................................................................... 19 3.2.2.1 AI 计算使能服务支撑基于昇腾算力的科研创新应用 ...................................... 19 3.2.2.2 大模型全面助力科学教育 .............................. 计算使能服务支撑基于昇腾算力的科研创新应用 D 大学智算中心是全国首个校级最大国产人工智能算力中心，是高校基于昇腾算力底座 和 ModelMate（模型使能工具）进行科研创新和教学的典型案例。该项目于 2024 年 1 月正 式开启，算力规模 65P，项目采用“DCS（轻量云）+ModelMate+运营平台”方案。如何支撑 学校师生从原开发平台顺利迁移到新建的国产算力平台，利用昇腾技术栈快速进行科研模型 创新，成为该项目的首要任务，也是 创新，成为该项目的首要任务，也是 D 大学推进国产算力科研创新实践的关键目标和要求。 “DCS+ModelMate+运营平台”方案主要解决三方面的问题： （一）算力高效整合：高校国产智算平台是分阶段建设和持续演进的过程，需要对算、 存和网等关键资源进行高效整合，支持开放扩容和持续演进。基于 DCS 轻量云底座，能支撑 智算和通算资源的云服务化发放，便捷按需进行 BMS、ECS 和容器等的资源管理和调度，配

现突出，主要得益于其发达的经济、丰富的科技资源以及对算力中 心建设的高度重视。江苏、广东作为制造业和数字经济大省，企业 数字化转型程度高，对高效数据存储和管理的需求旺盛，推动了存 力性能的提升。北京、上海拥有大量的科研机构和金融机构，对数 据存储的可靠性和高性能要求高，促使算力中心采用先进的存储技 术和设备。福建在民营经济活跃和地理位置优越的双重优势下，重 视存力质量建设，提升 IOPS、存算均衡、先进存储占比等。 富。技术与产业方面，东部地区，如北京、广东等，拥有雄厚的科 研实力和丰富的技术资源。北京模力分指数位居全国首位，是人工 智能技术的重要发源地和创新中心，聚集大量的高校、科研机构和 综合算力指数 29 高科技企业，具备强大的科研实力和技术创新能力。数据资源与应 用场景方面，东部地区企业、人口密集，数据生成量巨大，为大模 型的训练和应用提供了丰富的数据资源。广东具有强大的制造业基 础和完善 我国省级行政区模力分指数—模型生态 Top10 为北京市、广东 省、浙江省、江苏省、山东省、上海市、四川省、安徽省、湖南省、 湖北省，具体情况详见图 19。北京生态能力全国领先，作为全国科 技创新中心，拥有众多科研机构、高校和科技企业，为模型生态的 发展提供了丰富的资源和良好的环境。广东生态能力优势明显，得 益于其发达的经济、完善的产业配套以及良好的创新创业环境，吸 引众多企业参与模型的应用和生态建设，形成了较为完善的模型生

整合到同一个模型中，能够有效提升模型对信息的理解和推理能 力。 在生态环保的领域，多模态学习尤其具有重要的应用价值。通 过整合环境监测数据（如气象、土壤、空气质量）、图像数据（如 卫星图像、监控视频）和文本数据（如政策文件、科研论文），模 型能够获得更为全面的信息支持，从而实现对环境问题的准确诊断 与决策。这样的信息融合不仅提升了数据的利用效率，还能够捕捉 到各类信息之间的关联性。 多模态学习通常包含以下几个关键步骤： 定了其在生态环保智慧诊断中的效能和适用性。根据数据来源和信 息表征的不同，我们将主要的模态归纳为以下几类： 1. 文本模态：文本是信息传递中最为普遍的模态之一，广泛用于 描绘环境监测报告、政策法规以及科研文献。文本模态能够有 效整合来自不同领域的知识，如生态学、环境工程和社会科学 等，为决策提供综合视角。通过自然语言处理技术，文本模态 可以进行智能摘要、信息提取和情感分析。 2. 图像模态： 时性和准确性，还为决策提供了科学依据，助力生态环保工作。例 如，某地区在实施该方案后，发现土壤中某类重金属浓度超标，通 过及时的监控与治理措施，污染源得以控制，土壤质量有了显著改 善。 此方案的实施需要政府的支持、企业的配合以及科研机构的参 与，相信在多方的共同努力下，可以为生态环保的可持续发展打下 坚实基础。 5.4 生物多样性监测 在生态环境保护中，生物多样性监测是重要的组成部分。生物 多样性的监测能够为生态系统健康评估、物种保护、资源管理提供

04 高校合作与人才培养 产业链生态共建 科研机构联合创新 开放平台与创新孵化 与高校建立紧密的合作关系，共 同开展数字金融、大模型技术等 领域的研究和人才培养，为银行 输送高质量的专业人才。 与金融科技公司、技术供应商等 产业链上下游企业建立合作伙伴 关系，共同构建数字化转型生态， 实现资源共享、优势互补和协同 发展。 与科研机构合作，开展前沿技术 研究和创新项目，推动大模型技

锐捷、科拓、 ABB 、 西门子、 江森自控、霍尼韦尔。。 文博展馆 博物馆、图书馆、音乐厅、 规划馆、展览馆、体育馆、 文化宫。。 科教 中小学、中职院校、高校、 党校、科研实验室。。。 行政办公 政府机关、事业单位、公 检法机构 产业园区 工业园、物流园、产业孵 化基地、自贸区。。。 金融商业 银行、证券、购物中心、 大型商超。。 交通枢纽 机场、火车站、汽车

而做出更为精准的决策。通过对比不同病例的治疗结果，医务人员 可以更好地评估当前治疗方案的合理性。 其次，基于 AI 的决策支持系统可以集成多种临床决策规则。 例如，在处理患者的急性病症时，系统可以依据最新的临床指南和 科研成果，提供推荐的处理流程和用药方案。这一过程不仅提高了 治疗的一致性，还能显著减少由于经验不足或知识遗漏而带来的医 疗错误。医务人员在此过程中，可以重点关注个体化的因素，如患 者的既往病史、药物过敏史等，从而进一步优化治疗方案。 KPI（关键绩效指标） 来衡量 AI 系统的效益，比如降低误诊率、提高工作效率等， 定期更新实施效果报告，持续优化 AI 模型和应用。 最后，资金和资源的筹措是成功实施的关键，可以考虑引入政 府资金、科研补助或行业投资，确保实现方案的可持续性。 通过以上的步骤，AI 生成式大模型在医疗场景的实施能够得到 有效保障，实现提升医疗效率与质量的目标。 6.1 项目规划 在 AI 生成式大模型在医疗场景应用的项目规划方面，我们需 动。可以考虑以下几个方面来保障人才的持续供给：  建立内部人才库：定期评估团队成员的技能水平和专业发展， 建立一个涵盖不同专业背景和技能的数据库，以便于在不同项 目阶段快速调配。  外部引才：通过与高校、科研机构建立合作关系，吸引人工智 能及医疗领域的优秀毕业生和研究人员加入团队。可以制定实 习和人才引进计划，为新人才的培养提供机会。  持续发展规划：为团队成员制定个性化的职业发展规划，鼓励

SaaS 平台 的需求巨大。这类企业需要低成本、易于使用的解决方案，以 便迅速实现数字化转型。简化的操作流程和灵活的定价模式是 吸引这部分客户的关键。  教育和研究机构 高校和研究机构在教学、科研及知识创新过程中也表现出对 AI 技术的强烈需求。这些机构需要强大的计算能力和丰富的 模型库，以支持不同研究课题和学生学习的需要，同时希望通 过开源或优价模式降低使用成本。  政府和公共部门 业，确保算法决策的可靠性和安全性。  AI 伦理与法规的加强，在技术飞速发展的同时，行业对伦理 和合规性的要求也日益提高，确保技术应用的可持续性和社会 价值。 中国在人工智能领域也取得了显著进展，通过国家政策的支持 与科研的推动，加速了人工智能技术的发展与应用。根据《2023 年中国人工智能发展报告》，中国已成为全球最大的人工智能市 场，预计至 2025 年，该市场的规模将达到万亿级别。 总的来看，人工智能技术的发展正在不断推动产业的变革与创 对不同客户群体的个性化销售策略。此外，结合线上与线下的销售 手段，形成多渠道的销售网络，是提升销售效率和客户满意度的关 键举措。 首先，明确目标客户群体，包括但不限于大型企业、初创公 司、科研机构和教育机构。这些潜在客户在对人工智能模型的需 求、使用场景和预算方面存在显著差异，因此销售策略必须根据不 同客户的特点制定。例如，大型企业可能更关注系统的稳定性和服 务的可定制性，而初创公司则可能对价格更为敏感，因此，我们可

集成，极大地丰富了 数据的广度与多样性，为开源多模态大模型的突破性发展注入了新活力。 今年9月，由商汤科技携手清华大学、上海AI实验室、哈尔滨工业大学、香港中文大学、 复旦大学及南京大学等多家科研机构共同推出的OmniCorpus项目，再次将开源多模态 数据集的发展推向了新的高度。OmniCorpus包含86亿张图像与16,960亿个文本标记的 �� 算力是推动大模型技术发展的基础。随 （5）技术投入与运维压力 建立和维护大型模型系统需要巨大的技术投入和持续的运维支持。为了应对这一挑 战，保险公司可以采取以下策略：一是合理规划技术投资预算，确保资金的有效利用；二是 加强与科研机构和高校的合作与交流，引入先进技术和人才；三是建立完善的运维管理体 系和应急预案，确保系统的稳定性和可用性。 同时，保险公司还需要关注技术发展趋势和市场动态，及时调整技术策略和投资方向， 以保持技术的先进性和竞争力。 从疾病预防、健康管理到疾病治疗、康复护理的全链条健康保障服务。这种生态圈模式不 仅提升了保险产品的附加值，还增强了客户黏性，促进了保险与医疗行业的深度融合。 ②“保险+科技”生态圈：保险公司与科技企业、科研机构等合作，引入人工智能、大数 据、区块链等前沿技术，推动保险业务的数字化、智能化转型。通过技术创新，保险公司能 够提升业务处理效率、降低运营成本、优化客户体验，并开发出更加符合市场需求的新型

扩展功能 优先级 实施步骤 点 设备故障预测 中 建立数据集、训练模型、初步应用于关键设备 监管 安全管理系统 高 确定监控点、搭建视频分析系统、进行应急演 练 绿色运营管理 低 数据评估、与科研单位合作开发节能方案 整合多种出行方式 中 开发接口、进行多方合作、开展用户培训 以上内容为系统功能扩展规划的具体方向，通过详细的功能划 分和实施步骤，确保在未来的发展中能够顺利执行和落地。持续优 加强政策研究：建立专门的团队或机构，定期分析与轨道交通 相关的政策变化，及时调整企业战略。 2. 市场需求分析：通过数据分析技术，深入了解乘客的需求变化 和市场趋势，优化服务和产品。 3. 合作与创新：加强与科研院所及 AI 企业的合作，引入最新的 AI 大模型技术，推动自主创新。 4. 项目示范：选择特定线路或区域进行 AI 应用试点，积累经验 和数据，为后续大规模推广提供依据。 5. 建立反馈机制：积极收集用户反馈，通过持续迭代改善 确保员工能够掌握 AI 相关技术，进而推动应用的有效落地。同时，制定完善的管理规范 与流程，确保 AI 应用项目的顺利推进。 在共享与合作方面，城市轨道交通运营企业应积极与技术公 司、高校和科研机构建立合作关系，共同研发适合行业特点的 AI 应用解决方案。通过共享数据和资源，促进创新，加速模型的迭代 与完善，进一步提升轨道交通系统的智能化水平。 另外，充分考虑到安全性与稳定性，AI 在应用过程中必须建立

则可用于身份验证和欺诈检测，通过人脸识别和图像分析，提高银 行的安全性和客户信任度。 为了更好地推动技术创新，DeepSeek 还将加强与学术界和产 业界的合作。通过与高校和研究机构的合作，DeepSeek 能够获取 最新的科研成果和技术前沿，推动技术的快速落地和应用。同时， 与金融机构的合作将为 DeepSeek 提供丰富的应用场景和反馈，促 进技术的不断优化和升级。 DeepSeek 未来在技术创新的方向和目标：