结合人工智能算法，自动提 取设备 特 征 ，识别潜在异常，构建以专家 经验为核心的诊断体系，为故障根 源定位和问题处理提 供有力建议 智慧 能耗与碳排管控 依托大模型和数字孪生，实时监控、 动态仿真与智能调控，形成能耗预 测、碳排溯源与节能优化的闭环 辅 助 决 策 与 趋 势 预 测 大模型驱动的数据预测能够提 前预 警 潜在风险，为决策层提 供精准、科学 的策略参考，助力管理优化 平台、 SCADA 和边缘控制器 以知识图谱为核心，贯通物理仿真、 Al 、故障诊断和群控，代码量逾百万行 支持冷、热、气 ( 汽 ) 大规模机理和数据驱动混合仿真 能够自动生成节能控制策略，并进一步自动生成 SCADA 群控软件，节能性好，且降低自控开发量 90% 以上 世界模型 / 数字孪生：浙江大学团队自研仿真平台的一点体 会 故障诊断模块 Al 建模 SCADA 群控软 件 现 场 群 控 平 台 简 介 65/80 中心 世界模型 / 数字孪生：浙江大学团队自研仿真平台的一点体会 66/80 口需要深度工匠精神，要有迭代思维，年复一年升级迭代，人才是关键 口群 控软件和仿真软件开发难度、周期和代价非常高 配 置栏 系统流程图 菜单栏 工具栏 开发工具栏子栏

intelligence work based on large models 1 期 王文晟等: 基于大模型的具身智能系统综述 3 OVMM 基准测试, 提供了高质量的多房间家庭环 境, 以支持在仿真和物理环境中进行广泛的基准测 试. 为了解决开放词汇移动问题, 文献 [103] 利用 CLIP 等大规模预训练模型的能力, 以弱监督的方式学习 场景的 3D 语义表示, 构建了一个从空间位置到语 义特征向量的映射函数 VIMA 通过一组动作头将预测的动作特征映射至动 作空间, 这些动作头分别负责解码 SE(2) 姿态的离 散坐标和旋转表示, 最终通过仿射变换整合为连续 动作输出. 此外, VIMA 还开发了一个全新的仿真 基准, 包含数千个程序生成的任务实例, 每个任务 均附有多模态提示, 以及超过 60 万条专家轨迹用 于模仿学习, 同时设立 4 层评估协议, 以系统地检 验模型的泛化能力. Instruct2Act[51] 获取数据的不同方法, 包括在模拟器中获取数据、 从人类演示中提取数据以及利用视频与游戏作为数 据来源, 并对具身智能系统从这些数据中学习的能 力进行深入讨论. 4.1 模拟器 模拟器也称仿真器, 为具身智能提供了一个可 控且安全的测试环境, 且模拟器能支持多个实例同 时运行, 大大加快了数据收集的速度. 通过模拟器, 研究者能够在虚拟环境中快速迭代和测试不同的算 法和模型配置, 而无需担心实际物理世界中可能遇

基于AI解决方案的自动化质量控制，根据预警自动调整生产控制。 • 混合型客户支持模式，结合AI驱动的自主问题解决与科技增强的现场支持，基于经验教训 和客户具体情况提供定制化建议。 • 广泛运用生成式设计、自动化和基于仿真的测试来增强产品开发，并通过算法优化实现快速的 机器设置。 • 完全自动化的生产流程，通过制造业数字孪生来引导流程，实现无人工干预的切换。 • • 利用预测、财务标准、产能和运营多约束优化计划与排程，并提供可借鉴的实用建议。

业级实例 ECS g�i，构建了高效、稳定的数据处理基座。 业务痛点：海量数据的预处理之难 原始数据体量巨大、格式各异，必须经过高效的切分、转码、标注等预处理，才能“喂食”给后续的 AI 模型训练与仿真验证流程。随着数据的指数级增加，以往的数据处理逐渐面临性能上的挑战。同时为 了不影响模型迭代周期，数据处理的时效也需要更加快速。 解决方案与客户价值： 第九代企业级实例 g�i，基于自研“CIPU+

友好性和响应速度。收集用户对界面布局、按钮设计和信息展 示的反馈。 2. 功能完整性：确认各项功能是否正常运作，包括三维模型加 载、数据查询、图形展示及相关辅助功能的使用。 3. 场景沉浸感：用户需要评价实景三维模型在仿真场景中的真实 感、细节展现以及与实际情况的契合度。 4. 性能表现：测试在不同网络环境和设备条件下的运行流畅度， 监测 CPU 和内存占用情况，以及加载时间等。 5. 用户支持与培训：通过模拟日常使用情况，评估用户在培训后 域的变化进行评估，为后续改进措施提供了数据支持。 在另一案例中，针对城市轨道交通的建造项目，三维 AI 大模 型被用来设计和优化施工方案。通过对潜在问题的深入分析，具体 效果如下：  施工效率提升：借助模型进行仿真演练，施工单位能够精准把 握各工序的时间成本，有效规避了因施工调度不当造成的资源 浪费。  事故风险降低：通过三维可视化技术，施工过程中的每一步都 在模型中得到了模拟，显著提高了施工人员的安全意识，降低 能出现的风险点和故障线路。通过构建预测模型，维护团队能够主 动进行线网检修与管理，避免意外事故的发生。 接下来，在运营维护流程中，三维 AI 模型不仅能够提升检修 作业的效率，还能够通过虚拟仿真技术进行培训与演练。维护人员 可以在三维虚拟环境中熟悉设备与线路情况，掌握应急处理技能。 这种预先的培训可以显著提高现场作业的反应速度。 从长远来看，本方案的实施将为铁路运输的可持续发展奠定良

复杂人工智能应用。二是突破核心技术瓶颈，集中攻关高端训练及 推理芯片、先进计算架构、高速互连芯片技术等领域，强化国产芯 片在现有系统中的规模化应用验证和生态适配。三是加强算力与行 业结合，推动更紧密对接工业仿真、材料研发、生物医药、气象预 报等前沿领域和实体经济需求。四是发展多元化算力形态，支持边 缘计算、量子计算、光子计算等新型计算模式的研发、试点和应用 部署，探索未来算力增长点。 综合算力指数

据看出纯 AutoGen 模型的表 现略高于其他组合。3）ALFWorld（Adaptive Learning Framework World）研究： ALFWorld 是专门用于研究和开发智能体的仿真环境，在其虚拟世界中，包含了各种场 景、任务和智能体需要完成的挑战。ALFWorld 实验发现 3 个智能体的成功率高于 2 个 智能体，说明随着交互的智能体变多，智能体间互相纠错的能力有所提升。但对于

网络（DQN）或策略梯度方法（PG）。对于 复杂的多智能体系统，可以考虑使用多智能体深度确定性策略梯度 （MADDPG）或独立 Q-learning 等方法。 在实现过程中，需按照以下步骤进行： 1. 环境建模：构建智能体的仿真环境，确保环境能够准确模拟真 实场景或任务需求。环境的动态性、状态空间和动作空间需清 晰定义。例如，在自动驾驶场景中，状态空间可以包括车辆位 置、速度、周围车辆信息等，动作空间则包括加速、刹车、转 化算法性能。可以通过网格搜索或随机搜索进行调优。 在实现过程中，需注意以下几点：  并行计算：为提高训练效率，可以使用多线程或分布式计算技 术并行处理数据。  模型评估：通过测试集或仿真环境评估模型性能，确保模型具 有良好的泛化能力。  持续迭代：根据评估结果，不断优化模型结构和训练策略，直 至达到预期效果。 通过以上步骤，可以高效地实现智能体算法，并在实际场景中 验证其可行性和有效性。

48 小时内。测试数据显示，在收入确认舞弊场 景下，预警准确率达到 92%，较传统分析性程序提高 40 个百分 点。同时，审计调整建议的生成效率提升 300%，依托 DeepSeek 的多维度仿真推演引擎，可在 3 小时内输出包含税务影响、报表勾 稽关系校验的完整调整方案。 人员协同效率方面，智能体实现的审计任务智能分发可使项目 组响应延迟缩短 70%。通过审计轨迹区块链存证和智能工作台，复 15%提升至 65%。 3. 长尾风险捕获能力 通过智能体的持续学习机制，对低频但高危害风险（如供应链 中断的二级传导效应）的捕获比例显著提高。采用蒙特卡洛模 拟验证显示，在 1000 次仿真审计中，智能体对长尾风险的识 别率从 32%提升至 79%，误报率控制在 8%以下。 最终评估以季度为周期，通过审计结果回溯验证（如监管检查 问题发现率、重大风险事件预警准确率）综合计算风险覆盖率提升

史客流数据，结合实时监控的信息，预测某个时间段内某条线路的 客流高峰。这种预测可以协助调度员更合理地安排列车的发车间隔 和数量，有效减轻高峰期的交通压力。 在决策支持方面，AI 大模型可以提供多种调度方案的评估。例 如，可以使用仿真技术对不同调度决策的影响进行模拟，判断其对 乘客体验的影响以及对列车准点率的影响。调度员可以迅速评估各 方案的利弊，从而选择最佳方案。这种基于数据驱动的决策过程可 以显著提高整个运输系统的效率。