大模型在工业领域落地应用所面临的挑战和英特尔针对工业 AI 和大模型落地部署从硬件，到软件，到 整体方案的技术赋能。 英特尔希望通过本白皮书，促进工业 AI 技术的广泛应用，并与行业伙伴共同探讨和制定工业 AI 的标准 化流程和最佳实践，共同构建开放、协同的工业 AI 生态系统，推动制造业向智能制造转型升级，赋能 新质生产力。 — 张宇博士 英特尔中国区网络与边缘事业部首席技术官 前言 目录 01 和检测效率，满足生产线的快速节拍需求。 汽车零部件和整车的性能，不仅关乎驾驶性能和体验，更关乎生命安全。因此，必须保证汽车零部件完好无缺陷， 整车装配高度精准可靠，确保每一个部件都符合严格的安全标准。 例如，轮毂是汽车的重要组成部分，其质量直接关系到汽车的安全性和使用寿命。在轮毂的生产制造中，容易产生 划痕、擦伤、气孔、毛刺、喷涂不到位、黑点等外观缺陷。缺陷的多样性、表面反光的干扰以及生产线上的实时检 intel.com/processorclaims（英特尔® 酷睿™ Ultra 处理器 — 边缘）。结果可能不同。 2. 英特尔® 不以路线图指导的方式承诺或保证产品可用性或软件支持。英特尔® 保留通过标准 EOL/PDN 流程更改路线图，或是中止产品、软件和软件支持服务的权利。有关更多信息， 请联系您的英特尔® 客户代表。 3. 英特尔锐炫™ GPU 仅适用于部分搭载 H 系列英特尔® 酷睿™ Ultra

无缝连接 为特定学习情景建立 学习社群，为学习者 有效联接和利用学习 社群进行沟通和交流 提供支持 无缝切换 无缝切换 联接社群 系统集成 虚实融合 多终端访问 系统集成 遵循技术标准，跨级、跨 域教育服务平台之间实现 数据共享、系统集成 虚实融合 通过增强现实等技术 实现物理环境与虚拟 环境的无缝融合 多终端访问 支持任何常用终端设备无缝 连接到各种教育信息系统， 终端： IPAD 学习环境 学习环境： STEAM 学习实验室 STEM 学习实验室2 充分激活学生潜能与创意，促进数字技术和 个人制造的有效融合，让学生有更多的实践动手 的机会，我们高标准建设“ STEM 创新学习实验 室” ，让学生在实践操作中开展创客式学习，培 养学生创新能力。  S 学习实验室 （ 科学 Science ）  T 学习实验室 （ 技术 Technology 广播系统 工业标准框架 为资源管理和支持学习提供管 理服务 智慧课堂：利用 21 世纪技术（ IBM 及其伙伴） 虚拟架构、计入虚拟客 户端解决方案 IBM 服务器与 存储器 客户设备、弱式客户 端 IBM 管理的服务 集中式架构 虚拟桌面服务 学生、教师和职员 公共架构 IBM 公有云 旧的桌面服务 开放教育资源 工作需求 信息服务 广播系统 工业标准框架 智慧课堂案例

AI 素养提升计划”，覆盖 5000 万弱势群体 ②职业替代 ⚫ 高危岗位：基础文案/客服/数据分析岗位替代率达 47% ⚫ 转型路径：建立“人机协作绩效评估体系”，重构岗位价值标准 ③认知依赖 ⚫ 思维退化：调查显示过度依赖 AI 导致 25%用户独立思考能力下降 ⚫ 应对策略：中小学增设“批判性使用 AI”课程，培养元认知能力 5.未来展望：AI 正在重塑国际竞争格局： ①技术主权争夺 芯片突围： ⚫ 华为昇腾 910B 芯片性能追平英伟达 A100 ⚫ 国产光子芯片突破 7nm 制程 ⚫ 标准制定权：中国主导制定 AI 伦理国际标准 ②数字丝绸之路 ⚫ 技术输出：在非洲建设“AI 赋能中心”培训百万数字人才 ⚫ 文化传播： 1. 通过多模态 AI 向世界展示敦煌壁画 2. 自动生成适配不同文化的产品说明书

采样的输入和输出, 𝐴𝑡是基于广义优势估计（GAE）计算的优势值，依赖于奖励序列 {𝑟≥t} 和学 习的价值函数𝑉𝜓 。因此，PPO需要同时训练策略模型和价值函数。为避免奖励模型的过度优化， 标准做法是在每个词元的奖励中添加与参考模型的KL惩罚项 23 DeepSeek-R1 技术剖析：GRPO 赋能RL-Scale ➢From PPO to GRPO: ➢ PPO的价值函数通常是与 对于每个问题q，从旧策略模型𝜋𝜃𝑜𝑙𝑑采样一组输出 {𝑜1, 𝑜2, 𝑜3, … , 𝑜𝐺}，奖励模型为 每个输出生成奖励{𝑟1, 𝑟2, 𝑟3, … , 𝑟𝐺} 。随后，奖励通过减去组内均值并除以标准差进行归一化。结果监督将 归一化后的奖励分配给每个输出的末尾词元，并将所有词元的优势设为该归一化奖励； ➢ 基于过程监督的GRPO: 结果监督仅提供输出末尾的奖励，对复杂数学任务的策略指导不足 ➢ 然后做SFT ➢ DPO（Direct Preference Optimization）：使用长文本 CoT 模型生成的答案作为偏好数据来训练Short CoT 模型。 ➢ Long2short RL：在标准 RL 训练后，使用长度惩罚对模型进行微调，进一步提高短文本 CoT 模型的效率。 技术对比讨论：Kimi K1.5 Moonshot 32 技术对比讨论：Kimi K1.5 vs. DeepSeek-R1

异步下发，多流水执行 第三方推理服务 3rd 支持 PyTorch / 昇思 • 少量代码实现训练向推理平滑迁 移 • 整图 / 子图优化 + 单算子混合推 理 MindIE-SD • 业界标准 RPC 接口高效对接业务 层 • 模型管理，集群管理， devops • 支持多实例并发 MindIE-Torch MindSpore 对接 MindIE-MS 推理开发工具 推理应用接口 ★ 硅基流动作为昇腾软件伙伴 致力于打造规模化、标准化、高效能 AI Infra 平台， 提 供高效能、低成本的多品类 AI 模型服务，助力开 发者 和企业聚焦产品创新。 DeepSeek 上线 1 周，服务用户数 据 硅基云服务平台上线

以 DeepSeek-R1 满血版为例进行演示 ，通过百炼模型服务进行 DeepSeek 开源模型调用 ，可以 根 据实际需求选择其他参数规模的 DeepSeek 模型。百炼平台的 API 提供标准化接口 ，无需自 行搭建 模型服务基础设施 ，且具备负载均衡和自动扩缩容机制 ，保障 API 调用稳定性。搭配 Chatbox 可视 化界面客户端 ，进一步简化了调用流程 ，无需在命令行中操作

本地部署大模型方 案 在监督微调阶段 ，模型会学习一个 指令 - 响应（ Instruction-Response ） 数据集 ， 该数据集包含大 量人 类编写的任务示例 ，例如“请解释相对论的基本概念”及其标准答案 通过这种方式 ， 模型能够理解不同类型的任务并提供符合预期的回答 。 指令 - 响应 （ Instruction - Response ） 数据集用于训练模型理解任务指令并生成符合预期的响应 并根据学生学情推荐分层教学内容 作业批改与反馈： 大模型可自动批改客观题并生 成 个性化评语 ， 教师只需专注于主观题的深度反 馈 大模型本质上是基于海量数据的概率生成器 ， 其核心价值在于辅助教师完成重复性、 标准化工作 ， 让 教师有更多精力投入到创造性的教育环节 教学效率革命 创造性工作的短板 教学设计： 优秀的课程需要融合教学目标、 学生兴趣和社会热点 ， 而 AI 只能基于既有模