学生主体作用和教师主导作用充分发挥； 智能管理情境； 自动感知环境。 46 智慧课堂：促进学生成功的新智能 在校学生的绩效数据增长非常快 46 智慧体现在什么地方？ 将学生的绩效数据集成在一起，以更好 支撑对学生学习过程的理解。 了解学生参与习惯，实现对学生施加具 有针对性的干预策略。 智慧教育结果 掌握学生每年的进步情况 早期诊断学生学习中遇到的困难，并施 加补救措施。 矩阵 仪表盘 未来教室环境 案例四：混合式课堂与实验室 智慧课堂的教学优势 学生在“一对一” 环境中开展学习， 人手一台平板电 脑。 教室利用教室墙 开展教学活动 基于新技术的未来学习 未来教室环境的支撑技术 环境创设：利用技术手段，为基于 未来教室的学习提供虚拟学习环境， 增强体验感。 课室灯光：更加绿色与环保 课室黑板：绿色板 智慧课堂的类型 实用型未来教室  指在传统教室基础上，改进优化教室的物理环境，增添适量数字

，并接入本地知识库（如 学术资源、 课程资源、 实验数据等） ， 后期学校将根据具体需求及资源占用情况提供差异化服务 ， 构建 “ A I + 学科 ”垂直领域解 决方案 ，为学科交叉创新发展提供有力支撑 4.2 国产 AI 大模型 DeepSeek 走入高 校 本地部署 大模型 4.3 为什么需要本地部署大模 型 离线与高效使用 成本与资源优化 数据隐私与安全性 避免使用限制 定制化与灵活性 娱乐、营销、科研等领域 ，为用户提供高质量、高效率、高个性化的内容服务 5.1.1 什么是 AIGC 大模型与 AIGC 之间的关系可以说是相辅相成、 相互促进的。 大模型为 AIGC 提供了强大的技术基础和支撑， 而 AIGC 则进一步推动了大模型的发展和应用 大模型和 AIGC 的结合 ， 也带来了广泛的应用前 景 AIGC 的需求也推动了大 模型的发展 大模型为 AIGC 提供了丰

理，庞大的数据量会造成带宽拥挤，影响处理的时效 性。采用边缘计算方案来缓解时效性问题，但是这对 边缘端计算硬件的实时处理能力提出了挑战。 第二，算力问题。 无论是训练 AI 算法还是各种工业大模型，都需要强 大的算力支撑。工业大模型动辄参数规模都在十亿、 百亿甚至千亿级别，需要庞大的计算资源进行训练。 这种训练过程涉及海量的数据运算，对 CPU、GPU 或 NPU 等加速计算硬件提出了极高的要求。 第四，模型应用准确性问题。 AI 的设备维护解决方案 背景与挑战 在现代工业运营中，企业面临着多方面的设备维护管理挑战。首先，设备运行工况无法实时掌握，这导致无法及时响应设备 的维护需求，增加了设备故障的风险。其次，缺乏数据支撑的设备服务和运营服务使得维护决策难以做到精准和高效，难以 实现资源的最优配置。此外，随着技术的发展和设备的复杂性增加，运维成本不断攀升，给企业带来了经济压力。最后，传 统的被动服务模式导致运维服 多类型的设备，满足不同行业和场景的需求。以物联网 的广泛连接为基础，该方案构建了一个统一的平台，实现了设备数据的集中管理和分析，从而提高了运维效率和服务质量。 此外，解决方案中的高效数据通道能够支撑算法加持的智能诊断，使得设备的运行状态可以实时监控，故障可以快速预测和 诊断。这种智能化的维护方式不仅提高了设备的可靠性，还降低了运维成本，提升了服务体验。通过这些先进的技术和方法， 联想的解决

异构计算架构 CANN A Ascend 昇腾处理器 AI 计算使能服务 -DeepSeek 部署支持：快速适配 DeepSeek 模型，支撑模型快速上 线 关键特性 W8A8 量化 | 服务化部署 | EP 并行 AI 软件栈多且复杂， 客户不清楚模型组 件安装依赖顺序， 模型分析工具链有 哪些，模型是否支