形态。 在内容层面，基于神经网络技术的AIGC与素养发展具有天然相似的基因，企业可以发力C端小模 型从而引领行业发展；在技术层面，大模型分析+多模态交互+Agent规划+具身智能行动，AGI 完全体与教育场景深度适配；在福祉落地层面，教育各界需通力合作，努力克服机会、技能、资 源的三大鸿沟；在人机协作层面，人机关系进入新历程，人机共育，生命循环，互为滋养，人类 将与AI一起永无止境地学习、构建。 ，从而被学术界和市场普遍认可，同时人类教师可以从传统的知识传播者向学习 的陪伴者和价值观的引导者方向转变。然而对“AI完全替代人类教师”担忧之声也同时存在，当前AIGC价值观的非中立性、信息准 确性的不足、版权问题以及无法复制的人类情感和文化价值等问题使其难以独当一面，另外AI完全抢夺人类教师工作的可能性也会 引发教师就业的恐慌。正反两方面的讨论，说明AIGC对教师的支持应用需要慎重框定范畴，以确保其成为教育主体的助力而非障碍。 学术界更认可的“师-生-机”教学形态 学术界担忧的完全“机-生”教学形态 AIGC成为了教学主体的一部分，其功能在于： • 使大规模个性化因材施教成为可能 • 强化每个学生的学习主体性 • 帮助教师完成非创造性机械劳动 • 成为教师提升自身水平的培训渠道 • 丰富而快速的知识反馈弥补师资的参差 AIGC作为一种教育自动化的解决方案完全替代 教师成为唯一教学主体，是学术界担忧的方向：

Relations Worldwide）一直在衡量公众对机构 （包括大型商业平台）的信任程度。其在2020年的一项调查中发 现，大部分商业平台都不能站在公众利益的立场上考虑自身的发 展，难以获得公众的完全信任。而Web 3.0不是集中式的，不受单一 平台的控制，任何一种服务都有多家提供者。平台通过分布式协议 连接起来，用户可以以极小的成本从一个服务商转移到另一个服务 商。用户与建设者平权，不存在谁控制谁的问题，这是Web ”，这使得将元数据 （如规范化域名或接口描述）与以太坊地址相关联成为可能。与DNS 一样，ENS是一个层次结构的域名系统，不同层次域名之间以点作为 分隔符，我们把层次的名称叫作域，一个域的所有者能够完全控制 其子域。顶级域名（如“.eth”和“.test”）的所有者是一种名为 “注册中心”（Registrar）的智能合约，该合约内指定了控制子域 名分配的规则。任何人都可以按照这些规则，获得一个域名的所有 台。从功能上看，Steemit类似于博客，用户可以在上面发布自己的 内容，并对他人发布的内容进行评论和转发。不过，Steemit并不像 脸书、推特那样有中心化的运营者，也没有专门的审核人员，它的 运行完全依靠一套基于通证的激励系统自动维持（见图2.1）。 Steemit中的通证分为三类： STEEM。这是Steem公链的基础通证，可以进行公开交易，也可 以兑换为比特币、以太坊等加密货币。 Steem

”。这意味着家长不仅要帮助孩子获取 知识， 更要引导他们学会独立思考， 掌握高效的学习方法， 最终培养出适应未来的能力和韧性 。 家长如何转变角色？ 误区类型 具体表现案例 负面影响 解决策略 1. 过度放手 家长将数学辅导完全交给 DeepSeek ， 孩子连续 3 小时独立操 作 AI ， 期间未 进行任何互动交流 孩子陷入机械操作， 失去人际学习中的 思维碰撞机会， 解题逻辑停留在工具依 偏向 高质量作文反馈 准确性有所下降 面对高水平写作 ， A I 仍有待改进 实际应用 在辅助教学和形成性评估中具有实际应用价值 为实际教学中平衡效率与准确性提供了参考 局限性 在重大考试中难以完全取代人工评分 偶尔出现的不准确性， 需要人机结合 。 DeepSeek 批改作文到了哪种水平？ 如何用 DeepSeek 辅助孩子的语文学习？ 第三步 ： A I 通过引导和训练， 帮助孩子提升 DeepSeek ， 点深度思考 R1 仔细阅读深度思考过程， 帮助理清解题思 路 第二步： 第一步： 阅读理解提升 第三步： 如果完全不明白， 采用苏格拉底提问法 把复杂的问题拆分， 形成一个一个孩子能理解的小问题， 这 样写提示词 （这道题我完全不懂， 请你用苏格拉底提问的方式， 每次 只 提问一个问题， 等我正确回答， 再进行下一步的提问， 引导 我找到解题思路） 如何用 DeepSeek

新员工可能精通技术并采用新技术，但可能缺乏主题专业知识以及 6 获得最佳实践和专有技术的机会。终身员工拥有详细的流程知识， 并且在工作环境之外可能精通数字技术;然而，即使工具不断发展， 他们也难以完全采用新技术并利用它们来改变工作方式。  劳动力短缺是 60% 的供应链组织（例如消费品制造商）面临的最 大挑战。尽管如此，三分之一的供应链组织缺乏有效的员工价值主 张 （EVP），无法通过以人为本的工作设计来吸引、留住和聘用所 可以用 当前几代机器人来解决，哪些将从多功能中心设计中受益最大。  确定需要高度灵活性和适应性的流程，并专注于了解人力如何执行 这些任务，以了解多功能机器人需要支持的能力。  由于目前还没有完全有能力的多功能机器人，因此公司必须开发一 种结构化的方法，以便在未来几年内这些功能发展时进行有效的概 念验证 （POC）。 据【8】，目前，工业企业拥有近四百万台单功能机器人。它们已经解决了劳动力短缺问题， 司率先研发了名为“驱动单元”的仓库机器人。十年过去，亚马逊如今拥有超过 52 万 个机器人驱动单元。同样在 2022 年，该公司推出了 Proteus（见图 5），这是一款完全 自主的移动机器人，旨在安全地融入亚马逊员工工作的同一物理空间。Proteus 利用先 11 进的安全、感知和导航功能，完全自主地在仓库中移动。Proteus 是一款自主移动机器 人，可以在亚马逊配送中心拾取、运输和放下集装箱。该机器人设计用于在与人类工人

.................. 13 图19： NVIDIA Turing GPU 体系结构中各种数据类型相对的张量运算吞吐量和带宽减少倍数 ........ 13 图20： 优化 AI 完全在终端侧高效运行 Stable Diffusion .......................................13 图21： 骁龙 8 Gen2 旗舰芯片组 15 秒出图 .. 有开发者展示了在搭载高通骁龙 865 的 8G RAM 索尼 Xperia 5 II 上运行 Stable Diffusion，生成一张分辨率 512x512 的图像需要 1 个小时。 图20：优化 AI 完全在终端侧高效运行 Stable Diffusion 图21：骁龙 8 Gen2 旗舰芯片组 15 秒出图 资料来源：Apple，国信证券经济研究所整理 资料来源：Apple，国信证券经济研究所整理 （Gecko）、“水獭”（Otter）、 “野牛”（Bison）、“独角兽”（Unicorn），实现在不同等级的设备上部署。 例如在智能手机上就可以运行规模比较小的 Gecko 模型，让移动端也能拥有大语 言模型。Gecko 模型可以在完全离线的情况下在智能手机上运行，它可以在旗舰 手机上每秒处理 20 个 token，大约是每秒 16 个单词。谷歌没有明确说明使用了 什么硬件来测试，但提到是在“最新的手机上”运行，这证明了与大模型具备类

通过有效的运营来实现。 “近几年大多数企业都在做数字化建设， 很多头部企业已经完成了数字化基建的部署， 现在其实要建立的是一套数字化的应用和运营 能力，因为同样的武器在不同的人手中能够达 到完全不同的效果。”在刘立民看来，数字化 运营考验的其实是企业的内功，当企业都完成 了数字化基建的建设，有效使用数据就是拉开 差距的关键，也是企业实现数字化变现的必经 之路。 为此，友邦将“提高对数据和 当然，这些举措最终目的都是为了在业务 层面释放更多的价值，而不是为了建设而建设。 刘立民 友邦人寿 CTO ｜ 11 实训营 │ Practice 刘立民以数据中台为例。如今很多企业痴 迷于数据中台的建设，但其实并未完全想清楚 中台的作用，在大规模投入之后可能收效甚微。 “由于数字化初期顶层设计的不足，很多企业 内部都存在一些孤岛式的数据系统，相互之间 无法进行数据共享。”刘立民称，“建立数据 中台的主要作用是为了打通这些数据孤岛，形 革。安糖对此深有感触：“原来我们遇到很大 一个问题，就是电商掌握了可能几亿的人群资 产，但这些数据在电商平台就只能用来优化广 告投放。” 由于数字化运营能力和想象力的缺 失，实际上造成了数据价值的浪费，“这些人 群资产是完全可以去支撑整个企业的经营的。” 如今，也有越来越多的企业认识到这一点，因 此安糖发现在过去的三年间，不少企业已经开 始进行组织架构的调整，将原来独立的电商团 队纳入到品牌业务架构中，让电商部门所拥有

化算法的 性能，并实现更高级的功能和服务。然而，算力网络的复杂性以及现 有技术的局限性决定了实现完全算网服务生成是无法一蹴而就的，只 能是一个长期目标，需要循序渐进、逐步实现。从简单的重复执行替 代到复杂的算网融合策略生成、从局部的单域自治到全局的协同服务 生成、从部分需要人工辅助到完全智能服务生成。 同时，随着系统规模的扩缩，基础设施的添删、用户意图的变化、 第九届未来网络发展大会白皮书 需要生成“您能否告诉我您 在寻找服务或产品时所考虑的价格范围？”、“您是否需要在运行 过程中动态增加或减少计算资源，以适应业务快速变化和需求变 更？”等问题来询问，从而对用户意图进行全面理解。通过多次的 交互，最终完全理解用户意图并为下一阶段的策略生成提供输入。 （2）策略生成：服务生成算力网络通过将算网服务策略生成问 题转化为用户意图-功能组件匹配问题，在现有的算力网络服务框架 下，从算力网络系统的功能组件中选择合适的模块来满足用户意 略。在策略生成后，ChatGPT 会从分析负载、成本、能耗、安全等 维度对其进行分析估计，并将结果展示给用户。若在某些方面未达 到用户需求，ChatGPT 根据用户意见从算网系统中选择合适的组件 进行策略优化调整，直到完全符合用户期望。例如，用户觉得当前 策略的成本超出预期，ChatGPT 重新选择配置较低的硬件设施来提 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 41 供服务。 （3）策

的宏观世界，如飞机、汽车和篮球，逐渐变小到了原子尺寸的微观世 界时，情况大不相同。而描述这个微观世界粒子运动规律的理论就是 量子力学。在量子力学中，微观粒子的运动状态由波函数  表达。 6 只要完全搞清楚物体的波函数  随着时间如何变化就可以完全掌握 物体的运动状态。此时经典力学中的 F  ma 这个公式已经无法使用， 需要用薛定谔方程   H t i     来计算物体的波函数  。其实基于量 相比于一对固定基线的望远镜，望远镜阵列能获取更多的探测信 息。根据 van Cittert-Zernike 定理可知，基线函数的能见度是源分布 的傅里叶变换。所以如果我们可以测量到所有基线的能见度，就可以 完全想象出源。通过一些离散数量的基线，可以很好地近似源亮度分 布。 然而要实现如图 11（a）所示的长距离的基线望远镜有两个主要 的困难。首先如果望远镜是建在地面的，则由于大气密度的震荡会影 响 任务，设计一 个合理高效的网络协议栈具有很重要的现实意义。由于量子互联网底 39 层依赖的物理原理是量子力学，比如单光子和纠缠态的性质和操控等， 和经典互联网完全不一样。所以量子互联网的许多架构的设计方案可 能已经无法完全复制经典互联网模式。最近代尔夫特理工大学研究组 开发并实验实现了平台无关的量子网络节点的操作系统，在这之前实 验上可以演示的操作软件几乎都是根据具体的实验设备和量子网络

单元，它对应的是我们的采购机构 或部门。 • 采购组织是这样一个组织等级：它为一个或多个工厂或公司采购物料或服务，与供 应商谈判采购条件，对相应的采购行为负责。在法律意义上，采购组织对采购合同 负完全的责任。 • 采购组：对特定采购活动负责的一个或一组人。对内，采购组负责一个物料或一类 物料的采购。对外，采购组是企业与供应商交易的主渠道。 • 在 SAP 中，采购组是一个独立的组织单元，不分配给任何其他的组织单元。 物料主数据的扩展 © 2011 82 - All rights reserved 32 物料主数据只能做出删除标记或者功能性冻结，只有通过归档才能完全从数据库中删除物料主数据 物料主数据只能做出删除标记或者功能性冻结，只有通过归档才能完全从数据库中删除物料主数据 物料主数据的删除冻结 © 2011 82 - All rights reserved 33 物料主数据 : 输入帮助

中的常识生成操控任务。在小脑方面，本田 Asimo 人形机器人采用传统的逻辑推理控制，能够完成各种复杂的行走功能 和人类肢体动作；Figure 在 OPEN AI 提供的大脑功能以外，打造了 完全端到端的运动控制系统；智元机器人采用云端超脑、大脑、小脑 等多层次架构，分别负责任务级、技能级和指令级的操作任务。 部分人形机器人头部厂商开展了端到端架构的探索。端到端架构 融合“大脑”和“小 在生产制程控制方面引入航天质量控制专家进行指导，确保产品批量 交付的一致性和稳定性。 25 3、灵猴螺纹完整性检测机器人 螺纹完整性检测系统无需旋转或者多相机系统，只需要单个相机 单次拍摄即可获得 6 个对称分布、可完全覆盖物体侧面的图像，适用 于 M1.0~M2.5 的螺纹孔检测。光学系统具有可变光阑，可根据需求改 变景深；一体式照明设计，方便螺纹孔内部打光；双镜组成像设计， 工作距离较大，可满足在线快速检测。软件系统采用先进的工业 引导工作，协同完成自动化扫描，整个扫描与检测过程不超过 3 分钟。 汽车空调出风口组装及检测应用。汽车空调出风口组装及检测的 工序相对细致、麻烦，采用人工流水线作业方式，每一道工序需要配 备一名工人，且流水线完全铺开所需场地面积较大。终端客户采用 2 台大族 E05 协作机器人对产线进行自动化升级改造，将组装、检测工 32 序合并，与生产工人共同作业，协作完成任务。另外，大族 E05 协作 机器人也