..............................................................................38 2.3.1 大语言模型赋能工业机械手臂 ................................................................................................ 参考代码， 优化算子） 基础软件 & SDKs 平台数据 优化方法论 38 02 英特尔 ® 技术方案 大语言模型操控机械臂的技术解决方案架构如下图所示： 2.3 创新技术方案 2.3.1 大语言模型赋能工业机械手臂 39 02 英特尔 ® 技术方案 整体架构从任务的角度整个任务可以分解成三个阶段： 第一阶段是外部数据收集 这一阶段主要依赖两个外部输 摄像头的图像/视频信息，语 音输入。运行中文分析模型 分解匹配预先设置的提示词 (prompts)，视频和图像信息 则是直接给到后一阶段。 第二阶段是任务理解和分解 硬件层面 目前大模型的方案相对于传统机械臂编程方案有以下两点： 软件层面 有了上一阶段的提示词输入，大模型（目 前在 Qwen 和 Phi3 上验证）会将其拆解 为一连串的子任务序列，子任务序列和图 像视觉信息结合就构成了更加准确的执行

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 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

根据给定任务详细拆解出每一步的计划步 骤 ，依靠来自外界的反馈和自主思考 ， 自 己给自己创建 prompt ，来实现目标 目前各类 AI Copilot 不再是机械地完成人 类指令 ，而是可以参与人类工作流 ，为诸 如编写代码、策划活动、优化流程等事项 提供建议 ，与人类协同完成 过去的嵌入式工具型