信息化建设中的应用，针对智慧应急中面临的建设困境以及业务系 统智能化水平的局限，提出了基于大语言模型技术重构智慧应急的知识管理模式，在此基础上构想能够协同创新、全域感知、 决策支持的应急大脑，从而实现整体业务系统智能化水平从感知智能到认知智能的提升。 关键词 大语言模型，智慧应急，知识管理，应急大脑 引用格式 龚晶，黄欢. 基于大语言模型技术的智慧应急应用：知识管理与应急大脑 [J]. 指 全监管中实现的安全生产风险智能监测预警，无人 机及快速建模技术在应急救援中实现的灾害环境智 能感知等。这些技术侧重外部世界数据的收集和处 理，加强了系统的视觉、听觉和触觉等感知能力，使 得应急系统能够及时捕捉外部环境变化。按照机器 智能水平由低到高的 4 个层次：数据智能、感知智 能、认知智能和自主智能[22]，应急系统的智能水平达 到了感知智能这一层次。 从认知智能层次来看，当前系统思维能力不足， 缺乏解决复杂问题的能力。下一步系统智能化发展方 大语言模型应急大脑以大语言模型技术带动知 识管理机制的创新，促进知识资源在应急管理系统内 的整合、优化和利用，实现系统智能化发展的突破。 概念模型如图5所示，由以下4个部分组成：应急知识 库系统，感知系统，思维系统和人机交互系统。知识 流将这4个部分有机整合在一起，形成智慧应急的内 核，支撑包括监测预警、社会动员、监管执法、救援 处置、决策指挥等应急管理全过程业务系统。 图5 基于大语言模型应急大脑概念模型

基于大模型的具身智能在各类任务中取得了良好的 效果, 展现出强大的泛化能力与在各领域内广阔的应用前景. 鉴于此, 对基于大模型的具身智能的工作进行了综述, 首先, 介绍大模型在具身智能系统中起到的感知与理解作用; 其次, 对大模型在具身智能中参与的需求级、任务级、规划级和动作 级的控制进行了较为全面的总结; 然后, 对不同具身智能系统架构进行介绍, 并总结了目前具身智能模型的数据来源, 包括 模拟器、模仿学习以及视频学习; 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, 且可以与物理环境进行信 息、能量交换的智能系统[2]. 虽然在过去的几十年 间, 离身智能取得了令人瞩目的成就 具身智能的“大脑”能显著弥补机器人领域训练数据 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

集中隐藏的价值。 AI 三大应用场景：人力资源+流程管理+数据分析 “人工智能”一词包含许多不同的技术和能力。我们可以将人工智能定义为：能 够感知、理解、行动和学习的计算机系统。换句话说，一个系统可以感知它 周围的世界，分析和理解它接收到的信息，并在此基础上采取行动，通过学 习改进自己的性能。 通过利用机器与环境、人以及数据进行交互，这项技术可以提高人类和机器

尾场景。 目前，研究开发的核心领域已经包括多模态信息识别与理解技术以及群体智能技术， 这些将有望加速人工智能从感知向认知的转变。这些技术成果还能够解决其他单项技术 领域（如自然语言处理和计算机视觉）所面临的瓶颈问题，例如视觉领域的盲区和遮挡 问题。此外，自动驾驶的激光点云、时空感知与测绘信息等更多类型的模态数据也将被 整合到大模型中。未来，政府、金融、制造、能源、医疗、零售等多个行业的智能化应 资料来源：星火智能体，海通证券研究所 风险提示：大模型发展不及预期，智能体下游需求不足。 4.6 SkyAgents：自研模型降低成本 天工 SkyAgents 是基于昆仑万维天工大模型平台打造的，其具有从感知到决策，从 决策到执行的自主学习和独立思考能力。用户能够通过自然语言创建一个或多个智能体， 并将不同任务模块化。通过操作系统模块，可以执行包括问题预设、指定回复、知识库 创建与检索、意图识别、文本提取和 (GITM) 的通才 AI 智能体。GITM 能够在《我的世界》中表现优异，显 著减少训练时间和资源。这一突破标志着通用人工智能（AGI）研究的重大进展，AGI 的 目标是开发能够在开放世界环境中进行感知、理解和交互的智能体。GITM 通过自主学 习，解锁了《我的世界》主世界的 262 个物品，相较于之前智能体仅解锁的 78 个物品 大幅提升。此外，GITM 在“获取钻石”任务上的成功率从 OpenAI

示例1：一篇根本不存在的参考文献（右图） n 大模型幻觉产生的原因  目前的大模型结构和训练机制：基于概率的生成模型，本质上没有理解 自己所学习的内容  缺乏对真实世界的有效建模方式和全息感知能力  训练数据的局限性：数据质量、重要数据的缺失、不同类型数据的比例 n 如何应对（用户角度）  建议1：建立“大模型结果不一定可信”的认知，根据自己的需要，对 于模型的输出进行不同层次的验证（享受便利，控制风险） 个参数  当前神经网络推理方式的特点：大量的矩阵乘法操作  Transformer推理阶段的“按token依次输出”机制：生成每个 token的算力和时间消耗 * token数  用户可感知的结果：DeepSeek投入大量算力提供服务，仍然频 繁出现“服务器繁忙”；硅基流动等部署DeepSeek模型服务的第 三方厂商亦无法有效承接流量 l 建议3：学会接受大模型的输出速度，效果越好的模型，速度可能越慢

案特别注重系统的可扩展性和兼容性，确保智能体能够无缝集成到 现有的企业信息化系统中，降低实施成本。 在技术架构方面，DeepSeek 智能体开发通用方案采用分层设 计，主要包括数据感知层、智能决策层和结果输出层。数据感知层 负责从多种数据源中采集信息，包括结构化数据、非结构化数据以 及实时流数据；智能决策层通过机器学习算法和规则引擎对数据进 行分析与处理，生成最优决策策略；结果输出层则将决策结果以可 理效率与用户体验。通过对先进深度学习算法与大数据分析技术的 深度整合，构建一个具备自主学习、动态优化与高效执行能力的智 能体框架。项目将重点解决以下几方面问题：首先，实现智能体在 多模态数据（包括文本、图像、音频等）下的精确感知与理解能 力；其次，优化智能体在不同业务场景中的决策逻辑，使其能够快 速适应复杂环境；最后，开发高效的资源调度机制，确保智能体在 低延迟与高并发环境下的稳定运行。 为实现上述目标，项目将分为三个阶段推进： 自然语言处理技术，实现智能化的信息检索与推荐功能。该模块包 括但不限于以下功能： 1. 基于用户行为分析的个性化搜索结果排 序。 2. 多模态数据（文本、图像、音频等）的联合搜索与语义理 解。 3. 上下文感知的智能推荐与问答系统。 第三，项目将构建一个可扩展的用户界面与 API 接口，支持多 种终端的无缝集成。用户界面将提供直观的操作体验，支持多语 言、多平台（Web、移动端、桌面端）的访问。API

2023-01-01 影响 8 政策内容 初步形成以IPv6演进技术为核心的产业生态体系，网络芯片、模组器件、整机设备、安全系统、专用软件等研发能力持续增强，分段路由（SRv6）、网络切片、随 流检测、应用感知网络（APN）和网络智能化等成熟的“IPv6+”技术实现产品化落地。 政策解读 该政策旨在，推动智能软件研发行业加速IPv6技术的应用与创新，促进网络基础设施升级，增强网络安全性和扩展性，支持开发更高效、安全的软件解决方案，助力 平台使开发者能通过自然语言交 互降低开发门槛，自动生成复杂算法并优化架构，助力领先企业指数级扩张技术资产，并通过API经济模式垄断技术红利。在需求侧，基于LLM 的消费级应用凭借多模态交互、情境感知与个性化推荐，深度渗透教育、医疗、客服等场景，形成用户粘性较强的数据飞轮。 中国软件与技术服务股份有限公司（600536） 用友网络科技股份有限公司（600588） 北京金山办公软件股份有限公司（688111）

是作为“执行环”（in the loop）来完成任务，他 们更应处于“监督环”（on the loop），在诸如设 计、测试与验证等流程的关键节点上发挥监督与 把控作用。换言之，自主化系统负责感知与响应， 而人类则通过提供反馈和优化输出来实现持续 改进，从而提升整个组织的集体智慧。 实现自主智能供应链 10 自主化征程： 当下现状与未来十年 我们的调研显示，大多数企业才刚刚开始探 些尚未可知的创新成果做好准备。自主化系统不 仅能创造当前的价值，更赋予企业适应并优化未 来变化的能力，包括快速采纳新兴技术。 面对瞬息万变的贸易政策，自主智�供应链 能够运用AI驱动的场景规划、实时风险感知和动 态网络优化来最大限度地减少中断。这使得企业 能够以算法驱动的方式调整采购策略、重新规划 物流路径并校准库存水平，同时最大限度地减少 人工干预。 关键在于，要突破基于传统能力和现有运营

加深远的影响。 具身智能作为大模型之后的下一个人工智能趋势，正在逐渐崭露头角。具身智能是指 能理解、推理并与物理世界互动的智能系统，其实现离不开大模型的赋能。 （1）技术突破 大模型的出现，使得具身智能在感知、理解和规划任务上的泛化能力得到了显著提 升。机器人接入大模型后，能够直接听懂人类指令，结合环境信息，将复杂的指令转化成具 体行动规划，无需额外数据和训练。这种能力极大地降低了机器人的使用门槛，推进了机 Agent的核心驱动力，这些模型通过在大规模 数据集上进行训练，能够学习到丰富的知识和表示能力，为智能体提供强大的感知、理解 和推理能力。大模型能够处理复杂的输入数据（如图像、文本、语音等），并生成相应的输出 或决策，为智能体的后续行动提供基础。 记忆（Memory）：记忆组件负责存储智能体在与环境交互过程中获取的信息和经验。 这些信息可能包括感知到的环境状态、做出的决策、执行的动作以及产生的结果等。通过 记忆，智能体能够 式水印和隐式水印。显式水印，如文字、Logo或背景音等，易于人类直接感知，通常被巧妙 4.5.2 治理措施 �� 地添加到生成内容的边缘位置，如图像的角落，确保既醒目又不影响内容的正常使用。而 隐式水印则通过技术手段嵌入，人类无法直接察觉，但可通过特定方法提取。这种水印技 术，如变换域水印、模板水印、直方图水印等，具有难以感知、安全性较高、鲁棒性较好等优 势，适用于图像、视频等生成内容的标识。

持续升级推理加速，降本增效 故障多，无法长时间稳定运行 规模扩大，人 / 物料管理难度高 开源资源分散，准备周期长 解决技术问题，体验效果滞后 工具链易上手，快速验证效果 统一资源纳管，灵活腾挪算力 故障感知修复 + 监控，高可 用 细致的资源级权限管控 稳定期 痛点 稳定期 痛点 探索期 痛点 根据业务量探索资源用量 机型差异大，选型难 验证效果链路长，耗时久 算力空闲情况多， ROI