将水文学原理和数据驱动模型相耦合 ，构建物理函数约束的深度学习模型 ，在深度学习模型中考虑了 流域产汇流的物理机制 ，使深度学习模型测预测结果更符合物理规律。 耦合物理机制的深度学习： 产汇流机制约束的深度学习洪水预报模 型 技术成果： 提高模拟精 度 在损失函数中嵌入物理机制 在模型训练模式中考虑物理机制 P16 耦合物理机制的深度学习： 产汇流机制约束的深度学习洪水预报模型 模型结构： 精度较高： 典型暴雨场景下 ，模型 Nash 效率系数达到 0.95 ； 建模快速： 相较传统水文模型率定参数的耗时 ， 率定参数速 度提高 40 倍。 耦合物理机制的深度学习： 产汇流机制约束的深度学习洪水预报模 型 技术成果： 提高模拟精 度 P18 在各类规划规程调度的基础上 ，根据工程调度的需求 ，在流域水利工 程 调度拓扑关系图上 ，针对调度对象和目标 ，可进一步优化水库水闸的 模型并行优化算法 技术成果： 提升模拟速 度 模型高效求解： 水工程优化调度算法 提出基于非支配等级的自适应约束处理方法 NRAM 可提升复杂梯级高维调度决策模型的求解收敛速度、可行调度方案求解成功 率 SR PAR3 f(x) cj(x) F(x) OFF3 OFF3 f(x) cj(x)

同效应，在宏观因子与市场情绪的耦合分析中展现独特价值，有效应对市场 突变场景。 AI 能将大盘择时与行业轮动相结合，提升策略解释力与前瞻性。多因子择时 输出的大盘风险暴露系数作为行业轮动的“顶层约束”，同时行业轮动结果 反哺择时因子，例如，让三标尺中的指标与多因子择时中的宏观因子形成交 叉验证，考虑大盘对行业影响的同时，修正宏观数据滞后问题。 在财务风险识别领域，AI 的优势在于开创性地融合多维度分析框架。通过 保留了不同风险等级 下的资产边界约束（如股票仓位上下限），也为宏观周期切换和投资者风险偏好 变化提供了弹性调整空间。 问题 4：在动态赋权模型中，如何平衡因子有效性的实时调整与模型稳定性？ 例如，IC 值剧烈波动时，权重分配是否会产生过度频繁的调仓信号？ 在动态赋权模型中，因子有效性的实时调整与模型稳定性的平衡主要通过以下技 术机制实现：模型首先通过风险预算约束限制单一因子的影响力，例如设定单因 扩大应用的过渡方案）。当前研究重心在于回溯测试的严谨性验证、模型对市场 状态切换的适应性分析以及动态参数调整机制的可解释性构建，为后续可能的实 战化转型积累方法论基础。 多因子择时输出的大盘风险暴露系数作为行业轮动的“顶层约束”。例如：当多 因子择时模型输出空仓信号时，使行业轮动模型进入“防御模式”，股票仓位整 体缩减，行业仓位更加分散，且增强模型对于低贝塔行业的偏好；当多因子择时 模型输出强进攻信号时，开放高弹性行业配置权限，允许单一行业超配。同时行

风险处置的流程合规（如分级响应、记录）？ 68 95.数据合规风险转移的方式（如数据安全保险）？ 69 96.常态化风险防控的机制设计（如定期巡检）？ 69 97.第三方服务的风险防控要点（如合同约束、审计）？ 70 98.新技术应用的风险评估（如隐私计算、AI）？ 71 99.跨域数据风险的协同防控机制？ 72 100.风险事件的复盘流程与改进要求？ 72 一、基础概念类 可信数据空间的核心定义及本质特征是什么？ 遵循合规要求；四是技术支撑可信，依托加密算法、隐私计算、区 块链等技术保障数据安全，防止泄露、篡改或非法访问；五是治理 规则可信，通过政策法规、行业标准、自律机制与争议解决框架， 明确数据使用边界与责任，形成可执行的信任约束。这些维度有机 融合，共同构建“数据可靠、主体可信、过程可查、技术可控、规则 可依”的生态，保障数据空间内的交互安全与价值释放。 可信数据空间的关键技术组件有哪些？ 4. 2 可信数据空间 有权的前提下实现价值交换，既保障数据所有者权益，又降低需求 方获取成本，大幅提升数据要素配置效率；此外，可信数据空间内 置合规规则引擎，将《数据安全法》《个人信息保护法》等监管要 求转化为技术约束（如访问权限管理、操作审计），帮助市场主体 低成本满足合规要求，避免“合规恐慌”。简言之，可信数据空间通 过“信任构建+效率提升+权益保障+合规支撑”的组合效应，让数据要 素从“静态资产”转变

算中心，智算规模较行动前增长超 2 倍，其中能源、 制造、交通是主流，场景占 60% AI 场 景 + 算 力 规 模 化落地 2024.12 中央企业负责人会议 将研发投入强度作为“一利五率”硬约束指标，要求 推动 AI 技术转化为生产效能，培育新质生产力 AI 研发投 入硬考核 2025.2 中央企业“AI+”专项行动深 化部署会 央企‘十五五’规划中明确 AI 投入占研发总投入比 突破、技术攻坚、生态赋能”的完整逻辑链条，全面覆盖央企的政策责任、经营需求与战 略使命，五大驱动力相互协同，既保障央企稳健运营，又推动其在技术突破与生态引领 方面的高质量发展。 央企 AI 发展由五大驱动因素协同发力，形成“外部约束+内部刚需+战略安全+社会价 值”的完整驱动体系。政策合规驱动作为外部硬性要求，助力企业契合监管、获取政策倾 斜；内部管理提效与业务产质安升级两大刚需，分别解决管理痛点、突破主业瓶颈，实现 降 战略生态目标。五大驱动多维联动， 成为央企 AI 规模化发展的核心动力。 （一）政策合规约束驱动（外部硬性要求）：满足国家政策监管，获取政策资源倾斜 • 驱动因素：作为国家战略的核心执行者，央企需刚性响应国家层面的政策监管要求， 从数智化转型、双碳目标，到自主可控、安全生产，政策既是“底线约束”（不达 标将面临考核问责），也是“资源导向”（合规项目可获财政补贴、专项资质）。AI 成

目录 天文学与天体物理学 1. 热点前沿及重点热点前沿解读 085 1.1 天文学与天体物理学领域 Top 10 热点前沿发展态势 085 1.2 重点热点前沿⸺“基于超新星光变曲线数据约束宇宙学参数” 086 1.3 重点热点前沿⸺“通过直接探测实验寻找低质量暗物质候选粒子” 089 数学 1. 热点前沿及重点热点前沿解读 095 1.1 数学领域 Top 10 热点前沿发展态势 图像数据集对该框架进行评估，结果显示该系统能够 训练出准确的分类模型，敏感性可达 100%。2021 年 哈佛医学院 Ming Y. Lu 研究团队报告的一种可解释的 弱监督深度学习方法⸺聚类约束注意力多实例学习 （CLAM），则提升了大型全切片图像（WSIs）数据集 的处理效率，其性能优于标准的弱监督分类算法。 尽管弱监督学习在病理学领域的应用取得了显著 进展，但是，现阶段仍面临多项挑战，如标注噪声处理、 拍瓦级激光器，是指输出功率达到 1000 万亿瓦以上的高功率激光系统， 可创造出前所未有的极端光场条件。拍瓦级激光器对基础科学、能源、医疗 等领域具有重要意义，它为量子电动力学、暗物质探测等提供极端实验平台， 驱动惯性约束聚变或激光尾场加速产生高品质带电粒子束，产生高能粒子用 于肿瘤治疗和医学成像。 第一台拍瓦级激光器于1996年在美国劳伦斯利弗莫尔国家实验室启用。 2004 年，英国中心激光装置（CLF）的 Vulcan

数据来源 视频学习 模仿学习 模拟器 系统架构 冻结模型 Transformer 控制层级 动作级 规划级 任务级 需求级 感知与理解 人类反馈 多模态环境建模 可供性与约束 多模态模型理解 3D-VLA[63], Wang 等[25], Yang 等[29], ViLA[30], MultiPLY[100], iVideoGPT[64] AffordanceLLM[94] 选抓取姿势. 1.3 可供性与约束 可供性 (Affordance) 指的是环境中物体相对于 机器人所能提供的潜在交互方式[113]; 约束 (Con- straints) 则指规划和执行机器人操作时需要遵守的 一系列限制条件. 使用基础模型对可供性与约束进 行提取, 可以使具身智能有效利用环境中的各种工 具, 并在使用工具解决问题的过程中考虑各类约束, 以合适的方式完成任务. 预训练模型通过大规模文本预训练 CoPa[96] 通过部件空间约束实现通用机器人操 作. 该框架利用大规模预训练模型中蕴含的常识知 识来指导机器人在开放世界场景中的低层次控制. 在运动规划阶段, 首先将识别出的关键部件简化为 几何元素表示, 如将细长部分建模为向量, 而将其 他部分建模为表面, 然后在场景图像中标注这些几 何元素, 输入到视觉语言模型中, 通过语言提示使视 觉语言生成相应的空间几何约束. 获取操作约束之 后, CoPa 计算出抓取后的一系列目标姿态

文献综述与方法论 全球数据中心用电量将在 AI 的推动下大幅增长，一直受到关注。从 2023 年以来， 由于生成式 AI 的迅猛发展，美国尤其为“电力危机”感到焦虑，而中国的人工 智能要在碳达峰目标的约束下追赶美国，算力与电力问题需要重估。 算力需求增长、能耗及排放增加的速度，始终快于算力效率、功耗效率、排放 效率提升的速度，这是导致用电量会持续增长的根本原因。生成式 AI 在内容生 成与推理 而获得绿电及清洁电力，尤其是直接接入供应的绿色电力，并且建立起新型能 源管理系统，是实现绿色智算中心的关键。 其中，无论在中国，还是在美国，数据中心的能效提升是确定性较强的部分。 PUE都受到监管机构或ESG政策的约束，近十年来全球数据中心平均PUE仅从1.65 降至了 1.58，并非影响近年来数据中心用电量增长的核心因素。 这些研究报告，对于人工智能技术最发达、电力市场化程度最高的美国研究比较 充分，为关 智算如何引领新型电力系统 扫码了解更多 12 智算中心发展初期主要在绿电供给不充分的东部 从 2023 年以来，中国的智算中心数量激增，其中多数都建在绿电资源相对匮乏 的东部地区，而且基本不受绿电占比要求的约束。短期内将产生大量的碳排放。 由于数字经济相对欠发达、资金、人才与技术缺乏等，绿电资源丰富的西部， 智算中心的发展相对迟缓。 根据中国生态环境部和生态环境部环境规划院发布的数据，中国省级电力碳排

文献综述与方法论 全球数据中心用电量将在 AI 的推动下大幅增长，一直受到关注。从 2023 年以来， 由于生成式 AI 的迅猛发展，美国尤其为“电力危机”感到焦虑，而中国的人工 智能要在碳达峰目标的约束下追赶美国，算力与电力问题需要重估。 算力需求增长、能耗及排放增加的速度，始终快于算力效率、功耗效率、排放 效率提升的速度，这是导致用电量会持续增长的根本原因。生成式 AI 在内容生 成与推理 而获得绿电及清洁电力，尤其是直接接入供应的绿色电力，并且建立起新型能 源管理系统，是实现绿色智算中心的关键。 其中，无论在中国，还是在美国，数据中心的能效提升是确定性较强的部分。 PUE 都受到监管机构或 ESG 政策的约束，近十年来全球数据中心平均 PUE 仅 从 1.65 降至了 1.58，并非影响近年来数据中心用电量增长的核心因素。 这些研究报告，对于人工智能技术最发达、电力市场化程度最高的美国研究比较 充 智算如何引领新型电力系统 12 智算中心发展初期主要在绿电供给不充分的东部 从 2023 年以来，中国的智算中心数量激增，其中多数都建在绿电资源相对匮 乏的东部地区，而且基本不受绿电占比要求的约束。短期内将产生大量的碳排 放。由于数字经济相对欠发达、资金、人才与技术缺乏等，绿电资源丰富的西部， 智算中心的发展相对迟缓。 根据中国生态环境部和生态环境部环境规划院发布的数据，中国省级电力碳排

Optimization（PPO）算法在组合管理中可 实时响应波动率突变，典型参数配置如下： 参数 取值范围 优化目标 最大回撤阈值 5-8% 控制下行风险 夏普比率权重 0.6-0.8 平衡收益与波动 换手率约束 30%/ ≤ 日 降低交易成本 交易执行增强 智能订单路由系统采用 Q-learning 算法学习市场微观结构特征， 在 TWAP/VWAP 基准上实现执行滑点降低 18-22%。深度强化学习 10% 字段覆盖率 100% 版本更新时 数据预处理流程 采用三级清洗机制消除噪声： 1. 基础清洗：剔除重复报单、负价格等硬错误，使用滑动窗口均 值修复微小抖动 2. 逻辑校验：通过买卖价差约束、成交量价格关系等市场微观结 构规则修正异常值 3. 情境修复：对停牌、涨跌停等特殊状态标注标志位，避免错误 填充 实时数据监控 部署分布式校验节点网络，关键指标包括：  延迟监控：从 模型在该特征空间的置信度曲线。 以上技术需嵌入模型开发流水线，在回测阶段自动生成解释性 报告，并与风控系统联动。当 SHAP 值超过预设阈值（如单特征贡 献>40%）时触发人工复核流程，确保策略逻辑符合基本面约束。 3.3 系统的稳定性与鲁棒性 在 AI 量化交易系统中，稳定性与鲁棒性是确保策略持续盈利 和风险可控的核心要素。系统需在高频交易、市场波动或极端行情 下保持稳定运行，同时能够自适应调整以应对不可预见的异常情

新能源并网与直流建设引入大量电力电子设备，系统模型复杂度剧增，调度优化决策更加依赖求解在复杂时空维 度上的复杂优化问题，更加依赖短时间尺度的详细高阶动态方程作为约束；振荡模式复杂，传统采用局部线性化 新能源设备 直流输电设备 模型 等效 技术挑战：复杂度挑战 约束 0.0-020z m-0a0+ 方 Ze .0-00 方 Lgo 高阶动态方程 方式给出近期解，难以满足求解精度和效率的双重要求。 技术大会 针对配电网中存在的线路重过载、线路大分支、两回线路互联不可转供等多种网架问题智能生成规划方案，利用 强化学习技术智能生成规划方案实现负荷智能切割、新出线智能并网、路径智能寻优等，在满足多种安全约束条 件下，求出成本最优的规划方案。并且规划方案能够严格按照电力廊道进行延布，极大提高了方案实用性。 南方电网公司业务域 AI 赋能情况 ( 电网智能规划 ) 中国南方电网 CHINA SoUTHERN