开启自主化征程，但在从0（完全人工）到100% （完全自主）的指数体系中，供应链各项活动的自 主化成熟度中位数仅为16%（平均成熟度则为21%）。 预计在未来五到十年内，该成熟度中位数将大幅 提升至42%。 为了更深入地理解如何向更高自主化水平迈 进，我们将典型的供应链流程划分为9个集群和 29项具体活动（见图3）。例如，“生产制造”集 群便涵盖了生产加工、产品组装以及包装等活动。 随后，我们将受访企业各项活动的当前状态及预 自主化 增强型人工决策 主要为自动化 主要由人工驱动 16 27 42 24 46 16 12 20 25 25 12 20 27 18 33 27 27 27 10 19 28 54 44 44 45 10 19 43 43 10 42 17 10 22 21 11 25 9 42 16 9 15 15 8 39 38 37 33 12

VIHE[57], ALOHA[37], ALOHA2[58] TidyBot[49], VIMA[50], Instruct2Act[51], VoxPoser[52], VilA[30] RoboGen[42], Mimicgen[43], Scaling up and distilling down[44], DrEureka[45], Omnigrasp[46], Meta-World[47], BEHAVIOR-1K[48] 由于在现实世界中收集大量交互数据成本高 昂, 研究者们通常依赖模拟数据来训练通用的机器 人策略, 使用大语言模型自动生成丰富的模拟环境和 专家演示可以增强机器人策略的任务级泛化能力[137]. 如 RoboGen[42] 提出了通过使用生成模型自动大规 模学习多样化的机器人技能的方法, 以提取嵌入大 规模模型中的广泛且多变的知识, 并将其转移到机 器人领域, 用以应对机器人研究中长期存在的挑战, 即如何让机器人掌握多样的技能 generative simulation. In: Proceed- ings of the 41st International Conference on Machine Learning. 42 1 期 王文晟等: 基于大模型的具身智能系统综述 15 Vienna, Austria: OpenReview.net, 2024. Mandlekar A, Nasiriany S, Wen

结构化与非结构化数据，同时应对不断变化的会计准则和监管框 架，人工分析效率低下且容易遗漏风险点。以某国际会计师事务所 的实践为例，其 2023 年内部评估显示，在金融资产减值测试项目 中，审计团队平均需要耗费 42%的工作时间用于数据清洗和基础分 析，而高风险领域的识别准确率仅为 68%。这种现状迫切需要通过 智能化工具实现效率突破。 DeepSeek 等大语言模型技术的成熟为审计变革提供了新的可 能性。相较于通用 企业版作为基础模型，针 对审计场景进行三重优化： 1. 领域适配：使用 20 万条审计报告、 函证记录和底稿数据进行监督微调（SFT ），重点提升以下能力： - 异常模式识别准确率提升 42% - 会计准则引用正确率提升 38% - 风 险指标关联分析速度提升 5.8 倍 2. 量化压缩：通过 GPTQ 量化技术将模型体积压缩至原大小的 23%，在 NVIDIA T4 显卡上实现： 65%以上，通过智 能体内置的 200+审计准则条款知识图谱和动态填充技术，能够自 动生成货币资金、固定资产等标准化模块底稿。某制造业集团年审 中，人工编制底稿耗时 120 人天，接入智能体后降至 42 人天，节 省 65%工时。 风险预警响应时效性实现突破性进展，通过实时分析被审计单 位 ERP 系统数据流，智能体可将重大错报风险识别节点从季度末提 前至业务发生后的 48 小时内。测试数据显示，在收入确认舞弊场

编程在银行业可有效赋能内部研发。从具体用例看， 澳新银行对 1000 名软件开发人员进行了为期六周的 AI 编程助手试 用实验。实验发现，当软件开发人员使用 AI 编程助手时，平均生产率提高 42% ，代码质量提高 12% 。开发人员的工 作满 意度也显著提高。 价值创造场景之一： AI 编程赋能开发，释放开发价 值 资料来源：《采用 AI 编程助手，发展新质生产力》、中泰证券研究所

架构对比 GITM 创新架构 ............................................................................ 27 图 42 解锁科技树的成功率（蓝色是 GITM） ............................................................. 27 图 43 各模型完成任务成功率对比 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

Discover information 场景机器人框架 • 场景 = 业务框架 + 知识类型 + 交互斱式 用智慧发现信息价值 Discover information 知识自劢化加工 自劢加工出 42 条知识 文档中癿图片也自劢拆分为独立知识条目 海尔洗衣机介绍 word 文 档 用智慧发现信息价值 Discover information 知识自劢化加工 海尔洗衣机维修收费标准 word

元 + • 产品供应链数据：整理了 28 大类通用零配件、 10 万件标准件模型、供应商数字产品 1.9 亿件 14 亿 + 36 万 + 1.9 亿 + 6000 万 + 23 万 + 42 万 + 最具权威的产业链、供应链数据资源 海量数据资源 国家工业互联网大数据中心 浙大 CCAI 产业链大数据中心 工信部采购中心 高管信息 法人社会组织 招标采购公告 招投标主体 每日招采公告

均值和标准偏差 X6 系统关键数据变量在正常运行时的平 均值和标准偏差 X7 系统可能存在的状态选项 X8 回答格式要求 研究三：基于微调大语言模型的系统故障检测与诊断：模型微调 42/80 基于模板格式，自动填充相应内容，批量化生成用于大语言模型故障检测与诊断的提示词 from openai import OpenAI client=OpenAIO client.files

39 3.1.1 前端设计.....................................................................................42 3.1.2 后端设计.....................................................................................44 面越发依赖 AI 技术。它们需要安全性高、符合合规性的解决 方案来处理敏感数据，推动数字政府的发展。 市场规模方面，预计到 2025 年，全球人工智能市场将达到近 1900 亿美元，年均增长率超过 42%。在这一增长中，SaaS 模式的 渗透率将大幅提升，特别是在中小企业和政府部门，二者的需求将 大大推动市场的发展。 根据市场研究数据，挖掘出以下关键市场需求： 目标市场 主要需求 关键因素 第 33 周至第 36 周 部署 部署环境搭建与系统上线前测试 第 37 周至第 40 周 用户培训 与客户进行现场培训，交付使用手册 第 41 周 维护与反馈收集 定期维护，优化系统 第 42 周至第 52 周 为了确保项目的顺利进行，还需建立定期的项目评审机制。每 两周将召开一次项目进展会议，检查各阶段的完成情况，并根据实 际进展调整后续计划。 以上项目时间表构建在科学合理的基础上，确保了各阶段的任