北京中关村试点项目、石景山杨庄试点项目； - 东莞滨海湾新区项目、东莞西平信控试点项目； - 广州增城道路建设项目； - 广州黄埔区开萝大道车路协同试点项目； - 宜昌点军区信号控制升级项目 研究成果： - 相关研究获得国家发改委基于“ 互联网 + ” 城市 智能 交 通 平 台 设 计 与 研 发 项 目 院交通行业的 经验与核心算 法 北方工大智能 交通的多年行 业积累， 算法， 应用理解 东土科技 基于边缘计算 的智能交通解 决方案 交通视 频系统 充电桩 管理 路灯管理 车路协同 井盖监测 城市环境 监测 水位监测 交通资 源配置 交通执 法管理 道旁停 车管理 交通信 息服务 交通信 号控制 档案及 事故管 理 交通信 息服务 数据 交通视 频系统 频系统 数据 交通资 源配置 数据 数据 数据如何承载？ 数据如何计算？ 数据如何通信？ 数据如何才能真正体现其存在的价值？ 数据 数据 数据 交通信 号控制 法管理 交通执 车路协同 道旁停 车管理 档案及 事故管 理 充电桩 管理 数据 数据 数据 数据 路灯管理 工业级产品， 一体化铸造 壳体， 融合通信 、 传感器 接入 、 存储 、 计算 、 控制、

要知道从玉泉校区到紫金港校区如何最快出行，首先得 知道有几种交通路线： 1. 89 路公交车，共 17 站，需步行 2 分钟，共用时 50 分 钟 2. 地铁 10 号线转 2 号线，这样就是 2 站 +5 站，共 7 站， 需 步行 20 分钟，共用时 43 分钟 3. 地铁 3 号线转 7149 路公交车，这样就是 3 站 +11 站， 共 14 站，需步行 11 分钟，共用时 这样综合看起来，最快的交通方案应该 2 ，共用时 43 分 钟 什么是思维链 (CoT) 从浙大玉泉校区到紫金港校区如何最快出行？ 地铁 10 号线黄龙体育中心站 -> 文三 路 -> 学院路（转 2 号线） -> 古翠路 -> 丰 潭路 - > 文新路 -> 三坝 -> 虾龙圩 -> 步行 … 桌子上放着 50 根火柴 ，丁丁、 田田二人轮流每次取走 1~3 根。规定谁取走最后一根火 有些问题，人也很难快速写出思维链，比如： 依靠大模型自己生成思维链并求解 求是小学组织去距离 90 公里的博 物馆春游， 全班同学 8:00 从学 校 坐大巴车出发 。 班主任老师 因为 有事情， 8: 10 自己自驾小 车以大 巴车快 1/3 的速度追赶 ， 结果比大 巴车提前 20 分钟到。 问： （ 1 ）大巴和小车的速度各是多少？ （ 2 ）班主任老师追上大巴的地点 距离博物馆还有多远？

· · · · · · · · · 101 太保项目总体技术框架· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 102 车险出单“星驰”系统· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 107 企微运维机器人· · · · · · · 供强大的AI推理性能和便捷的接入方式。 （5）端侧算力发展 端侧大模型定义为运行在设备端的大规模人工智能模型，这些模型通常部署在本地 设备上，如智能手机、物联网设备（IoT）、个人电脑（PC）、机器人、车机等设备。与传统的云 端大模型相比，端侧大模型的参数量更小，因此可以在设备端直接使用端侧算力进行运行， 无需依赖云端算力。端侧大模型在成本、能耗、可靠性、隐私和个性化方面相比云端推理具 有显著优 运营成本，也影响了他们在技术创新和市场竞争中的表现。保险公司需要通过培养和吸引 技术人才，提升自身的技术创新能力。 数智化转型不仅是保险企业应对当前挑战的必然选择，更是实现长远发展的必由之 路。面对日益激烈的市场竞争和不断变化的客户需求，保险企业必须加快数智化转型的步 2.1.2 数智化转型是解决之道及不二选择 �� 伐，提升自身的竞争力。通过数字化、智能化技术的深度融合应用，重构保险业务价值链，

助选择预案，辅助专家会商决策 AI 大模型赋能应急指挥中心：协同处置响应应急事件的中枢 设备数据 传感数据 视频数据 语音数据 管理要求 业务数据 …… 指挥团队 单兵 app AI 协同决策中心 应急指挥车 专业应 急联动 危化品泄露 重特大生产事故 旅游人员伤亡 安监应急 安防 / 突发 嫌疑人识别 嫌疑车辆识别 人员异常聚集 可疑物品遗留 道路应急 隧道道路积水 重特大车祸 极端恶劣天气 构建跨部门智能决策中枢，自动同步公安 / 消防 / 医疗 等 8 大系统数据，实现黄金救援期多主体指令协同响应。 06 通信保障 部署空天地一体化应急通信网络， AI 自动切换最优传 输通道，确保灾区 72 小时不间断通信链路畅通率 ≥ 99.9% 。 05 突破传统救援模式，建立 AI 驱动的 72 小时黄金救援决策优化体系 72 小时黄金救援决策优化 突发事件智能处置 03 加入星球获取更多更全的数智化解决方案 色至红色四级响应机制，联动网信、 宣传部门定向发布权威信息。 通过神经机器翻译（ NMT ）技术即 时生成少数民族语言和外语版本的避 险指南，覆盖特殊群体信息需求。 应用图神经网络追踪不实信息传播路 径，同步生成可视化辟谣报告并通过 官方账号矩阵扩散。 部署基于情感计算的对话系统，为受 灾群众提供 7×24 小时心理疏导服务， 识别高危个体转接人工干预。 开发应急信息众包平台，激励市民上

英特尔®至强®代际演进 来源: Intel 代际规格 第二代英特尔®至强®可 扩展处理器 第四代英特尔®至强®可 扩展处理器 英特尔®至强®6900 性能核处理器 128 核 60 核 28 核 最高单路 内核数 内存 PCIe AI加速器 AVX-512(VNNI) AMX/TMUL(INT8& BFloat 16)&AVX-512 (VNNI/INT8) AMX/TMUL(INT8& BFloat 数据的主要目的地和来源，而无需像传统 DMA 一样通过主内存中转， 进一步实现更高的带宽、更低的延迟和更低的功耗。另外，在系统设计层面，基于 g�i 的底层硬 件，也实现支持处理器双单路硬件架构通过独立供电与运行单元设计，在单路故障时仍可维持 另一单路稳定运行，实现功耗隔离与故障隔离，保障系统持续稳定运行。 QAT 硬件加速：英特尔 ® 数据保护与压缩加速技术（英特尔 ® QAT）专用加速引擎提供了带外 的独立于 的计算性能和响 应效率。在很多 AI 任务中，处理器可以直接支持对模型参数的操作，无需对数据进行跨 Die 传输，从 而提升了响应效率，增强了数据一致性保障。192 条 PCIe �.� 通道（单路 96 条）使 GPU 与 CPU 通 信延迟大大降低，消除 GPU 数据吞吐瓶颈。 MoE 大模型的专家层参数可在 CPU 内完整驻留，硬件 级内存一致性协议（如 UPI �.�）确保多 GPU

本项目希望通过技术的引入和整合，不仅提升铁路的运行安全 和效率，同时深化对铁路沿线环境的理解与管理，为未来的智慧铁 路建设奠定基础。 1.1 铁路运输的重要性 铁路运输作为现代交通体系的重要组成部分，对于国家的经济 发展、社会进步以及区域协调发展起着不可或缺的作用。首先，铁 路运输具有大容量和高效率的特点，能够在短时间内运输大量的货 物和乘客。在中国这样一个幅员辽阔、人口众多的国家，铁路的角 疑为应对全球气 候变化提供了重要支持。 在日益复杂的全球物流和供应链体系中，铁路运输不仅可以满 足国内市场的需求，还可以作为国际贸易的重要运输通道，通过连 “ ” 通各大经济体，推动 一带一路 倡议的实施，使中国与世界其他地 区的经济联系更加紧密。 总结而言，铁路运输的重要性体现在多个方面，包括：  便捷的空间连接促进区域经济发达与平衡  大宗货物的高效运输能力支撑工业发展  成 本。 此外，实景三维 AI 大模型在支持智慧交通体系建设方面表现 出色。通过与其他交通设施（如信号系统、监控摄像头等）的联 动，实景三维模型能够实现对铁路运营的实时监控和管理，提升列 车调度的智能化水平。借助于数据融合技术，铁路部门能够实现对 整个运输网络的最优调度，提高列车的准点率和运输效率。 在保障安全方面，实景三维 AI 大模型能够进行动态监测，实 时识别违章行为和危险因素。例如，利用图像识别技术，系统能够

基础设施九大技术优 势： 全面拥抱大模型 2.0 时代 联想 DeepSeek AI 解决方案凭借多层协同架构构建坚实支撑，依托全栈技术体系形成核 心驱动，为企业打造覆盖底层算力基础设施到上层业务应用的全链路智能生态，助力企业 高效实现 AI 技术从部署到业务赋能的完整闭环，切实推动 AI 能力与实际业务的深度融 合。 第四章 技术突破与商业价值双轮驱动 18 多层协同架构， 筑牢 大模型算力解决方案手册 3.1 ※ “ ” 网络连接层：数据传输的 高速公路 该层负责确保 AI 系统各组件之间的顺畅通信，包括计算网络、存储网络、 管理网络以及监控网络，它们共同构成 “ ” 四车道高速路网 ，确保数据 在 AI 系统内部的高效传输与管理，为系统的稳定运行提供有力保障。即 使面对海量数据并发，也能像城市交通系统般高效疏导，避免传输拥堵。 ※ 数据存储层：安全高效的数据仓库 基础设施九大技术优势，全面拥抱大模型 2.0 时代 20 3.2 全栈技术体系， 构建企业级 AI 技术底座 基于多层协同架构的坚实支撑，联想进一步构建了全栈技术体系，打通从算力基础设施到 AI 开发平台的全链路技术闭环。 联想万全异构智算平台通过算力层、平台层、开发层与 管理层的垂直整合，不仅实现了异构算力的高效调度，还提供标准化工具链和开放生态， 既方便企业开展模型训练，也能支撑业务落地，同时具备可扩展性，满足企业在不同阶段

为具体展示 AI 大模型在城市轨道交通中的应用场景，可以列 举以下几个关键应用：  旅客流量预测与管理：通过历史数据和实时数据的结合，利用 AI 大模型预测特定时间段的客流量，并根据预测结果调整列 车发车频率和停靠站。  列车调度与运营优化：运用 AI 大模型分析列车运行数据，优 化列车的调度计划，以保证在客流高峰期的高效运营。  故障检测与维护策略：基于 AI 大模型的自学习能力，可以实 噪声和异常值， 确保数据的准确性。 3. 实时分析：利用 AI 大模型进行数据挖掘，识别高峰时段、设 备故障及其他突发事件。 4. 决策支持：生成信息可视化结果，呈现多种调度方案，包括列 车增发、调整发车频率、分配空闲车辆等。 5. 方案评估：使用模拟工具分析各方案的优缺点，评估对乘客流 动和系统整体性能的影响。 6. 执行操作：依据评估结果，调度员实时调整列车进出、停靠策 略，提高服务水平。 在城市轨道交通中，设备故障预测与维护的有效实施依赖于高 效的监测系统的构建。为实现对设备运行状态的实时监测与故障预 警，建议从以下几个方面入手建立综合性的监测系统。 首先，监测系统应涵盖轨道交通设备的关键组成部分，包括列 车、轨道、信号系统、供电系统及其他辅助设备。通过在这些关键 节点上安装传感器，收集设备的实时数据，例如温度、振动、压 力、电流等。 其次，监测系统需具备数据采集和传输能力。建议采用边缘计 算设备

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 践操作产生深远的影响。在技术进步的强大动力牵 引下，需要重新审视并优化应急管理信息化建设路 收稿日期 2023-10-19 录用日期 2024-01-12 国 家 社 会 科 学 基 金（20BZZ037）, 广 东 省 哲 学 社 会 科 学 规 划 项 目 （GD24XGL075）资助 models: generative emergency of knowledge[J]. Academia Bimestris, 2024（1）: 81-96.（in Chinese） [9] 车万翔, 窦志成, 冯岩松, 等 . 大模型时代的自然语言处 理: 挑战、机遇与发展 [J]. 中国科学: 信息科学, 2023, 53 （9）: 1645-1687. CHE W X, DOU Z C

从事后分析转 向事前预测，从通用建议转向精准干预。DeepSeek 平台正是针对 这些需求痛点，通过物联网、人工智能和临床知识图谱的深度融 ” 合，构建覆盖 监测-预警-决策- ” 执行 全链路的智能健康管理体系。 1.2 DeepSeek 平台概述 DeepSeek 平台是一款基于人工智能与大数据的综合性健康管 理解决方案，旨在通过实时监测、数据分析和智能干预提升个体及 群体的健康 DeepSeek 平台健康监测与智能干预系统的核心 基础，负责多模态健康数据的实时获取、标准化处理与初步质量控 制。该层采用分布式架构设计，支持高并发数据接入，确保从终端 设备到云端的高效传输链路。 数据源主要包括以下四类： - 可穿戴设备：集成智能手表、心电贴片等设备，采集心率变异性 （HRV）、血氧饱和度（SpO₂）、皮肤温度等生理指标，采样频 率根据指标类型动态调整（如 ECG 信号采用 分区后，采用滑动窗口（窗口大小 60 秒，滑动间隔 5 秒）执行以下计算： o 生成移动平均趋势线 o 计算标准差等统计量 o 提取时域特征（如 RR 间期变异系数） 处理后的数据流分为三路输出：原始数据存入 Iceberg 数据湖 供事后分析，特征数据推送至 Redis 供实时仪表盘展示，告警事件 触发 Kafka Topic 通知干预引擎。系统在 Flink 作业中配置 Exactly-