定义的智能体具有长期和短期记忆、自主规划、工具使用和自动执行任务 的能力，能提高工作效率和用户体验。另外，智能体也分为单智能体和多智能体。单智 能体通过试错学习在单一环境中行动，追求最大奖励，多用于简易任务。多智能体在博 弈环境中行动，追求长期累积奖励，多用于复杂测试。 1.1Agent 模式架构解析 Agent 有效减少人类工作总量，人与 AI 协作才是最终形态。人类与 AI 交互可大致 分为三种模式。Embedding 在单一子目标耗时过长等问题，将经验存入长期记忆以规避类似错误。3）工具模块： 智能体可利用工具来弥补自身短板，通过调用外部 API 来实现功能拓展。例如调用连接 互联网的 API 去搜索实时信息。4）行动模块：智能体会形成完整的计划流程。例如先 读取以前工作的经验和记忆，之后规划子目标并使用相应工具去处理问题，最后输出给 用户并完成反思。 直领域。单智能体的强化学习原理是 基于马尔可夫决策来完成的，简单来说可以分为状态集 S、行动集 A、奖励 R，下一时 刻的状态和奖励只与上一时刻的行动有关，与更早之前的状态无关。其模型原理就是让 智能体用试错的方式来学习，若某个策略能得到奖赏，则智能体产生该行为的策略就会 加强。其目的就是在单一环境中行动，尽可能得到最大的奖励。应用领域目前也较为广 泛，例如赛车游戏中连续动作的训练：控制方向盘、油门、刹车等动作，可由

往往包含各种主题与应用场景, 能学习到丰富 的表示与知识, 具有解决各类任务的潜能, 其作为 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 大机器人企业制造的人形机器人, 如宇树机器人 Unitr- ee H1、特斯拉机器人 Optimus, 以及 Figure AI 的 Figure 01 均使用了基础模型进行赋能, 展现出令人 惊讶的理解、判断和行动能力. 随着大模型的发展, 近年基于大模型的具身智 能工作已经成为研究热点, 各类试图将二者结合的 工作层出不穷. 尽管目前有一些以具身智能为主题 的综述[21−23], 但并未聚焦于大模型. 目前也有综述研 机器人能够在动态环境中进行鲁棒的闭环规划: 机 器人执行第一步行动, 并观察结果, 执行行动后, ViLA 会将新的视觉观察作为反馈, 与之前的视觉观察和 已执行的行动步骤一起输入到 GPT-4V 中. GPT- 4V 将根据这些信息更新其对环境的理解, 并调整 后续的行动步骤. 例如, 如果第一次行动没有完全 达到预期的效果, ViLA 可能会生成一个新的行动 步骤来纠正或完成未完成的任务. 通过这种以多模 态大模型提供实时反馈的设计

62%和60%（见图1）。这种强大的韧性在供应链 中断愈发频繁和严重的当下尤为重要。 自主化系统仍处于发展的初期阶段，大多数 企业也刚刚踏上这一征程。我们深入研究了领军 企业为获取初步成功所采取的有效行动，并总结 出以下几项关键举措。 这些策略并非必须按顺序执行，但对于那 些在迈向自主智能化系统的过程中践行了其 中一项或多项的企业而言，初步成效已经显 现。我们将在后面的章节中详细阐述每一项 人工做出。 • • 作业流程通过智能决策辅 助系统得到增强，该系统能 提供操作建议与洞察以优化 决策。 作业流程可部分实现自动化。 • • 自主化运营流程/自我优化。 AI助手支持人工进行行动规划 与生成。 • • 图2 自主化征程：一场贯穿四大成熟度阶段的真正转型 成熟度 等级定义 自主化指数 实现自主智能供应链 真正意义上的自主智能供应链包含两大维 度（见图2）：任务自动化与决策自主化。在任务 利用事件和预测算法实现自动化维修计划，并通过人机增强支持高效的任务执行、备件订购和 行动建议。 • 通过问题解决方案、风险分析和基于经验教训得出的行动建议，使人工驱动活动得以增强。 • 高度自动化的仓库运营，采用先进的自动导引车（AGV）进行拣选、存储、包装和装载。中央控制中心 管理流程、检测问题并提供行动建议。 • 14 28 19 38 19 38 19 36 20 40 22

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 器人落地各行业场景应用。 （2）产业应用 具身智能在多个领域得到了广泛应用，包括智能制造、智能家居、智慧医疗等。例如， 中国政府高度重视人工智能领域的发展，并通过一系列政策举措推动其健康、有序、 高质量发展。在2024年的全国两会上， 《政府工作报告》首次将“人工智能+”纳入其中，强调 要深化大数据、人工智能等技术的研发与应用，通过实施“人工智能+”行动，着力打造具有 国际竞争力的数字产业集群，这一举措标志着人工智能已成为国家发展战略的重要组成 部分。 为进一步规范和引导人工智能产业的发展，工业和信息化部、中央网信办、国家发展 改革委、国家 国家部委工作要求 �� 此外，为充分激活数据要素潜能，推动人工智能技术的深度融合与应用，国家发改委 于2023年底发布了《“数据要素×”三年行动计划（2024—2026年）》。该计划围绕数据要素 与各行各业的深度融合，部署了包括“数据要素×智能制造”在内的12项重点行动，特别支 持通用及垂直领域人工智能大模型的训练与发展，为人工智能产业的创新发展注入了新 的动力。 值得一提的是，2024年6月5

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 的能力，使之远远超出了它们各自工作时的能力。

实时监测与预警：利用训练好的模型，开发实时监测系统，能 够实时分析数据，发出环境质量报警，快速反应。 4. 生态决策支持：通过 AI 分析的结果，提供科学的决策支持， 帮助政府和环保机构制定更有效的环境政策、规划和行动方 案。 5. 公共参与与教育：搭建公众参与平台，利用 AI 生成的可视化 生态环境数据，为公众提供教育和参与的机会，增强社会对生 态环保的重视。 随着生态环境保护需求的不断增加，采用多模态 促进经济可持续发展：良好的生态环境提供了丰富的自然资 源，直接影响经济发展和社会进步。 3. 提升公众健康水平：改善环境质量对降低疾病发生率和增强国 民健康水平具有直接影响。 4. 应对气候变化：生态环保行动是应对全球气候变化挑战的重要 手段，可以降低温室气体排放，缓解全球变暖的问题。 5. 推动社会公正：环境问题往往与贫困和不平等紧密相关，生态 环保有助于实现公平与正义，保证每个社会成员享有良好的生 在实际应用中，文字模态的整合使得生态环保智慧诊断系统能 够通过文本分析快速获取相关资料并实时更新。比如，当新的环保 政策出台时，系统能够自动抓取相关文档并进行分析，提取新的要 求和影响，以便及时调整策略和行动方案。 此外，文字模态的机器学习与深度学习技术，如 BERT 和 GPT 等，也提升了文本理解的能力。通过这些技术，系统能够实现更为 精准的信息检索和知识图谱构建，让不同信息之间实现高效的交互

集中发力人工智能和机器人领域 浙江 加快建设创新浙江、因地制宜发展新质生产力 广西 不能妄自菲薄、行动迟缓 江西 强化企业科技创新主体地位，推动科研成果向现实生产力转化 安徽 在抢占科技制高点上奋勇争先 江苏 找准“一中心一基地一枢纽” 甘肃 着力提升科技创新效能，深入实施研产融合科技攻关赋能计划 重庆 部署实施“人工智能+”行动 山东 建立科技创新和产业创新融合机制 湖北 到2030年，具有全国影响力的科技创新高地加快形成

决策分析的两条路径 Fig. 3 Two approaches to decision-making analysis 2.2 知识管理缺陷 目前的知识库中所存储和管理的应急知识仅限 于应急预案、行动指南、历史案例、法律规范等显性 知识，缺乏诸如专家知识这一类在长期专业工作中 积累的经验、技能、组织记忆等隐性知识。显性知 识通常适用于常规决策中结构化问题的解决，隐性 知识则是临机决策能力提升的关键 识，例如，应急管理人员的个人经验、技能等长期实 践经验中积累的、难以明确表达的知识，这些知识可 能表现为对特定事件的常识性理解、对不同灾害类型 的应对策略的抽象化认知等。应急部门知识除了各 类预案、行动指南、管理准则等可以言明的显性知识 之外，还包括与这些预案、指南、准则设计布局相关 的隐性知识，暗含在该部门的专业、制度和文化之 内。隐性知识通过职业训练和经验积累而在工作中 获得，存在个体的头脑中或某个特定的组织环境中，

息技术产业，旨在为各行各业提供高效、智能的数据处理与决策支持能力。随着全球数字 化转型加速，智算产业已成为推动经济增长、科技创新的关键基石。 政策与市场方面，中国“东数西算”工程、美国“人工智能行动计划 2”等政策加速 推进了智算基础设施布局；金融、医疗、制造等行业利用 AI 优化流程，提高生产力和效 率，使得智算服务市场年增速超 30%。 技术驱动方面，深度学习、大模型的兴起，催生了对智能算力的巨大需求；AI 课堂评价的智能巡课助力教学质量监测 为推动课堂教学模式向更高阶互动转型，北京航空航天大学依托智慧教室与讯飞 AI 教 学评价系统，实现了课堂教学全过程的无感巡查、动态监测与精准反馈。数据驾驶舱全景呈 现课堂运行动态，助力资源优化配置与高效督导；《课堂教学 AI 分析报告》精准诊断课堂问 题并提供改进建议，驱动课堂质量提升。 图 11 AI 教育课堂评价系统 目前，系统已应用于学校 43 个院系，分析课程超

数据，并进行 清洗、标准化处理。  特征工程模块：自动提取并构建关键特征，为模型训练提供高 质量输入。  模型训练与优化模块：采用 DeepSeek 技术训练多层次神经 网络模型，并进行动态调参和优化。  交易执行模块：实现从信号生成到订单执行的全程自动化，支 持多种交易指令类型。  风险控制模块：实时监控市场风险，自动触发止损或止盈操 作，降低交易风险。 通过以上模块 动模式识别、市场微 观结构分析等。通过这种方式，DeepSeek 为量化策略的开发提供 了更为丰富和精准的因子库。 在算法交易策略优化方面，DeepSeek 的强化学习算法能够对 交易策略进行动态调整和优化。传统的策略优化方法通常依赖于静 态参数设置，而 DeepSeek 则能够根据市场环境的实时变化，自动 调整策略参数。例如，在波动率较高的市场环境下，DeepSeek 可 以自适应 的订单指令发送至交易所。为了确保订单的快速执行与低延迟，执 行引擎采用高性能的异步架构，支持多线程并行处理。同时，引擎 还集成了智能订单路由功能，能够根据市场行情自动选择最优的交 易通道。例如，在流动性较好的交易所之间进行动态切换，以降低 交易成本并提高执行效率。此外，引擎还支持多种订单类型，如限 价单、市价单、冰山订单等，以满足不同策略的需求。 其次，风控管理是交易执行与监控模块的另一个关键部分。风 控系统通