为“容器/作业”，并提供“最优匹配、按需启停、精准计量、效用付 费”的任务式计算服务。任务式计算服务的时间特征具有“临时性”、 空间特征具有“跳跃性”、流量特征具有“突变性”，即平时不用时任 务不存在只有用时才临时启动任务，本次启动在 A 地 X 供应方而下 次可能启动在 B 地 Y 供应方，平时不用时流量为 0 而用时流量会随 计算服务负载大幅波动。那么，传输服务如何能够满足并匹配任务式 计算服务的临时性、跳跃性、突变性？这必然要求网络资源的可调度。 《东数西算算网协同调度-业务场景白皮书》（简称白皮书）的编 制，是基于国家东数西算“安全新总线”项目所开展的算网协同工程 实践。“安全新总线”通过 400Gbps 互联了国家八大枢纽节点、以及 多个国家超算中心，可根据任务时延、带宽需求提供广域确定性网络 传输质量，并通过网络操作系统开放网络资源的调度能力，算网协同 调度平台即原生构建其上。 白皮书以业务场景视角切入，对东数西算算网协同调度的调度架 构、应用场 精准调度匹配需求的算力及网络资源，完成用户任务的部署 与执行。  资源供方入口：资源供应方可通过该入口向平台注册算力资 源，同时登记账户信息等相关内容，实现资源发布、调度、 使用、计量、计费及结算的全业务流程闭环。  协同调度模块：通过协同任务调度、流量调度与数据调度， 满足算力消费者对系统在算力、网络、存储等多维度的使用 ● 需求。  任务调度模块：接受协同调度的调控，聚焦算力维度需求，

得益于近期具有世界知识的大规模预训练模型的迅速发展, 基于大模型的具身智能在各类任务中取得了良好的 效果, 展现出强大的泛化能力与在各领域内广阔的应用前景. 鉴于此, 对基于大模型的具身智能的工作进行了综述, 首先, 介绍大模型在具身智能系统中起到的感知与理解作用; 其次, 对大模型在具身智能中参与的需求级、任务级、规划级和动作 级的控制进行了较为全面的总结; 然后, 对不同具身智能系统架构进行介绍 而如何利用目前飞速发展的计算能力与人工智能 (Artificial intelligence, AI) 技术提高具身智能的表 现则成为学界与产业界的关注重点. 最近的研究表 明, 通过扩大语言模型的规模, 可以显著提高其在 少样本学习任务上的表现, 以 GPT-3 (Generative pre-trained transformer 3)[4] 为代表的大语言模型 (Large language model, LLM) 在没有进行任何参 数更新或微调的情况下, 仅通过文本交互来指定任 务和少样本示例就能很好地完成各类任务. 在此之 后, 具有优秀泛化能力与丰富常识的基础模型在计 算机视觉、自然语言处理等领域都展现出令人瞩目 的效果. GPT-4[5]、LLaMA[6]、LLaMA2[7]、Gemini[8]、 Gemini1.5[9] 等大语言模型能与人类进行流畅的对 话, 进行推理任务, 甚至进行诗歌和故事的创作; BLIP (Bootstrapping

..................................................................................45 3.1.1 政务场景特定的任务类型..........................................................47 3.1.2 微调效果的评估指标.................... 量参差不齐。项目将建立统一的数据清洗和标注流程，确保训 练数据的准确性和一致性。 2. 模型泛化能力：政务场景复杂多样，模型需具备较强的泛化能 力，能够适应不同的政务任务和场景。为此，项目将采用多种 数据增强技术和多任务学习策略，提升模型的适应性和鲁棒性。 3. 安全性保障：政务数据涉及敏感信息，模型在处理过程中需确 保数据的安全性和隐私性。项目将引入加密技术和访问控制机 制，确保数据在处理和传输过程中的安全性。 提取和决策 支持的准确性不足。 其次，政务场景中的文本处理任务多样且动态变化。常见的任 务包括但不限于：文本分类、信息抽取、问答系统、自动摘要、情 感分析等。例如，市民提交的咨询问题可能涉及多个领域，需要快 速准确地分类并分发给相应部门处理。此外，舆情监测需要实时分 析大量的社交媒体文本，识别出潜在的社会热点和风险。这些任务 对模型的泛化能力和适应性提出了高要求，传统的定制化模型难以

算电协同技术白皮书 2 为 68.6%，青海、甘肃等新能源大省也面临类似困境。在此背景下， 算力负荷的时空可转移特性（如“东数西算”工程中的冷数据处理西 迁）和灵活调节潜力（如 AI 训练任务的错峰调度）为电力系统提供 了新的调节手段。研究表明，通过优化调度，全国数据中心可提供约 3000 万千瓦的灵活调节能力，相当于 30 座百万千瓦级抽水蓄能电站。 此外，在“双碳”目标约束下，算力产业的绿色转型需求迫切，但目 尽管我国风光发电装机超 14.5 亿千瓦（2024 年底），但间歇性、波动 性导致西部“弃风弃光”与东部“缺电”并存，而算力中心的灵活负 载特性可成为破解这一困局的关键——通过 AI 调度算法将非实时计 算任务转移至绿电富集时段，理论上可提升新能源消纳率 15%以上， 实现“比特”与“瓦特”的时空耦合。政策层面，“东数西算”工程已 明确要求 2025 年国家枢纽节点数据中心绿电占比超 80%， 《加快构建 提出通过余热回收、光热发电协同等技术提升能源利用效率，并要求 试点项目在 2024 年 8 月后开工，2025 年底前形成阶段性成果。 同时，《2025 年能源工作指导意见》将算电协同纳入新型电力系 统建设重点任务，强调需与“东数西算”工程联动，推动国家枢纽节 点数据中心绿电占比超 80%的目标。国家数据局等五部门联合印发的 《加快构建全国一体化算力网的实施意见》则提出“算力与绿色电力 第九届未来网络发展大会白皮书

布式算 力是一种新型的计算模式，在实时感知多类型、多数量计算设备资源 状况的基础上，借助统一的度量范式对资源量进行对比与评估，再结 合任务的计算强度、时延要求和数据依赖等特征，以及网络带宽和能 量预算等约束，运用自适应的智能调度算法将大规模的计算任务分散 到不同的计算节点上，从而实现高效的数据处理和分析。本白皮书阐 述了分布式算力感知与调度的背景、体系结构、关键技术、应用场景、 发展 础设施。这一理 念旨在构建一个能够动态感知全网算力资源，并根据任务需求进行智 2 能化、自动化、最优化调度的新型信息基础设施，降低计算延迟与成 本，支撑新型智能化应用的落地。 分布式算力是相对于传统集中式算力（如单一超级数据中心）而 言的算力部署与利用模式，其核心是将一个大的计算任务分解成若干 个小任务，然后把这些小任务分配给地理、网络层级或逻辑上相互独 立的多个节点。这些计算节点可涵盖数据中心、边缘设备（如基站、 一形态，边缘算力是前者重要组成部分，是分布式思想的一种具体体 现。边缘算力强调“地理近端性”，即计算能力的部署靠近数据源， 以满足低延迟和高实时性的需求；而分布式算力更关注“全局最优性”， 侧重任务的分解与协同，以处理大规模和复杂的计算任务可能调度至 边缘、核心云或两者协同，例如“云-边-端”分层推理。 分布式算力感知与调度的核心在于“感知”与“调度”两个相互 依存、紧密结合的环节。“感知”是基础和前提，它指的是系统具备

概念又被重 新拾起。大模型成为了智能体目前最完美的载体，有望完成从概念到实际应用的 蜕变。用户在 Agent（智能体）模式中给 AI 设臵目标和身份，并提供 Prompt（提 示词）。AI 自主拆分任务、使用工具、完成工作，用户仅负责设立目标、提供工具 资源和监督结果。  赋能两类实体领域，成本与效益的博弈：AI Agent 目前的应用大多都在概念层面， 但随着大模型竞争加快、政策鼓励研发投入、更多企业参与 智能体将从概念走向实际应用，成为各行业的重要助力。通过多模态大模型，智 能体能够整合图片、语音等异构数据，提高任务处理效率，并解决跨行业、跨领 域的问题。技术方面，智能体具备长期和短期记忆、自主规划、工具使用和自动 执行任务的能力。这些能力不仅能提高工作效率，还能为用户提供更好的体验。 单智能体通过试错学习适用于简单任务，而多智能体则在复杂环境中通过合作或 竞争调整最佳策略。当前，智能体主要应用在自动化和情感需求等领域，但商业 解锁科技树的成功率（蓝色是 GITM） ............................................................. 27 图 43 各模型完成任务成功率对比 .............................................................................. 27 图 44 豆包智能体的对话界面

别人告诉我这就是盒子 可以打开，可以装东西 我主动体验什么是盒子 被动抽象接受 主动具体体验 重要 意义 具身智能因其能自主产生智能行为和适应性，是通用人工智能的可能起点 3 具身智能的关键任务 导航 问答 操作 4 具身智能的核心目标 5 具身智能的核心要素 具身载体(Agent) 具身模型(Model) 智能 算法 物理 载体 相比具身载体的日趋成熟，具身模型的算法研究方兴未艾、挑战众多 端到端VLA 端测SDK （2025.03） 具身大脑 端到端VLA 9 具身大模型离实用还有差距 2023及之前 2025 及之后 2024 大模型 大数据 基本能力 单任务 单本体 单场景 多任务 单本体 单场景 通用智能系统 多本体 多场景 Scaling Law 在大语言模型和多模态大模型 上都得到了验证 感知和理解 决策和规划 执行和协作 评估和反馈 端到端 传统多模态大模型能够作为“大脑”？ n 传统VLMs在具身智能场景（长程闭环操作、时空智能等）中面临严峻挑战 以‘把锅放到抽屉里’为例，该任务涉及多步骤的长时间交互，包括移动、 抓取、放置等操作，并需要与锅、抽屉等物体进行持续交互 GPT-4o在具身任务中表现欠佳 12 回顾：具身模型应该考虑哪些能力？ n 技能泛化、真实交互、本体扩展 Skill （技能泛化） Reality （真实交互）

闲聊 • 问答 • 任务型对话 • 推荐 3 笨笨系统结构 Zhang W N, Liu T, et al. Benben: A Chinese Intelligent Conversational Robot[C]// ACL 2017, System Demonstrations. 2017:13-18. 4 “ 聊天”示例 5 “ 知识问答”示例 6 “ 任务执行”示例 7 评测指标： • Sentence ACC • 领域、意图识别和语义槽填充全做对！ • 特点（难点） • 符合任务型对话的真实应用场景 • 多领域性、多意图性 http://conference.cipsc.org.cn/smp2019/evaluation.html 13 任务一结果排名（ 2019.07.15 ） SMP-ECDT III • 个性化对话生成评测 • 给定特定用户属性，生成符 15 任务二结果排名（ 2019.07.15 ） 人机对话主要技术方向 特定域内输入和输出的空间有限 尽快完成任务结束对话 为了完成某项任务而达到某个目标 输入和输出空间无限大 尽可能延续对话 没有明确的对话目标 任务型对话（任务执行） （ Task-oriented Dialogue ） 开放域聊天（聊天）

开创RL加持下强推理慢思考范式新边界 ➢ 得益于强大的推理能力与长文本思考能力，DeepSeek R1在复杂任务上表现卓越，成为开源领域的又 一里程碑，标志着开源社区在与闭源大模型（如 OpenAI o1 系列）的竞争中迈出了关键性一步。 ➢ DeepSeek-R1 在数学代码任务上表现突出 ➢ Deepseek R1在AIME2024上获得了79.8%的成绩，略高于OpenAI-o1-1217。在MATH-500上，获得97 217。在MATH-500上，获得97.3% 的惊人成绩，表现与OpenAI-o1-1217相当。 ➢ 在编码相关的任务中表现出专家水平，在 Codeforces上获得了2029 Elo评级，在竞赛中表现 优于96.3%的人类参与者 ➢ DeepSeek-R1 在知识类问答上推动科学探索边界： ➢ MMLU \ MMLU-Pro \ GPQA Diamond 等 STEM- related related 榜单上取得良好表现 ➢ R1 展现出强推理模型在 AI-Driven Research 的潜力 ➢ 在长文本依赖任务如 FRAMEs 和 事实性推断任务 Simple-QA上表现突出 5 回顾：Pre-Training Scaling Law ➢ Pre-Training Scaling Laws: 预训练模型上广泛观察到的现象，协调了计算量C、模 型参数量N和数据大小D之间的关系

关系抽取准确率达到 90% 以上 - 知识 图谱覆盖率达到 80%以上 再次，设计并训练一个具备强泛化能力的 AI 大模型。基于处 理后的数据，采用预训练-微调的技术路线，训练一个能够适应多 场景任务的 AI 模型。模型的训练过程将注重优化参数效率和数据 利用率，确保模型在有限资源下仍能保持高性能。模型训练的关键 目标包括： - 模型参数量控制在 100 亿以内 - 训练时间不超过 30 性和代表性。数据处理阶段将采用自动化工具与人工审核相结合的 方式，以确保数据质量。在 AI 模型训练方面，项目将采用深度学 习技术，包括预训练模型（如 BERT、GPT 等）的微调，并结合迁 移学习、多任务学习等策略，提升模型的泛化能力和应用效果。此 外，项目还将设计并实现一套高效的计算资源调度系统，以支持大 规模分布式训练，确保模型训练的效率和稳定性。项目的最终目标 是为企业或研究机构提供一套完整的知识库与 重复数据、纠正明显的错误、填补缺失值以及统一数据格式。例 如，对于日期格式不一致的情况，需将其统一为 ISO 8601 标准格 式。同时，对于文本数据，需进行分词、去除停用词、统一大小写 等处理，为后续的自然语言处理任务奠定基础。 在数据清洗的基础上，需进行数据标注和分类。对于结构化和 半结构化数据，可采用自动化工具进行标注，如使用正则表达式匹 配特定模式。对于非结构化数据，尤其是文本数据，需借助人工标 注