，洞 察市场需求，预测未来趋势，精准定位产品的设计与 迭代方向。 • 优化研发流程管理：基于当前项目状态和历史数据建 立预测模型，预测每项任务的完成时间，并评估整个 项目的完成时间，有助于提前发现潜在延迟风险，让 团队合理分配时间和其他资源，保证项目按时或提前 完成。 • 自动化代码编写与优化：AI 编程助手利用深度学习 算法和大量代码数据训练模型，通过分析代码的结构 和模式，并根据开发者的需求，自动生成函数、类、 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 过模式识别算法检测数据中的异常，预测可能出现的 故障或发现故障甚至给出修复建议，便于运维人员及 时实施预测性维护或故障修复，减少停机时间，提高 设备的可靠性和生产效率。 • 质量管理：产品缺陷检测是质量管理的重要一环，尤 其是对于金属等高反光产品、薄膜产品的划痕、裂 纹、凹坑、气孔、污染等非常难检出的外观缺陷，利 用传统视觉算法，对工业相机采集到的图像经过预处 地检出缺陷，为传统的视觉检测技术赋予高度智能 化。质量检测也是目前 AI 技术在工业领域落地应用 较多、较为成功的一个方向。 • 智能生产管理： 在生产计划和排程方面，AI 算法可以优化生产计划 和排程，最大程度地减少产线空闲时间，提高产品交 付准时率。 在生产资源分配方面，通过深度学习和大数据分析， AI 系统能够根据实时数据预测生产任务，自动调整 生产参数，并合理地分配人力、设备、物料等生产资 源，提高资源利用率，确保生产线始终保持在最佳工

"Scaling Laws for Neural Language Models",2020 ■ 万亿大模型预训练系统成本估计 ■ 条件：计算量 C≈ 6 * N * D ≈1.5*1 025 ■ 最低时间、成本估计 ■ 单 H800(25 万 ):1.5*1010 秒 (174000 天 ) ■ 1000 张 H800(2.5 亿 ):1 .5*107 秒 (174 天 ) 算力 ( 每秒 ( 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 v3 2024 年 12 月 2.8*106 美 元 单张 H800 GPU 每小时租赁成本： 2 美 元 泛大 模型 / 指标 DeepSeek V1 DeepSeek V2 DeepSeek V3 Llama 3.1 发布时间 2024 年 1 月 2024 年 6 月 2024 年 12 月 2024 年 7 月 训练 Token 2 T 8.1 T 14.8 T 15T 模型规模 7B 、 67B 236B/ 激活

后训练优化 降低计算，极致的掩盖，同时保证训练精度 计算量减少 35% 平衡训练效率与 数值精度 计算与通信极致掩盖 减少 50%PP 气泡 以计算换内存、降通信，空间时间双优化 压缩 KVCache 降低内存 90% 支持更高并发 模型容量提升 3 倍 计算量减少 70% DeepSeek 通过从模型结构到训推全流程的优化，带来大模型新 范式 DeepSeekV3/R1 Distribution AI 调 度 平 台 超长序列 NPU NPU 4 、动态路径调整 数据并行、流水并行 模 型 并 行 算子深度融合 “ 工序合并”减少计算数据搬入 搬出的时间及内存开销 计算与通信融合 计算数据细粒度切分， 减少计算与通信相互等待 计算加速 忽略无效计算， 减少计算量和内存量 4 Multi head Attention 中常见模型的 mask 三角区域均接近于 0 自适应选择性重计算、内存碎片优化、 … 模型训练：应用使能软件加持， MFU 领先、线性度持平 NV 模型训练最优 = 单机执行最优 + 集群并行最优 + 中断时间最短 软件层分布式并行 充分调度算力资源 提供分布式加速库，内置主流 加速算法，满足各类模型加速 场景 Ascend C 编程语言 + Runtime 开放接口 算子库

模型的thinking response length 逐 渐增加（对应着 test-time computation increasing） ➢ Aha moment: 自然学会增加更多的推理时间，反思评价先前步骤、探索其他方法 RL驱动下自然涌现 Long-CoT 能力 “Aha”Moment 11 DeepSeek-R1 技术剖析：DeepSeek-R1 Zero DeepSeek-R1 自动化验证方法： ➢ 利用软件检查代码补全判断是否为完整代码； ➢ 执行Python代码检查运行情况判断是否为可运行代码； ➢ 调用外部模块构建额外的检测单元； ➢ 甚至可以更进一步，测量执行时间，使训练过程首选性能更高的解决方案； ➢ 以上均可以作为小批量训练 (Mini-Batch) 和连续训练过程中的奖励信号 14 DeepSeek-R1 技术剖析：DeepSeek-R1 Zero 混合语言推理等现象 ➢ 模型在准确率奖励和格式奖励下自然探索到 验证、回溯、总结、反思 的行为范式 ➢ 如何控制来保证最后的response 长度能够稳定上升，可能会出现反复重复验证、或者验 证时间过晚的情况; （REINFORCE 系列更快；PPO训练稳定但是慢） ➢ 多语言可能是因为预训练数据是多语言的，“一视同仁”被 Tokenization，不同的领域的不 同语言编码是否有不同优势？

②多 AI 联合作战 指令模板： “先让 DeepSeekR1 制定《智能手环市场调研方案》，再用 GPT-4 生成问卷文案，最后 用 Claude 整理数据图表” 效率提升：全流程时间缩短 70% ③批判性训练 ⚫ 逆向推演：“假设我的奶茶店三个月后倒闭，请逆向分析失败原因链” ⚫ 跨界迁移：“参考迪士尼排队管理策略，优化咖啡店高峰时段服务流程” 5 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 ③社会操作系统 ⚫ 城市智能中枢：在深圳试点中，DeepSeek 实时优化 1300 个红绿灯，早高峰通勤 时间缩短 28% ⚫ 危机预警网络：通过分析社交媒体情绪波动，提前 48 小时预测群体事件 2.产业重构：从竞争到共生的生态革命 DeepSeek 正在催生“AI 原生经济”，重构传统产业逻辑：

： ” 法国的首都是哪里 ？ ” （答案直接 、 无需推导 ） 推理问题： ” 一列火车以每小时 60 英里的速度行驶 3 小时 ， 行驶距离是多少？ ” （需先理解 ”距离 = 速度 × 时间 ” 的关系 ， 再分步计算） Sebastian Raschka 博士（ Lightning AI 的首席教育学家） 将“推理”定义为通过生成中间步骤来回答复杂问 题的过程 通用的大语言模型（ 适用场景 复杂推理、 解谜、 数学、 编码难题 文本生成、 翻译、 摘要、 基础知识问答 复杂问题解决能力 优秀 ，能进行深度思考和逻辑推理 一般 ，难以处理多步骤的复杂问题 运算效率 较低 ，推理时间较长 ，资源消耗大 较高 ， 响应速度快 ，资源消耗相对较小 幻觉风险 较高 ， 可能出现“过度思考”导致的错误答案 较低 ，更依赖于已知的知识和模式 泛化能力 更强 ，能更好地适应新问题和未知场景 便于学生依据知识图谱完成课前预习、课中学 习和课后复习 助教 利用 AI 生成教学资源 ，帮助教师完成系列教育 教学基础工作 ，教师只需复核即可 ，使教师有 更多时间和精力投入创新性工作中。超级智能 体可根据既定科目 ，辅助教师完成出题并附带 解答 助研 超级智能体对接学术资源查询 ，可在任何地点 根据关键词快速调取学术资源库内容和文章。

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 为特定学习情景建立