各地低空经济政策汇编 发展目标 主要任务 应用场景 零重力飞机工业 ZEROG AIRCRAFT INDUSTRY 2025 年 5 月版 构 建 地 球 上 第 三 种 交 通 生 态 编写说明 2016 年和 2023 年，通用航 ，“ 发 展通用航空和低空经济” 。 为贯彻落实党中央做出的重大决策部署， 2023 年底以来各地争先恐后出台了 一系列 促进低空经济高质量发展的政策文件， 确定指导思想和发展目标， 明确重点任务和保障措施。 零重力飞机工业作为一家专注研发制造电动载人航空器的主机厂， 高度关注各地政策发展， 不定期收集 汇 编省市县乃至镇街等各级地方政策并及时分享各方参考 。 为保证汇编资料的准确性， 我们在梳理过程中坚 我们在梳理过程中坚 持以 各地公开发布的官方文件为依据， 各地未公开发布的政策未被列入汇编成果 。 由于各地低空经济政策文 件数量 非常之多， 梳理起来工作量巨大， 因此我们在汇编过程中重点选取了发展目标 、重点任务和应用场景 等政策要 素， 同时尽可能保留了发布时间 、 发布机构和文件号等关键信息， 以便于各方查找原始文献。 零重力飞机工业十分乐意看到本汇编成果得到广泛分享， 如有其他需要请通过以下方式与我们联系。

家，定期分享经验，促进 知识交流和协作。 5. 评估与优化 持续评估⽣成式AI应⽤的 成效。定期收集员⼯反 馈，优化⼯具和流程。 2. 聚焦⾼价值任务 识别各部⻔⼯作流程中最 耗时、最重复、最低效的 环节, 节，特别是与信息流 相关的任务。 3. 试点AI⼯具 通过⼩规模试点，验证AI ⼯具的效果并积累经验。 ⽣成式AI企业智能增效五步法® 生成式AI企业智能增效五步法® 第⼀步：启动AI思维 创建开放的学习环境：鼓励员工积极尝试和反馈生成式AI工 具。 第⼆步：聚焦⾼价值任务 ⽬标： 识别各部门工作流程中最耗时、最重复、最低效的环节，特别 是与沟通相关的任务。 确定首批应用AI的领域，并设定明确的自动化目标。 实施步骤： 梳理⼯作流程：找出最需要优化的环节，尤其是那些涉及大量 文本生成、编辑或沟通的任务。 优先排序任务：根据任务的价值和自动化潜力进行排序，设定 具体目标。 客⼾类型 服务类别 选择并实施适合优先领域的生成式AI工具 通过小规模试点，验证AI工具的效果并积累经验。 实施步骤： 评估并选择AI工具：根据试点任务的特点和需求，选择合适的生成式AI工 具。 1. 小规模试点：从简单任务开始，逐步扩大应用范围。 2. 快速迭代优化：根据试点反馈，不断调整和优化AI工具的使用方式。 3. 创建⾼价值任务模板库： 分析过往成功案例，提炼高效沟通模式。 利用生成式AI，根据不同场景和目标受众，生成多样化的模板。

系列、文心一言、通义千问、腾讯混元以及科大讯飞表现较好。 金融垂类模型国外发展先行 ，国内成品问世。 1 ） 国外彭博 BloombergGPT 率先登场。 BloombergGPT 的混合训练方法使其模型在金融任务上 的表 现大大超过了现有的大语言模型 ，而在通用场景上的表现则与之相当 ，甚至优于现有模型。 AI4Finance Foundation 开发 FinGPT ，为金融大 型语言 模型提供互联网规模的数据 ；腾讯云公布腾讯云金融行业大模型 ， TI-OCR 大模型帮助银行解决 日常业务问 题；恒生电子进一步升级金融大模型 LightGPT ，并发布多款光子系列大模型应用产品 ；蚂蚁集团公布蚂蚁金融大模型 ，在多项金融 专属任务中表 现突出；东方财富、 同花顺加大 AI 研发技术投入 ，筹建人工智能事业部 ，重点推进金融垂直大模型研发应用。 投资建议：我们预计 2024 年金融垂类模型产品落地较多，建议关注具备 领域专业性 在金融领域具有专业的理解能力，更精熟于金 融术语和概念 灵活性和利用率高 大量数据训练提高了模型的准确率，并可以应 用于多种任务中 针对性的解决方案 更适合解决金融行业的具体问题，与行业需求 和合规性要求相匹配 可迁移性强 在数据量较少的特定任务上，通用模型也可以 通过微调进行有效的迁移学习，大大减少模型 的训练时间和计算资源 高精度和合规性 提供更精确、可信赖的金融信息和建议，同时

设备端 边缘服务器 本地一体机部署 私有云 公有云 来源：沙利文、头豹研究院 中国推理算力：定义与服务覆盖范围 关键发现 推理算力主要负责AI模型的推理任务，主要用于处理和执行已经训练好的模型进行实 际应用。这包括执行推理任务、处理实时数据和提供预测结果。推理过程通常对计算 资源需要快速响应，对实时性要求较高。 市场研读 2025/08 使用新数据推理出各种结论。  推理芯片的目标是在已经训练好 的模型上执行任务，推理芯片不 需要进行复杂的学习过程，其设 计重点是在保持高效计算的同时， 尽可能减少功耗。  因此，推理芯片比较关注低延时、 低功耗。可配置使用优化的推理 硬件，高效能的服务器和网络设 备如GPU、NPU或FPGA，这些硬件 能够高效执行模型推理任务，以 确保快速响应时间和稳定的服务。 但不一定需要与训练时相同的硬 件配置 Cache同步  每个NPU配备不少于200Gbps的RoCE接口  确保数据传输低延迟和高带宽 用户请求 任务调度 预填充实例 Prefill  任务类型：计算密集型  硬件需求：高算力NPU/GPU集群  优化目标：最小化首Token时延 解码实例 Decoding  任务类型：内存密集型  硬件需求：大容量内存+高内存带宽  优化目标：最大化Token生成效率 高性能RoCE网络

智能协同办公平台，采用“知识统一治理—智 能精准服务—任务闭环协同”的总体架构设计，旨在将大模型、检索增强生成（RAG）、 智能体（Agent）等前沿 AI 技术与办公场景深度融合，打造智能化的办公助手，推动办 公模式的数智化转型。 智能协同助手三位一体架构设计 本成果聚焦于解决传统办公模式下面临的七大核心痛点，具体如下： 1. 办公效率低下： 公文检索、材料撰写等任务高度依赖人工，流程繁琐、耗时长且易出错，制约了整 系统仅在用户提出明确需求时才被动响应，无法预测用户潜在需求，提供个性化、 前瞻性的主动服务。 5. 系统集成与协作壁垒： 各办公系统呈“烟囱式”架构，功能模块耦合度高，难以灵活联动，无法形成从“意 图”到“结果”的智能任务闭环。 6. 安全与权限管理薄弱： 在处理跨部门信息流转时，权限边界模糊，精细化管控不足，知识库规模扩大后面 临安全挑战。 7. 用户体验与易用性差： 系统界面复杂、交互不友好，学习成本高，影响了新工具的推广与使用效率。 率。 四、解决方案 1. 解决思路 构建分层分级的知识库打破信息孤岛，奠定高质量的数据底座；以检索增强生成和 多智能体技术为核心，提供精准、高效的智能服务；将复杂的办公任务智能分解并协同 执行，实现从用户意图到任务完成的全流程闭环管理，构建相互支撑、协同增效的智能 办公新范式。 2. 解决方案 本方案构建了一个覆盖知识管理、智能服务、协同办公全链条的综合性平台。 “海翠”智能协同助手平台功能架构

7 ．要明确阶段性目标。要回答： 1-2 年做到怎样？ 2—5 年做到怎样？ 5 年以后又怎 样？ 8 ．要明确战略实施的关注点。 P1 任务：进行战略制定，明确业务战略 ( 商业策划、可行性研究、规划方案 ) 01| 如何执行 P1 P1 任务：进行战略制定，明确业务战略 ( 商业策划、可行性研究、规划方案 ) STEP 1 、战略市场调研与商业策划： ① 业务定位、②市场需求、 STEP 3 、形成整体的公司业务规划方案设计 这个步骤要解决以下问题：①功能配置、②空间布局、③物流方案、④运营模式、⑤生态景观、⑥分期建 设等等。 01| 如何执行 P2 P2 任务：战略业务规划完成后，各业务板块详细规划，与建筑施工单位配合完成建筑方案、系统平台 规划设计。 ( 土建相应手续审批、建筑方案、施工图 ) STEP 1 、各业务板块详细业务规划方案和资质文件获取 施工注意点： 1 、施工的质量； 2 、施工偏差处理； 3 、各施工方的协同； 业务板块规划注意点： 1 、各业务板块协同流程； 2 、配套的组织架构功能设计； 01| 如何执行 P2 P2 任务：战略业务规划完成后，各业务板块详细规划，与建筑施工单位配合完成建筑方案、系统平台 规划设计。 ( 土建相应手续审批、建筑方案、施工图 ) 系统平台规划： 1 、线上线下是难点，满足客户的客户需求。

的功能逐渐清晰。目前 语音助手、修图、写作助手等功能成为主流。苹果通过 Siri，将 AI 当作手机不同 App 之间 联系的工具，而不是像此前三星和谷歌的 AI 应用更侧重于让 AI 去完成单一特定任务。未来 AI 软件由谁付费或发展成手机品牌商、芯片厂商、软件厂商、消费者的四方博弈，但随着 token 成本的下降和苹果较大的优质用户基数，模型 API 成本或持续下降，并推动应用加速 普及，AI 手机渗透率有望持续提升，形成正向循环。 取代了此前的插件商店（2024 年 3 月关闭），用户不仅可以在平台上分享自己创建的 GPTs，还可以从其他人那里获取各 种 GPTs，形成丰富的 GPTs 生态系统。GPT Store 定制版本可以针对特定任务或行业进行 优化，允许用户与外部数据（如数据库和电子邮件）进行简洁的交互。2024 年 5 月，随着 OpenAI 更新 GPT-4o 模型，ChatGPT 能够识别用户语音的感情，并输出语音，实现如同 指导AI AI AI AI 绝大多数工作可 以由AI完成 绝大多数工作仍然 由人完成 借助复杂的提示词完成自动 通过设定目标完成自动化 化 / 人类负责设定目标、提供资 源和监督结果，AI完成任务 拆分，工具选择，进度控制， 实现目标后自主结束工作 人类和AI进行协作，工作量 相当。AI根据人类prompt完 成工作初稿，人类进行目标 设定，修改调整，最后确认 人类完成绝大部分工作，向 AI询问意见，了解信息，AI

方面 GPT-3 训练 所需算力为 121528 TFLOPS，若 30 天内完成，需要 1558 颗 A100。内存角度， GPT-3 训练至少需要 3.2T 内存，至少 44 张 A100，推理任务则主要受显存限 制，需要 4 至 8 张 A100，因此完整的模型无法在终端上离线运行。 优化后大模型可在旗舰机型芯片上运行，AI 落地有望推动新一轮换机潮。 AI 部署本地化具有必要性，优势包括更低的延迟、更小的带宽、提高数据安 的超级海量的 数据，无需进行人工标注，即进行自监督学习；2）基础模型规模非常大，参数规 模从十亿到千亿级别；3）训练出的基础模型具有跨领域知识，而后通过微调用降 低成本的方法来训练，以适应不同领域的任务。AI 2.0 的巨大跃迁之处在于，它 克服了前者单领域、多模型的限制。 图1：AI2.0 时代的特征是通过超级海量数据无需标注训练一个大模型 资料来源：创新工场，国信证券经济研究所整理 以大语言模型（Large 作为验证，通过训练一个预测的计算最优模型 Chinchilla 来检验这个假设，该模 型使用与 Gopher 使用相同的 FLOTs，但具有 70B 个参数和 4 倍多的数据，最终在 大量下游评估任务中，Chinchilla 表现显着优于 Gopher，且其缩小的模型尺寸大 大降低了推理成本，并极大地促进了下游在较小硬件上的使用。 图6：2022 年最大的五个 transfomer 模型条件 图7：各模型位于

技术的支持下，新 一代 C-V2X 还能够结合多接入边缘计算（MEC），支持 车载智能之间、车载智能和路侧智能之间的高吞吐 量、高可靠和低延迟的通信，实现如协同感知、协同决 策规划、协同控制等任务，以达到自动驾驶车辆性能 和交通全局最优化发展目标。 目前 C-V2X 的 PC5 口被分配了 5.9 GHz 频点 20 关键词： 车路云一体化；智能网联汽车；多智能体强化学习 doi：10 Actor-Critic 的 MADRL 算法来解决 编队场景中的频谱资源分配和发射功率选择问题。 考虑到不同虚拟编队的任务可能不同，即不同智 能体的预期不同，需针对不同的智能体设计不同的评 价策略。在 Actor-Critic 基础上，设计层次化和异构的 Critic，为具有不同任务的智能体提供异构的 Critic，消 除智能体之间的依赖关系，使每个智能体仅基于本地 观察选择动作。 训练完成的智能体模型，将由路侧边缘计算根据 智能体部署一个本地价值网络和一个动作网络，从而 根据自己的观察做出决策，无需其他编队的信息。 d）基于全局评价和任务分解策略的 MADDPG 算 法（AVF with TDec）。 根 据 文 献［9］的 思 想 建 立 的 MADDPG 方法，采用全局评价和任务分解策略，在输 入到其价值网络时，从全局评价的角度来看，所有子 任务都具有同等的重要性。 4.2 仿真结果分析 以发送协同感知数据（CAM）为例，图 3

英伟达业绩实现与拆 解 04 风 险提示 请务必阅读正文之后的免责声明及其项下所有内容 请务必阅读正文之后的免责声明及其项下所有内容 一、 GPU 与人工 智能 l 全球数据总量及数据中心负载任务量大幅上涨，数据中心算力需求快速增长。随着 人工智能等新技术发展，海量数据的产生及其计算处理成为数据中心发展关键。 据 IDC 数据，全球数据总量预计由 2021 年的 82.47 ZB 上升至 突出需求，高并行度的深度学习算法在视觉、语音和自然语言 处理等领域上的广 泛应用使得算力需求呈现指数级增长。 据 Cisco 数据，全球数据中心负载任务量预计由 2016 年的 241.5 万个上升至 2021 年 的 566.7 万个，对应 CAGR 达 18.60% ；其中，云数据中心负载任务量 CAGR 预计达 22% 。 l 以模型中的参数数量衡量，大型语言模型的参数 在过去五年中以指数级增长。随着参数量和训练 请务必阅读正文之后的免责声明及其项下所有内容 图：简单任务中不同参数模型上下文学习性能 资料来源： IDC ，国信证券经济研究所整理 资料来源： Cisco Global Cloud Index ，国信证券经济研究所整理 图：模型参数规模大幅上涨带来算力需求提升 图： 2021-2026 年全球数据总量及预测 图： 2016-2021 年全球数据中心负载任务量及预 测 资料来源：《