大幅度降低 代码缺陷率。与传统工具相比，AI 驱动的质量体系具有可持续优化、 技术门槛降低与动态适应性等优势。智能代码质量防控的核心价值在 于构建“人机协同+持续进化”的质量防控体系：开发者不仅是代码 编写者，更是规则定义者与优化推动者；系统则通过学习人类反馈和 业务需求，不断迭代检测能力，最终形成动态适应技术栈与业务场景 的“智能护城河”。随着大模型推理能力的增强与行业知识库的完善， 促进团队技能提升， 对于人员流动性较大的开发团队而言，这种知识资产的沉淀尤为重要。 （4） 智能 CI/CD 体系正在引领 DevOps 的全面升级 现代 CI/CD 系统已从简单的自动化工具进化为具备智能决策能 力的开发中枢。在构建环节，智能系统能够实时分析编译错误和依赖 冲突，通过深度学习模型快速定位问题根源。当构建失败时，系统不 仅会指出具体错误位置，还能基于历史构建记录推荐最可能的修复方

I 18 放 电 用 电 | 6 0 X 准确预测 机器学习 敏捷迭代 自 主 迭代的机器学习算法一光伏预测与负荷预测 可不断进化建模和各类影响因素，持续迭代，不断提高预测准确度 自 主 迭代的机器学习算法 34 21:00 28 eo date power 250 200 150 100 50 0 21:00 04-Jan 自 主 迭代的机器学习算法一光伏预测与负荷预测 可不断进化建模和各类影响因素，持续迭代，不断提高预测准确度 · 经纬度 · 安装角度 · 超短时气象数据 · 短时气象数据 · 风速、湿度、气压 …… 预测后的能源数据 预测后的功率数据 原始功率数据 零碳智慧园区标准解决方 案 赛 唱 接入灵活 生态共享 备注：基于实际设备情况而定 可 有效的数据预测 - 自 主 迭代的机器学习算法，可不断进化建模和各类影响因素， 持续迭代，不断提高预测的准确度 - 高颗粒度、高精度、超短期的数据预测，预先生成调控策略 安全灵活的调控策略 - 基于机理算法验证，保障调控可行性及安全性 - 具备经济

几项关键能力 企业级 转型战略 组织 机制 文化 氛围 自主 + 合作并重 战略 + 执行统筹 业务 + 技术驱动 顶层 设计 平台 赋能 生态 落地 持续 迭代 自我进化 坚持 1 个全局转型战略 创造 2 个保障条件 贯彻 3 个核心原则 推进 4 个关键行动 13 Huawei Confidential 华为认为：“愿景驱动”是数字化转型的核心，“不拘泥于现 动，实现功能级迭代 战略目标优化与调整， 实现规划级迭代 能力沉淀 平台不断增强，实现平台级迭代 业务 技术 顶层设计 思考与建议三：通过顶层设计驱动业务和技术的融合创新， 分层迭代，实现智慧水利的自我进化 18 Huawei Confidential 平台以相对稳定架构承载多变的业务需求和飞速发展的技术，助力数字化能力成长 运 营 体 系 安 全 体 系 • 应用模型沉淀 • 数据资产积累

和价值实现。通 过数据交易市场，数据提供方可以将自己的数据进行交易，数据需求方能够获取所需 的数据资源，实现数据的优化配置和价值最大化。 在智能升级方面，开发自主进化型 AI 分析引擎，不断提升平台的智能化水平。自 主进化型 AI 分析引擎能够根据数据的变化和业务需求的发展，自动学习和优化算法， 实现更精准的数据分析和决策支持。 在标准输出方面，积极参与制定低空数据国际标准，提升我国在低空产业领域的

AI 赋能的智能化阶段， ISOC 成为核心概念，通过大数据、AI 技术（特别是大模型和 AI Agent）实现威胁检测、事件分析、响应处置、 威胁狩猎等环节的自动化和智能化，构建人机协同、持续进化的主动防御体系，以更高效、更智能的方式应对 复杂多变的网络安全威胁。 阶段特点：  数据驱动：以数据为核心，构建安全数据湖，为安全分析提供全面的数据支撑。  AI 赋能：广泛应用 AI 技术提升安全运营的智能化水平。AI  量化管理：建立量化的安全指标，对安全运营体系的效果进行量化和评估。 2.2 ISOC 的理念 智能化安全运营中心（ISOC）的核心理念是以数据驱动和 AI 赋能为双引擎，构建人机协同、持续进化的主 动防御体系，实现安全运营的自动化、智能化和自适应，并最终将安全运营与业务目标深度融合。理念强调数 据是 AI 模型训练和优化的基础，为 AI 赋能提供高质量的数据支撑，从而提升智能化水平；反过来，AI 构建更主动的防御能力，利用威胁情报、AI 预测、威胁狩猎等实现事前预防；  倡导更高效的人机协同，AI 辅助分析决策，分析师专注于复杂威胁研判；  拥有更持续的优化能力，利用 AI 模型的自学习能力实现安全运营体系的持续进化。 2）ISOC 的主要目标 ISOC 的主要目标是多维度的。致力于  提高安全运营效率，通过 AI 驱动的检测和自动化响应缩短 MTTD 和 MTTR；  降低安全运营成本，通过自动化