问答的本质是找到和用户问题语义匹配的知识点 • 基于分类模型的问答系统效果好，但需要较多的训练数据， 且重新训练的成本较高 • 基于检索和排序的问答系统能较好的弥补以上问题，但仍 然 存在检索召回问题 • 基于句向量的语义检索能实现在全量数据上的高效搜索， 从 而解决传统检索的召回问题 • 实际系统中会根据具体情况选择不同的方案 问答型对话技术小结 任务型对话 难以应对复杂的场景 • 缺少层次 基于帧（ Frame ）的对话管 理 • 对 Frame 进行改进，支持树状的层次结构 • 树中的节点称为 handler ，用于理解并处理用户输 入 • 从左到右、深度优先遍树中的 handler • 树的结构可动态调整，支持话题切换、回退、退出 基于计划（ Agenda ）的对话管 理 [Rudnicky 1999] • 通过神经网

tilled feature field, DFF) 的概念, 通过将 2D 特征 映射到 3D 体积中, 结合来自 CLIP 的知识, 创建一 个带语义特征的基于 NeRF 的场景表示, 通过将自 然语言指令与从 NeRF 中提取的语义特征相结合, 机器人能够根据用户的文本描述来识别和操作场景 中的特定对象, 如图 2 所示. 在 6-DOF 姿态推断中 对夹爪周围也训练了一个 NeRF 场, 在场中采样查 SayCan[74] 指出, 尽管大模型具有一定的推理 能力与理解能力, 但因为模型没有直接接触现实世 界, 使用大语言模型生成的抉择可能超出机器人的 能力范围. 如用户提出的需求为扫地, 模型经过推 理提出可以使用吸尘器完成任务, 但实际上机器人 所处环境并没有吸尘器或是机器人还未掌握此技 能, 使得任务无法完成. SayCan 提出了一种新的解 决方法, 可以结合大模型的高级语义知识和与物理 环境相关的低级技能 任务级负责完成各项具体的任务, 如抓取、导 航、定位等. 在一些工作如 ViLA[30] 中, 这些任务由 预定义的技能完成, 而相应的技能由强化学习、行 为克隆等方式学习得到. 在其他工作中, 子任务仍 然由大模型完成. OK-Robot[69] 构造了一个开放知识机器人系统, 它结合多种在公开数据上训练的基础模型, 并用于 在真实世界环境中拾取和放置物体. 对于定位任务, 初始化阶段使用 iPhone

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 218 www.jc2.org.cn 2期 认知结构下对现实世界的事物，及其规律的新发现和 深入理解，从而推动知识结构的不断迭代与演进。 图1 统中人机协作的效率和效果仍然受到人机协作的自 然度、信息处理能力、交互系统智能水平、工作流程 等方面的制约，缺乏有效的机制将人的优势与机器 的优势整合起来。 2.5 智能层次局限 通过引入大数据、人工智能技术系统智能化水 平得到了较大提高，例如，视频识别技术应用在安 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 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 识内化于模型的海量参数中，能够处理传统知识管 理模式下无法处理的默会知识，获取这类应急管理 实践中极其宝贵的经验知识、技能知识、部门知识 等，能极大丰富应急管理系统的知识体系，从而加 强系统应对复杂灾难情境的能力。同时，知识的内 化依赖于模型的自监督学习机制通过对海量数据训

的就绪程度不足，是当前企业面临的主要障碍。 另一项主要顾虑是对AI和自主化系统缺乏信任。 我们近期的另一项研究4也发现，信任与自主化之间 存在着密不可分的联系。基于规则的系统（如自 动化）具有高度的可预测性，因此更易被信赖。然 而，支撑自主化发展的新型AI系统（包括生成式AI 和自主化AI）在企业内部推广应用的过程中，需要辅 以额外的保障措施，并确保员工的有效参与。 无论处于供应链自主化进程的哪个阶段，每家 企业 更具韧性和适应性的未来。 归根结底，自主化系统的兴起将从根本上改 变企业的组织结构，以及人与人、人与技术之间的 协作方式。这同时也是重塑工作方式、重塑劳动 力的契机。只有当企业重塑其组织架构以支持截 然不同的流程和工作方式时，那些采纳自主智� 供应链的企业才能实现生产提效或成本节降，而 这才是切实的价值。 实现自主智能供应链 25 引领未来： 开创价值新高地 在整个供应链中解锁新的价值已成为一项

日志文本种类繁多、数量庞大，且多数日志为非结构化文本，无法通过人工方式监控和检测 全部的日志。更重要的是，分析设备日志需要丰富的领域知识，耗时耗力；简单的规则配置也无法理解文本的语义信息。 化⽂本 类 自 然 语 ⾔ 半 结 构 观点 1 ：软件日志运维是从机器语言向自然语言的 转化 转化 表：一些网络基础设施中的日志消息，日志中的详细信息和自然语言有一定的相似性 Action 机器语言

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 • DeepSeek-R1：为了解决这些问题并进一步提高推理 性能，DeepSeek团队引入了 R1，它在RL之前结合了 多

。方案的 实施范围涵盖企业内部管理的自动化、外部客户服务的智能化，以 及数据分析与预测能力的全面提升。具体而言，目标包括以下几个 方面：首先，实现业务流程的智能化升级，减少人工干预，提高处 理速度和准确性；其次，通过数据驱动的分析与预测，为企业提供 更具前瞻性的决策支持；最后，构建智能客服系统，提供全天候、 高效、个性化的客户服务，提升客户满意度和忠诚度。 为了实现这些目标，方案将聚焦于以下几个关键领域的应用： 高效运转。 3. 个性化服务与客户体验优化：商务 AI 智能体能够根据客户的 个性化需求提供定制化服务，如个性化推荐、定制化报价等。 通过深度学习和自然语言处理技术，智能体可以与客户进行自 然交互，提升客户体验。例如，在电商平台上，智能体可以根 据客户的浏览和购买记录，推荐符合其偏好的商品。 4. 跨平台与集成能力：商务 AI 智能体通常具备跨平台操作的能 力，能够与企业现有的 ERP、CRM、SCM 服务层提供模型的部署与推理服务，采用微服务架构 （Microservices）以确保系统的高可用性和弹性扩展。服务层通过 容器化技术（如 Docker、Kubernetes）实现模型的高效部署和管 理，并通过 API 网关（如 Kong、Envoy）对外提供标准化的 API 接口。为提高推理性能，服务层引入模型压缩、量化和加速技术 （如 TensorRT、ONNX），同时通过负载均衡和缓存机制（如

创新，研 发节能技术与设备，如高效能服务器、液冷系统等；二是优化算力 中心布局，充分利用自然冷源与可再生能源，降低算力中心能耗。 人工智能技术方面，算力技术创新与人工智能技术深度融合，在自 然语言处理、图像识别、语音识别等领域取得突破性进展，为我国 算力产业的应用拓展提供有力支持。 综合算力指数 6 （二）存储规模与性能结构不断突破 近年来，中国数据存储总量呈现高速增长态势，存力基础设施 广东、河北的存储总体容量处于全国领先地位，均达到 166 EB，能 够满足海量数据的存储需求。江苏、北京、上海的存储总体容量也 较为可观，均超过了 100 EB。江苏制造业的数智化催生了热数据处 理的强需求，北京、上海分别作为政治、经济中心，对数据存储有 持续且高强度的需求。与此同时，在政策的有力推动下，相较于去 年，内蒙古、贵州等中西部地区存力规模水平也得到了较大提升。 来源：中国信息通信研究院 15。东部沿海省份，如浙江、江苏、上海等， 在算间网络方面依然占据优势。这些地区算力中心分布密集，网络 带宽大，能够实现算力中心之间高效互联，满足大规模数据传输和 算力调度的需求。另外，四川、安徽等交通枢纽省份优势凸显，地 理位置优越，通信网络覆盖广泛，能够有效连接东西部地区的算力 中心，促进数据的流通和算力协同，在算间网络方面也表现出色。 综合算力指数 27 来源：中国信息通信研究院 图 15 省级行政区运力分指数-算间网络

化医 疗。 首先，患者管理需求可以从多方面进行分析。通过对患者信息 的全面采集与自动分析，系统可以精确了解患者的健康状况和疾病 历史，进而制定个性化的健康管理方案。这种信息的实时更新与处 理，大大增强了医疗服务提供者对患者状态的响应能力。 其次，智能化的患者沟通手段显得尤为重要。AI 生成式大模型 可以通过自然语言处理（NLP）技术，与患者进行高效沟通，解答 患者的疑问，提供健康指导，并能在需就医时迅速引导患者进行预 与准确 性。 首先，医务人员在日常工作中需要快速获取和处理患者信息， 包括病史、检验结果及影像资料等。AI 生成式大模型可以通过自然 语言处理技术，自动从电子健康记录中提取关键信息，并以易于理 解的形式展示，从而帮助医务人员迅速了解患者病情。具体需求包 括：  快速信息检索：医务人员需要能够迅速找到患者相关的历史病 历和检验结果。  数据整合与分析：将多个来源的数据整合为一体，形成全面的 能力，能够有效地处理各种医学图像，为临床医生提供高效、准确 的辅助支持。医学图像处理的关键任务包括图像预处理、特征提 取、图像分割、图像分类和图像重建等。 首先，图像预处理是确保后续分析准确性的基础。常用的预处 理技术包括噪声去除、图像增强、归一化和几何校正等。例如，针 对 MRI 和 CT 图像中的运动伪影，通过 AI 模型能够有效地进行去 噪，提高图像质量。 其次，特征提取是医学图像分析中的核心步骤。利用深度学习

化转型提供了有力的实 践支撑。 更重要的是，我们深刻认识到大模型技术与保险行业的深度融合，不仅将推动保险业 务模式的深刻变革，还将重塑保险行业的竞争格局和生态体系。通过精准预知风险、主动管 理风险，大模型技术将助力保险公司实现从“粗放预测”向“精准预知”、从“等量管理”向“减 量管理”的转型升级。这一转变不仅将提升保险公司的核心竞争力，还将为消费者提供更加 个性化、高效、便捷的保险服务 企业可以在特定任务领域获得更优的 输出效果，提高了项目成功的可能性。特别地，对于那些市场上现有产品和服务无法直接 满足其特定需求的保险企业来说，基于现有基础大模型进行工程化适配几乎成为一种必 然的选择。它不仅能够帮助企业快速响应市场变化，还能够在保持成本效益的同时，实现 应用的创新和突破。也极大丰富了用户体验。 3.1.1.2 工程化适配 深度研发大模型包括从零开始的自主研发，亦包括基于现有开源模型的深度定制，以 词应该直接和具体，避免使用含 糊或多义的词汇，以减少歧义。其次，一个优秀的提示词通常包含指令、上下文信息和期望 的输出格式，这些元素共同构成了一个提示词模板。设计者可以根据模型的特点和擅长处 理的格式来定制这些模板，并通过实验来找到最佳的提示词组合。 提示词工程的优势在于，它允许我们在不修改或重新训练大型模型的情况下，通过调 整输入的方式来引导模型更精准地完成任务。这种方法有效控制了成本，同时显著提升了