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、 模块等代码，甚至优化现有代码，从而帮助开发者加 速代码生成，减少错误。 • 优化产品结构与应用模拟：通过形态识别技术，将 产品外形及特征转化为数据，辅助设计师不断优化 迭代。利用收集到数据构建数字孪生产品模型，模 等关键信息，快速筛选出符合条件的候选人，提高招 聘效率。 05 01 工业人工智能 (AI) 行业观察 大模型（Large Model，也称基座模型，即 Foundation Model），是指具有大量参数和复杂结构的机器学习模型，能够处 理海量数据、完成各种复杂的任务，如自然语言处理、计算机视觉、语音识别等。大模型通常包括大语言模型 (LLM)、视觉 大模型 (CV)、多模态大模型等各种类型。 大模型通 以根据特定需求对通用大模型进行定制和优化。通过 微调 (Fine-tuning) 技术，预训练的大模型可以快速适应新的任务和数据集，而无需从头开始训练。此外，还可以通过添 加新的层或修改现有层的结构，来扩展大模型的功能和性能。 1.3 工业大模型 1.3.1 大模型 06 01 工业人工智能 (AI) 行业观察 具体来看，工业大模型主要通过以下四种核心能力，为工业应用赋能：

互联技术： NV Link AI 芯片： NV 、 AMD • DS 对强化学习的创新使用， 可以让大模型便捷的获 得 通用性 + 专用性， 可以满足各应用场景需求 • DS 对通过从模型结构到训推全流程的极致工程优化， 大幅提升 AI 的计算效率， 提升模型落地经济性 • 中国 AI 公司首次以关键创新贡献者的身份加入到全 球 AI 竞争中，冲击美国 AI 霸权 • 打破 1~2 个数量级，大幅减少 HBM 存取和通信的开销。 2. 对昇腾更亲和，大幅降低对 HBM 依赖，提升推理 Decode 性能。 MLA 架构 昇腾 影响 具体实现 实验结果 ① 模型结构 • 每个 MTP 模块共享嵌入层和输出头 • 每个 MTP 模块独占一个 Transformer Block 和一个投影矩阵 • 多个 MTP 模块串联保持完整的因果关系链 ② 训练加速框架以及昇腾硬件特性，针 对 性地设计高效率流水并行技术，提升整体训练性能 Huawei Proprietary - Restricted Distribution 关键 启示 8 模型结构优化 计算通信优化 后训练优化 降低计算，极致的掩盖，同时保证训练精度

境，用于测试模型的视觉推理能力，并且可以 无限生成训练样本。 ➢ 文本渲染数据 是通过将文本内容转换为视觉格式创建的，使模型能够在不同模态下保持一致的文本处理能力。 通过将文本文档、代码片段和结构化数据转换为图像，确保模型无论接收的是纯文本输入还是截图或照片中的 文本，都能提供一致的响应。这也有助于增强模型在处理文本密集型图像（如截图、表格、公式等）时的能力。 ➢ Long2Short 方法 和 PRM 没有被使用 (Reward Hacking 的考虑) ➢ MCTS 是一种 Structure, A* 也是 Structure, 人为加入 Inductive Bias 强求LLM按照结构化先验进 行思考可能会限制模型的能力； ➢ PRM 容易被 Reward Hacking, 且 绝对值 Value 很难准确 ➢ Kimi K1.5 更多是从 In-Context RL 的角 比如 rStar-Math, SoS 都可以用类似的思路来理解。 ➢ 本质上，STaR一类的方法是希望模型能够学习到MetaCoT, 即问题到答案映射 过程背后的深入规律 ➢ 但是对于问题的结构要求性高，对于复杂数学推理任务可能难以自我迭代 ➢ 难以融入 Rule-Based Reward for RL训练 ➢ PureRL加持下，业界的技术实践更多Focus on 直接利用RL激活基座模型的推理潜

2025 年 2 月 25 日 厦门大学 林子雨 副教授 国 内 高 校 大 数 据 教 学 的 重 要 贡 献 者 团队负责人 ：林子雨 副教授 年轻力量： 核心成员全部 46 周岁以下 结构合理： 教学型、 科研型、 实验工程师 专注专业： 从 2013 年至今 ， 11 年专注于大数据教学 团队特点： 眼光前瞻、 紧跟技术、 创新实干、 执行力 强 影响力高： 多项指标在国内高校大数据教学领域领 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 位点） 、蛋白质结构预测（推测蛋白质 的 二级和三级结构） 、药物研发（预测分 子 与靶点的相互作用）等 大模型可以用于质量控制、故障诊断等任 务 。通过学习大量的工业制造数据 ，大 模 型可以辅助工程师进行产品质量控制 和故 逻辑。 n 依赖提示语补偿能力短板（如要求 分步思考、提供示例）。 n 提示语更简洁 ，只需明确任务目标 和需求（因其已内化推理逻辑）。 n 无需逐步指导 ，模型自动生成结构 化推理过程（若强行拆解步骤 ， 反 而可能限制其能力）。 5.1.5 AIGC 大模型的提示词 推理模型 提示词之道： 通用大模型与推理大模型在提示词策略方面也有不同侧重与技 巧 5

职场：“作为跨境电商运营（身份），要优化亚马逊产品标题（场景），要求包含关 键词‘ergonomicofficechair’且字符≤200（限制），参考竞品 BestSeller 前十的标题 结构（目标）” ⚫ 教育：“高三学生（身份）复习导数压轴题（场景），需要 5 道难度递进的变式题 （目标），答案需附分步解析（限制）” ②角色扮演法 技术原理：激活 AI 的“专家模块” 方案→推送进度提醒 ⚫ 跨平台协作： Excel 表格+微信聊天记录+邮件内容→自动整合为 CRM 客户档案 3.社会影响：重新定义工作边界 DeepSeek 的普及正在引发结构性变革： ①职业重构 ⚫ 新兴岗位：AI 训练师（年薪 50 万+）、智能流程设计师、数字资产管理员 ⚫ 技能升级：提示词工程师认证考试报考人数突破百万 ②教育革命

实现合法的需求 IBM 通过提供先进深 度分析技术，为教育 提供新的研究视角， 从指导决策。 通过开放式应用和灵活性 加工， IBM 帮助教育实现 智能化 智能工作 绿色与其它 新智慧 能源结构 IBM 帮助教育创建智慧设施， 在减少成本的前提下，提供能 源和安全。 提升学生、教育和社会的 成果 为教师和学生提供个性化 学习资源 保证实现投资目标 通过灵活性系统实现 环境改变

（ Reward ）。 DeepSeek ： 技术创新—推理模型 | RL DeepSeek 应用场 景 DeepSeek 的能力层级 • 1. 基础能力层 多模态数据融合与结构化理解 ，包括跨模态语义对齐（文本、 图像、 音频、 视频、 代 码、传感器数据统一语义） 和动态数据治理（解决数据缺失、 噪音干扰、 概念飘逸等） ， 支持 200 多 种数据格式自动解析。