技 术 特 征 情景感知 无缝连接 可视化 按需推送 智慧 教育 核心 特征 全向交互 智能管控 12 情境感知 情境感知是智慧教育最基础的功能特征，依据情 境感知数据自适应地为用户提供推送式服务。 13 内在 个人学习状态感知内容 外在学习环境感知内容 感知学习者的专业知识背景； 感知学习者的学习状态，如 焦虑、烦躁、开心等； 感知学习者的知识背景、知 识基础、知识缺陷等； 识基础、知识缺陷等； 感知学习者的认知风格、学 习风格等； 感知学习者的学习与交往需 求。 外在 情境感知 感知教与学活动实施的物理位 置信息； 感知教与学活动发生、进行与 结束的时间信息； 感知教与学活动场所的环境信 息，如温度、湿度等； 14 无缝连 接 泛在网络是智慧教 育开展的基础，基 于泛在网络的无缝 连接是智慧教育的 基本特征。 15 无缝连接 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 Classroom 2.0

。通过学习大量的医学影像数据 ， 大模型可以辅助医生进行疾病诊断和治 疗 方案制定，提高医疗水平和效率 型可以实现对车辆周围环境的感知和识别， 以及进行决策和控制，提高自动驾驶的安 全性和效率 3.7 大模型的应用领 域 大模型可以用于自动驾驶中的感知、决策 等任务 。通过学习大量的驾驶数据 ，大 模 在生物信息学领域 ，大模型可以用于基 因 序列分析（识别基因中的功能元件和变异 智能体（ AI Agent ） ，又称“人工智能代理” ，是一种模 仿人类智能行为的智能化系统 ， 它就像是拥有丰富经验和 知识的“智慧大脑” ，能够感知所处的环境 ，并依据感知 结果 ， 自主地进行规划、 决策 ，进而采取行动以达成特定 目标。 简单来说 ， 智能体能够根据外部输入做出决策 ，并 通过与环境的互动 siri 、小度、小愛音箱） ，只完成和人之间 的问答会话 6. 基于大模型的智能 体 智能体更像是一个拥有自主意识的智能员工 ，它以大语言模型为驱动 ，具备自主理解、感知、规划、记忆和使用工具的能力。它可以根据 目 标任务 ，进行智能规划与决策 ， 自动执行复杂的任务。比如在智能办公场景中 ， AI Agent 可以根据用户的日程安排 ， 自动预订会议 室、安 排会议议程

K1.5 Moonshot 策略优化损失函数 长度惩罚奖励 31 ➢ Vision Data 构造 ➢ 真实世界数据 包括各个年级的科学问题，这些问题需要图形理解和推理能力；还包括需要视觉感知和推理能 力的位置猜测任务；以及涉及复杂图表理解的数据分析任务等。这些数据集提升了模型在真实世界场景中的视 觉推理能力。 ➢ 合成视觉推理数据 是人工生成的，包括程序化创建的图像和场景，旨在提高特定的视觉推理技能，例如理解 生活中接收到的信息往往是 全模态的，不同的感官渠道能够互相补充，帮助我们更全面地理解和表达复杂的概念。 ➢ 全模态扩展将成为Deepseek R1的下一个重大突破。首先，在复杂决策场景中构建起"感知-理 解-推演"的闭环认知体系，在多个场景下扩展智能边界。 ➢ 例如，通过跨模态对齐技术，模型能将CT影像的灰度特征与病理报告的专业术语建立语义关联， 在医疗诊断中同步分析X光片阴影分布与患者 结果通常并不完美。利用语言反馈优化提 示词（prompts），可以在某些维度上改善模型的响应，从而合成更多具有学习价值的偏好对。 53 ➢ 客观基础：多模态大模型已具备强大的跨模态穿透与融合的感知能力，能够通过结合世界知识与 上下文学习能力，实现多种模态（如图像、文本、音频、视频等）的高效推理与协同输出。 ➢ 激活赋能：基于慢思考强推理能力的持续自我进化，突破了单一模态的局限性，跨模态穿透深度

位整数量化来优化深度学习模型的推理，这优化方法不需要模型重新训练或微调。 • 训练时优化，这是一套在例如 PyTorch* 和 TensorFlow* 2.x 这样的深度学习框架内进行训练时模型优化的高级方法，支 持诸如量化感知训练、结构化和非结构化剪枝等方法。 • 权重压缩，这是是一种用于减少 AI 大模型大小并加速推理的方法。 模型部署 使用 OpenVINO™ 运行模型以来 OpenVINO™ 运行时，一组带有 基础人形机器人负载 以满足需求的运动执行能力为 核心，任务相对固定，以传统 运控算法为主。 标准人形机器人负载 借助强化学习增强运动执行能 力，借助本地及云端大模型实 现覆盖场景需求的感知泛化能 力与任务生成能力。 旗舰人形机器人负载 在智能性，自主性层面增强， 在技术路径层面通过端到端模 型代替分层决策模型，整体负 载可能收敛至以 AI 为主。 在人形机器人内部，CPU、GPU GPU/NPU 负责大脑： • 负载：VSLAM，环境感知，任务编排，自主规划，模仿学习，强化学习。 • 在人形机器人中，GPU 常用于视觉处理任务，如图像识别、视频分析、3D 建模和环境映射。 • 随着深度学习的发展，GPU 也被广泛用于加速神经网络的训练和推理过程。 • NPU 是专门为神经网络计算和机器学习任务设计的处理器。通常用于执行机器人的感知任务，如物体识别、 语音识别、自然语言理解等。

记忆外延：个人知识库与 AI 记忆网络深度融合，实现“瞬间调取 20 年工作经验”的 能力 ⚫ 决策共生：AI 构建“平行推演空间”，在重大决策前模拟 100 种可能性并标注风险 路径 ②感知升维突破 ⚫ 多模态进化：2025 年将实现“五感互联”，例如通过气味传感器分析食品安全，震 动反馈识别机械故障 ⚫ 时空穿越能力：结合历史数据与预测模型，企业可“预览”三个月后的市场格局