DeepSeek 大模型应用指南 （ Version 1.0） 南京审计大学 工程审计学院 公共工程审计江苏省高校重点实验室 复杂工程审计与治理研究院 工程项目智能化审计团队 2025 年 3 月 2 日 前 言 “ 在数智化转型时代背景下，工程审计正面临 数据爆炸、场景复杂、标准多 ” 元 的严峻挑战。传统工程审计模式依赖人工抽样与经验判断，难以应对海量工 程数据与非结构化社会数据的 、法律法规的自动解读 在工程审计中法律法规的复杂性常常使审计工作变得异常复杂 。应用 DeepSeek，可以对相关法律法规进行自动解读，总结和提取关键信息，帮助审计 人员快速理解和应用相关规定。这不仅可以提高审计的效率，还可以减少因人为 理解偏差而导致的失误。 2 、工程项目智慧造价 工程造价因影响因素众多、指标类型复杂，使得编制工程造价文件复杂且 繁 琐，导致从业人员工作强度高、效率低。事实上， 解能力，旨在为 广泛的应用场景提供智能化支持。 DeepSeek-R1 是一个推理大语言模型，旨在提供高效的自然语言理解、任务 规划与交互能力，擅长处理复杂、需要多步思考的问题， 适合做深度推理、解决 代码问题或复杂数学问题等。 2.1 基本原理 DeepSeek 大语言模型经过大量文本数据的学习，能够理解人类的语言，并 根据问题或指令生成相应的回答。 DeepSeek

大模型的设计和训练旨在提供更强大、更准确的模型性能，以应对更复杂、更庞大的数据集或任务。大模型通常能够学习到 更细微的模式和规律，具有更强的泛化能力和表达能力 大模型具有更强的上下文理解能 力，能够理解更复杂的语意和语 境。这使得它们能够产生更准确、 更连贯的回答 上下文理解能力 大模型可以从大量的数据中学习， 并利用学到的知识和模式来提供 更精准的答案和预测。这使得它 们在解决复杂问题和应对新的场 景时表现更加出色 CV、INTERN（商汤）等 是指能够处理多种不同类型数据的大模型，例如 文本、图像、音频等多模态数据。这类模型结合 了NLP和CV的能力，以实现对多模态信息的综合 理解和分析，从而能够更全面地理解和处理复杂 的数据。代表性产品包括DingoDB多模向量数据 库（九章云极DataCanvas）、DALL-E(OpenAI)、 悟空画画（华为）、midjourney等 1.4 大模型的分类 按照 理的方法。它让模型在得出最终答案之前， 先显式地写出推理的中间步骤。这就像人 类解决复杂问题时会先把思考过程写下来 一样。 OpenAI定义推理模型 也就是说，如果模型在回复你之前有一长 串的思考过程（这个过程必须可以显示输 出），探索了很多不同的路径之后给出答 案，那么有这个能力的大模型就是推理大 模型。推理模型的核心在于处理那些需要 多步骤逻辑推导才能解决的复杂问题。 推理模型的核心 1.4 大模型的分类

域探索研讨的 共识。在此，我们衷心感谢每一位在白皮书编撰工作中给予大力支持 与做出杰出贡献的专家、学者、企业及机构。然而，我们亦认识到， 面对如此复杂且尚处于快速发展阶段的人形机器人领域，受限于当前 的技术认知水平、实践经验范围以及各种复杂多变的内外部环境等诸 多因素，本白皮书仍存在一些考虑不周之处。在此，我们以开放且诚 挚的态度，欢迎各界人士，不吝指出其中的不当之处。我们期望通过 3 幅提升了人形机器人的认知能力，以优必选 Alpha2、Walker 等为代表 的人形机器人，能够稳定地执行复杂动作，甚至在挑战性场景中自主 做出决策；2020 年后，随着人工智能技术快速发展与市场需求的增长， 以宇树科技 H1 与升级版 G1、小米 CyberOne、浙江人形 NAVIAI 等为代 表的人形机器人，能识别语义和情绪，具备平稳行走和复杂动作能力， 助推我国人形机器人产业步入了智能化发展阶段。同一时期，介电弹 性体、超螺旋聚合物、气动仿生肌肉等柔性材料的快速发展也带来了 人形机器人的驱动器的革新，以北工大研发的气动人工肌肉驱动器、 中国计量大学设计的一种拮抗气动肌肉驱动的人形机器人为例，实现 了膝关节角度与刚度的精确控制，将为复杂任务和交互场景提供更加 灵活和仿生的解决方案。 1.2.2 国际人形机器人发展历程 国际上对人形机器人的研究起步较早，得益于 20 世纪领先的科研 水平与先进的技术基础设施，人形机器人早期发展主要集中在美国和

得海量的应用能够按需、实时调用分布式计算资源，为数字化转型业 务提供更加经济、高效、泛在的算力供给方案。 在算力网络推进各行业数字智能化转型过程中，随着行业应用涉 及的需求逐渐多样化、模型更加复杂化，行业应用中新业务、新需求、 新场景的多样化多对算力网络的灵活性、自动化和智能化提出了更高 的要求。为应对上述挑战，服务生成算力网络的概念得以提出。服务 生成算力网络通过将 AI 技术与算力网络的基础设施、功能流程、服 从行业应用角度来说，随着各种新技术、新应用、新场景和新模 式等不断涌现，多元业务的不同服务需求对算力网络的自动化和智能 化提出了更迫切的要求。而且算力网络本身也面临着需求碎片化和多 样化、日益增加的系统规模和复杂度大大增加运维难度、算网资源协 同调度等诸多挑战。通过引入 AI（Artifical Intelligence）技术加快算 网智能化已经成为发展趋势和行业共识。新一代智能算力网络正以实 现“L5 落地应用和发展创新。 1.1 算力网络面临新的机遇及挑战 随着 5G、云计算、大数据、人工智能等新一代信息技术的结合 发展，工业互联网、车联网、AR/VR 等新型业务正逐渐落地推广。为 了满足复杂多元业务场景中的不同服务质量需求，新一代信息网络基 础设施正向着通信、存储、计算等多要素深度融合的一体化服务方向 发展。算力网络作为实现算网基础设施化的一个重要载体，旨在将泛 在的算力资源依托

产业来说，物理智能将使机器人能够理解 3D 世界的空间关系和物理 行为，赋予机器人更强的环境感知、理解和交互能力，实现更广泛的 功能应用，如宇树科技的机器人实现了原地侧空翻、复杂舞蹈动作、 平衡木行走、灵巧手操作等复杂功能。 硬件和软件的深度协同推动了算力效能的提升，为机器人的大规 模应用提供了算力支持。2024 年，全球 AI 大模型的参数量和数据量 持续增长，特别是像 Sora、GPT-4o、Gemini 进一步推动了算力需求的激增。当前，软硬件协同的方法正在不断提 升大规模智算训练效率。在硬件方面，高性能 GPU、专用 AI 芯片、 高速互联网络、大容量高速存储等技术，实现了大规模的算力供给， 为处理复杂、不规则的计算任务（如自然语言处理的长序列数据、计 算机视觉的多尺度图像特征）创造了条件；在软件方面，分布式训练 框架、预训练大模型、多模态数据处理等技术也通过精细化算力管理 提升了大模型的训 二阶段是基础智能阶段，机器人开始具备基本的感知能力，能够对外 界环境做出简单的反应；第三阶段是中等智能阶段，机器人能够进行 更复杂的感知和处理任务，如图像识别和语音识别；第四阶段是高度 智能阶段，机器人展现出较高的自主性和适应性，能够进行自我学习 和优化，执行复杂的任务；第五阶段是超级智能阶段，机器人理论上 将具备超越人类的智能水平，能够进行创新和自我意识的决策。 在工业领域，机器人的规模化应用正在从中度智能向高度智能过

式、混合式三种卫 星互联网承载网体系架构及星间/星地链路、路由、交换等七大关键 技术；同时，本白皮书分析了全球主要卫星互联网的产业现状与标准 II 化进展，探讨了轨道/频谱资源紧张、空间环境复杂等特殊问题及应 对策略，最后对未来发展方向进行了总结与展望。 本白皮书期望为业界提供对卫星互联网承载网的全面认知，促进 技术交流与创新协作，推动相关技术在国防安全、应急通信、智慧农 业等领域 .............................. 63 8.1 轨道/频谱资源紧张导致承载网容量瓶颈..............................63 8.2 空间环境复杂导致承载网链路可靠性下降...........................64 8.3 卫星互联网安全风险的承载网级联效应...............................65 8 跳传输延迟仅为数毫秒，跨洲通信延迟甚至可优于部分跨洋光缆路径， 满足对低时延敏感的应用需求。与此同时，卫星互联网承载网具备高 度的动态路由与自适应调度能力，能够应对卫星轨道变化、链路中断、 业务突发等复杂情况，保障业务连续性。此外，星座规模和节点分布 的高度冗余赋予了网络极强的抗毁性和弹性，在单点故障或区域性灾 害中仍能维持通信链路畅通，这对于应急通信、国防安全等领域具有 战略意义。 从网络

配置 营 全渠道一 . 多渠道统 . 知识复用 道差异化运 智能 控能机器 人 智 能 外 呼 解 决 方 案 MRC P proxy 号码自动路由 . 完成复杂交互后依旧继续引 导 . 会话流程不被客户问题打 断 体化 一管理 性和渠 . 标注和干预实时生 效 多轮会话 机器人训练 Hear Q Sessio n 理财 投资周期 理财产品 1 理财产品 2 行业复杂性 应对方案 落地效果 语义复杂 • IVR 流程复杂 • 金融专业性 vs 发散式 • 多业务交 重叠 • 智能中控：跳转 & 澄清 • 高精准语义理解模型 • 知识梳理的方法论 • 对话体验的方法论 某银行识别准确率 90%+ 转人工率下降 40% 问答复杂 • 上下文推理 • 大量 大量 FAQ • 指代抽象 • 统一聚类标注 训练 • 语料生成与训练方法 • 知识图谱可视化 运营工具提高效率一倍以上 系统复杂 • 话务系统和架构复杂 性 • 后台业务复杂集成 • 异地双活部署架构 • 能力开放 严苛环境下 SLA 99.99% 系统外围高度可定制 金 融 行 业 垂 直 解 决 方 案 建 立 服 务

快速发展 为其注入了新的发展动力。出现大量仿生、类人机器人，帮助机器人 适应自然环境。比如本田的升级版ASIMO机器人能够精确完成抓取物 体和倒液体等精细任务，波士顿动力推出的Atlas可以在复杂的户外自 然环境中行走、奔跑、跳跃，还能在雪地、草地等不同地形上保持平 衡。 2022年至今，为产业应用普及阶段。以ChatGPT为代表的大语言 模型为人形机器人实现智能感知、自主决策乃至拟人化交互，正逐步 等仓库 日常工作，在GXO、亚马逊公司已经得到应用。独角兽企业Figure AI通过OpenAI大模型赋能人形机器人，推出Figure 02机器人，能 完成叠衣服、餐桌清理、购物袋包装等相对复杂任务，并在宝马汽车 工厂中测试开展零件装配等工作。优必选推出Alpha和Walker系列 机器人，为教育、物流、消费及其他产业定制，是全球合作车厂最多 的人形机器人企业。杭州宇树推出的Unitree 波士顿动力Atlas作为行业运动能力标杆，2024年推出电动版新 款Atlas机器人，具备三指灵巧手，可搬运14kg物体，能完成行走、跳 跃、爬楼梯等复杂动作。核心技术模型预测控制器（MPC）推动其从 预设动作向自主路径规划进化，在复杂地形运动中保持卓越稳定性，持 续拓展运动控制与感知技术的边界，主要服务于科研验证领域。 宇树科技代表中国创新力量。2023年H1搭载自研M107关节电机，

魏亮、方辉、孙玉刚、尹鹏、林枭、韩风、占昊天、王磊 I 前 言 随着算力网络的飞速发展，算力资源呈现出泛在化、异构化、分 布化的显著趋势。如何高效感知、协同调度这些广泛分布且动态变化 的算力资源，以支撑日益复杂的智能应用需求，已成为推动产业数字 化转型和智能化升级的关键挑战与核心技术方向。 本白皮书首先详细阐述了分布式算力感知与调度的背景、需求、 体系架构以及关键技术，同时介绍了该技术在远程医疗、智慧城市、 一形态，边缘算力是前者重要组成部分，是分布式思想的一种具体体 现。边缘算力强调“地理近端性”，即计算能力的部署靠近数据源， 以满足低延迟和高实时性的需求；而分布式算力更关注“全局最优性”， 侧重任务的分解与协同，以处理大规模和复杂的计算任务可能调度至 边缘、核心云或两者协同，例如“云-边-端”分层推理。 分布式算力感知与调度的核心在于“感知”与“调度”两个相互 依存、紧密结合的环节。“感知”是基础和前提，它指的是系统具备 图景和实时状态，在 复杂约束条件下，通过智能高效的算法，将计算任务合理地分配到最 合适的节点上执行，从而实现全局最优的资源利用率、最低的运营成 本和最佳的用户体验。调度决策是一个高度复杂的优化问题，其目标 函数通常是多维度的，需要在性能目标、经济目标和系统目标之间寻 求最佳平衡点。分布式调度策略多种多样，从传统的基于静态规则的 调度，如轮询、随机分配等，到更为复杂的动态调度策略，如基于负

辖范 围内对人工智能开发、部署和使用的具体规定可能存在较大差异，并可能随着 时间的推移而发生变化。 ©2025 云安全联盟大中华区版权所有 9 ● 新兴的伦理考量：随着人工智能应用变得越来越复杂，可能会出现新 的伦理考量，促使更多有关负责任的开发和使用这些技术的法规或指导原则出 台。 ● 经济和社会因素：整体经济环境和对人工智能的社会态度，可能会影 响新技术的开发、采用及监管环境。 作者和云安全联盟不承担更新或修改本文档中任何前瞻性陈述以反映未来事 件或情况的任何责任。请读者不要过度依赖这些陈述。 文档摘要 本文围绕人工智能和生成式人工智能（GenAI）的法律和监管环境论述。 主要强调了生成式人工智能在复杂多变的环境中面临的挑战，这些挑战源于生 成式人工智能自身的多样化应用、全球监管机构采取的不同监管方法，以及对 现有规定的延迟适应。 本文旨在为各组织提供基本知识，帮助其从根本上了解自身的现状，并为 的步伐。本文旨在提供现有 法律法规及其对人工智能开发、部署和使用影响的高层次概览。我们的目标是 确定立法滞后的领域，并寻求实际的方法部署负责任的人工智能。当前的环境 缺乏完善的立法，在解决日益复杂的人工智能功能的潜在风险方面存在差距。 这导致现有规定，如《通用数据保护条例(GDPR)》和《加州消费者隐私法案(CCPA) 》/《加州隐私权法案(CPRA)》，虽然为数据隐私提供了基础保障，但并未针