人机对话关键技术及挑战 本科生 对话理解与对话生成 对话主导 朱才海 冯梓娴 推荐主导 胡景雯 一致性 张家乐 张开颜 连贯性 个性化 多样性 朱庆福 马龙轩 宋皓宇 刘元兴 李凌志 多轮建模 朱泽圻 风格化 Conversational Intelligence (CI) 张伟男副教授 对话式推荐 个人简介 HIT-SCIR 刘挺教授 博士生 硕士生 智能人机对话系统“笨笨” 开放域对话 ( 聊天 ) 系统构 成 隐式反馈跟踪 确认状态跟踪 澄清状态跟踪 词法、句法、语义分析 拒识回复 确认及澄清回复 多领域用户对话意图识别 多领域对话状态跟踪 上下文建模 情感回复 个性化回复 风格化回复 . . . 对话质量评估 情感分析 拒识、确认、澄清、隐式反 馈 ... TTS 领域内分析及处理 ASR et al. (2018) Serban et al. (2017) Zhao et al. (2017) Wu et al. (2017) Tian et al. (2017) 上下文建模 Huber et al. (2018) Zhou et al. (2018) Asghar etal. (2018) Sun et al. (2018) Zhou et al. (2017)

数据接入层在算电协同中发挥着统一资源感知与数据支撑的基 础作用，具体包括感知模块、建模模块与数据服务模块。具体功能有： 实现对算力、电力、网络等多源异构资源状态的实时感知与数据采集、 构建任务行为与资源状态的多维建模体系，支持预测评估与能效优化 以及提供边缘与中心的数据缓存、分发与分析能力，为调度控制策略 提供数据支撑[1]。该层实现算电资源的全域感知、精准建模与高效数 据支撑，助力智能调度与协同优化。 （3）智能决策层 同共同构筑面向绿色、低碳与高效运行目标的算电融合基础设施底 座。 表 2-1 算电协同关键使能技术表 技术名称 核心目标 关键方法 多元异构算 力适配纳管 统一管理跨层级、跨 架构、跨域的算力资 源 资源建模与能力抽象、异构资源编排 与统一调度、标准化接口与协议、 “中心+边缘”纳管 多能互补电 力协同调度 实现算力系统与能源 系统的时空优化耦合 源网荷储一体化、多能互补、综合能 源系统集成、任务负载预测与自适应 此同时，各类算力节点在任务响应能力、能耗水平、部署位置等方面 存在显著差异，若无法统一建模与纳管，将严重制约协同效率。因此， 构建面向多元异构算力资源的适配与纳管机制，是实现算电协同调度 的核心基础[2]。 面向异构算力系统的纳管体系，主要从资源建模、能力抽象、标 准接口和自治控制四个维度进行构建： （1）资源建模与能力抽象：通过构建统一的资源建模框架，对 不同类型算力资源的算力指标（如 FLOPS）、能效比（如

机房资源广泛分布于全国，但由于资源零散、管理分散、网络接入方 式多样（如 4G/5G、企业宽带、园区 NAT 网络等），导致算力资源利 用率不足、调度效率低下。产业界迫切需要通过统一的感知与调度系 统，实现异构资源的抽象建模与池化管理，例如通过标准化算力度量 体系（涵盖 CPU、GPU、内存、网络等指标），将分散的边缘节点转 化为可统一调度的“虚拟算力池”，提升资源利用效率。同时，边缘 算力节点的“弱网、单通”等网络特性，也要求系统具备离线自治、 等多元算力单元在性能、 应用场景等方面各有千秋。这就迫切需要建立一套全面且精准的资源 建模、性能建模以及服务能力建模体系。在资源建模中，不仅要对各 类硬件的基础参数，如 CPU 的核心数、主频，GPU 的显存容量、带宽 等进行细致梳理，还要考虑硬件的架构特性与兼容性，实现算力“可 20 测、可比、可调度”。性能建模则需综合考量算力在不同负载、不同 应用场景下的实际表现，例如在复杂图形渲染时 GPU GPU 的帧率稳定性， 在大规模数据运算中 CPU 的计算精度与速度。而服务能力建模要涵盖 从算力的交付效率到运维保障能力等多方面因素，确保对算力资源实 现全方位、多层次的量化描述与精准评估，让不同类型、处于不同场 景下的算力资源，都能基于这套体系具备“可测、可比、可调度”的 基础条件，为后续的高效管理与合理调配奠定坚实根基。 与此同时，为了契合大规模分布式节点的复杂特性，必须构建起

价值。 趋势基本描述 DI 是一门实用学科，它通过明确理解和设计决策的制定方式，以及如何 通过反馈评估、管理和改进结果来推进决策。DI 结合了决策建模、AI、 分析和相关功能，以支持、增强和自动化决策并推动业务成果。它用于 设计以决策为中心的解决方案、显式建模决策、编排决策执行流、评估 和管理决策以及审计其结果。 为何成为趋势 今年组织投资供应链技术的两个激励因素之一（参见 2025 年 Gartner 提供支持的快速崛起的 DI 平台市场开始为供应链决策者提供弹性解决 方案。 趋势基本影响  DI 可以通过使决策模型对供应链用户明确和透明，从而实现更好、 更及时和优化的决策。它通过对业务环境进行建模来减少决策结果 的不可预测性。  DI 减少了技术债务并提高了可见性。它通过实质性增强决策模型的 一致性，基于其相关性和透明度的质量，使决策透明且可审计，从 而改善供应链流程的影响。  挑战 门内部和部门之间的关键决策会降低初始 DI 采用工作的有效性。 21 先进技术方面的组织结构不足，例如缺乏 AI 卓越中心 （COE）， 也可能损害 DI 的进展。  许多组织仍然缺乏对决策建模和 AI 技术的了解。当涉及 AI 时， AI 素养差可能会减慢 DI 项目的发展。此外，在几乎完全关注技术 技能的组织中，人类决策的其他关键部分——心理、行为、社会、 经济和组织因素——没有得到解决。

资源等进行统一感知管理，并能够根据业务需求对各类计算、存储资 源进行高质量传递和流动。而作为基础设施层在数字环境中的虚拟化 表示，数字孪生通过利用数字技术和模拟方法，在虚拟环境中对现实 世界的实体、系统或过程进行建模、仿真和分析的过程，能够提供更 好的算网基础设施设计、优化和管理手段。此外，通过内嵌实时智能， 基础设施层一方面能够拓展对自身信息的感知深度与维度，包括资源 感知、性能感知与故障感知等，为算网管理层进行分析决策提供可靠 联合多域构筑端到端 的智能化闭环，进一步支撑算网实现自动化运行、故障自修复等。另 外，引入智能控制策略，利用机器学习与深度学习等方法对算网数据 进行分析和学习，绕过复杂的数据特征提取和网络功能建模，基于生 成的普适性、智能化的控制策略完成端到端的控制流程，最终实现算 网运行的智能化。 此外，高度智能化的算力网络还需要具备自优化和自学习的能力。 在业务的承载以及与用户的交互过程中，算网能够根据用户的反馈自 3-3 算网数字孪生架构图 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 29 本节将介绍构建数字孪生的三项关键技术：数据采集和传感、仿 真建模、实时更新和反馈。 3.4.1 数据采集和传感 数字孪生需要在建模过程中获取与真实系统相对应的数据，以确 保模型的准确性和可靠性。数据采集与传感技术涉及到传感器、数据 采集设备和通信技术等，用于实时或离线地采集物理系统的各种参数

TI-ONE 提供差异化算法模型构建工具，面向零基 础业务人员，初级算法工程师，高级算法工程师等不同使用人 群，提供自动学习建模工具，可视化拖拽式建模工具，交互式 代码开发环境，训练软件开发包 (SDK) 等不同使用门槛的建模 工具。 丰富的可视化算子库 l 平台可视化拖拽式建模工具中预置了上百种丰富的可视化 算子组件，灵活组合预置算子组件可快速构建训练流程， 运行成功后，可直接进行模型部署，

要。 聚合架构 付晓岩 MEAF Thoughtworks 企业架构现代化的三个重要表现 业务架构领域. IT架构领域. 方法框架方面 • 在业务架构领域，增加了业务建模环节，融合业务流程建模、数 据建模、领域驱动设计等方法，对业务的刻画更加精细，更好衔 接IT架构设计，降低了工程实操难度。 • 在IT架构领域，引入业务中台建设理念，提倡建立组件化、服务 化的IT架构，在公共能力复用基础上支持各类业务。 业务规则是驱动业务运行 的逻辑，DEAF重视规则建 模，实现业务智能化改造 将用户故事、MVP等思 想纳入DEAF，实现产 品服务的快速迭代 DEAF高度重视生态化发 展，构建企业生态模式， 以场景牵引业务建模 DEAF将用户旅程等引入， 以用户旅程牵引数字化转 型，为用户提供价值 www.top100summit.com 三、案例：汽车金融数字化应用 www.top100summit.com

Meter 等 人的方案不同的是，这里的方案并没有考虑将纠错单独作为协议栈的 一个层。 （3）Dür 等人（奥地利因斯布鲁克大学）方案 Dür 等人主要考虑的是预先构建模式的量子互联网协议栈[87]， 如图 20（c）所示。预先构建模式是指在请求之前提前构建纠缠信道。 在纠缠资源方面考虑了两方和多方纠缠情况。该协议栈包括四层，从 下到上分别为物理层、连接层、链路层和网络层。这里的物理层功能 子算网协同也需要建立其自身的逻辑抽象模型。 6.3.1 资源抽象与建模 在量子算网协同中，既包括经典的算力资源和网络资源，也包括 69 量子算力资源和量子网络资源。其中经典资源部分与经典体系的算网 协同中的抽象模型相同。下面我们重点讨论经典体系里没有包含的部 分，即量子算力资源和量子网络资源。 （1）量子算力资源建模 对于量子算力资源，采用与经典算力资源统一的“资源量+供需 关系 子算法（如量子 傅里叶变换、Grover 搜索算法、相位和幅度估计算法、变分量子算法 和量子近似优化算法等）时的实际表现。 70 如何准确建模量子算力资源，以便在量子业务到来时实现最适合 的匹配，是未来的重要研究方向。 （2）量子网络资源建模 量子网络资源，同样可以采用“资源量+供需关系+时空属性”三 个维度的对链路进行描述。其中“供需关系”和“时空属性”与经典 网络资源的描述类似。对于“资源量”的描述，则相对复杂。

在现实中我们经常观察到，面对同样的业 务问题，有经验和有主观能动性的数据分析和 建模人员可以更快地理解业务特点，主动学习 和掌握业务知识并将其应用在分析和建模过程 中。智能分析和建模的结果往往依赖于建模过 程的调参和试错过程。另外非常重要的一点是， 如何有效协同业务部门和数智部门的激励与分 配机制（这直接影响了数据分析和建模人员的 激励），是建立并治理好数智价值链的一个关键。 解 决 方 案

枢，从而形成从单一应用到多维应用，再到实验室时空 动态建模的全套工具链。  无人实验室“αLab 智惠实验室”：华大智造依托自主 研发的自动化平台，结合数字化管理系统及人工智能技 术，成功打造了自我驱动的无人实验室“αLab 智惠实 验室”。该实验室能够在无人工干预的情况下自主运行 ，显著提升了实验室的工作效率。  多组学研究  单细胞多组学数据建模：华大智造研发团队在 2022 年 8 8 月在 Nature 子刊发布基于对比学习的多模态单细胞 算法，可以快速实现千万级单细胞多组学数据建模，为 单细胞多组学研究提供了高效的数据处理工具。  功能蛋白设计：2023 年 7 月，华大智造杨梦团队在 Nature 子刊发布了名为“EvoPlay”的算法模型，该自 博弈 AI 智能体可以利用强化学习算法高效设计功能蛋 白，展示了华大智造在 AI 应用领域的技术实力。 资料来源：公司官网，公司公告，西南证券整理 AI技术在制药环节的多样应用 AI技术在制药环节的应用 制药环节 AI技术类型 应用情况 药物 研发 靶点确认 机器学习、深度学习 通过机器学习，在蛋白质的原始信息中提取关键特性以精准构建模型，进行功能的推断、预测及分类 大数据 通过深度学习，从大量患者样本及生物医学资料中整理筛选相关基因组学、蛋白质组学、代谢组学等多组学数据，分析 疾病与非疾病间差异，或寻找可对疾病产生影响的蛋白质