s emenod David Baker hustralans; niklas emehed DeepSeek 横空出世，各项指标逼近或超越 ChatGPT o1 9/80 口核心意义：打破 AI 垄断，带来 AI 平权，尤其是中文 Al 普惠，激发大众创造力 多 源 数 据 深 度 挖 掘 融合建筑领域各类数据，联动设备 运行指标 、能耗信息及环境监测， 实现精细用户画像，助力科学调度 评估及故障追 踪报告 的自动 撰写和智能校验，提 升管理流程标准化和工作效率 DeepSeek 对行业带来的新技术思路 ( 部分 ) 11/80 DeepSeek 赋能 建 筑能源领域 11 报 告 提 纲 当下 Al 到了哪种程度 能源领域传统 AI 发展困境 … … DeepSeek 等带来的新范式 大语言模型应用的科研案例 · 临近奇点： AGI 将带来颠覆 结论和展望 …… 长期以来，能源领域人工智能止步于信息化阶段，发展范式陷入困境 15/80 口能源领域智能化目前大多停留在数据采集和信息展示阶段，尽管研究成果丰富，但 实际应用有限，尤其难以突破落地应用的瓶颈 期待发展趋势 — - 现有发展趋势 口主要解决数据采集和信息展示，停

交叉验证，如下表所示的风险指标覆盖率对比： 指标类型 传统工具覆盖率 行业要求标准 财务异常 68% 95% ≥ 合规性条款 52% 90% ≥ 关联交易 45% 85% ≥ 操作风险 37% 80% ≥ 第三，系统需要支持 7×24 小时持续监控能力，某跨国企业的 实践表明，实时监控可使重大风险发现时效从平均 14 天缩短至 2.8 小时。这些需求直接指向需要构建具备自然语言处理、多维关联分 模型优化采用动态超参数搜索与硬件加速方案： 关键优化指标通过自动化监控面板实时追踪： 指标类型 目标阈值 监控频率 干预措施 训练损失收敛 Δ<0.1%/ epoch 实时 触发早停或学习率衰减 GPU 内存占用 ≤80% 每分钟 自动启用梯度检查点 验证集准确率 ≥94% 每 2 小时 启动数据增强回灌流程 部署阶段采用模型蒸馏技术，将原始 175B 参数模型压缩至 7B 参数级别，推理速度提升 6 倍的同时保持 92%以上，剩余异常映射由审计专家在配置界面可视 化修正。 实施时需注意：所有接入过程需记录完整数据血缘图谱，审计 日志保留周期不得少于 7 年，关键操作需通过区块链存证。建议分 三个阶段推进：先完成 80%标准化程度高的数据源接入，再处理半 结构化数据，最后攻坚特殊历史遗留系统。 3.2.2 数据清洗与标准化流程 审计数据的清洗与标准化流程是构建智能体的核心基础环节， 需通过系统化方法确保数据质量满足分析要求。具体实施分为以下

预警，实现项目安全“0”事故；质量管理精细化方面，过程精细质量管控，减 少质量验收问题 80%+；依据 1000+质量标准，质量巡检物料+施工任务 472 条；整体验收整 改周期较计划提升 8 天；实现质量问题“0”返工；进度管理可控化方面，通过工厂预制、 AI 智能寻优，缩短工期 1.5 月，实现工期缩减 20%；造价管控网络化方面，进度关联造价， 造价提效 80%；施工管理绿色化方面，数字化手段消除返工优化工期，提升整体 当前的液冷智算机房存在全生命周期能耗高、能耗利用不均衡的痛点。华为通过深入剖 析影响 PUE(智算中心总能耗与 IT 能耗比值)的因素，得出低 PUE 不等于低总能耗、IT 能耗 占总能耗约 85%、XPU 能耗占 IT 能耗约 80%等三个核心切入点；依据芯片是温度敏感性元器 件的特性，找到 L1&L2 系统的功耗平衡点；利用华为产品全家桶的优势，提出基于 BestDC 的 L1&L2 联动节能平台，实现风液比、风冷系统、液冷系统三平衡；在满足 工作人员解决办事群众口语化表述需求理解难、申请材料审核耗时耗力、办件登记边看边录 易出错等问题，目前试点窗口利用智能综窗助理收件已覆盖窗口收件 95%以上，办件登记效 率提升 5 倍，材料审核时长最高缩短 80%，大幅提高综窗人员服务质效，减少群众办事等待 时间，给办事群众带来更高效更优质的办事体验。 “网办”方面，针对线上办事入口多、线上客服答非所问等难题，讯飞打造“AI 咨询导 办助理”，为群

R1的140亿蒸馏版 (基于千问) 69.7 93.9 59.1 53.1 1481 R1的320亿蒸馏版 (基于千问) 72.6 94.3 62.1 57.2 1691 R1的80亿蒸馏版 (基于Llama) 50.4 89.1 49.0 39.6 1205 R1的700亿的蒸馏版 (基于Llama) 70.0 94.5 65.2 57.5 1633 DeepSeek-R1 激活参数 R1的15亿蒸馏版 稠密 1.5B 1.5B R1的70亿蒸馏版 稠密 7B 7B R1的140亿蒸馏版 稠密 14B 14B R1的320亿蒸馏版 稠密 32B 32B R1的80亿蒸馏版 稠密 8B 8B R1的700亿的蒸馏版 稠密 70B 70B DeepSeek-R1 MoE 671B 37B DeepSeek-V3 MoE 671B 37B 模型参数量：显存占用 https://stability.ai/ 通用AI助手： 其它类型： -20- 目录 Contents 02 03 01 04 05 -21- 政务热线大模型  全面上线辽宁省热线平台：服务80+坐席人员， 工单填单时间由186s/单下降到133s/单；工单 记录完整度提升30%  在热点事件分析场景：处理90余万张工单，完 成12万个小区数据抽取，形成供水、供电、供 热等6类单位画像

4 性能测试.............................................................................................80 9. 用户界面设计........................................................................................ 150ms，同时准确率仅下降 0.2%。 其次，硬件资源的优化配置同样重要。银行系统通常采用分布 式架构，建议根据业务需求动态调整 GPU 和 CPU 的分配比例。例 如，在面对高并发查询时，可以将 80%的 GPU 资源分配给模型推 理，而在非高峰时段，将部分资源重新分配到训练任务上，以提高 整体利用率。此外，采用高效的负载均衡策略，如轮询或加权负载 均衡，可以有效避免单点过载问题。 数据 以下为性能优化后的主要指标对比： 优化措施 响应时间 （ms） 资源利用率 （%） 准确率 （%） 剪枝和量 化 150 65 99.8 缓存机制 50 75 100 负载均衡 100 80 100 容器化部 署 120 85 100 通过上述优化措施，银行系统能够在保证高准确率的同时，显 著提升响应速度和资源利用率，为业务稳定运行提供有力支撑。 8.1 性能基准 在 Deepseek

网络带宽三个维度进 行规划。 硬件配置 针对 DeepSeek-V3（128K 上下文版本）的推理需求，建议采用以 下基准配置： - GPU 算力：单实例至少配备 NVIDIA A100 80GB 显卡，处理典型 CRM 工单分析任务时，响应时间可控制在 800ms 以内。若需支持 高并发（>50 QPS），建议采用 A100 集群或 H100 加速卡。 - 内存：每实例 64GB 周试点，每两周迭代一次 prompt 优化方案。 3.1 智能客户服务 在 CRM 系统中接入 DeepSeek 大模型后，智能客户服务能力 将实现质的飞跃。通过自然语言处理和多轮对话技术，系统可自动 处理 80%以上的常规客户咨询，显著降低人工客服压力。典型应用 包括 7×24 小时在线应答、工单自动分类与升级、多语言实时翻译 “ ” 服务等。例如，当客户询问 如何重置密码 时，系统不仅能提供标 准 模型通过分析客户输入的语义特征，自动识别问题 ” ” ” ” 类型并打标。例如，将 发票怎么还没到 归类为 物流查询 ， ” ” ” ” 将 账号无法登录 标记为 权限问题 。系统预设 20 个一级分类 和 80 个二级分类，准确率可达 92%（基于实测数据）。 2. 动态响应生成 模型根据知识库中的产品资料、政策文档和历史工单，生成结 构化回复。对于简单咨询（如营业时间查询），直接返回答 案；复杂

。 存算分离架构带来网络、存储性能压力：在大数据、数据库场景中，存算分离架构使计算节 点和存储节点之间的数据传输量大幅增加。大数据平台运行时，CPU负载普遍在60%以上， 内存带宽利用率可高达80%以上。高负载情况下，保持算力的平稳输出非常重要，包括性能 的线性度指标以及资源隔离的力度等。特别在是高密度计算环境下，单服务器下的租户更 多，相关租户之间的故障隔离以及缓存、存储等资源的共享访问问题会更加突出，既要确保 AMX/TMUL(INT8& BFloat 16,FP16)&AVX-512 (VNNI/INT8) 6通道 高达2933MT/s(DDR4) 8通道 高达4800MT/s(DDR5) PCIe 5.0, 80条通道 PCIe 3.0, 48条通道 支持PCIe 5.0, 多达96条通道 12通道 高达6400MT/s(DDR5) �� 至强 ® 6 性能核处理器专为计算密集型工作负载而设计，计算单元基于英特尔 (TCO) 之间达到更为理想的平衡点。 凭借持续迭代的 x�� 架构技术优势，覆盖芯片设计、软硬件协同优化的系统级解决方案及全链条生 态整合能力，英特尔目前在人工智能服务器 CPU 的市场占据 80% 以上的份额 *。 3、推理场景 推荐系统 推荐系统作为 AI 在商业领域的成熟应用，是电商、广告等多行业的核心技术支撑。随着数据量的激 增，精准洞察用户需求、实现高效匹配成为竞争关

Attention LSTM LSTM LSTM 100% 95% 90% 85% 80% 75% 70% 65% 60% 意图识别准确率 传统机器学习 Accuracy 意图识别结果 来也深度学习 输入文本 传统基于规则 意图识别结果 t CRF

......78 4.3.2 用户体验评估.............................................................................80 5. AI 分析与应用...................................................................................... 全与效率提供有力支持。数据处理与分析的最终成果将形成分析报 告，通过可视化展示，如下表所示，概括分析结果和决策支持。 类别 数量 检测率 备注 列车 50 95% 在监控区域内识别度高 障碍物 10 80% 主要是杂物和动物 设备故 障 5 100% 及时报警 通过这一系列数据处理与分析方案，产生的结果不仅能够提高 铁路沿线的安全监测效率，而且能为未来智能铁路的建设提供重要 的决策依据。 用户主观反馈（满意度调查，体验测试等）。 数据表如以下所示，可以帮助量化评估过程： 评估指标 优化前 优化后 改进百分比 模型精度 0.25m 0.05m 80% 评估指标 优化前 优化后 改进百分比 渲染帧率(FPS) 20 50 150% 存储体积 (MB) 150 80 -46.67% 用户满意度 (%) 70% 90% 28.57% 通过评估的结果，能够系统地验证模型优化的有效性。此外， 反

PerAct[87], LangSplat[88], Splat-MOVER[89], LLM-Grounder[90], AVLMaps[91], Act3D[92], AdaptiGraph[93] OLAF[80], YAY Robot[81], Socratic Models[82], MUTEX[83], ORION[84], MOKA[85], ViLA[30] Text2Motion[72], PaLM-E[73] 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; 而解码器则利用这个特征和当前的 观察来预测一系列动作. 在测试时, 编码器被丢弃, 仅使用解码器作为策略. ACT 在多个模拟和真实 世界的精细操作任务上表现出色, 例如打开半透明 调料杯和放置电池, 成功率高达 80% ~ 90%, 并且 仅需要 10 min 的演示数据. 这表明 ACT 能够有效 地从人类演示中学习, 并在低成本硬件上执行复杂 的操作任务. 随后, 作者又增加了重力补偿等便于 操作的改进, 提出