从 DeepSeek 探讨大语言模型 在建筑及能源行业的应用趋势和技术方法 汇报人：赵阳 浙江大学能源学院制冷与低温研究所 2025.2.14 报 告 提 纲 临近奇点： AGI 将带来颠 覆 结论和展望 DeepSeek 等带来的新范 式 大语言模型应用的科研案例 能源领域传统 Al 发展困 境 当下 Al 到了哪种程 度 John J.Hopfield

的综述[21−23], 但并未聚焦于大模型. 目前也有综述研 究大模型在机器人上的应用[24−28], 但不同的是, 本文 的内容更倾向于从具身智能的角度介绍二者如何有 机结合, 并加入对模型规划层级的分类探讨. 此外, 由于该领域发展迅速, 在上述论文发布后又涌现出 了许多重要工作, 本文将补充这些最新进展, 为希 望了解该领域的研究人员提供更多的参考 (工作总 览见图 1[25, 29−100]). 节分析大模型分别在需求级、任务级、规划级、动作 级这四个控制层级上为具身智能提供的规划; 第 3 节对各类实现大模型结合具身智能的系统架构进行 分类与介绍; 第 4 节从模拟器、模仿学习和视频学 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 在数据合成阶段, 使用大语言模型作为批评者, 根 据用户的口头纠正重新标记机器人执行的行动; 在 策略更新阶段, 通过行为克隆在新合成的数据和之 前收集的数据上更新策略. 类似地, YAY Robot[81] 探讨一种通过语言修正实时修正机器人行为的方 法. 当用户想要干预机器人行为时, 可以通过口头 指令, 如“停止”让机器人暂停行动, 然后提供口头 纠正指导, 并记录用户提供的所有口头纠正及对应 的观察数据

Control, 2025, 11（2）: 217-224 摘 要 大语言模型不仅是人工智能领域自然语言处理方向的重大突破，也正在改变知识获取与知识创新的模式。在研究大语 言模型的知识获取与创新的原理之上，探讨了其在应急管理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 April，2025 www.jc2.org.cn 11卷 指 挥 与 控 制 学 报 径，使其适应人工智能大模型时代的治理要求。 本文在分析大语言模型的知识获取原理与知识 创新的潜能之上，探讨了其在应急管理信息化建设 中的应用前景，针对当前智慧应急中面临的挑战以 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以及应急大 脑的概念框架，为应急管理信息化建设提供了新的

掘的应用已经逐渐成为一种趋势。为了支持本方案的有效实施，以 下是相关领域的重要参考文献和资源。 1. 张三, 李四. (2020).《视频监控中的人工智能技术研究与应 用》. 安全科技. 该文详细探讨了人工智能在视频监控系统中 的应用案例及其效果，为本方案提供了实践基础。 2. 王五, 赵六. (2021).《基于深度学习的实时视频分析技术》. 计 算机科学与技术. 本文介绍了多种深度学习模型在视频数据分 该研究评述了市场上现存的智能视频分析技术 及其发展趋势，为本方案的前瞻性规划提供了参考。 4. 世界卫生组织. (2023).《城市公共安全与智能技术的交汇》. WHO Publications. 本出版物探讨了智能技术在提升城市公共 安全方面的潜力，强调了与 AI 结合的必要性。 5. 交通部. (2022).《智能交通系统中的大数据应用》. 交通运输. 本文中包含了对交通监控中视频智能挖掘的实例分析，为神经 术，尤其是大数据和机器学习如何在公共安全领域被应用。该书涵 盖了从数据采集、处理到决策支持的各个环节，深入探讨了视频监 控系统如何借助 AI 技术提升威胁检测和事件响应的效率。 还值得一提的是，《深度学习与计算机视觉》这本书，通过对 深度学习算法的讲解，为视频智能挖掘提供了必要的技术背景。书 中探讨了卷积神经网络（CNN）和递归神经网络（RNN）在图像 识别和视频分析中的应用，可以为 AI 算法设计提供理论支持。

https://www.accenture.com/cr-en/insights/digital-core 实现自主智能供应链 28 本文档中的部分图片是在AI辅助下生成的。 关于本研究 本研究探讨了向自主智能供应链转型及支撑该转型的战略考量。我们将端到端的供应链运营细分为29项 核心活动，评估每项活动的当前自动化水平和预期自动化水平，以及机器自主智能决策的程度。我们对来自北 美、南美、欧

中的具体应用方向，制定一系列可行的实施步骤，并提供切实的建 议与操作方案。 首先，本文将介绍城市轨道交通行业的基本情况以及面临的主 要挑战。这些挑战包括实时数据处理不足、乘客流量波动、设备维 护不及时等。接着，我们将详细探讨 AI 大模型的定义及其在其他 行业的成功应用案例，从而为城市轨道交通的应用奠定理论基础。 在结构上，本文将分为以下几个部分： 1. 行业分析：全面回顾当前城市轨道交通的运营现状、市场环境 和技术发展趋势。 模型架构设计 在城市轨道交通行业中，AI 大模型的应用对提升运营效率、维 护安全及改善乘客体验具有重要意义。模型架构设计是整个应用方 案的基础，它直接影响模型的性能和可靠性。在本节中，我们将详 细探讨适用于城市轨道交通行业的 AI 大模型架构设计，从数据输 入、处理模块，到输出决策的整个流程进行详细分析。 首先，针对城市轨道交通的特点，模型架构应采用模块化设 计，以方便不同应用场景的灵活组合。系统可以分为几个主要模 50%的票务欺诈事件，为公司挽回了显著的经 济损失。 通过上述案例可以看出，AI 大模型在城市轨道交通行业的应用 不仅提升了运营效率、降低了成本，还极大改善了乘客的出行体 验。结合这些实践，未来可以进一步探讨以下几个方向：  加强与物联网设备的整合，实现全面实时数据收集。  拓展与智能城市系统的联动，提升整体交通管理的智能化水 平。  在安全监测方面，结合图像识别技术进行车站监控，增强安全

善患者体验方面的作用。具体而言，将对比模型应用前后的各项医 疗指标，涵盖诊断速度、治疗精度、患者满意度等，量化 AI 模型 对医生工作效率及患者健康管理的影响。 最后，针对伦理问题和法规合规性，研究将探讨 AI 生成式大 模型在医疗应用中的伦理框架，以确保技术应用符合医学伦理规 范，促进患者信任与社会接受度。本研究希望通过对以下几个关键 点的讨论，提供切实可行的解决方案：  确定 AI 生成式大模型的应用需求与优先级 此外，建立有效的用户反馈和循环改进机制也是关键。通过收 集医生在使用中的反馈，能够更快识别问题和优化模型。建议每季 度举办一次使用总结会议，以便医疗团队和技术团队共同分析使用 中遇到的问题，并探讨解决方案。 最终，为了提高系统的整体可用性和安全性，医疗机构还应考 虑引入多重监控机制。在整个使用过程中，设立自动警报系统，实 时监测使用行为和结果，及时发现并通报异常情况，例如：  设定 保医疗服务的安全性和有效性。这样，医疗工作者可以更自信地使 用这些先进的工具，为患者提供更高质量的医疗服务。 8. 实际案例分析 在进行 AI 生成式大模型的实际应用案例分析时，我们可以从 多个医疗场景切入，探讨其在临床决策支持、疾病诊断、个性化治 疗方案制定以及患者教育等方面的应用。 在临床决策支持方面，许多医院已开始应用 AI 生成式大模型 来辅助医生进行病历分析与决策。例如，某医院利用大型语言模型

尽管大模型在保险行业的应用已初具规模，特别是在客户服务、理赔定损及办公辅助 方面展现出显著成效，但在产品设计及定价、风险评估与管理等更为核心与复杂的业务环 节中，其应用仍处于起步阶段，但潜力巨大，值得深入探讨与拓展。 （2）初期选择试错风险低的场景 在初步接触并验证大模型技术时，保险企业普遍采取了谨慎而务实的策略，优先选择 那些能够直接带来降本增效的用例进行试点。保险公司在最开始探索大模型时，可以快速 在全球数字化浪潮的推动下，保险行业的数智化转型已成为行业发展的重要趋势。中 国保险行业在这一转型过程中表现出了独特的发展脉络和驱动因素，同时也面临着一系 列的挑战和机遇。本章将从全球视角出发，深入探讨中国保险业在数智化转型中的进展、 特点及未来的发展方向。 首先，中国保险业的数字化转型是行业发展的必然选择。随着保费增速放缓、产品利 润空间逐步压缩，保险机构迫切需要依托数字化手段升级创新、控制成本、增加收入，以实 大模型管理中台（星问中台）和星问浏览器插件等一系列创新的大模型产品。在持续推动 大模型技术在公司实际业务场景下落地的过程中，公司实施了跨部门协作的工作模式，通 过组织场景创意头脑风暴活动，邀请各业务部门深入参与，共同探讨如何将大模型的强大 能力与保险业务紧密结合。此外，通过各部门联合建立的评审机制，对潜在的大模型赋能 场景进行业务价值评估，筛选出其中业务价值高并具备技术实施可行性的优先落地场景。 在研发阶段，

落地。大模型 SaaS 平台正是为此提供了技术支撑。通过这一平台，用户可以通 过 API 接口简单调用预训练模型，无需复杂的技术背景即可实现自 然语言处理、图像识别等各类应用。 其次，本文将探讨如何在平台设计中融入安全性、可扩展性与 用户体验等关键要素。在当今数据隐私愈发被重视的情况下，确保 用户数据的安全是平台设计的首要任务。此外，为了适应不断变化 的市场需求，平台的可扩展性也至关重要，它能够支持未来更多的 趋势分析：定期对收集的反馈进行深入分析，观察反馈的变化 趋势，从而识别出用户需求的变化或平台改进的效果。例如， 通过比较不同时间段内的反馈数据，确认特定功能上线后的反 馈变化。 2. 关联性分析：利用统计学方法，例如回归分析，来探讨反馈内 容与用户行为之间的关联，识别哪些因素对用户满意度影响最 大。这种分析可以帮助团队重点关注关键改进因素。 3. 反馈优先级排序：将用户反馈的影响度与紧急度结合，通过矩 阵分析法（例如高 化、安全化和生态化的方向发展。作为行业的参与者，紧跟这些发 展趋势，并积极调整自身策略，将有助于在快速变化的市场环境中 抓住机遇，实现可持续成长。 9.3 进一步研究方向 在本研究中，我们探讨了人工智能行业大模型 SaaS 平台的设 计方案，并总结了其关键组件和实施策略。为进一步推动这一领域 的发展，以下是一些切实可行的研究方向，旨在提升大模型 SaaS 平台的功能和市场竞争力。

智能体的理解、操作熟练度以及在特定场景中的 应用能力。培训计划应分为几个阶段，包括基础培训、进阶培训和 实战演练。基础培训主要涵盖智能体的基本功能、系统架构和操作 流程，通过理论讲解和演示视频让用户快速入门。进阶培训则深入 探讨智能体的高级功能、定制化配置和性能优化，结合实际案例进 行模拟操作。实战演练阶段，用户将在真实环境中使用智能体解决 问题，通过实践巩固所学知识。 培训计划的时长应根据用户的基础水平和需求灵活调整，建议 这些经验教训将继续指导我们的开发实践，推动我们不断进步和创 新。 14.3 后续改进建议 ” 在项目总结部分，针对 DeepSeek ” 智能体开发通用方案 的后 续改进建议，可以从以下几个方面进行深入探讨： 首先，技术优化是提升智能体性能的关键。建议对现有的算法 模型进行持续优化，包括但不限于深度学习网络的结构调整、参数 优化以及训练数据的增强。通过引入更先进的机器学习技术，如强 化学习或迁