✓环境最开阔多变 ✓交互对象最多元 Source: M2研究 & 分析；全球人形机器人企业专家访谈；转载引用内容请标明来源 人形机器人落地场景演进逻辑 M2 2025 Proprietary and Confidential All Rights Reserved. Source: M2研究 & 分析；全球人形机器人企业专家访谈；转载引用内容请标明来源 全球主流人形机器人落地场景及规划 纵览全球主 交互四大能力，全方位评估各场景任务对 人形机器人的要求难度，进而映射人形机 器人在各场景任务的落地时间顺序。 人形机器人四大能力需求 人形机器人落地场景与任务评价指标 Source: M2研究 & 分析；全球人形机器人企业专家访谈；转载引用内容请标明来源 感 知 运 控 决 策 交 互 M2 2025 Proprietary and Confidential All Rights Reserved. 人形机器人胜任工种识别 （迎宾、导览…） (商业演出…） (结账、导购…） (灌溉、叠衣…） (社区表演…） (“最后10m”柔性物流…） (螺丝紧固、组装…） Source: M2研究 & 分析；全球人形机器人企业专家访谈；转载引用内容请标明来源 M2 2025 Proprietary and Confidential All Rights Reserved. 综述：人形机器人落地场景 VS 胜任工种 基本实现功能

根据应用场景，对业务人员提 出与业务相关的数字化思维、 素养和专业技能要求。 典型职位 首席执行官、首席数 字官、企业中高层管 理者等 业务架构师、软件工程 师、IT 运维、用户体验设 计专家、大数据专家等。 战略规划、市场营销、财务、 人力资源等业务领域具有数字 化思维和应用意识的核心人 才。 典型职责 1）构建数字化愿 景：推动组织向数字 化方向转型； 2）领导组织文化变 报告（2023）》，并提出“井”型数字人才能力结构模型，从特征细分、业务能力、软性 技能、数字技能四个维度考量人才的数字化能力。 “井”型数字人才能力结构模型 2.数字人才能力模型 北京大学光华管理学院董小英研究团队、锦囊专家、数字化公社及北京大学出版社联 合发布了《变数：中国数字企业模型及实践》，提出数字人才能力模型。 数字人才能力模型(Digital Talent Competency Model，DTCM)旨在识别、诊断和 在数字化人才培养的征程中，中培伟业深知不同客户的多样需求，精心打造了丰富多元的 培训形式，全面覆盖公开课、精品录播、在线直播以及定制企业内训，以满足企业和学员在不 同场景下的学习需要。 公开课程： 汇聚行业权威专家与资深实战派讲师，定期在全国各大核心城市举办数字化人才培训 公开课。课程内容紧扣当下前沿技术与企业数字化转型热点，涵盖云计算、大数据、人工 智能、数字化管理等核心领域。 第 20 页 精品录播：

2 | 2025 爱分析·流程智能化应用实践报告 报告编委 报告指导人 张扬 爱分析 联合创始人&首席分析师 外部专家 张杜丽 蓝凌 副总裁 3 | 2025 爱分析·流程智能化应用实践报告 特别鸣谢 4 | 业可 以通过绘制端到端采购流程，评估各个流程节点耗时在全流程中占比，从而找到关键场景。 具体的场景选择，企业应遵循“痛点优先、价值可测”原则。比如，场景价值度高低的评判应当交 由业务专家定夺。业务专家组成评审团，定量打分与定性讨论相结合，评定场景价值度。 实践方法论 2，技术选择与整合 技术路径的选择需兼顾适配性与前瞻性。企业应当基于流程智能四层架构理论，在感知层、认知层、 决策 2025 爱分析 · 流程智能化实践报告 20 关于爱分析 爱分析致力于成为中国领先的数字化市场专业服务平台，为企业用户提供数字化规划与落地全流程 服务。 爱分析以咨询为牵引，依托实践经验、专家建议和方法论工具，为企业提供最适配的解决方案和落 地服务，帮助企业提高项目成功率、优化投资收益，以及控制风险。 爱分析深耕数字化市场 10 余年，在央国企、金融、消费品、制造等行业积累诸多标杆案例和丰富实

政企、创业者必读 人工智能发展历程（一）  从早期基于规则的专家系统，走向基于学习训练的感知型AI  从基于小参数模型的感知型AI，走向基于大参数模型的认知型AI  从擅长理解的认知型AI，发展到擅长文字生成的生成式AI  从语言生成式AI，发展到可理解和生成声音、图片、视频的多模态AI  从生成式AI，发展到推理型AI 专家系统 感知AI 认知AI 生成式AI 多模态AI 推理式AI 大模型厂商都在探索慢思考、思维链技术 政企、创业者必读 DeepSeek出现之前的十大预判 之三 模型越做越专  除了少数科技巨头，大多数公司都专注于做专业大模型  MoE架构盛行，本质是多个专家模型组成一个大模型  Deepmind的Alpha系列产品是这一趋势的最佳诠释 16 政企、创业者必读 DeepSeek出现之前的十大预判 之四 模型越做越小 17  大模型进入「轻量化」时代，上车上终端，蒸馏小模型 之八 智能体推动大模型快速落地  能够调用各种工具，具有行动能力  调用企业专业知识，更懂企业  将日常重复性业务流程形成Playbook，实现流程自动化  通过目标拆解，多次调用大模型以及专家模型协同，形成 慢思考能力 传统软件是辅助人的工具，Agent是能够自主工作的数字员工，是新的生产力 政企、创业者必读 22 DeepSeek出现之前的十大预判 之九 开源效果追赶上闭源

Please see www.pwc.com/structure for further details. 本演示文稿由 Strategy& 团队、普华永道（PwC）全球战略智库以及我们的 PwC 行业和职能专家共同开发。我们携手合作，通过制定可 执行的战略来推动组织变革，实现可持续的结果。 人工智能在汽车领域的机遇 Strategy& 4 5 3 关于汽车领域的AI假设 署的全面信任框 架。 人工智能不是一个单一的软件套件，而是一系列工具/供应商，它们 各自拥有不同的优势——整个AI玩家格局都应被充分利用。 人工智能活动需要与外部合作伙伴进行协作 数据/人工智能专家供不应求，算法复杂——与合作伙伴合作以实现速度 和效率，同时不造成依赖 文化在成功实施人工智能中至关重要。 人工智能通常用技术术语来描述——但创造一种文化， 鼓励员工学习和实验AI工具至关重要。 人工智能在汽车领域的机遇 Strategy& 1 11 现在加速您的AI之旅——请联系我们汽车行业的AI专家 您的AI快速胜利 克灵斯 我们的汽车领域AI和数据专家 莫里茨·瓦彻特 托比亚斯·卡塞尔罗勒 弗洛里安·斯特默 立即开始在线 开始 在线 现在 讨论 至我们（至我们） 专家 合作伙伴 数据/人工智能/信息技术战略在 工业制造业 主任 获取到 了解 我们的团队 技术/信息技术架构

政策出台的前提下，提效主导下的 AI 购 置动力将逐步取代政策主导下的 AI 购置动力，引导医疗 AI 的未来发展路径。 1.3 部分主体对于医疗 AI 的购置态度 通过 20 余位医生/行业专家进行访谈，我们发现上述两类动力加持下，医疗体系各个主 体对于 AI 的购置态度呈现一定差异。 影像 AI 方面。许多主任级医生均表示常常在工作中使用影像 AI，愿意同影像 AI 企业合 作，大部分主任级以下医生承认 面对医院对于高等级电子病历的建设热情，政策也在尝试对过往的评级内容进行优化。 2023 年 4 月 1 日，相关部门启动电子病历分级评价标准修订工作，2023 年 4 月 2—8 日，在广泛征求医院、行业专家建议+历年审核常见问题汇总分析基础上经过 26 次标准 修订会。 18 新标准对指标架构进行了重新设计，具体包括取消部分低级别过度；取消重复工作，提 升标准实用性；语言做到统一、严谨和免疑；指标总数从 个应用。首先，智能分导诊面向的是患者常见的分导诊需求。大模型支持下，AI 可模拟 诊前咨询流程，引导患者对病症进行准确描述，借助推理能力进行归纳汇总，为患者精 准匹配与病情相适应的临床科室和专家。通过这种方式，医院能够将有效的医疗资源最 大化利用，让每一个医生都发挥出他们应有的价值。 图表 16 百度灵医智惠技术框架 资料来源：百度灵医智惠 其次，智慧加号的价值在于补足医院过去服务体系中的“真空地带”。智能加号的价值在

具身智能的训练方法可分为模仿学习和强化学习两种路线。 模仿学习 强化学习 模仿学习—— 智能体通过观察和模仿专家（经验丰富的人类操作者或具 有高级性能的系统）的行为来学习任务。 • 优势：可以快速学习专家策略，无需复杂的探索过程 • 劣势：学习到的行为策略受限于专家数据，对于未见 过的情况泛化能力较差 强化学习—— 智能体通过与环境的交互来学习最佳行为策略，以最大化 某种累积奖励。 MoE组成，其中VLM借助海量互联网图文数据获得通用场景感知和语言理解能力，MoE中的Latent Planner(隐式规 划器)借助大量跨本体和人类操作视频数据获得通用的动作理解能力，MoE中的Action Expert(动作专家)借助百万真机数据获得精细的动作执 行能力，三者环环相扣，实现了可以利用人类视频学习，完成小样本快速泛化，降低了具身智能门槛，持续进化，将具身智能推上了一个新 台阶。 ViLLA通过预测Latent 也是与VLM主干网络共享相同的Transformer结构，但使用 两套独立的FFN和Q/K/V/O投影矩阵，它通过Denoising Process（去噪过程）逐步回归动作序列。 Action Expert 动作专家 通过ViLLA创新性架构，在五种不同复杂度任务上测试 GO - 1， 相比已有的最优模型，GO - 1成功率大幅领先，平均成功率提高 了32%(46%->78%)。其中“Pour Water”（倒水）、“Table

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； DeepSeek-R1 开创 RL 加持下强推理慢思考范式新边界 加持下强推理慢思考范式新边界 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 参数 , ~5.5% 61 层 Transformer, Hidden Dimension: 7168 MoE: 1 个共享专家 (Shared Expert) + 256 路由专家（ Routed Expert) 每个 Token 激活 8 个 路由专家 DeepSeek-V3 模型架构 : MLA (Multi-head Latent Attention) + MoE (Mixture

推动业务创新与增长。这要求他们既要具备扎实的技术背景，又要对业务有深刻的理解。 作为技术基础的奠定者，AI 技术领航者是企业 AI 能力的重要保障。这个群体主要包括数 据科学家、算法工程师等技术专家，负责开发和优化 AI 算法系统，为企业提供坚实的技 术支持。他们需要精通 AI 技术开发与应用，持续推动技术创新。 15 然而，在 AI 人才短缺的困境中，企业似乎忽略了一个重要事实：解决方案可能就在眼前， 学后用”的低效模式，倡导“在 实践中学习，在应用中成长”的敏捷赋能理念。课程通过系统讲解 AI 工作原理，结合 AI 工具的实际操作和基于业务场景的提示词练习，帮助从 C-Level 高管、HR 专家、部门 经理到一线员工，掌握在组织和工作场景中应用AI的核心素养和策略，快速提升「AI 力」，构建完整的 AI 人才生态，从根本上赋能企业的 AI 战略转型。 扫码获取 免费测评机会 19 课程目标 创始人，董事长兼总裁 我一直有一个信念，应该用 AI 来增强人，而不是用 AI 来替代人。如果用得 好，AI 就是一个专家；用不好，AI 就像一个没有经验的实习生。因此，我们要 充分解锁 AI 的能力，让 AI 成为专家型的伙伴和业务助理。掌握 AI 力就是 解锁大模型的专家能力，是这个时代保持竞争力和创造力的核心素养。 ——李东朔 22 在 AI 的快速发展中，企业应以长远的视角来看待这场技术革命。在当前经济环境下，许多

2016年，英伟达开发了端到端CNN原型系统，推动了这一概念在GPU计算时代的发展。随着深度神经网络的进步，端到端自动驾 驶在模仿学习和强化学习方面取得突破，LBC中的策略蒸馏方法通过模仿优秀专家，提升了闭环性能。 为增强系统的泛化能力，尤其是针对专家策略和学习策略之间的差异，业内研究提出了在训练过程中聚合在线数据的策略。 2021年左右，端到端自动驾驶迎来重要转折点。随着传感器配置在合理计算预算内普及，研究重点转向融合更多感知模态和先 模仿学习也称为从示范中学习，是一种通过模仿专家行为来训练智能体学习策略的方法。模仿学习中，一种 广泛使用的方法是行为克隆（BC），将问题转化为监督学习问题。另一种方法是逆最优控制（IOC，也称为 逆强化学习），利用专家示范来学习奖励函数。 表1：模仿学习的两大算法类别 类别 简述 优势 挑战 行为克隆（BC） 在行为克隆中，通过最小化规划损失 来实现智能体策略与专家策略的匹配， 其中监督学习中的损失函数用于度量 其中监督学习中的损失函数用于度量 智能体动作与专家动作之间的距离。 早期应用于自动驾驶的BC，利用端到 端神经网络从摄像头输入生成控制信 号（如方向盘转动、加速等）。为了 使基于BC的端到端驾驶模型能够应对 复杂的城市场景，业内提出了进一步 改进，如多传感器输入、辅助任务和 改进的专家设计。 简洁性和高效性，因为无须手工设计奖励函数。 协变量偏移。协变量偏差指的是在训练过程中模型 训练时所用的数据分布（例如，某些路况、驾驶场