建设困境以及业务系 统智能化水平的局限，提出了基于大语言模型技术重构智慧应急的知识管理模式，在此基础上构想能够协同创新、全域感知、 决策支持的应急大脑，从而实现整体业务系统智能化水平从感知智能到认知智能的提升。 关键词 大语言模型，智慧应急，知识管理，应急大脑 引用格式 龚晶，黄欢. 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 [J]. 指挥与控制学报，2025，11（2）：217-224 abili⁃ ties）[5]，不仅能够理解和生成自然语言，还具有抽象 和推理的能力[6]，能在艺术创作、代码编写、科学研 究等多个领域展现出类似人类水平的创造力。这些 能力的涌现，使得知识创新不再受限于个体的认知 和经验，能够打破学科和专业的壁垒，加速知识的 融合和创新，预示着知识生产方式正在经历一场深 刻的变革，将引领我们进入了一个人机协作的知识 生产新模式 [7-8]。 1.1 知识获取 1.1.1 杂的、模糊的问题。 1.1.2 主动学习 与传统结构化的知识获取方式相比，大模型采 用自监督学习方法，主动捕捉训练文本中更深层次 的特征和规律，而非在预设知识结构下的信息抽 取[11]，从而具有突破已有认知局限实现创新的潜能。 1.1.3 数值计算过程 模型通过优化其预测下一个单词（如 GPT）或填 充缺失单词（如 BERT）的能力，来调整多层神经网络 模型的内部大量神经元连接权重参数，实现对知识

如何低成本实现推理模型？ Less Is More for Reasoning LIMO 假说： 在预训练阶段已经充 分 编码领域知识的基础模型中， 复 杂 的推理能力可以通过最少但精 确编 排的认知过程演示来涌现： • 模型具备丰富预训练知识 • 高质量的推理链示范 LIMO 通过 817 个训练样本 （题目难度高，覆盖知识面广， 解题步骤 精 细） ，模型就能在复杂的数学推理任务中取得有益的表现 决定性 关键性 基础性 研发 设计 断链风险 核心 制造 美国 / 欧洲 中国台湾 / 韩 国 中国大陆 产业竞争从国家间分段互补合作模式转为主导权、制高点和卡脖子的争夺 产业认知决策：国家战略需求 资源优化配置 产业链自主可控 卡脖子技术识别 晶圆制造 存储器制造 整机组装 终端制造 芯片架构 操作系统等 现在 ：主导权和卡脖子争夺 过去 贯穿从“大数据 ”到 “ 大知识”到“大模型”全流程 ，构建人机共生认知决策链路 ，帮助用户打造智能决 策 系统。 四链融合知识计算引擎 是以通用大模型为基座 ，面向产业创新咨询服务场景， 数百个产业链知识图谱 结合工具集 知识库和指令微调训练得到产业垂域大模型 提供 产业链图认知 产业主体画像 产业实体匹配 产业发展预测 产业数据探索

数量和任务中的交互次数。多模态智能体有望解决跨行业、跨领域的复杂问题和各类长 尾场景。 目前，研究开发的核心领域已经包括多模态信息识别与理解技术以及群体智能技术， 这些将有望加速人工智能从感知向认知的转变。这些技术成果还能够解决其他单项技术 领域（如自然语言处理和计算机视觉）所面临的瓶颈问题，例如视觉领域的盲区和遮挡 问题。此外，自动驾驶的激光点云、时空感知与测绘信息等更多类型的模态数据也将被 公司为私募股权打造智能体的架构分为三个层面。首先智能体捕获和处理与私募股权相 关的各种输入，包括财务数据、市场趋势、投资者情绪和监管更新。它可以处理文本、 数字和图形格式的输入，以便为战略决策和行动提供信息。其次，认知功能（大脑）内 又包含了：a）角色定义：确定 Agent 在私募股权操作中的角色，使任务与投资策略和 客户目标保持一致。b）记忆：存储和检索过去的投资决策、市场行为和客户互动，促 进自适应学习和知情 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 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

教育企业直接引入优质大模型，以API云端调用发展AI教育的路径愈发清晰、可 行。通过合作头部大模型，教育企业可节省技术、算力等方面的资金与人员投入， 更专注于应用场景，发挥自身学情数据、教育业务、行业认知层面的优势，深度挖 掘AI教育模式及产品服务创新。 截至目前，DeepSeek能力主要落地于智能教育硬件产品、AI教育应用、教育内容 制作、客服家校沟通、教育企业内部业务等方向，通过结合通用大模型的能力优势

对于关键风险点（如监管合规），建议引入第三方认证机构进行合 规性评估。 9.2.1 团队协作问题 在实施 DeepSeek 智能体的过程中，团队协作问题可能成为关 键风险点，主要体现在跨部门沟通壁垒、角色认知偏差以及技术- 业务协同效率不足三个方面。以下是具体分析及应对方案： 跨部门协作障碍 审计团队、IT 部门与第三方技术供应商的协作链条中，存在以下典 型问题： 1. 目标不一致性：审计部门关注风险覆盖率提升，IT 40%的项目延迟源于需求反复确认（见下表）。 协作环节 平均耗时占比 主要瓶颈 需求对齐 35% 业务场景描述不技术化 测试验收 28% 用例覆盖维度理解差异 故障处理 22% 责任边界模糊 角色认知偏差应对策略 建立三层协同机制： - 联合工作坊 ” ：每月开展 技术- ” 业务翻译会 ，由具备审计经验的 IT 专家主持，将审计准则第 2104 号中的抽样逻辑转化为可执行的算 法参数。 及解决方 案自动归档形成知识库，用于后续团队培训。 9.2.2 用户接受度低 审计领域引入 DeepSeek 构建智能体时，用户接受度低可能成 为关键实施风险。传统审计人员对 AI 技术存在认知偏差或操作顾 虑，可能导致系统落地后使用率不足，甚至引发隐性抵触。以下是 具体风险表现及针对性解决方案： 风险表现分析 1. 技术信任缺失：审计人员可能质疑 AI 模型的 ” ” 判断逻辑，尤其是对高风险科目的自动化处理，认为

式大模型在健康教育和患者沟通中的应用： 1. 数据收集与分析：整合医院内不同科室的健康教育材料和患者 反馈信息，通过大数据分析优化生成模型。 2. 定制化内容开发：依据患者的病历、治疗历史以及认知能力， 为不同患者群体生成个性化的教育内容。 3. 实时沟通工具：开发基于 AI 的微信、APP 等移动端应用，使 患者能够随时随地向系统提问并获得及时解答。 4. 反馈机制：建立有效的反馈渠道，收集患者对教育内容和沟通 成立法律团队，定期审查合规性 数据保护策略 实施数据匿名处理，确保隐私权得到保护 伦理审查委员会 独立审查 AI 医疗建议，确保符合医学伦理 用户教育与信息共享 透过各种渠道提高用户对 AI 医疗应用的认知及理解 可解释性 AI 开发 使用可解释性 A I 模型，增进医疗人员对 AI 决策的理解 最后，随着 AI 技术的不断演进，相关法律法规和伦理规范亦 需随之更新。因此，医疗机构和相关开发企业应参与政策的制订与 分层设计。可以将培训分为以下几个层次： 1. 基础培训：针对没有 AI 背景的医疗专业人员，讲授 AI 基础知 识，机器学习及深度学习原理，以及 AI 在医疗领域的应用案 例，帮助他们建立对 AI 技术的基本认知。 2. 专业技能培训：对已有基础的团队成员进行更深层次的技能培 训，包括数据处理、模型训练与优化、AI 模型的评估和部署 等内容，确保他们掌握关键的实用技能。 3. 定期进修与研讨：建立定期的技术研讨与进修机制，邀请行业

杂任务的能力, 并规划长期目标. 这些特点都使得 具身智能有别于传统的仅面向单一任务, 或同质任 务的传统机器人, 使其具有更强的自主性与适应性. 人形机器人的突出优势就是其通用性, 而大模型带 来的认知能力则是形成通用性的关键[20]. 近期, 各 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 型如何为机器人训练带来丰富的数据; 最后在第 5 节对全文进行总结并提出研究方向. 1 感知与理解 在与环境的交互中, 具身智能通过摄像头、麦 克风等传感器接受原始数据, 并解析数据信息, 形 成对环境的认知. 在处理此类信息时, 大模型有着 强大的优势, 能有效处理整合多模态的输入数据, 捕获各模态之间的关系, 提取为统一的高维特征, 形成对世界的理解. 如对大量无标签的互联网文本 和图像进行预训练的视觉模型 端模型实现了对复杂环境的深入理解与动态适应; 在规划层面, 从需求级到动作级, 大模型通过生成 任务计划和序列化动作, 展示了具身智能在复杂任 务执行中的自主性和灵活性, 实现感知、规划和动 作的闭环, 彰显了具身智能的高级认知与执行能力; 在数据获取方面, 模拟器、人类演示和互联网视频 成为具身智能训练的重要资源, 通过模拟环境和自 动生成技术, 加速了技能学习和测试, 为具身智能 提供了丰富的训练场景和数据, 促进了技能的多样

准确度超过80%；敏锐发掘市场热点，通过快速学习每天的数据信息，对比发掘出新出现 的信息趋势；提升投资决策效率：协助投研人员综合分析更全面的信息，提升决策效率；把 握投资机会：实时分析路演数据信息，把握投资机会。 人保联合科大讯飞认知智能国家重点实验室发布“数智灵犀-人保大模型”。人保大模 型以深度理解保险行业的专属通用大模型为底座，面向垂直业务领域的自研场景大模型 为主体，外部大模型能力为辅助，通过建立大模型安全审核机制，确保大模型生产内容合 于其特殊性。往往不是为了解决某一 �� �� 领域特有问题，而是可能与多个业务场景进行融合落地，用户需求比较分散，所以大模型 技术的落地和推广绝不只是一个技术问题，而是需要带动整个公司员工的认知提升，让全 员了解大模型技术的优缺点，并从自身业务场景出发进行设计，因此场景共创是企业内部 用好大模型的关键策略之一。 目前公司在大模型落地推广层面，已组织开展多场大模型应用宣导活动，介绍大模型 遭遇的挑战之后，公司结合自身的实际情况和业务需求，制定了体系化的实施策略和落地 路径：首先，建立覆盖公司大多数员工日常办公场景的大模型应用，为全员的日常办公提 供智能化提效的同时，增强公司全员对大模型技术的认知与理解，起到大模型技术理念“ 布道”的作用；其次，基于对业务流程和需求的深入分析，优先在业务价值较高、受众人群 较广的领域部署大模型应用；然后，构建了统一的大模型应用管理平台，该平台旨在整合 ���

自己所学习的内容  缺乏对真实世界的有效建模方式和全息感知能力  训练数据的局限性：数据质量、重要数据的缺失、不同类型数据的比例 n 如何应对（用户角度）  建议1：建立“大模型结果不一定可信”的认知，根据自己的需要，对 于模型的输出进行不同层次的验证（享受便利，控制风险）  建议2：通过大量使用而加深对一款大模型能力边界的理解：知道什么 情况下模型输出更可靠，什么情况下更容易出现幻觉

Rust Programming Language Java Java 从技术出发找场景 不合理的期望管理 大模型团队不了解业务 缺乏清晰的产品 / 技术路线 技术方案过度设计 缺乏对技术发展的认知 沉迷于模型训练 高估项目的成功率 低估评估的重要性 忽略微调的隐藏成本 导致大语言模型项目落地失败的十大潜在风险 68/80 报 告 提 纲 DeepSeek