析，帮劣用户判断搜索结果导向。 生成报告：对搜索癿分析结果进行报告生 成，可以保存或进行订阅、推送。 简报观察角度自定义，分析结果实时呈现 自由选择观察角度： 配置观察对象、配置观察领 域、选择观察时间段 内容结果分析：提供多种简报模板，用户可根据 配置癿观察角度自由分析，生成相应癿简报。分 析结果采用图表列表癿展示斱式。 添加对比：分析结果可添加对比，添加其他癿观 察角度即可 . 用户可以自己定义观察视角，自 定义关注对象、关注领域。 . 同一事物，丌同癿人有丌同癿观 察视角，每个用户可以独立配置 自己癿使用习惯。 . 定义癿关注领域，可以是多层级 癿，用户可以定义具有父子关系 癿多层级领域树。 自定义观察领域树 自定义观察对象 自定义观察对象、观察维度 观察对象 4 观察对象 3 ...... 观察对象 1 观察对象 2 人工智能 互联网金 融 风控产品 上市公司 银行业 新产品 用智慧发现信息价值 Discover information 自由定义观察角度 关注对象配置：用户可以自由配置自己所关注 癿对象。 关注领域配置：用户可以自由配置自己所关注 癿领域。 自定义观察对象、观察维度 分类展示用户所关注的重要资讯 内容结果分析： 用户可根据选择配置癿 观 察角度自由筛选结果，展示相应类别癿重 要资讯展示。

息直接融入推理和规划过程中来生成一系列可执行 步骤. 此外, ViLA 能够自然地整合视觉反馈, 使得 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 以对象为中心的具身大语言模型. 研究人员预先定 义了一系列的动作标记 (如选择对象、导航、观察、 触摸、敲击、拿起、放下、环顾四周) 和状态标记 (如 编码获得的对象点云、冲击声、触觉信息和温度信 息) 与环境互动, 其中动作标记指导具身代理在环 境中执行特定动作, 而状态标记则将代理的多模态 状态观察反馈给大语言模型, 以便生成后续的文本 或动作标记, 使得 MultiPLY 能够灵活地在抽象表 其中人类的反馈尤为重要, 因为人类是目标的提出者与整个交互行为的观察 者. 一些方法利用大模型提取人类反馈, 使机器人 不断根据反馈调整目标, 有效地提高具身智能的灵 活性并提高任务的完成度. OLAF[80] 通过使用大语 言模型来改进机器人的行为. 系统包含三个步骤: 用户交互、数据合成和策略更新. 在用户交互阶段, 用户观察机器人执行任务, 并在认为机器人无法完 成任务时停止, 然后提供如何改进的自然语言指令;

任务分解为简单子任务；LLM Planner 为每个子任务规划结构化动作，并根据反馈信息 调整规划，不断总结成功经验；LLM Interface 通过键盘鼠标操作执行结构化动作，并在 与环境交互中获取观察信息。 图42 解锁科技树的成功率（蓝色是 GITM） 资料来源：Xizhou Zhu《Ghost in the Minecraft》，海通证券研究所 图43 各模型完成任务成功率对比 探索学习阶段 资料来源：腾讯云，海通证券研究所 AppAgent 框架的核心是探索阶段。Agent 通过自主交互或观察人类演示来学习应 用程序的功能和特性。在自主交互模式下，Agent 被分配一个任务并开始与 UI 元素进 行自主互动。Agent 尝试不同的动作，并观察应用界面的变化以理解其工作原理。Agent 通过分析每个动作前后的屏幕截图，了解 UI 元素的功能和特定动作的效果。所有这些 元素的功能和特定动作的效果。所有这些 信息都会被记录成文档，详细记录下不同元素所执行动作的效果。如果某个 UI 元素被 多次操作，Agent 会根据之前的文档和当前的观察来更新信息，以提高认知质量。 AppAgent 专注重要操作，提高探索效率。如果当前 UI 页面与应用的主要任务无 关（如广告页面），Agent 会停止进一步探索，并使用 Android 系统的返回功能返回到 前一个 UI 页面。这种目标导向的探索方法，相比随机探索，确保

等）进行智能 识别和预警。 为了实现模型的可视化，我们将开发一个集成的三维可视化平 台。该平台可以动态展示铁路沿线的三维模型，包括实时的数据回 传与历史数据的可查询功能。用户可以通过图形界面观察铁路环境 的变化，迅速获取有关状况的综合信息，从而为决策提供依据。 在完成模型构建与数据分析后，系统将具备以下几个主要功 能：  实时监测与预警：系统能够实时监测铁路沿线的环境变化，及 实时列车运行状况、事故发生的热点区域分析等。 3. 交互功能 o 提供可交互的界面，用户可以通过点击、拖动等操作查 看具体数据和进行分析。 o 允许用户自定义展示内容，例如通过筛选条件选择特定 时间段、区域或事件进行分析和观察。 4. 角色权限管理 o 根据不同用户角色设置相应的访问权限和展示内容，确 保信息安全和符合业务需求。 5. 用户反馈机制 o 实现用户反馈通道，用户可以对系统展示层提供意见和 建议，促进系统的持续改进。 等）以及交通流量等信息汇总到一个平台上。这种集成有助于建立 准确的三维模型并为后续分析提供基础数据。 其次，GIS 在空间分析中发挥了重要作用。在模型的生成过程 中，运用 GIS 进行可视化分析，可以直观地观察到各地理要素之间 的关系，对模型参数的设定提供指导。通过空间分析工具，可以实 现对铁路沿线不同环境因素的影响评估，如噪声、污染物扩散以及 交通安全等。 在具体的应用方面，GIS 技术可以通过以下方式为模型提供支

训练过程监控 在模型训练过程中，监控是关键环节，以确保训练的有效性和 稳定性。首先，实时监控训练损失和验证损失是基础。通过可视化 工具（如 TensorBoard）实时绘制损失曲线，可以直观地观察模 型是否收敛。如果训练损失持续下降而验证损失上升，可能出现过 拟合现象，此时应考虑增加正则化策略或提前停止训练。 其次，训练过程中的硬件资源监控同样重要。需要定期检查 GPU/CPU 的使用率、内存占用以及磁盘 合；而随机搜索则通过随机采样超参数空间，减少计算成本。在实 际操作中，可以根据计算资源和时间预算选择合适的方法。  学习率：通常设置为 0.01 到 0.001 之间，通过逐步减小学习 率，观察模型收敛情况。  批量大小：根据数据规模和硬件资源，设定为 32、64 或 128，过大可能导致内存不足，过小可能影响训练稳定性。  正则化系数：用于控制模型复杂度，常用 L1 或 L2 正则化，系 浏览器：Chrome、Firefox、Safari、Edge  设备：PC、平板、手机 压力测试是通过模拟极端使用场景，评估系统的稳定性和容错 能力。例如，在短时间内向系统发送大量数据请求，观察系统是否 能够正常处理，并记录系统崩溃或响应缓慢的临界点。 用户验收测试（UAT）是系统测试的最终环节，由实际用户参 与，模拟日常操作流程，验证系统是否满足业务需求。测试过程中 需记录用户的

年内，人类将迎来 AGI 的时代。 2024 年 10 月 21 日 OpenAI CEO Sam Altman 「我们距离 AGI 我们持续见证着人工智能开发的飞速进展。以下是我们对人工智能经济学的三个观察： 1. 人工智能模型的智能水平，大致与训练和运行它所消耗的资源量 ( 取对数后 ) 成正比。 这些资源主要包括训练所需的算力、数据和推理算力。看起来，只要持续投入资金， 就 能获得持续且可预测的智能提升；

其次，吞吐量反映了系统在单位时间内处理请求的能力。针对 高并发场景，需通过压力测试确定系统的最大处理能力，并在此基 础上设定吞吐量基准。测试过程中，应模拟不同负载条件，逐步增 加并发用户数，观察系统性能的变化趋势，直至达到资源瓶颈。 资源利用率方面，主要包括 CPU、内存、磁盘 I/O 和网络带宽 等。需通过性能监控工具实时采集各项资源的占用情况，确保系统 在不同负载下资源分配的合理性。例如，CPU 频繁更新模型以适应业务需求变化，但频繁的模型更新可能导致系 统不稳定。可以通过模型版本控制，确保新模型在部署前经过充分 测试，避免直接替换导致系统崩溃。同时，采用灰度发布策略，逐 步将新模型推送到部分用户，观察效果后再全面部署，降低风险。 最后，监控和日志系统是优化的重要保障。通过实时监控模型 性能指标，如推理时间、内存占用、CPU/GPU 利用率等，可以及 时发现性能瓶颈并进行优化。详细的日志系统可以记录模型运行过 性能测试可以分为以下几个步骤： 1. 基准测试：在无负载情况下，测试模型的基本性能指标，包括 单次请求的响应时间和资源消耗。这为后续测试提供了参考基 准。 2. 负载测试：逐步增加并发用户数或请求频率，观察模型在不同 负载下的表现。重点关注响应时间的变化趋势和系统资源的使 用情况。下表展示了在不同并发用户数下的响应时间和 CPU 使用率： 并发用户数 平均响应时间 (ms) CPU 使用率

那么，这对企业员工而言意味着什么？我们 的研究表明，在自主智能供应链的生态系统中， 人力依然是核心要素。事实上，最高效的自主智� 供应链体系将实现人员角色转型⸺从任务执行 者转变为系统决策的指导者与监督者。我们观察 到，这一转变正通过“人机协作”的渐进式发展 在企业中逐步实现，每个阶段都推动着效益提升。 此外，通过将资深团队成员数十年积累的专 业知识和洞察进行系统化梳理与编码标准化，自 主智能供应链有助于确保核心知识的保留，并传

反馈。设计一个原型并邀请目标用户进行体验，收集他们的意见和 建议，然后根据反馈进行迭代改进。在这个过程中，可以使用以下 方法： 1. 定性访谈：与用户进行面对面的访谈，了解他们对交互设计的 看法和建议。 2. 可用性测试：观察用户在使用原型时的行为，记录其遇到的困 难与障碍。 3. 问卷调查：设计问题对平台的易用性、满意度等进行定量分 析。 通过这些方法，团队可以及时发现潜在的问题，调整交互设 计，以更好地满足用户需求。 合理的时间内完成。我们将采用定性和定量结合的方式进行评估。 定量指标包括：  完成任务的时间  成功率（成功完成任务的用户比例）  错误率（用户在完成任务中遇到的失败次数） 定性指标通过观察和访谈收集，重点关注：  用户在操作过程中遇到的障碍  用户对界面和功能的直观体验  对平台整体使用感受的反馈 在可用性测试后，将对收集的数据进行详细分析。对于定量数 据，我们会使用 3.8 中满意度 用户界面 4.5 高满意度 客户服务体 验 3.9 中满意度 在收集到足够的反馈信息后，应用以下分析方法进行深入探 讨： 1. 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

行，检测其性能瓶颈和潜在崩溃点。 为了确保算法的鲁棒性，还需进行容错测试，模拟硬件故障、 网络中断等异常情况，验证算法在极端条件下的表现。可以通过以 下方法进行容错测试：  随机故障注入：在算法运行过程中，随机引入故障，观察其恢 复能力。  模拟网络延迟：通过工具人为增加网络延迟，测试算法的响应 速度和容错机制。 最后，测试结果应形成详细的测试报告，包含算法在不同测试 场景下的表现、性能指标、问题列表及修复建议。测试报告不仅为 功能，并模拟常见的网络攻击手段，如 SQL 注入、跨站脚本攻击 等，验证智能体的安全防护机制是否有效。 稳定性测试主要验证智能体在长时间运行中的表现。测试应模 拟实际使用环境，对智能体进行持续运行测试，观察其是否存在内 存泄漏、崩溃、性能下降等问题。通过稳定性测试，确保智能体在 长期使用中能够保持高效、稳定的运行状态。 此外，兼容性测试也不可忽视。测试应涵盖不同的操作系统、 浏览器、设备等环境