重建相结合, 将多模态大模型的开放词汇 查询能力融合进环境的 3D 体素网格中, 使得机器 人系统能够基于多模态查询 (如文本描述、图像或 地标的音频片段) 在地图中索引目标. Act3D[92] 则提出了一种基于 Transformer 的 3D 特征场模型, 使用大规模预训练的 2D 特征提取 器 (如 CLIP[17] 或 ResNet50[104]) 来处理多视角的 RGB-D 图像, 并将提取的 该方法在处理包括绳索、颗 粒介质、刚性盒子和布料在内的多种真实世界可变 形物体的预测和操控任务中表现出色. 神经辐射场 (Neural radiance field, NeRF)[106] 是一种用于 3D 场景表示和视图合成的深度学习方 法, 通过深度神经网络对场景的连续体积密度和颜 色进行建模, 能够从任意视角渲染出高质量的图像. 在文献 [107] 中研究人员提出了蒸馏特征场 (Dis- 定位和识别、场景的地理空间布局、3D 形状和物理 特性, 以及物体与人类潜在的交互功能, 此外还能 够处理全新的动作, 显示出一定的泛化潜力. 随后, Affordance Diffusion[95] 提出一种基于扩散模型的 图像生成方法, 可以从单个物体的 RGB 图像出发 合成人类手与该物体交互的合理图像, 并从中直接 提取出可行的 3D 手部姿态. 作者构建了一个两阶 段生成模型: 首先使用 LayoutNet

AlphaGo Zero 在 3 天内 自我对弈 490 万盘，以 100:0 击败 AlphaGo 2016 年 3 月， AlphaGo 以 4:1 赢了人类围棋世界冠 军 一些学者坚信世界有一种「世界模型」 , 并着力开发一 种 新的类似大脑的 Al 架构，是通过更真实地模拟现实世 界 ( 多模态输入训练 ) 来解决当前系统的局限性，例如幻 觉 和逻辑上的缺陷。这也是想要 Al 接近人类智力水平， 行规划和推理，并在现 实 世界 中采取行动。 ~2024 年 11 月 29 日 [AGI 将在 5 到 10 年降临， JEPA 路线将代替 LLM 」 >LeCun 坚信有一种世界模型， 并着力开发一种类似大脑的 Al 架构，通过模拟现实世界来解 决幻觉和逻辑上的缺陷。 未来最大的变数： AGI 距离我们还有多远 ? 是一场通用技术革命，预计将对各行各业带来深远的影响，推动全社会生产力 和竞争力的提升 ! 能源领域：人工智能赋能能源领域的数字化变革 76/80 口人工智能是能源领域一种新的生产力，正在重新定义行业工作方式和技术路径 口通过大模型与智能体的结合，能源行业从数据收集到优化决策的智能化 口大模型的强大推理能力为复杂问题提 供精准 分析，而智能体的灵活适配性保证

关系分析不仅能捕捉材料结构、属性、元素周期表 等抽象概念，还能发现隐藏的结构-属性关系，从而 找到新的热电材料[14]。利用人工智能技术捕捉人类 未充分探索领域的隐性联系，从而形成新的知识结 构，推动学科知识创新，是一种科学发现模式的创 新，开启了科学知识创新的新途径[15-16]。 1.2.2 多模态数据挖掘 大语言模型技术并不仅限于文本数据，也可用 于理解和生成包括图片、音频、视频等多种类型的 数据。例如，Sora 传统知识管理模式是建立在知识的结构化符号 表示之上[11]，这也导致当前信息系统的知识库主要 关注那些可以编码的显性知识，而隐性知识因无法 符号化表示则难以建模。如表 1 所示，与传统模式 相比，大语言模型提供了一种全新的知识管理模式， 利用大语言模型技术重塑应急系统的知识获取、知 识共享、知识创新、知识应用等关键环节，突破系统 智能化发展的困境，更好发挥应急知识管理的效能。 3.1.1 知识获取 在基于大语言模型技术的知识获取中，应急知 知识创新是对已有知识的深度挖掘、整合和创 新之上，实现更深层次的知识洞见和理解，这一过 程也称知识生产。应急管理领域知识创新涉及到管 理学、社会学、心理学、工程学、信息科学等多个学 科知识的交叉融合，是一种应用情境中的跨学科知 识生产，具有强烈社会弥漫性特点[24-25]。与单学科或 多学科的知识生产不同，知识生产者并不是按照传 统的学科结构整合，而是复杂灾害情境下产生的问 题处理需求而整合。随着问题的出现，涉及问题处

请务必阅读正文之后的信息披露和法律声明 8 图5 CrewAI 整体框架 资料来源：CrewAI，CSDN，海通证券研究所 1.3 Prompt 提示词的艺术 Prompt 是一种基于自然语言处理的交互方式，它通过机器对自然语言的解析，实现 用户与机器之间的沟通。可以理解为是一段给定的文本或语句，用于启动和引导机器学 习模型生成类型、主题或格式的输出。在自然语言处理领域中，Prompt 交通管理系统、用于能源管理 的智能电网、供应链与物流 资料来源：botpress，海通证券研究所 2.1 自动化类：微软智能体 AutoGen 微软研发的 AutoGen 是一种多智能体沟通的模型，这些智能体通过对话完成任务。 实验发现这种多智能体沟通模式可以有效提高 AI 解决问题的准确性以及成果的完整性。 使用 AutoGen，开发者可以灵活定义智能体交互行为。微软的研究证明了该框架在包括 Replika 用户全球分布 资料来源：similarweb 地理板块，海通证券研究所 4.4 Character AI ：自研大模型，打造智能体社区 Character.ai 是一种神经语言模型聊天智能体，其较大特点是自主研发的 Beta 语言 模型。用户可以创建智能体并根据参数塑造他们的个性，然后将创建好的智能体发布到 社区中与其他用户进行交互。另外，有些角色可以扮演助手模式，例如帮助你进行创意

解图像及图像中包含 的文本内容。GPT-4o近乎实时的语音和视频交互体验，标志着人机交互迎来了新的变革。 （3）MoE架构 混合专家系统（Mixture of Experts, MoE）架构是一种新颖的深度学习模型架构，它通 过将多个“专家”子模型集成在一起来处理更大规模的数据和更复杂的任务。每个专家子 模型都是一个小型的神经网络，擅长处理任务的某一方面。过去一年中，MoE架构在大规 我们认为，大模型最终很可能会成为一种基础设施，因此保险企业建立行业领先的 大模型应用的最佳方式是在内部搭建灵活可切换的底座架构，兼容三种路线，支持内外 部大模型接入和应用，聚焦具体场景、联合头部厂商完成大模型应用落地。 3.保险业落地实践篇 3.1 大模型落地路线 3.1.1 落地路线方法论 在保险企业寻求解决业务问题的过程中，直接采购已经训练好的大模型成为一种越 来越受欢迎的策略。众 方法，云端API调用的方式正日益受到企业的青睐。这种方式不仅提供了灵活性和可扩展 性，还允许保险企业根据实际业务需求，按需调用大模型服务，实现资源的最优配置。 当前，保险企业基于已有大模型服务做工程化适配已经成为一种高效且经济的解决 方案。这种适配工作是在已有的大模型框架下，针对企业特定的应用场景进行技术调整和 优化，以实现更好的场景适应性。用户在进行工程化适配时，常用的方法包括提示词工程、 检索增强生成

该系统可以利用计算机视觉和机器学习对图像进行分析，确认事故的发生情 况，并自动安排车辆的善后方式。当你等待处理的时候，可以通过应用程序 查看实时进度。 10 同时，另一种算法会自动对索赔进行分析。当预计的人身伤害的风险评分高 达 63%时，索赔处理会显示在相关的应用程序中，由专业索赔处理人员进行 审核。他们会立即联系另一名司机，来安排车辆的维修。 数 这一技术来降低成本，推动创新，为客户创造更好的体验。通过调整人力资 源和运营模式，同时实施严格的指导方针，保险公司可以更好地应用人工智 能技术。 最重要的一点在于，人工智能不是站在人类的对立面，而是作为一种工具， 帮助人来提高工作效率。人工智能技术正在不断发展，如果将它应用于保险 行业，势必会推动这一传统行业的改革浪潮。

业的广泛应用，推动了企业对大型模型（大模型）解决方案的日益 需求。随着深度学习和自然语言处理技术的突破，许多企业意识 到，通过利用大模型，可以显著提高产品的智能化水平，提升效 率，降低人力成本。与此同时，作为一种新兴的商业模式，软件即 服务（SaaS）平台的兴起，为企业提供了灵活、可扩展的解决方 案，使其能够在传递人工智能价值的同时，降低技术门槛。 大模型 SaaS 平台的核心在于能够将复杂的人工智能模型转化 大模型通过对大量数据进行训练，能够实现文本理解、情感分析、 自动创作等多种应用，为企业提供了新的商业机会和解决方案。 随着云计算的普及，企业对软件即服务（SaaS）模式的需求不 断增加。SaaS 平台作为一种灵活、高效的应用交付方式，能够降 低企业的 IT 成本，提高业务的灵活性。将大模型与 SaaS 结合，形 成大模型 SaaS 平台，不仅可以使企业快速构建和部署人工智能应 用，还可以借助云端计算的优势，实现大规模的数据处理和模型训 普及与应用，将为 SaaS 平台的构建与发展带来新的动力，企业需 积极拥抱这一变化，探索基于大模型的智能化解决方案，以适应时 代的快速变迁。 1.3 SaaS 平台定义和优势 软件即服务（SaaS）是一种通过互联网提供软件应用的模式， 用户无需下载和安装软件，只需通过浏览器或应用程序访问就可以 使用。这一模式使得企业能够迅速获取所需的软件工具，降低了 IT 基础设施的投资和管理成本。SaaS 平台通常在云端运行，由服务

外。从 DeepSeek在美国下载排名从1月22日的201名，迅速 在1月27日登顶第一名；截止1月30日，DeepSeek在 168个国家位居下载榜第一名 • DeepSeek-R1-Zero：一种通过大规模强化学习（RL ）训练的模型，没有监督微调（SFT）作为初步步骤， 展示了卓越的推理能力。通过强化学习，R1-Zero自然 而然地出现了许多强大而有趣的推理行为；但是，遇到 了可读性差和语言混合等挑战 这是一场差距很小的竞争。” 虽然 DeepSeek已证明研发AI所需的资金和算力比之前预想的要少，但Meta不会因此减少AI支 出：“我仍然认为，从长远来看，大力投入资本支出和基础设施建设将成为一种战略优势。” 卷积神经网络之父Yann LeCun: “与其说中国AI正在追赶美国，不如说开源模型正在超越 闭源”。 Anthropic CEO达里奥·阿莫迪：我认为一个公平的说法是“ DeepSeek

关键，因为它们并非简单遵循固定指令，而是需要 统筹协调复杂的任务流程。 其二，简化流程。那些善于精简运营、标准化 流程的企业，将能更快地规模化应用技术，更迅 速地适应变革，并加速AI的学习周期。在当今的市 场格局中，这些无疑是一种核心的竞争优势。 我们对全球1000名企业高管的调研进一步 印证了这些关键战略举措的必要性。调研表明， 自主智能供应链正是价值创造的新高地。近三分 之二的受访企业计划在未来十年内大幅提升供应 现状依旧存在着分散割裂、效率低下和陈旧过 时的痼疾。我们此前的研究发现，67%的企业对 其数据的信任度不足，难以有效利用并从中获取 价值；而55%的企业在内部数据发掘方面仍主要 依赖人工方式。 许多企业所欠缺的，正是一种能够将所有 要素整合起来的关键技术能力⸺我们称之为 “数字核心”5。它整合了云、数据、AI和安全等 关键组成部分，以及来自生态系统合作伙伴的数 据，从而为实现高级自动化，乃至最终的自主化

断，降低维护成本及非计划停运的风险。 5. 安全监测与预警：构建基于大数据的安全监测系统，实时监测 设备运行状态，并对异常情况进行自动报警，提升整体安全 性。 总的来看，AI 大模型在城市轨道交通行业的应用不仅是一种技 术革新，更是推动行业进步的重要力量。通过将 AI 技术与传统轨 道交通运营管理深度融合，可以为提升城市轨道交通的高效性、安 全性和服务质量提供强有力的支持，为城市出行带来革命性的变 化。 插入标记：对于一些特定的缺失值，可以考虑采用单独的标 记，例如用一个特定值（如-99）来表示缺失。这种方法能保 留完整的数据集，但模型在训练过程中需适当调整识别这些标 记。 4. 多重插补：是一种先进的插补方法，能够在缺失值的基础上进 行多次插补，产生多个数据集来反映不确定性。这种方法复 杂，但能有效降低因缺失值带来的偏差。 5. 记录缺失机制：在一些情况下，了解缺失值生成的机制本身也 案，可以有效地解决实际运营中的复杂问题，如列车调度、乘客流 量管理和资源分配等。通过在这些领域应用强化学习技术，系统能 够从历史数据中学习并不断优化其决策过程，从而提高整体运营效 率。 强化学习是一种基于试错法的学习机制，其中智能体通过与环 境的交互来学习最优策略。在城市轨道交通中，智能体可以被设计 为一个调度系统，其任务是根据实时的乘客需求与列车状态，做出 最佳的调度决策。例如，系统通过不断收集并分析乘客流量、列车