在外面玩耍，但只能在围栏内。随着我们的信任不断 增强，我们绘制的护栏边界也越来越宽。直到有一天 ，他们完全成长为了成年人。我们还会检查他们的情 况——但现在，他们是独立个体，拥有做出自己决定 的自主权。 关键在于，这个例子展示了信任和自主性是如何密不可 分的。但它也表明了信任领导者现在需要考虑的细微差 别。父母与子女之间的关系取决于信任的情感和认知两 个方面。安全护栏有助于营造一个充满爱心、培养和安 全的成 信任进行更全面地思考。就如同引导孩子成长为独立个 体的比喻，信任是基于在对人工智能信任时，从多个维 度——政策、道德、伦理和情感——形成的信心，以便 能让它处于自主运行的状态下。这意味着，信任不仅仅 关乎于AI被利用的情形，更难的部分在于即使我们在使 用AI时，信任究竟如何被影响的现实情况。 正如我们所 预期的。 采用不良行为者使用的相同合成内容；许多企业正在利 用相同的核心技术产生显著效果。AI生成的营销材料、 聊天机器人对话、产品推荐——用例不断增长。但当客 为干预，同时保持战略监督。利用这种自主性将扩展企 业认为可能性的极限。Accenture的研究发现，凭借其重 新构想和增强复杂任务的能力，生成式人工智能有望在 领导AI采用的公司中推动生产力提高20%。 12 人工智能的关键在于企业领导者如何选择利用它所赋予 的新维度自主性。但在这个新世界中取得成功并做出正 确的选择将不是一项小任务。与自主性这一理念紧密相 连的是信任的基础——对企业而言，信任将是明天增长 的最重要的保障。

确保组织 变革与流程重构同步演进。这种系统化治理模式能够突破传统机制下的决策迟滞，在战略层构建起 “目标-资源-行动”强关联的敏捷响应体系。 关键成功要素 2，流程梳理 流程智能化的基础在于流程梳理，其作为成功关键主要体现在五个维度。 首先，企业需构建结构化流程库。通过流程分类、分级与分段形成全景图谱，为 AI 提供可解析的语 义基础，确保机器可理解与执行。其次，企业需要实现战略与执行的动态映射。基于业务架构与流 3 天，开 发周期缩缩短 67%。 这些成果不仅提升了中集集团的运营效率，更增强了其在全球市场的竞争力。 | 2025 爱分析 · 流程智能化实践报告 17 项目成功的核心在于构建了“目标清晰、产品功能强大、流程梳理" 的协同体系。目 标层面，中集集团对流程管理平台建设的目标非常明确，以终为始推动项目开展。产 品层面，蓝凌产品功能强大，为流程管理落地提供了强大支撑。流程梳理层面，中集

需要相关专业知识和政策背景。其 二，随着政务热线更为广泛地应用于社区和乡村事务的解决，大量非合理诉求和 夹杂个人情感因素的诉求进入到行政轨道中，甚至有些来电人的目的并不在于解 决什么事情或者对于生活做出什么改变，而仅仅在于寻求倾诉。这对于正常诉求 的表达和治理空间产生了挤压效应。其三，与之相伴的是重复、虚假诉求增加， 但现有甄别拦截能力相对有限。调研显示，有些地区的负责人会通过制造虚假的 听量通常以万为计数。虽然传统政务热线服务评估多依靠对客户（来电人）的回 访，但这不足以综合考量政务热线接线员的专业化水平。全量话务的质检，一方 面在于为每个接线员就其沟通技巧、专业知识回答等方面的能力提供客观的绩效 考核，另一方面在于发现热线服务过程中接线员的共性问题与不足，以利于开展 后续话务培训工作。目前，全国大部分城市的政务热线系统依靠主要抽检的形式 对话务进行质检评估，难以避 了政务热线，但大多数城市仅仅将其作为倾听民众声音、派员处理居民难事的渠 道，很少对政务热线数据进行挖掘，并将其作为强化政府现代化治理能力的重要 资源。充分发挥热线数据赋能社会治理现代化，相关挑战存在于问题诊断与辅助 决策两个方面。 1.问题诊断 对热线数据进行诊断式分析是政务热线赋能各个层级政府及部门科学决策 与有效管理的基础性活动。从全国范围看，政务热线数据汇集度低、数据质量不 25

需要相关专业知识和政策背景。其 二，随着政务热线更为广泛地应用于社区和乡村事务的解决，大量非合理诉求和 夹杂个人情感因素的诉求进入到行政轨道中，甚至有些来电人的目的并不在于解 决什么事情或者对于生活做出什么改变，而仅仅在于寻求倾诉。这对于正常诉求 的表达和治理空间产生了挤压效应。其三，与之相伴的是重复、虚假诉求增加， 但现有甄别拦截能力相对有限。调研显示，有些地区的负责人会通过制造虚假的 听量通常以万为计数。虽然传统政务热线服务评估多依靠对客户（来电人）的回 访，但这不足以综合考量政务热线接线员的专业化水平。全量话务的质检，一方 面在于为每个接线员就其沟通技巧、专业知识回答等方面的能力提供客观的绩效 考核，另一方面在于发现热线服务过程中接线员的共性问题与不足，以利于开展 后续话务培训工作。目前，全国大部分城市的政务热线系统依靠主要抽检的形式 对话务进行质检评估，难以避 了政务热线，但大多数城市仅仅将其作为倾听民众声音、派员处理居民难事的渠 道，很少对政务热线数据进行挖掘，并将其作为强化政府现代化治理能力的重要 资源。充分发挥热线数据赋能社会治理现代化，相关挑战存在于问题诊断与辅助 决策两个方面。 1.问题诊断 对热线数据进行诊断式分析是政务热线赋能各个层级政府及部门科学决策 与有效管理的基础性活动。从全国范围看，政务热线数据汇集度低、数据质量不 25

驾驶系统的核心 硬件，涵盖车端算力和训练用超算中心。特斯拉从外购转向自研， 2019年4月推出自研车端芯片HW3.0，2024年2月升级至HW4.0，算力 提升至HW3.0的五倍。自动驾驶算力的瓶颈在于训练环节，特斯拉 为此开发了超级计算机Dojo，专注于深度学习模型训练，尤其是 FSD的支持。Dojo于2023年7月投产，预计到2024年底，特斯拉将投 资超10亿美元建设Dojo超算系统。 请务必阅读正文之后的免责条款部分 年6月发布的信息，ADS智能驾驶系统的云端学习训 练算力达到7.5EFLOPS，训练数据量已达日行3500万公里，意味着每过24小时，系统就能迭代出一个“更聪明”的版本。 ADS 3.0升级点主要在于构建了GOD感知神经网络+PDP决策神 经网络实现模块化端到端。在ADS 3.0当中，华为将GOD和 RCR都神经网络化，并纳入到一个完整的 GOD 感知神经网络， 规划决策模块构建了PDP决策神经网络，实现去BEV化。华为 力逐渐丧失，深度学习模型的不可解释和不可见性使人们难以 理解模型的理论基础，而大模型众多参数更增加了理解难度， 只能通过过拟合测试验证。在此基础上并联一个VLM模型的优势 就在于使推理模型可解释性增强，并且应用强化学习实现无监 督学习。 VLM的另一个优势在于数据挖掘与场景理解。智能驾驶依赖海 量数据，但有效数据占比低，可以通过VLM模型进行高效挖掘， 加速数据分析和场景理解的迭代。 理想：双系统并行，VLM规范端到端模型下限

Scaling Up 带来的边际收益开始递减；如果想要深度提 升模 型推理能力和长程问题能力，基于 RL 的 Post-Training 将会成为下一个突破点。 自回归模型在数学推理问题上很难进步的一点在于没有办法进行回答的自主修正，如果仅是依靠生 成 式方法和扩大参数规模，那么在数学推理任务上带来的收益不会太大。所以需要寻找额外的 Scaling 为什么我们需要后训练 Scaling-Law ? 49 RLHF 与 DPO 方法本身是模态无感的，通过数据构造能够直接应用于多模态场景； 但是，多模态对齐的难点在于： 模态数量增加，传统二元偏好是否能够捕捉人类意图的多元偏好或层次化 偏好？ 当多模态扩展到全模态空间 ，模态交互更加复杂 ， RLHF 以及 DPO 是否 还奏效？ 不同模态下，模 Fast-but-maybe-wrong Judgements ； 尽管可以完成复杂的推理，但是仍然受限于一些对于人类 来 说很简单的任务（例如， 逆转诅咒）， 泛化能力较弱： 本质上在于 LLM 的思考范式仍然是静态，非过程性的； 一些看似复杂的任务，实则在互联网上有相近的解决办法， 在训练语料中有所蕴含（ Hypothesis: Depends purely on Task

的企业 已应用 AI 的企业 调研显示，企业在 AI 规划和开发过程中遇到最突出的问题是“没有合适的流程和场景”部 署大模型，这种"有枪没靶子"、"虽然引入 AI 但效益提升有限"的困境，深层原因在于企业 对 AI 的认知误区和应用能力不足，不知道如何将 AI 融合进业务场景和工作流程。第二 个最大的挑战是“企业和团队对于大模型和 AI 价值认知不足”，仍然是认知短缺的问题。 在成本和资源投入方面，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 中小型企业面临降本增效的压力，这无疑是生存的首要任务。然而，从中长期来看，AI 的 真正价值远不止于提高效率或降低成本，更在于通过人才赋能，创造更大的社会和经济 价值。因此，企业应将 AI 作为战略目标的一部分，深入融入业务场景，推动创新和增长。 深耕 AI 赛道十载，UMU 凭借丰富的数智化转型实践，致力于打造 AI 驱动型组织，提供

泄。Copyright@2025，Beijing Taibo Co.， Ltd. All Rights Reserved.  智驾地图是支撑L2级及以上智能驾驶系统的关键数据基础设施，其核心价值在于补充车载实时感知、提 供超视距信息及优化路径规划。  智驾地图正从重几何精度的高精地图向更注重拓扑、语义与鲜度的轻量化地图演进，其具体形态随自动 驾驶算法需求动态演进，众源更新成为保障鲜度的关键技术。 资料来源：专家访谈、公开资料、泰伯智库 行业面临技术路线演进不确定性、安全与成本 的平衡、数据价值与权责等多重挑战。 技术路线的博弈: 虽然‘无图化’常被提及，但L4级自动驾驶对高精度地图仍被认为是 刚需。真正的挑战在于如何平衡感知能力与地图依赖，以及不同技术路 线的成本与效益。 数据价值、权责与合作模式的重构: 众源数据是鲜活地图的生命线。未来大量智能汽车本身就是数据采集车。 但这引出了数据归属、价值评估等复杂问题。车企与图商的关系，正从

路径规划 生成末端执行器坐标/关节角 控制率 轨迹插值和调节增益 生成控制信号 计算伺服误差 规划级 动作级 基元级 伺服级 • 机器人的技术创新任务主要在于人形机器人关键技术的突破，其中在人形机机器人本体上的重要技术任务在于开发基于人工智能大模型的人形机器人“大脑”与 开发控制人形机器人运动的“小脑”。大模型作为最爆火的人工智能概念，推动了人形机器人大脑的形成，助力人形机器人具有人的感知、交互与决策能力；对

人工智能在汽车领域的机遇 Strategy& … … … … … 8 量身定制的AI治理是公司在实现有效扩展中的关键。 数据与人工智能治理选项，重点在于“中心辐射”模型 去中心化模型 “中心辐射”模型 集中化模型 集团 集团 集团 协调区域 对枢纽团队与辐射团队责任影响的含义 （selection） 中心辐射 愿景与目标 策略与 流程 中心：目标设定、组织变更、流程蓝图