35 3.1.1 站点与车辆历史数据..................................................................37 3.1.2 实时监控与传感器数据..............................................................40 3.2 数据清洗与处理................... AI 大模型来分析和 预测乘客的出行需求，以优化运力调度资源。 2. 安全管理的复杂性：城市轨道交通涉及多个系统和设施，如何 确保系统的安全稳定运行是一个重大挑战。AI 大模型能够通 过对大量传感器数据的实时分析，识别潜在的安全隐患，提前 预警。 3. 数据驱动的决策支持：城市轨道交通系统在运行中产生了海量 数据，包括乘客流量、列车运行状态、设备状况等。AI 大模 型可以帮助分析这些数据，为决策提供支持，提升服务效率和 应用场景：具体列出 AI 大模型在城市轨道交通中的潜在应 用，包括但不限于以下几个方面： o 预测性维护：通过数据分析预测设备故障，提升设备的 维护效率。 o 乘客流量预测：利用历史数据和实时传感器数据，预测 不同时间的乘客流量，从而合理安排运力。 o 优化调度：基于实时数据分析，帮助调度中心迅速响应 各种突发情况，提高整体调度效率。 o 智能客服：运用自然语言处理技术，提供智能问答和服

.......40 3.1.1 航拍与地面采集相结合..............................................................43 3.1.2 传感器与监控设备的布置..........................................................45 3.2 数据清洗与预处理................ 监测、分析和决策支持。 首先，本方案的基础是高精度三维地理信息系统（GIS）和三 维模型的构建。通过利用无人机航拍、激光雷达（LiDAR）扫描等 手段，获取铁路沿线的三维空间数据。同时，结合多种传感器的数 据（如气象监测装置、视频监控等），可全面收集并叠加不同维度 的信息，以便形成精细的三维环境模型。 其次，数据处理与分析将是模型应用的核心环节。利用深度学 习和机器学习技术，对收集到的多源数据进行融合与分析，提取出 实景三维建模技术是铁路沿线实景三维 AI 大模型应用方案的 核心组成部分，主要用于收集、处理和生成铁路沿线的三维空间数 据，以支持网络可视化、环境监测及作业管理等多种功能。该技术 方案依托于高精度的传感器与先进的数据处理技术，能够实现快 速、准确的建模。 首先，该技术涉及到数据的采集，主要采用激光雷达 （LiDAR）、高清摄像机与无人机等设备进行数据收集。激光雷达 可以通过发射激光获取目标物体表面的三维坐标数据，而高清摄像

大模型与现有监控系统结合，能更 快地从历史视频数据中检索到相关信息，为调查和事后分析提供便 利。 在数据整合方面，AI 大模型不仅仅局限于视频监控数据的分 析，还能够与其他类型的数据源进行融合，包括社交媒体、传感器 数据等，从而建立更全面的公共安全态势感知能力。通过多源信息 整合，公共安全部门能够更全面地理解复杂的安全环境，提高方案 设计的科学性与可行性。 推动公共安全领域的 AI 大模型应用还需明确以下几个重点： 无人机和卫星影像：无人机可以提供特定区域的高分辨率视频 和图像，尤其在大型事件或自然灾害中。这些数据可以为事件 分析和应急响应提供重要支持。卫星影像则适合于大范围事件 的监控与评估。 4. 传感器数据：包括地震传感器、火灾探测器等传感器反馈的数 据，这些数据可以与视频数据结合进行多模态分析，提升事件 识别的准确性。 接着，对于数据输入方式，主要包括：  数据流录入：对实时监控视频采取连续录入的方式，采用流媒 监控的负担。 4. 剪辑与摘要生成：从长时间的视频流中提取核心信息，根据事 件的时间线生成简洁的摘要，以便快速审阅。这种功能对于后 续的调查和事件回顾极为重要。 5. 数据关联分析：结合视频数据与其他传感器数据，进行多维度 分析，提供更全面的情况判读。例如，通过结合视频监控与社 交媒体数据，识别热点事件并进行深入分析。 6. 信息可视化：通过动态仪表板展示实时分析结果，管理者可通 过图形化界

在其著名论文“Computing machinery and intelli- gence”[1] 中对未来机器发展方向的设想: 一个方向 是让机器学会抽象技能, 如下棋; 另一个方向则是 为机器人提供足够好的传感器, 使之可以像人类一 样学习. 前者的思想出现在后来发展的各类神经网 络如多层感知机、卷积神经网络中, 即离身智能; 后 者则逐渐发展出了具身智能的概念. 现在, 具身智 能一般指拥有物理实体, 少且专门化的缺点, 为系统提供强大的感知、理解、 决策和行动的能力. 此外, 基础模型的零样本能力 使得系统无需调整即能适应各种未见过的任务, 基 础模型训练数据的丰富模态也可以满足具身智能对 各类传感器信息的处理需求. 无论是视觉信息、听 觉信息, 还是其他类型的感知数据, 基础模型都能 够为具身智能提供全面和准确的理解. 在实际应用 中, 这意味着具身智能能够更好地适应环境变化, 理解各种操作对象 习等方面介绍具身智能训练的数据来源, 探讨大模 型如何为机器人训练带来丰富的数据; 最后在第 5 节对全文进行总结并提出研究方向. 1 感知与理解 在与环境的交互中, 具身智能通过摄像头、麦 克风等传感器接受原始数据, 并解析数据信息, 形 成对环境的认知. 在处理此类信息时, 大模型有着 强大的优势, 能有效处理整合多模态的输入数据, 捕获各模态之间的关系, 提取为统一的高维特征, 形成对世界的理解

具有跨模态知识挖掘和创新的潜能。如图 1 所示， 现实世界的信息、状态和变化通过不同的媒介和技 术手段，可以转化为文本、图片、音频、视频、信号 等符号描述，如果说文本数据是对现实世界在文字 符号规则下的一个投影，那么图片、视频、传感器信 号等不同数据都可以看作是现实世界在不同符号规 则下的多个投影，大语言模型技术具有在高维数字 空间融合不同符号世界信息的潜能，利用高维空间 的多模态知识表示，能促进不同符号世界信息的理 解、交流和融合，提供在一个更全面、完整、系统的 generation）等微 调技术，随着新语料输入，不断调整其知识结构与内 容，完成知识更新，形成一个持续演进的知识系统。 感知系统：负责处理源于多种感知设备（如摄像 222 www.jc2.org.cn 2期 头、传感器、无人机、卫星等）的外部环境数据，基 于大语言模型的多模态数据处理技术，实现文本、 图像、视频等多模态数据的融合处理，分析和挖掘 数据间的潜在关联，识别出围绕各类风险的因果、 时空序列、逻辑等不同关系模式。随着应急大模型

在功能需求定义阶段，我们首先需要明确 DeepSeek 智能体的 核心功能模块及其具体实现方式。智能体的核心功能应涵盖数据采 集、数据处理、智能决策、用户交互等关键环节。数据采集模块负 责从多种数据源（如传感器、数据库、API 接口等）实时获取数 据，并确保数据的完整性和准确性。数据处理模块则对采集到的数 据进行清洗、转换和存储，以便后续分析和决策。智能决策模块通 过机器学习和人工智能算法，对处理后的数据进行深度分析，生成 统性能、可扩展性和安全性。以下为数据流的详细设计方案： 首先，数据源多样化，包括传感器数据、用户输入、外部 API 调用以及历史数据存储。这些数据以结构化（如 JSON、CSV）或 非结构化（如图像、文本）的形式流入系统。数据流入后，经过预 处理模块进行清洗、格式化和归一化操作，以确保数据质量并降低 后续处理复杂度。例如，传感器数据可能需要去除噪声，而文本数 据则需要进行分词和语义分析。 接下 策和响应执行；辅助功能则涵盖用户管理、日志记录、权限控制 等。每个功能模块的开发应遵循模块化设计原则，确保高内聚、低 耦合，以便于后续的维护和扩展。 数据采集模块是系统的基石，负责从多种数据源（如传感器、 数据库、API 等）获取信息。开发时需考虑数据源的多样性，实现 统一的接口适配器，支持实时和批量数据采集，确保数据的完整性 和时效性。数据处理模块则负责对采集到的数据进行清洗、转换和 存储。常用的技术包括

，对各行各业产生了深远影响，推动了智能化转型和产业升级。 产业链分析 智能软件研发产业链的发展现状 智能软件研发行业产业链主要有以下核心研究观点： 上 产业链上游环节分析 5 深圳市科敏传感器有限公司 英伟达芯片科技有限公司 上海韦尔半导体股份有限公司 深圳市腾云芯片技术有限公司 北京奕斯伟计算技术股份有限公司 光谷云计算武汉有限公司 北京云尔计算科技有限公司 深圳市海思半导体有限公司 工业和信息化部、教育部、科技 部、人民银行、银保监会、能源局 生效日期 2023-01-01 影响 7 政策内容 加强面向新能源领域的关键信息技术产品开发和应用，主要包括适应新能源需求的电力电子、柔性电子、传感物联、智慧能源信息系统及有关的先进计算、工业软 件、传输通信、工业机器人等适配性技术及产品。 政策解读 该政策旨在，推动能源电子产业发展，促进智能软件研发行业在能源管理、监控和优化中的应用，增强能

资源，供应链高管应采用“以终为始”的视角，构 想其AI赋能技术栈的理想未来状态，并回答“何 为卓越？”，从而明确团队应如何协同达成这一 目标。 我们的研究显示，企业普遍将网络安全、云计 算与SaaS平台、RFID与物联网等先进传感器，以及 供应链数字孪生模拟平台视为自主化的关键赋能技 术。但构建自主化系统绝非各部分的简单叠加。它 需要周密的规划，针对新的工作方式定义和重构 流程，实现数据集成，并进行持续监控。流程成熟 品进行管理，可以确保数据的相关性和质量，同 时支持整个供应链做出更快、更明智的决策。 构建坚实安全的数据基础 优先收集来自整个企业（而不仅仅是少数几 个领域）的数据至关重要。例如，物联网传感器提 供实时数据，而数字孪生则通过模拟各种场景来 优化工作流程、降低风险，并最大限度地减少停机 时间。这种转变将推动供应链从被动响应转向主 动预测。未来，AI甚至可以为企业生成合成数据，

进行通信。总体架构主要包括数据采集层、数据处理层、 模型训练层、考评分析层以及用户交互层，各层之间通过标准化的 接口进行数据流转，确保系统的高效运行和灵活扩展。 数据采集层负责从多种数据源（如传感器、数据库、API 接口 等）获取原始数据，并进行初步的清洗和格式化处理。该层支持多 源数据接入，具备实时数据采集和批量数据导入的能力，确保数据 的完整性和时效性。 数据处理层是整个系统的核心部分，主要负责数据预处理、特 预处理，以确保数据的质量和可用性。该模块的设计需要充分考虑 数据的多样性、实时性以及安全性，确保能够高效、准确地为后续 的数据训练和考评提供基础支持。 首先，数据采集模块需要支持多源数据的接入，包括但不限于 传感器数据、用户行为数据、结构化数据库、非结构化文本数据、 图像数据以及视频数据等。为了实现对不同数据源的统一管理，模 块应采用适配器模式，通过配置不同的数据源适配器，灵活接入各 类数据源。适配器 同时，模块应记录详细的数据采集日志，包括数据源信息、采集时 间、数据量、采集状态等，以便后续的审计和问题排查。 以下为数据采集模块的关键功能列表：  多源数据接入：支持多种数据源的灵活接入，包括传感器、数 据库、文本、图像和视频等。  实时与批量采集：支持实时数据流处理和批量数据调度采集， 确保数据的及时性和完整性。  数据清洗与预处理：内置多种清洗和预处理算法，支持灵活配 置和扩展。

拥有不同的专业领域，这使它 们在处理复杂的多步骤任务时更加高效。 空中交通管制系统、自主仓储 机器人 机器人 Agent 增加了性能元素，这些人工智能 Agent 的实体通常配备 有摄像头或触摸传感器等传感器。这种 Agent 在危险或 重复性很高的任务中尤其有用--让人工智能 Agent 来完 成这些任务可能更有效率，也更符合成本效益。 生产线机器人、手术机器人、 农业机器人、服务机器人