使用轻量级的模型解决此类 问题, 但获得实时性的同时也损失了泛化性. 未来 一个可能的研究方向是使用大模型高层规划 + 小 模型底层控制的方式规避推理速度的问题, 或是对 模型本身进行剪枝、量化等优化操作[139]. 3) 具身多智能体协同. 面对现实世界中诸如灾 难救援、智慧城市管理、群体机器人协作等高度复 杂的任务, 单一具身智能体往往难以有效应对, 如 何设计有效的通信与协调框架, 使各具身智能机器 2021. 2 Brooks R A. Intelligence without representation. Artificial In- telligence, 1991, 47(1−3): 139−159 3 Brown T B, Mann B, Ryder N, Subbiah M, Kaplan J, Dhariw- al P, et al. Language models are with embodied intel- ligence. Strategic Study of CAE, 2024, 26(1): 139−148 (兰沣卜, 赵文博, 朱凯, 张涛. 基于具身智能的移动操作机器人系 统发展研究. 中国工程科学, 2024, 26(1): 139−148) 23 Firoozi R, Tucker J, Tian S, Majumdar A, Sun J K, Liu

· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 139 6.2.1 明确应用场景与目标· · · · · · · · · · · · · · · · · · · · · · · · · 139 6.2.2 多因素考虑选择落地技术路线· · · · · · · · · · · · · · · · · · 141 6.2

..................................................................................................139 1. 引言 在当今快速发展的商业环境中，人工智能（AI）技术的应用正 逐渐成为企业提升效率、优化决策和增强竞争力的关键策略之一。 商务 AI 智能体作为一种集成先进算法和数据分析能力的工具，不

138 14.2 经验教训总结..................................................................................139 14.3 后续改进建议..................................................................................141

15.2 合规检查.........................................................................................139 15.3 合规报告........................................................................................

......137 6.1.2 模型训练阶段...........................................................................139 6.1.3 集成测试阶段...........................................................................142 6.2 时间节点安排