育 （本报告由 DeepSeek 辅助生成） 人工智能学院 01 DeepSeek 如何赋能 家 庭教育？ 家长辅导时间不足： 89% 的家长每天辅导孩 子 的时间少于 30 分钟 学习辅导能力不足： 72% 的家长遇到“ 四年级 数学题不会做 ”的窘境 。 亲子冲突频发： 65% 的家庭因辅导作业问题 爆 发亲子冲突 。 家长焦虑情绪普遍： 80% 的家长对孩子的学 业 、行为示范。教育理念（权威 / 民主型） 、能力（沟通 / 情绪管理） 。 孩子 主动参与者：年龄阶段（婴幼儿 / 青少年） 、个性（兴趣 / 学习风格） 。 其他家庭成员 祖辈 / 兄弟姐妹：影响教育一致性（如代际观念冲突） 。 2. 系统目标 长期目标 独立人格 、社会适应力 、终身学习（如培养责任感） 。 短期目标 解决具体问题：行为矫正（如拖延症） 、学业支持。 分领域目标 价值观（诚信） 、认知发展（逻辑思维） 对话与倾听（非暴力沟通） 、非语言互动（拥抱鼓励） 。 激励与约束 正向强化（积分奖励） 、负向反馈（暂停特权） 。 参与模式 共同活动（家庭运动日） 、自主探索（提供实验工具） 。 5. 环境与资源 物理环境 学习角布局 、书籍 / 电子设备配置。 心理环境 民主氛围（允许表达意见） 、情绪安全（接纳失败） 。 外部资源 社区图书馆 、学校合作（家长会） 、心理咨询服务。 6. 动态调节机制 反馈循环

现？AI与人类是否会在社会和教育资源上展开竞争？这些重大问题，因AIGC的到来，再一次冲击了 现有的教育体系。 在微观层面上，教育的各场景和环节，都因AIGC技术的应用而有所助益，如教师侧的备课规划、作 业生成和批改，学生侧的自主学习、辅助练习、测试评估等，新技术与古老教育场景的结合，总会 产生令人欣喜的化学反应。然而，商业实践的落地是受到现实和周期限制的。从落地逻辑而言，当 前产品基本是原有教学场景和产品的替代，原有技术功能的优化迭代，而少有新场景的迸发；就落 化。具体到教育行业，部分基础工作被替代，社会人力结构和人才需求被重塑。AIGC技术与现代 教育在教学内容、师资配置、交互方式等方面有着巧妙的吻合之处，彰显着技术落地的必要性。 AI技术也由教学辅助发展到自适应学习，推动大规模因材施教逐步落地。这些共同推高了时代对 AIGC+教育的瞩目，体现在资本投融资、各国政策监管、学术研究等多个方面。澳大利亚经历的 观望—禁止—反思—放开的挣扎历程，代表了全球的态度变迁，即不断与时俱进、同时守正创新。 在教学载体方面，AIGC有望赋能教师并实现规模化的因材施教，但也挑战传统学习模式和评价工 具；在教学内容方面，高阶通识能力、跨学科复合能力的重要性被重提，并辅以AIGC技术素养要 求；在学习主体方面，引发近乎科幻但并不遥远的哲学思辩：教育人类还是训练大模型，二者可 能存在着广义上教育资源的竞争。 AIGC技术在教师、学生、管理者多角色中，在学术科研、备课规划、作业生成和批改、自主学习、 辅助练习、测试评估的多场景中，都发

MIT：一切问题都是模型问题 • 模型：一个映射，一个函数 科学范式 • 用语言逻辑方法获取理论模型：模糊 • 用解析数学方法获取数学模型：精确 • 用计算数学方法获取数据模型：近似 • 用机器学习方法获取概率模型：复杂 • 用人工神经网络获取网络模型：黑盒 • 超过两层的神经网络可以逼近任意连续函数 01 对AI技术的认知：人工智能的本质 人工智能（ArtificiaI In 1. 第一代（规则系统）：推理为核心 2. 第二代（知识工程）：知识为核心 3. 第三代（数据模型）：学习为核心 ◼ 从机器学习到深度学习 1. 任务：判别、预测，通过学习数据分布规律 2. 边界：有规律、可以数字化，属于经验科学 3. 要素：机器学习-深度学习 • 模型：神经网络模型（分层；单向） • 策略：损失函数定义 • 算法：反向传播+梯度下降  语言逻辑和数据集蕴含了人类的认知智能 2. LLM是人类的认知智能的实现方式之一 3. LLM的原理很简单；工程很复杂；效果很神奇 01 对AI技术的认知：大模型的能力边界 用人工神经网络获取网络模型：深度学习-Transformer模型-大语言模型 大语言模型的核心原理：数据化-语义化-NTP（Next Token Prediction） 大语言模型的三层能力：语言能力-知识能力-推理能力

的显著优势，“机器人+人工智能”正在汽车制造、电子信息、金属 材料等关键行业加速落地，展现出广阔的应用前景。 本报告中的“机器人+人工智能”指的是建模优化、机器视觉、 语音交互、机器学习、深度学习等人工智能技术应用于机器人上的智 能体。其工业应用包括两个层次，一是嵌入各类智能软硬件的机器人 产品在生产操作、物流配送等典型工业场景中的应用，二是智能化的 工业控制平台通过集成人工智能技术与工业机器人等设备，在产线优 8 三、“机器人+人工智能”在工业领域的应用 ................. 10 （一）应用场景：从生产操作向其他高附加值场景拓展 ..... 10 1、生产操作：从操作精度提升到自适应学习 .............. 11 2、物流配送：“识别+导航”模型组合适用于封闭生产场景 . 12 3、质量管理：机器视觉检测大量取代人工检测 ............ 12 4、安全管理：在部分重化工业存在一定需求 年，这一市场规模将突破 70 亿元大关。与此同时，2024 年，诺 贝尔物理学奖颁给了 John J. Hopfield 和 Geoffrey E. Hinton，以 表彰利用人工神经网络进行机器学习的基础发现和发明。对于机器人 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、

流程一体化、服务能力自优化、算网运维自动化等能力，进而为多元 应用提供泛在、高效、灵活、安全的服务化算力供给。在此基础上， 服务生成算力网络还强调能力自主优化和智能自适演进，面向动态变 化的应用场景和服务需求能够通过自学习、自演进来不断提升自身业 务服务质量和智能化能力。 本白皮书阐述了服务生成算力网络的发展背景、目标愿景、体系 架构、使能技术、应用场景和机遇挑战等，旨在为那些有兴趣了解服 务生成算力网络概 第九届未来网络发展大会白皮书 服务生成算力网络白皮书 4 化地提供最优资源服务，然而现有算力网络的系统架构、流程机制、 使能技术、服务模式等无法支撑上述目标的实现。 近年来，以深度学习、知识图谱为代表的 AI 技术得到了飞速发 展，并在诸多领域取得了巨大突破。算力网络作为支撑各行业数智化 转型的信息基础设施，具有应用 AI 技术的巨大空间和潜力，通过引 入 AI 技术使能算 AI 在跨域特征挖掘、深度数据分析、策略动态生成、能力自动学 习等方面具备天然的优势，将 AI 与算力网络的设计、建设、维护、 运行和优化等功能结合起来，利用其强大的分析、判断、预测、决策、 学习等能力，赋能网元、算网和业务系统，助力构建高效灵活、安全 智能的信息基础设施。 “AI+算网”的融合发展将给算力网络注入新的技术活力，开启前 所未有的可能性，如图 1-1 所示。对于算力网络建设者来说，生成式

专注专业：从2013年至今，11年专注于大数据教学 团队特点：眼光前瞻、紧跟技术、创新实干、执行力强 影响力高：多项指标在国内高校大数据教学领域领先 • 教材数量 • 教材占有率 • MOOC课程学习人数 • 师资培养 • 教学研讨会 • 教学网站访问量 • 在线讲座观看人数 • …… 目录 1. 大模型：人工智能的前沿 2. 大模型产品 3. 大模型的行业应用 4. 企业大模型落地方案 1.1 大模型的概念 1.2 大模型的发展历程 1.3 人工智能与大模型的关系 1.4 大模型分类 1.1 大模型的概念 大模型通常指的是大规模的人工智能模型，是一种基于深度学习技术，具有 海量参数、强大的学习能力和泛化能力，能够处理和生成多种类型数据的人 工智能模型。 通常说的大模型的“大”的特点体现在： 参数数量庞大 训练数据量大 计算资源需求高 2020年，OpenAI公司推 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 学习能力强 大模型可以生成更自然、更流利

资料来源：《AIGC: 智能创作时代》，增长黑盒，中国工程院，西南证券整理 ANI:单一场景程序化处理 AI: 算法具 有智能特性 GC: 对信息 进行创造性 生产 AGI:多场景处理与自我学习 ASI: 全面超越人类的人工智能水 平 文本：文字+代码信息内容加工 音频：音频内容加工创作 图像（静态）：图片处理+图片 制作 图像（动态）：视频处理+3D模 型加工 ChatGPT ，随后通过反转这个噪声过程来学习恢复数 据。训练后，我们可以通过简单地将随机采样的噪声传递给学习的去噪过程来生成数据。 算法领域的技术积累助力AIGC 不同的生成模型 资料来源：《AIGC: 智能创作时代》，增长黑盒，西南证券整理 ChatGPT 将成为智能时代的全新信息系统入口 7  大语言模型（LLM) 是指使用大量文本数据训练的深度学习模型，可以用于生成自然语言文本或理解语言文本的含义。 5年，在智能医疗等领域广泛应用新一代人工智能技术。 2019.6.28 药监局技术器械审评中心《深度学习辅助决策医疗器械软件审评要点及相关说明》  旨在为相应医疗器械软件的注册申报提供专业建议。该文件主要介绍了深度学习技术带来的监管挑战以及相应的审批要点说明。  文件从深度学习技术的特点和风险出发，对医疗器械软件的全生命周期管理方法进行了考虑，并制定了相应的软件技术审评要求。该文件的目

智能技术的突破性进展正以颠覆性姿态重塑医疗健康 产业。2025年2月，国产大模型DeepSeek-R1的全面开源与多领域适配，标志着AI医疗迈入技术融合与行业重构的新阶段。DeepSeek通过 强化学习技术与混合专家架构（MoE），在极低标注数据需求下实现推理能力跃升，其复杂任务处理与中文语料优化的特性，为医疗场景提 供了精准、低成本且本土化的解决方案。这一技术突破不仅推动了算法与行业工作流的深度 资料来源：《AIGC: 智能创作时代》，中国工程院，西南证券整理 ANI:单一场景程序化处理 AI: 算法具 有智能特性 GC: 对信息 进行创造性 生产 AGI:多场景处理与自我学习 ASI: 全面超越人类的人工智能水 平 文本：文字+代码信息内容加工 音频：音频内容加工创作 图像（静态）：图片处理+图片 制作 图像（动态）：视频处理+3D模 型加工 实体经济的AIGC: 扩散模型：扩散模型的生成逻辑相比其他的模型更接近人的思维模式，也是为什么近期 AIGC拥有了开放 性的创造力。本质上，扩散模型的工作原理是通过连续添加高斯噪声来破坏训练数据，随后通过反转这个噪声过程来学习恢 复数据。训练后，我们可以通过简单地将随机采样的噪声传递给学习的去噪过程来生成数据。  DeepSeek-V3系统通过语义解析电子病历和影像特征智能比对，显著提升了呼吸系统疾病的诊断准确率。此外，DeepSeek- R1

量身定制的学习体验。医疗行业将不 再局限于“治病救人”，而是完全融入一个由 AI、数字行为建模、远程医疗和合成生物学等前沿技 术驱动的全球健康生态系统。 这份报告客观阐述了 AI 和 ICT 技术融合将如何推动变革，造福人类和社会。 Joseph Sifakis 序言 为实现上述愿景，我们仍面临诸多超越通用人工智能范畴的技术挑战。我们的目标不仅是创造 一种“能够理解、学习任何人类所 我们需要超越当前随机测试和仿真的方法， 开发更严格的验证技术。同时，我们还必须通过基于知识的监测技术弥补可靠性降低的影响。 报告中提到的愿景既广泛又宏大，与科技巨头截然不同。科技巨头通常依赖机器学习并推崇超 大规模化发展，需要对高耗能基础设施进行巨额投资。 这一愿景的实现需要前所未有的技术突破，还需要全球范围的努力。在该愿景的推动下，相关 领域可以形成合力，共同开发特定的基础设施和数据平台，进而发展出可信的行业 我们可以在网络上找到几乎所有常见主题的 数据，但关键的行业事件通常是罕见的故障或异常。你可能拥有十年的“正常运行”数据，却只有 极少数灾难性故障事件，而行业 AI 模型必须从这些极为罕见的事件中学习。 历史表明，开放的生态系统和国际合作是技术进步的重要加速器，对于复杂且具有变革性的 AI 领域更是如此。开放的工具和平台将有效推动我们在系统互操作性和集成方面取得突破。 此外，国际合作对于达成监管框架共识、控制

实现了自主行走。 2000年—2010年，进入跨学科融合与技术积累阶段，人形机器人 研究开始融合跨学科的方法和技术，如机构学、机器学习、机器人学 等，形成了相对完整的学科分支。 2011年—2020年，进入技术突破阶段。深度学习技术的快速发展 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 击下稳定运动，3D激光 雷达实现360°环境感知。2025年G1转向轻巧化，23-43关节电机支 持单腿跳跃等高阶动作，三指灵巧手结合多传感器适应复杂地形，由世 界模型UnifoLM驱动的自主学习能力瞄准救援与人机协作应用。 06 来源：全球人形机器人技术演进趋势.2025年5月29日.https://mp.weixin.qq.com/s?__biz= MzU2MTg0NjE0 来源：宇树科技官网.https://www.unitree.com/ 世界互联网大会智库合作计划系列成果 （三）小脑模型迭代优化，实现拟人化运动控制 1.“小脑”运动控制路线：基于模式和基于学习 （二）多模态模型算法赋能“大脑”层级进步 1.大模型是机器人“大脑”最为理想的选择 2.多模态大模型技术发展呈现多元路径共存的演进趋势 人形机器人“大脑”技术以大模型为核心，提供任务交互、环境感知、