.....................................................................................42 2.3.4 人形机器人 ................................................................................................... 诺达佳：基于 AI 的在线式视觉随动同步点胶机应用 ...........................................................53 3.5 新松：智能巡检机器人 ................................................................................................... 库存管理：利用深度学习和大数据分析，分析历史销 售数据、季节性变化、市场趋势等因素，预测库存 需求、实时监控库存水平、自动调整补货策略、精准 管理库存品类、优化库存地域布局等，提高库存周 转率，降低库存成本。AI 聊天机器人可以随时了解 ERP 库存系统、跟踪订单和其他更新。 • 物流配送与运输管理：机器人在深度学习算法和 3D 相机的加持下，可以识别被配送货物的形状、尺寸和 条形码，自动分拣和归类，提高仓库分拣效率和准确

图灵提出了一个引人深思的问题： “机器能思考吗？ ”。这个问题激发了人们 无尽的想象 ， 同时也奠定了人工智能的基本概念和雏形 在这篇论文中 ，图灵提出了鉴别 机 器是否具有智能的方法 ，这就是 人 工智能领域著名的“图灵测试”。 如图所示 ，其基本思想是测试者 在 与被测试者（一个人和一台机 器） 隔离的情况下 ，通过一些装 置（如 键盘）向被测试者随意提 问。进行 多次测试后 ，如果被测 DeepSeek R1 1.4 未来人工智能发展 5 个阶 段 2. 人工智能思维 厦门大学大数据教学团队作品 拥有和人工智能协作的能力， 懂得如何运用人工智能 2. 人工智能思 维 具备区分人的能力 和机器的能力 协作 区分 了解 每个人都应了解人工智能 的基础运行模式 2024 年 12 月 ， 人工智能教母级人物、 斯坦福大 学终 身教授李飞飞在公开演讲中说道： “斯坦福应 7 大模型应用领 域 厦门大学大数据教学团队作品 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： 2020 年 ， OpenAI 公司推出了 GPT-3 ，模型参数规模达到了 1750 亿。 2023 年 3 月发布的 GPT-4 的参数规模是

的学习 框架 ⚫ 解题思路：拍摄数学题照片→R1 模式自动分步解析，错误点用红框标注 ②职场人：效率提升 300%的办公神器 ③创业者：零成本搭建专业团队 ⚫ 商业计划书：输入“智能家居赛道 BP 模板，包含市场规模、竞品矩阵、融资计划” →生成投资人青睐的文档框架 ⚫ 市场调研：输入“2025 年中国宠物食品消费趋势预测”→自动抓取电商平台数据生 成报告 ⚫ 价值判断（在 AI 建议中做出最优决策） ⚫ 情感智慧（弥补 AI 的情感计算短板） ②组织形态进化 ⚫ DAO（去中心化自治组织）： 通过智能合约+AI 协作平台，万人团队实现零管理成本运作 ⚫ 人机混合团队： AI 成员拥有独立数字身份，参与绩效考核与利润分配 ③终身学习范式 ⚫ 技能更新周期：从 5 年缩短至 3 个月 ⚫ 学习方式： 破解蛋白质折叠难题，加速癌症药物研发 ②多模态深度对齐 ⚫ 跨模态理解：通过神经符号系统实现图文音统一编码（如从建筑设计图生成施工 解说视频） ⚫ 具身智能：2026 年机器人将具备“触觉-视觉-力学”联觉（如凭触感判断水果成熟 度） 技术普惠： 1. 盲人通过触觉反馈装置“观看”电影 2. 工厂质检员用 AR 眼镜识别 0.01mm 级零件缺陷

think there is a world market for maybe five computers." ( 我想全世界只需要五台电脑 ) --Thomas Watson,IBM 创始人， 1943 ■ 大型机时代：数字化未开始，算力需求潜力未发掘 大型机时代 1940- 1980 计算机算力的发展 大型机时代 PC 时 代 云计算时代

DeepSeek 应用与部 署 听听真我数字人讲 DeepSeek AIGC 发展历 程 AIGC 2014-2024 自然语言处理与语言模型 大语言模型 LLM ： 2018 — 2024 DeepSeek 介 绍 DeepSeek ： 2023 — DeepSeek ： 技术创新——模型架构 | V2 （ Multi-Head Latent Attention ）

https://arxiv.org/pdf/2412.21187 45 技术对比讨论：从文本模态到多模态 ➢ DeepSeek R1 Zero 和 R1 在纯文本模态上取得的优异表现十分惊艳，这也不经让人期待：多模态 场景加持下 Deepseek R1 深度推理模型将会是怎样的表现？ ➢ 模态穿透和模态联动将有望进一步提升强推理能力。人类在日常生活中接收到的信息往往是 全模态的，不同的感官渠道 求（过度拒绝）；(3) 仍然容易受到越狱攻击。 原因： ➢ LLMs 必须使用固定的计算资源即时响应用户请求； ➢ 当前的对齐方法（如SFT和RLHF）鼓励LLMs通过偏好学习从大量数据中总结规范和人 类意图，而不是直接学习安全规范。 Deliberative Alignment: Reasoning Enables Safer Language Models 我们能否直接利用强推理能力学习安全规范以增强模型的安全性？