..................................................................................45 3.1.1 政务场景特定的任务类型..........................................................47 3.1.2 微调效果的评估指标.................... 量参差不齐。项目将建立统一的数据清洗和标注流程，确保训 练数据的准确性和一致性。 2. 模型泛化能力：政务场景复杂多样，模型需具备较强的泛化能 力，能够适应不同的政务任务和场景。为此，项目将采用多种 数据增强技术和多任务学习策略，提升模型的适应性和鲁棒性。 3. 安全性保障：政务数据涉及敏感信息，模型在处理过程中需确 保数据的安全性和隐私性。项目将引入加密技术和访问控制机 制，确保数据在处理和传输过程中的安全性。 提取和决策 支持的准确性不足。 其次，政务场景中的文本处理任务多样且动态变化。常见的任 务包括但不限于：文本分类、信息抽取、问答系统、自动摘要、情 感分析等。例如，市民提交的咨询问题可能涉及多个领域，需要快 速准确地分类并分发给相应部门处理。此外，舆情监测需要实时分 析大量的社交媒体文本，识别出潜在的社会热点和风险。这些任务 对模型的泛化能力和适应性提出了高要求，传统的定制化模型难以

别人告诉我这就是盒子 可以打开，可以装东西 我主动体验什么是盒子 被动抽象接受 主动具体体验 重要 意义 具身智能因其能自主产生智能行为和适应性，是通用人工智能的可能起点 3 具身智能的关键任务 导航 问答 操作 4 具身智能的核心目标 5 具身智能的核心要素 具身载体(Agent) 具身模型(Model) 智能 算法 物理 载体 相比具身载体的日趋成熟，具身模型的算法研究方兴未艾、挑战众多 端到端VLA 端测SDK （2025.03） 具身大脑 端到端VLA 9 具身大模型离实用还有差距 2023及之前 2025 及之后 2024 大模型 大数据 基本能力 单任务 单本体 单场景 多任务 单本体 单场景 通用智能系统 多本体 多场景 Scaling Law 在大语言模型和多模态大模型 上都得到了验证 感知和理解 决策和规划 执行和协作 评估和反馈 端到端 传统多模态大模型能够作为“大脑”？ n 传统VLMs在具身智能场景（长程闭环操作、时空智能等）中面临严峻挑战 以‘把锅放到抽屉里’为例，该任务涉及多步骤的长时间交互，包括移动、 抓取、放置等操作，并需要与锅、抽屉等物体进行持续交互 GPT-4o在具身任务中表现欠佳 12 回顾：具身模型应该考虑哪些能力？ n 技能泛化、真实交互、本体扩展 Skill （技能泛化） Reality （真实交互）

是 AI Agent 的“大脑”， 近半年在推理侧实现大幅进步 AI Agent 大规模语言模型（ LLMs ） GPU 算力供 给 3 02 以“自主规划与工具使用”响应“复杂任务”要求： Agent 的核心能力——自主规划、记忆、使用工具 （网页、软件、 API ）使其天生就擅长处理需要与 外部环境交互的复杂、多步骤流程，完美解决了传 级别的核心是“采取行动，完 成任务”。这种“执行导向”与企业追求实际效果、 部 署落地的目标高度一致。 2025 年， To B 市场对 AI 投资的商业价值诉求发生转变。企业不再满足于概念验证或小范围试点，希望 AI 方案能稳定落地生产环境，集成后带 来实 际业务成果，同时将 AI 从“助手”升级为“员工”或“自动化引擎”，处理如自动生成报告、解决复杂客服问题等复杂任务，以实现显著生产力 飞 跃。 AI Agent 契合这一需求，其天生适合处理复杂任务，强调执行与行动，具备自动化复杂流程的潜力，有望带来指数级效率提升和生产力解 放，满足市场对显著价值回报的需求。 过去的状态： 停留在概念验证（ PoC ）或小范围试点， AI 更像一个需要被验证的“玩具”或“辅助工具”； 现在的要求： 必须是能够无缝集成到现有系统、在真实生产环境中稳定可靠运行的解决方案，并能产出可被量化的业务成果；

DeepSeek 模型是一种基于深度学习的自然语言处理（NLP） 技术，旨在通过大规模数据训练和优化，实现对复杂文本的高效理 解和生成。该模型结合了最新的深度学习算法和大规模数据集，能 够在多领域、多任务场景下表现出色。DeepSeek 模型的核心架构 基于 Transformer，通过多头自注意力机制和位置编码技术，能够 捕捉文本中的长期依赖关系，从而提升模型的语义理解和生成能力。 在电子政务领域的应用中，DeepSeek 好的性能。此外，模型支持在线学习和增量更新，能够根据新数据 的加入不断优化自身表现，确保在实际应用中的持续高效运行。 为了更好地展示 DeepSeek 模型的技术特点，以下列举其关键 特性：  多任务学习能力：支持分类、生成、问答等多种任务，适用于 复杂的政务场景。  高效训练与推理：通过分布式训练和优化算法，缩短训练时间， 提升推理速度。  增量更新与在线学习：支持根据新数据进行模型更新，适应不 断变化的政务需求。 通过大规模的无监督学习，掌握了丰富的语言知识和模式。常见的 预训练任务包括掩码语言模型（Masked Language Model, MLM）和下一句预测（Next Sentence Prediction, NSP）。这些 任务使模型能够在不同语境下理解词语的含义和句子之间的关系。 在微调阶段，模型针对特定的电子政务领域进行有监督训练，以提 高在知识库构建和检索任务上的表现。 此外，DeepSeek 模型还引入了知识蒸馏（Knowledge

的预期并不一致，而中国面临的首要问题是如何克服芯片能效提升的瓶颈。 第一章： 来源：Hugging Face，未尽研究，环球零碳 说明：对数轴。每进行 1000 次查寻，完成每种推理任务平均消耗的电能。 不同推理任务的用电量 10 1 0.1 0.01 0.001 2.907 图像生成 图像描述 生成 摘要生成 文本生成 对象检测 图像分类 标记分类 掩码语言 建模 提取式 2030 技术保守情景 技术乐观情景 用电量：亿度 AI 改变能源 智算如何引领新型电力系统 扫码了解更多 9 2030 年中国智算年用电最高 1.3 万亿度 智算中心要完成训练与推理任务，所需关键 IT 设备不仅包括 AI 芯片，还包括 驱动这些 AI 芯片正常运行的其他必要组件，即服务器上的 CPU、网卡、供电单 元等，以及服务器间的存储服务器、网络交换机、CPU 节点、光纤收发器和许多 创新。 尽管视频生成等多模态任务（算力需求高于文本任务等）在推理中的占比提升， 进一步推高对智算的需求，但推理占比在智算需求中的整体提升，将充分释放 当前主流 AI 芯片低数据精度能效提升更快的特点，新的推理友好的 ASIC（专用 AI）芯片也将因此获得规模部署，结合较小模型加速落地以及算法与架构不断 优化改进的趋势，未来智算中心将以更少的电力完成更多的任务。 此外，随着时间推移，早先建设的数据中心折旧（一般约

片能效提升的瓶颈。 第一章： AI 改变能源 智算如何引领新型电力系统 来源：Hugging Face，未尽研究，环球零碳 说明：对数轴。每进行 1000 次查寻，完成每种推理任务平均消耗的电能。 不同推理任务的用电量 10 1 0.1 0.01 0.001 2.907 图像生成 图像描述 生成 摘要生成 文本生成 对象检测 图像分类 标记分类 掩码语言 建模 提取式 问答 文本分类 2028 2029 2030 技术保守情景 技术乐观情景 用电量：亿度 AI 改变能源 智算如何引领新型电力系统 9 2030 年中国智算年用电最高 1.3 万亿度 智算中心要完成训练与推理任务，所需关键 IT 设备不仅包括 AI 芯片，还包括 驱动这些 AI 芯片正常运行的其他必要组件，即服务器上的 CPU、网卡、供电 单元等，以及服务器间的存储服务器、网络交换机、CPU 节点、光纤收发器和 新。 尽管视频生成等多模态任务（算力需求高于文本任务等）在推理中的占比提升， 进一步推高对智算的需求，但推理占比在智算需求中的整体提升，将充分释放 当前主流 AI 芯片低数据精度能效提升更快的特点，新的推理友好的 ASIC（专 用 AI）芯片也将因此获得规模部署，结合较小模型加速落地以及算法与架构不 断优化改进的趋势，未来智算中心将以更少的电力完成更多的任务。 此外，随着时间推移，早先建设的数据中心折旧（一般约

.................................................................................... 6 3、 检查启动项、计划任务、服务............................................................................8 3.1 检查启动项........ .........................................................................................8 3.2 查看计划任务 ............................................................................................... 9 3 ..........................................................................................12 1.4 定时任务 ..................................................................................................

卷积神经网络模型 （ CNN ） 循环神经网络模型 （ RNN ） Transformer 模 型 资料来源： 《动手学深度学习》 （李沐） 2020 年 ，微软亚洲研究院首次将 Tf 模型应用于图像分类任务 ，在评测中实现 88.55% 的准确率。而且 Tf 模 型在 数据量越大的情况下表现越好 ，特别适用于自动驾驶这类大规模数据训练场景。 Transformer 模型可将 2D 图像融合成 3D 部分 行驶任务 2 部分自动化 • 系统能够完成某项驾驶任务 • 驾驶者需要监控驾驶环境 • 其余驾驶操作由驾驶者完成 驾驶者与 系统 3 条件自动化 • 系统负责某些情况下环境感知 • 驾驶员需要时刻准备取回驾驶控制权 系统 系统 4 高度自动化 • 系统能够进行环境感知 • 驾驶员不需重新取得驾驶控制权 • 系统只能在特定环境条件下运行 系统 全部 行驶任务 5 完全自动化 完全自动化 • 系统能够完成所有环境条件下的所有驾驶任务 自动驾驶是过去 10 年最火热的赛道 ，但直到 2022 年才有部分企业推出具备 L3 级功能的车型。究其原因， 除法 规发展落后于产业发展外 ，很重要的一点在于自动驾驶系统积累的数据量还不够 ，存在安全隐患。 SAE 对自动驾驶的分级标准 自动驾驶近年来一直未能进入 L3 时 代 资料来源： SAE J3016- 2018 100

智算一体机将搭载最新的多核处理 器、高速内存和大容量存储设备，以支持大规模的医疗数据处理。 同时，显卡和专用加速器将被集成用于加速深度学习模型的训练和 推理，特别是在医学图像识别和自然语言处理任务中表现优异。网 络模块将支持高速数据传输，确保医疗数据在院内外的快速共享与 协同处理。 软件层面，DeepSeek 智算一体机将预装医疗行业专用的操作 系统和软件套件，包括但不限于医疗影像分析系统、电子病历管理 病历数据挖掘等领域的计算需求。 在竞争优势方面，DeepSeek 智算一体机具备以下几点核心优 势： - 高性能计算能力：采用最新的多核处理器和 GPU 加速技术，支持 海量数据处理和高并发计算任务，确保在医疗场景中的实时性和高 效性。 - 智能化算法集成：内置多种深度学习模型和医疗专用算法，覆盖 影像识别、病理分析、基因组学等多个领域，能够自动化处理复杂 医疗数据，显著提升诊断准确率。 务。同时，支持虚拟化技术的 CPU 能够满足医疗场景中多用户、 多任务并发的需求，确保系统的灵活性与稳定性。 加速器部分，GPU（图形处理器）是核心组件之一，推荐使用 NVIDIA A100 或 H100 系列。这些 GPU 在深度学习、图像处理等 领域表现卓越，特别适合医疗影像的快速处理与人工智能模型的训 练和推理。此外，针对医疗场景中的特定计算任务，可引入 FPGA（现场可编程门阵列）或 ASIC（专用集成电路），以进一步

，通过不同方式表示并利用这些知识支持决策和行动 • 智能体的发展对于深化人工智能研究、实现通用人工智能具有重要意义。 它为复杂任务提供了任务驱动的实验平台， 助力通用人工智能研究。 • 智能体技术不仅推动了其广泛应用， 也是大语言模型技术持续更新迭代的驱动力。 它扩展了大语言模型的任务能力， 提升了其稳定性和实用性， 帮助其实现产业落地。 • 智能体是产业升级的“催化剂”， 推动人工智能赋能新型工业化， 外部 信息 • 定义：智能体（ AI Agent ）是基于人工智能技术理解外部环境刺激并生成有意义动作的交互系统 ，涵盖环境感知、决策规划、 自主学习、 多 模态 交互及任务执行等关键技术。 自主学习和适应 智能体能够通过增强学习和迁移学习等方法从过往经验中学习并调整决策制定和行动过程 ID CCID CCID CC ID CCID CCID CC CCID ，在质量控制方面 ，利用计算机视 觉和机器学习技术 ，及时发现缺陷并采取相应措施。 自动驾驶：通过多传感器融合和深度学习技术 ， 人工智能体承担着感 知、决策和执行等关键任务。 家庭生活：作为智能助手 ， 帮助用户管理家务 ，提供个性化的娱乐推 荐。 医疗：能够辅助医生进行诊断和治疗 ，通过分析大量的医学文献、病 例数据和影像资料 ， 为医生提供诊断建议和治疗方案参考。此外