/ 4 / 影响展望 : 1: 对具身智能学术 研究前沿的影响 : 本文为多任务机器人模仿学习提 供 了轻量化的 MOE 融合方案 , 验证了稀疏专家激活机制在缓解多任务干 扰 上的有效性 , 其 FiLM 语言调制与多尺度注意力设计 , 可为后续 ACT 类策 略的多任务优化提供可复用的技术路径 , 同时也为双臂操作场景的轻量 化 多任务学习研究提供了新的实证参考。 无需预先相机标定 , 仅 用普通 智能手机即可获取视角对齐的配对数据 , 降低了真实世界训练数据的采 集 门槛。 4: 实现性能优化与跨具身迁移适配 : 在视觉质量、 空间一致性等指标 上 优于现有方法 , 同时支持从人类交互到机器人操作的跨具身迁移 , 拓展 了 应用边界。 上海交通大学、上海人工智能实验室、香港大学联合团队提出了一款可持续更新底层 3D 场景状态、生成空间一致的交互视频的闭环式第一人称世界 我们设计了一套可扩展的处理管道 , 可从大规 模野生单目第一人称视频中提取静态点云、相机轨迹与具身动作。 大量实验表明 , Egosim 在视觉质量、空间一致性 , 以及对复杂 场景和野生灵巧交互的泛化能力上 , 优于现有方法 , 同时支持向 机器人操作任务的跨具身迁移。代码与数据集即将开源 , 项目主页 为 egosimulator.github.io 。 《具身智能科技前瞻探索》 第 3

llama 环境 ，支持 1.5B, 7B, 8B, 32B 等多个 DeepSeek-R1 蒸馏模 型。 企业级首选 ， DeepSeek 部署稳定、 安全、 易用！ 腾讯云智能全栈 AI 服务上架 DeepSeek 系列模 型 创建应用 华为云 +silconflow 邀请码： z0sI0urY 邀请链接： https://cloud.siliconflow.cn/i/z0sI0urY AnythingLLM 会自动检测。这意味着模型和聊天记录仅在运行 Ollama 模型的机器上可访问 ，保证了数据的安全性和隐 私 性。 • Embedding Preference （嵌入偏好）：使用 AnythingLLM Embedder 嵌入工具 ，文档文本会在 AnythingLLM 的 实例上私密嵌入 ，文本数据的处理和转换在本地进行 ，不会泄露给第三方。 • Vector Database Database （向 量数据库）：使用 LanceDB 作为向量数据库， 向量和文档文本都存储在 AnythingLLM 实例上 ，进一步确保数据的私密性和安全性。 • 接入 DeepSeek 模型 • 通过 Ollama 接入：先在本地通过 Ollama 部署 DeepSeek 模型 ，然后在 AnythingLLM 中选择 O llama 作为语言模型推理后端 ， AnythingLLM

DeepSeek-V3/R1 OpenAI-o1/o3 算力 x 数据 重新定义 Scaling Law 延续智能涌现的 方向 2017 谷歌发布首个 Transformer 架 构 模 型 2023 ChatGPT 模型能力突破 开启 NLP 时代 2012 AlexNet 模型能力突破 开启 CV 时代 1998 LeNet 首个 CNN 架构模型 DeepSeek-V3 是一款 MoE 模型，总参数量 671B ，激活参数量 37B ，采用 2048 张 H800 （节点内 NVLink ，节点间 IB ，非超节点架构） 在 14.8T token 数据集上基 于自 研 HAI-LLM 训练系统总计训练了 1394h （ 58.08 天） 性能优 数学、科学和代码等领域领先业界， 成为业界公认的 LLM 的领先模型 来源： DeepSeek 每 token 的 KV Cache 量大幅减少，且精度更高。 DeepSeekV3 模型架构： Multi-Head Latent Attention （ MLA ） 1. 推理阶段，理论上可以将 KV Cache 降低 1~2 个数量级，大幅减少 HBM 存取和通信的开销。 2. 对昇腾更亲和，大幅降低对 HBM 依赖，提升推理 Decode 性能。 MLA 架构 昇腾 影响

教育舆情监测与剖析 教育信息化与现代化发展水平评估 教育机构布局与教育经费调整 学生的发展性评价 基于大数据的科学研究 26 云计算 • 云计算中的“云”主要用来强调计算泛 在性和分布性，实质上是分布式计算、 并行计算和网格计算等技术的发展。 • 将分布在各地的服务器群进行网联， 能够实现大规模计算能力、海量数据 处理和信息服务的需求。 27 云计算 创 新 • 学生通过电子书包 持续性 自然性 基本特征 获取自己所需的资源、信息和 服务 享受个性化定制的资源和服务 发掘自己的兴趣爱好 挖掘自己的潜能 学习过程更加轻松高效 学习者 34 智 慧 慧 学 习 框 架 泛在网络 物联网 感知需求 分析需求 发 现 所 需 提 供 资 源 和 服 务 信息、数据、 服务支持 环境、终端 外部支持 智慧课堂：智慧教育主阵地 课堂信息化演变过程 connect Client OS / App Image Client OS / App Image Client OS / App Image  在一个刀片上（每个刀片上具有 10-12 个桌 面图像）支持多种操作系统  对于新的桌面体验来讲，用户需要最小的适 应性。  虚拟桌面架构  通过分享应用环境，每个刀片 支持 50-100 个用户 

研究方法和应用场景展开。 与会者们深入探讨了人工智能的基本概念、 算法和技术， 以及其在各个领域的应用潜力。 他们共同认识到 ，人工智能的研究和发展将为人类带来巨大的变革和进步 1.2 人工智能的诞 生 在这次会议上 ， “人工智能”这个词汇被约翰 . 麦卡锡（ John McCarthy ） 首次提出。 与会者们不仅对人工智能的研究和应 用 前景进行了深入探讨 ，还提出了许多重要的观点和思路 ，为人工智能的发展奠定了基础。 Nat u ral La ng uage Processing ， NLP ）领域中的一类大 模型， 通常 用于处理文本数据和理解自然语言 。 这类大模型 的主要特点是它们在大规模语料库上 进行了训练， 以学习自然语言的各种语法 、语义和语境规则 。 代表性产品包括 GPT 系列 （ OpenA I ） 、 Bard （ Google ） 、 DeepSeek 、文心一言 （百度）等 、人脸识别等 。代表性产品 包括 VIT 系列 （ Google ） 、文心 UFO 、华为盘古 CV 、 INTERN （商汤）等 3.4 大模型的分 类 通用大模型 L0 是指可以在多个领域和任务上通用 的大模型 。 它们利用大算力、使 用 海量的开放数据与具有巨量参 数的 深度学习算法，在大规模无 标注数 据上进行训练， 以寻找特 征并发现 规律 ，进而形成可“举一 反三” 的强

设备管理： 在设备入库管理方面，AI 通过深度学习识别设备上的 条形码、二维码或设备特征，自动读取设备信息如型 号、序列号等；AI 的自然语言处理功能，可以自动 提取设备手册或标签上的文字信息，获取设备规格、 性能指标等关键参数。这些都能显著提升设备入库管 理的效率和准确性。 在设备运维管理方面，利用机器学习算法，对部署在 设备上的温度、压力、振动等各种传感器给出的监测 数据进行处理分析，实时监控设备运行状态，并可通 尾落地。另外，从工程层面来讲，工 业大模型的开发成本及维护成本，低于工业专用小模型。 1.3.2 工业大模型 07 01 工业人工智能 (AI) 行业观察 汽车制造作为制造业皇冠上的明珠，也是 AI 技术落地应用的重要领域。目前，AI 技术已经渗透到汽车制造中繁多复杂的生 产流程中，从汽车零部件的质量检测、到生产物流运输、装配生产线的自动化、再到整车质量检测等众多环节，AI 技术的 材料筛选及研发上积极探索 AI 技术的深入应用。 在锂电池设计方面，利用 AI 高效仿真模型，可以在原子、分子、颗粒、电极和电芯等多个尺度上进行仿真模拟， 让研发人员更深入地理解电池内部的作用机理，并在此基础上快速优化材料和结构设计，缩短设计时长。 半导体制造作为一个高度复杂、技术密集、资本密集的行业，如何实现产品的快速设计、确保生产过程的精度和良率，以保 障研发和生产成本的良性投入，最终满足市场对芯片

开创RL加持下强推理慢思考范式新边界 ➢ OpenAI o1 开启后训练 Post-Training 时代下的RL新范式：后训练扩展律 Post-Training Scaling Law ➢ DS-R1 独立发现了一些通往o1路上的核心理念，并且效果还好到受到了OpenAI 的认可 ➢ 如何通过有效的 Test-Time Scaling 和 Train-Time Scaling 提升模型的推理能力？ ➢ 得益于纯大规模强化学习，DeepSeek-R1 Deepseek R1在AIME2024上获得了79.8%的成绩，略高于OpenAI-o1-1217。在MATH-500上，获得97.3% 的惊人成绩，表现与OpenAI-o1-1217相当。 ➢ 在编码相关的任务中表现出专家水平，在 Codeforces上获得了2029 Elo评级，在竞赛中表现 优于96.3%的人类参与者 ➢ DeepSeek-R1 在知识类问答上推动科学探索边界： ➢ MMLU 等 STEM- related 榜单上取得良好表现 ➢ R1 展现出强推理模型在 AI-Driven Research 的潜力 ➢ 在长文本依赖任务如 FRAMEs 和 事实性推断任务 Simple-QA上表现突出 5 回顾：Pre-Training Scaling Law ➢ Pre-Training Scaling Laws: 预训练模型上广泛观察到的现象，协调了计算量C、模 型参数量N和数据大小D之间的关系

反斜面坑道 ( 战术穿插 ) 范弗利特弹药量 ( 地毯轰 炸 ) 大资金、大算力、大模型 “ 大模型” 》 上 甘 岭 ” 国 际 国 内 发布时间 G P U 时 ( 小 时 ) 训练成本 ( 美元 ) Llama 3.1 2024 年 7 月 3.1*107 6.2*107 DeepSeek