中共中央、国务院 2019 年 5 月 9 日印发了《关于建立国土空间规划体系并监督实施的若干意见》 （中发 [2019]18 号文），明确要求完善国土空间基础信息平台，已自然资源调查监测数据为基础， 采 用国家统一的测绘基准，整合各类空间关联数据，建立全国统一的国土空间基础信息平台 状评估工作。 • 以国土空间基础信息平台为底板，结合各级各类国土空间规划编制，形成全国国土空间规划“一张图” • 依托国土空间基础信息平台，建立健全国土空间规划动态监测评估预警和实施监督机制 建设背景——机构改革后的新要求 5 Huawei Confidential 当前：原部门信息化基础设施并存 业务专网 趋势 1 ：基础设施融合，构建自然资源云和四级专 网 点 地质云 平台 8 Huawei Confidential 测绘 地质 海洋 国土 应用支撑 厂 围绕自然资源生态文明建设总体布局、网络强国战略和建立国土空间规划体系并监督实施的部署要求， 充分运用互联网、云计算大数据、物联网、三维仿真、人工智能等新一代信息技术现代化 为国土空间规划体系建立、用途管制和生态修复、自然资源确权登记、自然资源开发利用等新时代国土空

以国土空间基础信息平台为底板，结合各级各类国土空间规划编制，形成全国国土空间规划“一张图” • 依托国土空间基础信息平台，建立健全国土空间规划动态监测评估预警和实施监督机制 中共中央、国务院2019年5月9日印发了《关于建立国土空间规划体系并监督实施的若干意见》 （中发[2019]18号文），明确要求完善国土空间基础信息平台，已自然资源调查监测数据为基础，采 用国家统一的测绘基准，整合各类空间关联 国 家 节 点 形成数据资源体系管理与应用服务支撑信息化机制！ Huawei Confidential 9 建设目标 围绕自然资源生态文明建设总体布局、网络强国战略和建立国土空间规划体系并监督实施的部署要求， 充分运用互联网、云计算大数据、物联网、三维仿真、人工智能等新一代信息技术现代化 1 2 形成全国统一的自然资源数据资源体系 形成数据资源体系管理和应用服务支撑信息化机制 操作系统和中间件 应用与数据集成 区块链服务 、AI一站式服务 国土空间基础信息平台（合作：特力惠、超图信息、武大吉奥） 数据资源服务 基础通用服务 智能分析服务 地图信息服务 “一张图”实施监督信息系统、一体化综合管理系统（合作：国图、特力惠、数慧 …） 规划编制 规划审批 规划实施 监测评估 数据库（空间、瓦片） 大数据平台 分布式/融合存储 遥感智能平台 华为提供 分析快：常用空间规划模型分析，亿级对象复杂叠加分析

DeepSeek-R1 \ Kimi 1.5 及 类强推理模型开发解读 北大对齐小组 陈博远 北京大学2022级“通班” 主要研究方向：大语言模型对齐与可扩展监督 https://cby-pku.github.io/ https://pair-lab.com/ 2 Outline ➢ DeepSeek-R1 开创RL加持下强推理慢思考范式新边界 ➢ DeepSeek-R1 Zero 具备强大推理能力与长文本思考能力，继开源来备受关注。 ➢ DeepSeek R1-Zero 和 R1的出现再次证明了强化学习的潜力所在： ➢ R1-Zero 从基础模型开始构建，完全依赖强化学习，而不使用人类专家标注的监督微调（SFT）； ➢ 随着训练步骤增加，模型逐渐展现出长文本推理及长链推理能力； ➢ 随着推理路径增长，模型表现出自我修复和启发式搜索的能力； 4 DeepSeek-R1 开创RL加持下强推理慢思考范式新边界 Effective than Scaling Model Parameters 8 DeepSeek-R1 技术剖析：DeepSeek-R1 Zero DeepSeek-R1 Zero: 无需监督微调SFT，纯强化学习驱动的强推理模型 DeepSeek-v3-Base (671B) DeepSeek-R1-Zero 基于规则的奖励 Rule-Based Reward 推理为中心的大规模强化学习

促进负责任的创新：通过坚持最佳实践、保持透明度、问责制和建立 强大的治理结构，组织可以培育一种负责任的和安全的人工智能创新文化，确 保人工智能在发展的同时对社会产生积极影响。通过多样化的团队、全面的文 档记录和人类监督，负责任的人工智能将通过减轻偏见、及早发现问题以及与 现实世界保持一致，增强模型表现。 ©2025 云安全联盟大中华区版权所有 12 范围和适用性 由于人工智能，更具体地说是生成式人工智能（GenAI）本身具有多样性， 正人工智能模型训练数据中已经获取的不准确信息的可行性尚不明确。虽然 ©2025 云安全联盟大中华区版权所有 17 有关数据标记和隐私保护技术的研究仍在进行，但确保 "更正权 "仍然是 一个开放性的挑战，应持续监督促进对这一需求的研究。 ● 删除权（被遗忘权）：个人有权要求删除其个人数据，这可能会影 响人工智能/机器学习系统模型的训练和使用方式。由于个人数据在训练后 可能会深嵌于模型内部复杂的表征中，因此落实这项权利对这些模型是一项 云安全联盟大中华区版权所有 23 ■ 高风险人工智能系统，如用于关键基础设施的系统，必须满足 严格的要求，通过审查，并在部署前获得预先批准。此类系统的提供者必须遵 守最严格的法规规定，包括透明度和可解释性、人类监督和独立验证。 ■ 中风险人工智能系统的风险较低，但仍必须遵守特定要求。这 些系统的提供者必须确保它们符合相关的法律义务、透明度和可追溯性等规则。 ■ 低风险人工智能系统对个人几乎不构成风险。这些系统不受相

化…… sopen AI 2016 发布 Gym 强化学习平台 & Universe 训练工具包 2018.6 GPT-1 1.17 亿参数 无监督预训练 + 有监督微调 2019 GPT-2 15 亿参数 半监督语言模 型效果验证 2020 GPT-3 1750 亿参数 超大模型 2022 年初 InstructGPT 13 亿参数 人类反馈强化学习 成为离图灵测试最近的机器人。 第二阶段：利用人工标注引导生成 2021 年底 - 至今 演进动力 : 从人类反馈中学习 8 ChatGPT 的技术路线选 择 海量人类积累的文本数据，进行无监督训练。 即可获得博学的文本生成模型 自回归 生成 单字接龙 9 第一阶段：模型规模增大，融合的任务更多 第二阶段：利用人工标注引导生成 ChatGPT 针对奖励模型优化策略 采样一个新的问题 基于有监督策略初 始化 PPO 模型 输出策略生成答案 奖励模型计算输出 奖励 更新策略 第二步 收集比较数据并训练奖励模型 采样问题，模型输出 问题的多个回答 人工对多个答案进行 排序 使用排序比较数据训练 奖励模型 从问题数据集中抽取 问题 人工标注期望的答案 使用有监督的数据微调 GPT-3 ChatGPT 训练过

平台与治理框架的标准化。其次，对AI赋能技术进 行战略性投资，通常先从目标明确的试点项目入 手，待方案验证有效后再进行规模化推广。最后， 重塑人与技术的协作模式，推动人的角色从执行 例行工作转变为战略性指导与统筹监督。 在自主智能供应链的转型浪潮中，未来的分 界已然清晰可见：那些积极拥抱自主智能供应链 的企业，将创造出前所未有的商业价值，并构建起 强大的运营韧性；而那些固守传统、不愿革新的企 业，则将面临日益严峻的生存挑战，甚至可能被市 那么，这对企业员工而言意味着什么？我们 的研究表明，在自主智能供应链的生态系统中， 人力依然是核心要素。事实上，最高效的自主智� 供应链体系将实现人员角色转型⸺从任务执行 者转变为系统决策的指导者与监督者。我们观察 到，这一转变正通过“人机协作”的渐进式发展 在企业中逐步实现，每个阶段都推动着效益提升。 此外，通过将资深团队成员数十年积累的专 业知识和洞察进行系统化梳理与编码标准化，自 的情况下，仍能维持知识体系的可持续性。 实现自主智能供应链 6 我们的调研发现，通过人工监督关键流程节点 （即“人机协同”）来实现自主运营，能够显著提升 效率、敏捷性和可持续性，这对于适应动态环境中 的突发变化至关重要。 这种方法既能充分发挥AI驱动系统的强大 能力，又能保留人工监督，以进行战略决策与必要 干预。 例如，企业可以首先从财务成果入手，进而提 升运营速度、敏捷性，并优化成本。我们的受访者

效果明显好于传统方法 l 从非结构化的对话中挖掘结构化的知识 l 将知识进行沉淀和统一维护 l 提高客服效率和质量，提升用户体验 l 知识点数量庞大，无监督的聚类方法效果很差 l 词向量不适合表示句子语义 l 无监督和有监督方法相结合 l 词向量和句向量相结合 l 机器与人工相结合 深度学习的应用：知 识挖掘 解决 方案 知识库 主要 挑战 核心 价值 层次聚类 层次聚类 相似度计算 词向量训练 句向量训练 相似度计算 问题检索 人工审核 问题挖掘 主题词挖掘 目标 [Conneau 2017] 有监督 学习 无监督 学习 历史语料 主题词 预处理 l 基于知识库和历史语料训练具有较强 语义泛化能力的问答模型 l 提高问答机器人的召回率和准确率 l 用候选回复辅助客服，提升服务效率

医疗器械生产质量管理规范 (原国家食品药品监督管理总局 2014 年第 64 号) • 医疗器械生产质量管理规范附录 –独立软件 (国家药品监督管理局 2019 年第 43 号) • 医疗器械软件注册审查指导原则(2022 年修订版)(国家药品监督管理局医疗器械技术 审评中心 2022 年第 9 号) • 医疗器械网络安全注册技术审查指导原则(2022 年修订版)(国家药品监督管理局医疗 器械技术审评中心 器械技术审评中心 2022 年第 7 号) • 人工智能医疗器械注册审查指导原则(国家药品监督管理局医疗器械技术审评中心 2022 年第 8 号) • 医疗器械生产质量管理规范独立软件现场检查指导原则(国家药品监督管理局 药监综 械管[2020] 57 号) • YY/T 0664-2020 医疗器械软件 软件生存周期过程 • YY/T 0287-2017 医疗器械 质量管理体系用于法规的要求 • GB/T

别做一次线性变换，然后将两者 concat 在一起，再进行一次线性变换得到目标节 点的 embedding 特征。最后利用得到的目标节点的 embedding 特征进行下游 的任务，训练的方式的可以采用无监督的方式，如 NCE Loss。 2. GraphSAGE 的优点 GraphSAGE 通过邻居抽样的方式解决了 GCN 内存爆炸的问题，同时可以将直推 式学习转化为归纳式学习，避免了节点的 embedding 为对图网络的分群，利用节点之间的紧密型基于网络的分类去计算群内的 相关参数特征信息；  为对图进行深度卷积神经网络，利用一度用户特征结合用户自身特征进行 卷积，然后推广到二度、三度邻居信息，在此基础上构建全连接层进行有 监督学习。 单一应用方向对识别信用风险可能较弱，但通过三种方式的组合，能够显著提升 模型的风险识别能力。 DataFunTalk 成就百万数据科学家！ 77 02 金融大数据风控模型应用层面的问题 再进行后续排查分析。 DataFunTalk 成就百万数据科学家！ 95 图 7 全局平均可疑度 G(S)得分曲线 04 可疑致密子图分析 从模型有效性来说，Fraudar 有着和其它无监督算法如聚类和异常检测共同的缺 点，即模型输出结果的可解释性差、稳定性差，需要结合统计性指标做出二次判 断。但专家判断需要大量的人工干预，且不具备泛化能力，有效性完全取决于专 家业务能力。例如当

(Preventative maintenance) 机器参数调整 (Automatic optimization) 产量优化 (Yield optimization) 什么是人工智能？ 监督式学习 输入 A 输出 B 输入 A 输出 B 应用场景 … ,1000) 照片标签 音频 文字 语音识别 英语 中文 机器翻译 图像 , 雷达信息 其他车辆位置 自动驾驶 监督式学习示例 输入 A 输出 B 应用场景 零部件图像 有没有瑕疵 ? (0/1) 视觉检测 机器参数 良率 大规模生产 产量 大规模生产 监督式学习在生产制造中的示例 顾客是否接受 是否通过顾客检测 ? 产品研发 / 质量控 制 零部件参数 合同谈判 机器参数