的总体目标，强调要适应科技信息化发展大势，以信 息化推进应急管理现代化，提高监测预警、监管执 法、指挥决策、救援实战、社会动员等应急管理能力。 大语言模型是具有大规模参数的深度学习模 型，通过对海量文本的训练习得语言的统计规律， 从而具有理解和生成自然语言的能力，实现人机之 间的有效通信。自2018年双向编码表示模型（bidirec⁃ tional encoder representations from pre-trained transformer，GPT），人工智能领域 自然语言处理方向的重大突破，引领了大规模预训 练模型及应用研究的热潮。大语言模型技术的迅猛 进展正深刻地影响着机器系统智能化的轨迹，标志 着进入一个新的人工智能时代。从 BERT 到 GPT [1-2]， 这些模型通过深度学习和海量数据训练，不仅推动了 自然语言处理技术的边界，也正在改变知识获取和创 新的模式，将对应急管理体系发展、能力要求以及实 金（20BZZ037）, 广 东 省 哲 学 社 会 科 学 规 划 项 目 （GD24XGL075）资助 *通信作者简介 黄欢（1976— ）, 男, 湖南常德人, 硕士, 助理研究员。 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 龚 晶 1 黄 欢 2，* （1. 暨南大学 公共管理学院/应急管理学院，广州 510632；2. 暨南大学 党委政治保卫部/人民武装部，广州 510632）

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 报 告 提 纲 当下 Al 到了哪种程度 能源领域传统 AI 发展困境 … … … … DeepSeek 等带来的新范式 大语言模型应用的科研案例 · 临近奇点： AGI 将带来颠覆 结论和展望 …… 长期以来，能源领域人工智能止步于信息化阶段，发展范式陷入困境 15/80 口能源领域智能化目前大多停留在 环节是整个项目的天花板 2025 年 2 月，麻省理工学院何凯明指出： Al 正在悄然重塑全球科研生态：“过去，不同学科间的交流 像隔着一堵高墙；如今，人工智能正成为所有科学家都能听懂的通用语言 " 。 自动化 工程热物理 新能源 化工 软件 工程 人工 智能 范式困境主要原因三：周期长、链条多、人员配合难度大效率低 18/80 口需要多个 团队 深度长期协作，难度大成本高

打造自适应 AI 运维智慧体： 大语言模型在软件日志运维的实践 刘逸伦 华为 2012 实验室 本科毕业于南开大学 ，硕士毕业于美国佐治亚理工学院。研究方向包括 AI 智能运维 ，大模型质量评估以及大模型提示策略 ，在相关领域以第一作者、 通讯作者身份在 ICDE 、 ICSE 、 IWQoS 等顶级国际会议 / 期刊发表 10 余篇 论文。 刘逸伦 华为 2012 文本机器翻译实验室工程 日志是机器语言：大规模网络、软件系统在运行过程中每天会产生 PB 级别的日志，这些日志是一些类自然语言的文本，实时描述了设备 的运行状态、异常情况。 (2) 传统网络运维是机器语言的人工翻译过程：为了维护网络的稳定，运维人员会持续监控设备的运行状态，希望准确、及时地检测异常和 突发事件。网络日志是设备运行维护最重要的数据源，运维人员通常会通过解读日志中的自然语言、语义信息来发现问题、分析根因。 分析根因。 (3) 自动日志分析是机器语言的自动翻译过程： 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

1 开发工具与技术栈..............................................................................72 4.1.1 编程语言选择.............................................................................74 4.1.2 框架与库..... ..............169 1. 引言 在过去几年中，人工智能（AI）技术的飞速发展及其在各行各 业的广泛应用，推动了企业对大型模型（大模型）解决方案的日益 需求。随着深度学习和自然语言处理技术的突破，许多企业意识 到，通过利用大模型，可以显著提高产品的智能化水平，提升效 率，降低人力成本。与此同时，作为一种新兴的商业模式，软件即 服务（SaaS）平台的兴起，为企业提供了灵活、可扩展的解决方 建设这样一 个平台提供可操作的指导。 1.1 背景 近年来，人工智能技术的迅猛发展为各行各业的数字化转型注 入了强大的动力。在这一背景下，大模型（如 GPT、BERT 等）因 其强大的自然语言处理和生成能力，逐渐成为了技术创新的核心。 大模型通过对大量数据进行训练，能够实现文本理解、情感分析、 自动创作等多种应用，为企业提供了新的商业机会和解决方案。 随着云计算的普及，企业对软件即服务（SaaS）模式的需求不

件常常融合了人工智能 （AI）、机器学习、大数据分析、云计算、物联网（IoT）等前沿技术，为用户提供更加智能化、自动化以及互联的功能。它们不仅能够加 速数据处理和决策过程，还支持预测性分析、自然语言处理、增强现实/虚拟现实体验，并且可以通过持续的学习和适应来改进性能。 信息安全软件是专为保护计算机系统、网络和数据免受未授权访问、攻击及泄露而设计的程序工具。它通过提供防火墙、加密技术、入侵 够更快地收集用户反馈、分析用户需求，并根据反馈结果进行产品调整和优化。这种以用户为中心的开发理念有助于提升用户体验和满意 度，增强产品的市场竞争力。 多样化与跨领域应用 智能软件广泛应用于自然语言处理、计算机视觉、语音识别、自动驾驶及金融分析等多个领域，展现了其高度的多样化特性，精准对接各 行业需求。在跨领域融合方面，智能软件研发行业正积极与物联网、云计算等前沿技术深度融合，不断拓宽其应用场景与潜力边界。 PC及其配套软件，标志着智能软件研发行业进入了一个全新的大众市场时代，推动了软件技术的普及与应用。 高速发展期 2001-01-01~2021-01-01 2001年，来自极限编程、Scrum、DSDM、自适应软件开发、水晶方法、特征驱动开发、实效编程等领域的17位软件开发领域的教授 和推动者共同签署了《敏捷软件开发宣言》。 2005年，中国上网用户总数达1.11亿，其中宽带上网用户激增至6430万，这一数据标

讯飞文旅大模型是国内“AI+全域旅游”大模型落地标杆产品，通过深度解构文旅产业 生态，构建起游客、企业、政府三端协同的智能服务体系，实现了人工智能技术与全域旅游 场景的深度融合。 该模型依托前沿的大语言模型技术架构，创新打造覆盖游客服务、企业运营和政府监管 的全周期智慧化解决方案。在游客端，提供覆盖游客游玩全生命周期的 AI 伴游助手，满足 游客对文旅及周边从认识、认知到认购的深度体验。在企业端，为涉旅企业提供专属的 几点进行技术创新。 （一）创新技术赋能，打造本地化知识引擎 讯飞文旅大模型突破性地将先进的基座大模型与本地特色数据相结合，构建了本地专属 的文旅知识库。通过深度学习、自然语言处理等技术，对当地历史文化、风土人情、景点信 息、美食特产等进行深度挖掘和结构化处理，形成精准、全面、动态更新的知识图谱。该知 识库不仅能够准确理解用户意图，还能提供个性化、场景化的信息推荐和服务，例如根据用 则具 备弹性扩展、成本低廉等优势，适合中小型旅游企业快速接入。 （三）多模态交互方式，提升用户体验 讯飞文旅大模型突破传统文本交互的局限，支持文本、语音等多种交互模式。用户可以 通过自然语言与智能体进行对话，例如语音查询景点信息、语音查询酒店信息等，极大提升 了交互的便捷性和趣味性。同时，还支持多轮对话、上下文理解等功能，能够准确捕捉用户 意图，提供更加精准的服务。 以利川文旅

.........................................................................................22 3.1 开发语言选择......................................................................................24 3.2 框架与库选择 智能体开发通用方案旨在构建一套高效、灵活且可 扩展的智能化解决方案，以满足企业在复杂业务场景中对智能决 策、自动化处理和数据分析的需求。该方案基于先进的人工智能技 术，结合深度学习、强化学习以及自然语言处理等核心技术，能够 实现对多样化数据的实时处理与智能化分析，从而提升企业的运营 效率与决策质量。 项目的核心目标是通过模块化设计和可配置策略，为企业提供 定制化的智能体开发服务。智能体将具备自主学习能力，能够根据 企业 提供一套标准化、模块化的智能体开发框架，帮助开发者快速构建 高效、可靠且可扩展的智能体系统。 当前市场上，智能体开发的主要痛点包括： - 技术栈复杂：智 能体开发涉及机器学习、自然语言处理、物联网等多个技术领域， 开发者需要具备跨学科知识。 - 可扩展性差：现有解决方案往往针 对特定场景设计，难以适应不同业务需求的变化。 - 维护成本高： 智能体系统在部署后需要持续优化和更新，缺乏统一的开发框架会

网络以及 Transformer 模型的多种技术模型积累 2019 年 GPT-2 BART RoBERTa ChatGPT 经过多类技术积累 ，最终形成针对人类反馈信息学习的大规模预训练语言模 型 2018 年 GPT-1 T5 BERT 2020 年 GPT-3 M2m- 100 XLM 进行海量数据学习训练 ，人类的反馈信息成 为模型学习的内容 OpenAI https://paperswithcode.com/sota/multi-task- language-understanding-on-mmlu 大模型在知识问答、数学、 编程等能力上达到新的高度， 多种任务上 的表现超过人类水平。 大模型能力不断增长 Source: https://lifearchitect.ai/timeline/ 大模型发展迅速，参数量从百亿到万亿规模 large-language-models 大语言模型易产生幻觉 ，在数学推理方面表现在推理能力严重不足， 体现在简单数值比较错误、 多步推理能力弱、推理不一致等 早期大模型在推理能力上存在明显短板 9.11>9.9? 简单数值比较错误 多步推理错 误 事实性幻觉问题 大语言模型易产生幻觉 ，在数学推理方面表现在推理能力严重不足，

是在产品开发、风险管理和客户体验方面。 保险公司正在大力投资人工智能技术，他们预计在未来三年对以下领域进行 投资：深度学习（78%）、嵌入式智能解决方案（81%）、机器学习（81%）、 视频分析（71%）、自然语言处理（78%）。 图 1：保险公司 AI 投资方向 4 资料来源：埃森哲 保险科技初创企业也意识到了这些技术的重要性，许多公司都将人工智能作 为战略核心， 据分析能力，通过事务 型数据，来改进算法，并以新的方式组合数据以发现趋势。 人力资源：通过科技提高工作效率，人机协作成未来发展趋势 许多保险公司已经在深度学习、视频分析和自然语言处理等技术上投入巨资。 尽管智能技术的发展十分迅速，但除非保险公司能够使现有劳动力适应人工 智能带来的改变，否则它们将无法充分挖掘人工智能的潜力，这其中包括培 养正确的企业文化和技能基础。 坚实基础——创建基于规则的具有可变化能力的虚拟劳动力。按目前的发展 情况来看，他们需要在智能自动化的基础上进行构建——虚拟劳动力可以学 习并适应业务需求。这意味着用更新的人工智能技术来改善机器人流程自动 化，并从预先编程发展为智能决策。 就保险行业而言，以上转变带来的最明显效益将体现在客户服务上。智能的 端到端解决方案可以将前端和后台连接起来。例如，它会让客服访问相关的 客户数据，或者为索赔处理人员提供建议。这一解决方案将为客户创造无摩

等先进的技术，可以有效提升量化交易系 统的性能和稳定性。DeepSeek 技术能够通过深度学习算法，自动 从大量历史数据中抽取有用的特征，并生成更为精准的预测模型。 此外，DeepSeek 还可以结合其他技术，如自然语言处理和图像识 别，进一步丰富交易策略的信息来源，提升策略的多样性和有效 性。 1.2 DeepSeek 技术简介 DeepSeek 技术作为一种先进的数据挖掘和机器学习框架，近 年来在金融 决策制定不仅耗时费力，还易受主观情绪影响，导致策略执行上的 偏差。因此，引入基于人工智能技术的高效解决方案成为提升交易 效率和准确性的迫切需求。 在这样的背景下，DeepSeek 作为一个集成了深度学习、自然 语言处理和大数据分析技术的智能平台，能够有效应对上述挑战。 通过其强大的算法模型，DeepSeek 能够实时处理海量市场数据， 包括历史价格、新闻舆情、社交媒体动态以及宏观经济指标等多源 信息，从 的制定提供数 据支持。其次，DeepSeek 将实时监控市场动态，结合宏观经济指 标、行业新闻和公司公告等多维度信息，辅助交易系统做出更加精 准的买卖决策。此外，DeepSeek 还将引入自然语言处理技术，自 动解析和分析市场情绪，帮助交易者更好地把握市场情绪波动对股 价的影响。 在技术实现方面，项目将分阶段推进。第一阶段，重点在于搭 建基础数据平台，整合各类数据源，包括但不限于历史交易数据、