发卡 / 激 活 坐席维度 服务型 专家型 价值型 卡人画像 精明羊毛档 年轻潜力型 风险用户型 客群属性 高频消费型 分期依赖型 商旅常客 【技术地基】 自然语言处理、 动态学习和智能策略匹配组合 产介 异议处理 促成 开场白 铺垫 核身 结束语 场景维度 场景细分 数字化培训管理 【说明】 1. 每个场景对应不同的话术场景对象； 2. 每个场景中有 成全部 3-4 个，则视为完成场景学习； 请复述下面的话术 … 读 话术 A 团队 一 B 团队 … 团队 3 听录音 5 再次提问 1 交互 2 语音对答 语音对答 大模型对练平 台 使用系统的员 工 2 学习应对技巧 三色话术 + 技巧 1 提问 语音对答 评估打分 学习分享 交流 & 分 享 成果激励 有效提高试驾率 P3 三招学会倾听 录音学习 / 数据分 析 P4 完美授课五步法 PPT 制作 录音辅导 员工面谈 P5 角色转换 三会经营 目标管理 面试技巧 人员履历 合规档案 质量档案 效能档案 工作效率 学习经历 兴趣爱好 软件使用 员工数字化档案

的赋能有望提升 XR 交 互体验和内容生态繁荣，XR 产业有望迎来新发展阶段。2、手机需求放 缓，AIGC 赋能智能手机或将成为刺激换机的重要动力。3、AIoT 融合 在未来数年内不断突破数据处理和智能学习的界限，通过边缘 AI 赋能， 智能机顶盒、智能音响、智能耳机等智能终端产品有望形成软硬件一体 的智能语音交互助理载体。 ◼ AI+提升生产效率， B 端应用场景发展潜力逐渐释放。随着技术和应用 升级至四代，模型能力高速提升。ChatGPT 是由 OpenAI 开发的自然语言生成 模型，采用 Transformer 神经网络架构（又称 GPT-3.5 架构），基于大量的语料库使用指 示学习和人工反馈的强化学习（RLHF）来指导模型训练。模型可理解并生成对各种主 题的类似人类的响应，是 AIGC 技术进展的成果。2023 年 3 月 15 日，OpenAI 正式官宣 了多模态大模型 GPT-4，ChatGPT4 参数量 预训练数据量 Tokens 学习目标 GPT-1 2018 年 6 月 1.17 亿 约 5GB 1.3B 结合无监督学习及有监督的微调 GPT-2 2019 年 2 月 15 亿 40GB 15B 学习在无明确监督情况下执行多种任务 GPT-3 2020 年 5 月 1,750 亿 45TB 499B 结合少样本学习和无监督学习 GPT-4 2023 年 3

S0980522100001 S0980522090001 l GPU 是人工智能时代下满足深度学习大量计算需求的核心 AI 芯片。 过去五年，大型语言模型的参数规模以指数级增长；从 2018 年起， OpenAI 开始发布生成式预训练语言模型 GPT 以来， GPT 更新换代持续提升模型 及参数规 ；据前瞻产业研究院 数据，中国 AI 芯片市场规模预计由 2019 年的 122 亿元增长至 2024 年的 785 亿元，对应 CAGR 达 45.11% 。 AI 芯片中 由于 GPU 通用型强，满足深度学习大量计算 的需求，因此 GPU 在训练负载中具有绝对优势。以 GPT-3 为例，在 32 位的单精度浮点数数据下，训练 阶段所需 GPU 数量为 1558 个，谷歌级应用推理阶段所 需 GPU 数量为 GPU(GPGPU) 计算的 CUDA 平台。 自 2015 年以后，随着 AI 浪潮迅猛推进，公司业务不断多元化， 向数据中心、游戏、移动设备、 汽车电子等市场发展。公司 GPU 产品能够并行计算的性能优势满足深度学习需求，通过对 GPU 架构升级不断推出新产 品，其运算性能得到显著提升，广泛 用于数据中心等计算密集领域。 请务必阅读正文之后的免责声明及其项下所有内容 复盘英伟达的 AI 发展之 路 英伟

—— 2023-05-08 大模型参数量级飞涨，相应训练集需同比提升。李开复定义 AI 2.0 时代的 特征是通过海量数据，无需标注自监督学习，训练一个基础大模型，并在各 领域将其专业化。据相关论文，当模型的参数量大于某阈值，会展现出类似 推理、无监督学习等未曾出现的能力，这种现象被称为“涌现”，因此目前 大语言模型参数均在十亿量级以上。同时，Deepmind 研究表明，模型参数的 上涨需要配合 ...... 14 图23： 单独训练子模型反哺主模型 .......................................................... 14 图24： 联邦学习的升级版 FedCG .............................................................14 图25： 两种经典剪枝方法 ......... 增加，且单一领域的数据集和模型形成孤岛，每个领域和应用的优化都是割裂的， 难以形成“通用”。 AI 2.0 时代的特征是通过海量数据，无需标注自监督学习，训练一个基础大模型， 并在各个应用领域将其专业化。具体来说有三个特点：1）对于拥有的超级海量的 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

DeepSeekR1/V3 推理服务。 l DeepSeek 通过 MLA 和 DeepSeekMoE 实现高效的推理和低成本训练，构建 DualPipe 算法和混合精度训练优化计算与通信负载；通过 ( 分阶段 ) 强化学习实现 性能突破。 多头潜在注意力 (MLA) 通过低秩联合压缩技术，大幅削减了注意力键 (keys) 和值 (values) 的存储空间，显著降低了内存需求。 DeepSeekMoE 架构采 用了更为精细粒度 了训练速度，还大幅降低了 GPU 内存的消耗。 DeepSeek-R1-Zero 通过强化学习架构创新实现突破性性能，核心技术创新体现在训 练效能优化策略、双维度评价体系、 结构化训练范式三个维度。 DeepSeek-R1 采用分阶段强化学习架构演进，包括冷启动阶段、面向推理的强化学习、拒绝采样 与监督式微调、全场景强化学习等。 l AI 应用爆发在即，算力需求持续攀升，关注 ASIC 及服务器产业链。 GPT-4o 等模型的训练成本 约为 1 亿美元。 l 2025 年 1 月， DeepSeek-R1 发布，性能对标 OpenAI-o1 正式版。 DeepSeek-R1 在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下， 极大提 升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩 OpenAI-o1 正式版。同时 DeepSeek 开源 R1 推理模型，允许所有人在遵循

移动互联网是移动通信与互联网的结合。移动互联网是一种通过 智能移动终端，采用移动无线通信的方式获取业务和服务的新兴 业务。 智慧城市技术基础：移动互联网  城市生活向移动端转移：订餐、打车、学习、医疗……各种形式的 城市生活都可以在手机上实现，社会公众正在以越来越便捷的形式 获取各种公共服务。  移动互联网将“人”与“公共服务”全面连接，大幅提升社会整体服务效 率和水平。 000 美元 • SolarList— 付钱让学生推广太阳能用电 • 最佳健康生活 APP 奖： 20,000 美元 • HealthyOut— 根据个人偏好推荐健康餐厅 及食物 • 最佳终身学习 APP 奖： 20,000 美元 • Hopscotch— 教育幼儿电脑编程基本 知识 纽约市——自下而上 发展路径：自上而下 vs 自下而上 政府： • 约 300 个优秀的解决城市问题的 平台，提供资源公 共服务平台 • 学校智慧校园：智慧教室、“双课堂”教学解决方案以及优质教学资源、 教学平台、电子书包系统等产品与教学应用服务； • 中小学生课外辅导：为中小学生提供了学习软件、学习资源及线上学 习课程等服务。 智慧教育 硬件设备 面向学生：平板电脑、电脑、手机 面向教师：教师电脑、投影仪等多媒体设备、服务器、无 线 AP 、有线路由器、千兆交换机等 智慧教育

模 型 ， 并 在 性 能 上 和 GPT-4o 以 及 Claude-3.5-Sonnet不分伯仲，训练成本约为558万美元。1月20日， DeepSeek开源R1模型，后训练阶段大规模使用了强化学习技术，在仅有 极少标注数据的情况下，性能比肩OpenAI o1正式版，不仅极大提升了 模型推理能力，也大幅降低了训练成本。同时，DeepSeek-R1蒸馏了6个 小模型，其中32B和70B模型在多项能力上实现对标OpenAI 等开源模型，并在性能上和 GPT-4o 以及 Claude-3.5-Sonnet 不分伯仲，训练成本仅约为 558 万美元。1 月 20 日，DeepSeek 开源 R1 模型，后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下， 极大提升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩 OpenAI o1 正式版。 图 1：DeepSeek R1 性能比肩 OpenAI o1 18 请务必阅读末页声明。 数据来源：《AI智能眼镜白皮书》，东莞证券研究所 2.4 AI 陪伴 AI 陪伴玩具提供学习指导、情绪价值。相较于传统玩具，陪伴玩具在搭载了 AI 大模型 后，具备智能交互、学习、自适应能力，能根据用户的行为给予互动和反馈，为儿童提 供学习与陪伴、成年人提供情感支持等体验。2023 年 12 月，Curio 率先推出内置 OpenAI 模型的棉花玩偶，售价 99

对这些数据进行深入挖掘和分析，揭示潜在的业务机会和 趋势。企业可以通过运营数据化来实现对库存管理、订单处 理、客户行为等关键业务的实时监控和决策支持。 5）决策智能化 基于运营数据化，服饰时尚企业利用人工智能、机器学习和数据挖掘等技术，对大数据进行分析和建模，实现智能化的业务决 策。例如，通过预测性分析和优化算法，企业可以更准确地预测需求、优化库存管理，并制定相应的营销策略。决策的智能化有 助于提高企业的决策 服务商等）。通过共享信息、协同决策和合作规划，实 现供应链各环节的协同作业，提高整体供应链的响应速度和灵活性。 3）供应链数字化和可视化 ①数据驱动的需求预测 利用大数据分析、人工智能和机器学习等技术，进行准确的 需求预测。通过采集和分析市场数据、消费者行为数据等，实 现精确的需求预测，从而优化生产计划和库存管理。 ②实时可视化的供应链管理系统 建立数字化供应链管理系统，实现供应链各环节的实时可视 准确的决策。例如，产品销售数据、市场调研数据和消费者反馈等信息对于产品创新和市场推广至关重要，但在传统模式 下往往难以全面获得。 2.5.3.2 服饰时尚行业智能化解决思路 1）需求预测 通过利用大数据分析和机器学习算法，以及整合消费者数据和行为分析，可以实现更准确、个性化的需求预测。 数据整合：从企业内部销售系统中获取历史销售数据， 包括产品销量、销售渠道、地区和时间等信息；整合市 场调研数据、行业报告、竞争对手的销售数据等外部数

电子技术、自动化控制技术、数据和信号 处理技术等方向均出现了许多重大突破， 体现在新一代无线通信技术、人工智能、 深度学习、智能控制、运动控制、多传感 器信息融合技术、物联网技术、图像识别 等方面。这些科学技术的创新和进步将有 效地推动软件与信息技术服务业不断创新， 为智慧口岸提供技术支撑。 人工 智能 深度 学习 智能 控制 物联网 图像 识别 大数据 云计算 5G 人脸 识别 高等教育为行业发展提供人才支撑 备智能化、系统软 件开发，为检疫查验、海关监管、公共安全提供智能检测与云服务。自 2013 年成立以来，中云智慧保持着 300% 的年收入增长，因此中云智慧颇受资本青睐。中云智慧是国内最早将深度学习、用户行为分析应用于智慧口岸、智 慧机场领域的团队。 投融资事件 轮次 投资方 投融资金额 2017-8-2 B 轮 泰州盛鑫产业基金、拓尔思 1.1 亿人民币 2014-12-28 A

训练平台：用于训练机器人的基础模型。包含英伟达推出的“Project GR00T”人形机 器人通用模型、以及其他主流的 VLM/LLM 等生成式 AI 通用基础模型，可以在此基础 上进行感知、决策、规控等方面训练和强化学习。 2） 仿真平台：在 Omniverse 基础上打造了机器人仿真平台 Isaac SIM。在数字孪生环境中， 实现和真实环境一样的开发和测试效果，如获取真实环境中难以得到的数据，可以加快 开发流程和减少开发成本。 可进行单腿瑜伽动作 双足运动姿态平衡 运动负载能力 感知/交互及商业化应用能力 与OpenAI合作 理解指令/规划任务 搭载视觉、力矩等多种传感器 自研Mi-Sense深度视觉模组 感知层 强调全流程学习能力 Gen-2覆盖智能表皮，感知温度变化 感知45/85种人类/环境语义 交互&智能 - 目标2万美金以内 - 预计售价 制造/物流/仓储/零售场景 工业、居家场景 健康/康养、商业化应用 用途 40%的广告主选择投递 Reels 形式 的广告。Google 应用 AI技术改进 Lens 视觉搜索以及图片文本跨模态多重搜索，Lens 21-23 年用户增长四倍，月使用数达到 120 亿次。 机器学习算法匹配广告和最相关受众，提高广告转化率。Meta Ads 引入类似受众和细分定 位功能，计算最佳受众群体扩大方式来优化转化量和改善广告表现。类似受众功能通过一 系列指标，如过去购买过同类商品、访问