山东省人民政府 《山东省制造业数字化转型行动方案 (2022-2025 年)》 强化人才支撑。聚焦制造业数字化转型需 求，优化提升“揭榜挂帅”核心技术攻关机 制。支持用人单位依托国家、省级重点人才 工程加快聚集数字技术领域高层次人才，加 速推动数字化领域公共实训基地建设，建立 健全常态化、专业化人才培训机制，提升数 字化专业人才技能素质。 三、拥抱变化：数字化人才将成为企业新的发力点 1 家职业标准，以保证标准 之间的协调性。 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 合管理、大数据与高级分析、需求识别和管理、业务建模、敏捷创新、 流程改善、组织设计和实施、效益管理、可持续性评估(12 个能力项) 开发 实施 咨询、应用程序设计、应用程序开发、测试、解决方案开发和部署、 数字化内容创作、系统工程、系统&组件集成、硬件设计开发、系统 安装与调试、用户体验分析设计、用户体验评估(12 个能力项) 支付 运营 服务级别管理、用户支持、变更与发布管理、服务交付、问题管理、 技术支持、网络

较小规模 单卡~8卡 起步 小规模 单卡1卡起 步 工程难度 很高 TP/DP/PP并 行，海量数据 高 基模选择、 高质量数据 较高 十万~百万 条指令集 一般 <万条指令 集 推理 To C推理 To B中心 To B边缘 算力需求 超大规模 千卡以上 大规模 数百卡 小规模 数十卡 工程难度 很高 极致性能 高 融合高效 较高 灵快轻易 推理：将训练好的模型应用于新场景 推理：将训练好的模型应用于新场景 经过训练的模型参数量 模型数量 应用场景 单用户数量 用户活跃度 应用时间 大模型在不同场景的算力需求及工程难度 算 力 训练阶段 微调阶段 ➢ 训练完的模型参数量也会影响推理端算力 大模型训练 作为驱动人工智能发展的关键生产要素，数据规模多维度影响大模型的性能与应用场景：超大模型追求“能力上 限”，轻量化模型聚焦“应用普适性”，两者共同推 需要考虑产品的使用体验 推理算力未来将出现爆发态势 推理算力未来可能爆发的示意图 时间成本 (是否尽快抢到实践 化的落地） 能耗成本 (云服务或者算力的 使用成本） 人员成本 (工程化协作的团队） 技术实现路径 算法结构 训练数据量 参数量规模 预训练 基于需求进行 fine-tune 模型规模 （参数稀疏程度） 模型种类 （算力需求系数相关） 数据吞吐量

的同时，大幅降低了训练和推理成本。这些低 成本、高性能的开源模型（如DeepSeek、阿里QwQ系列）极大推动了大模型的商业化实践，吸引更多需求方拥抱大模型能力底座，并进 一步采用微调、蒸馏、RAG工程等方式完成定向优化和应用部署。 预训练大模型能力落地实践路径 数据处理 后训练/ 增量预训练 微调 模型部署 蒸馏 RAG 在预训练大模型基 础上有后训练或者 微调/精调的进一步 需求，则需要更多 www.iresearch.com.cn DeepSeek 采取开源策略，通过工程优化与算法创新突破模型的性能与成本瓶颈 DeepSeek在工程和算法层面的持续创新，不断推动大模型突破性能和成本的瓶颈。其中，DeepSeek V3通过工程优化在资源有限 条件下实现低成本、高效能的模型训练与推理，而DeepSeek R1 Zero（Deepseek R1的初始版本）则证明了纯强化学习路径的可 此同时，DeepSeek坚持开源理念，将模型权重、技术论文和训练细节及部分工程代码开放出来，吸引开源社区的参与者形成正向循 环，未来有机会构建更强大的生态壁垒。 来源：艾瑞咨询研究院自主研究及绘制。 DeepSeek开源策略与关键创新 模型权重 DeepSeek开源内容 技术论文和 训练细节 部分工程代码 DeepSeek V3：工程优化 DeepSeek R1：范式创新 DeepSeek主导模型开发

的同时，大幅降低了训练和推理成本。这些低 成本、高性能的开源模型（如DeepSeek、阿里QwQ系列）极大推动了大模型的商业化实践，吸引更多需求方拥抱大模型能力底座，并进 一步采用微调、蒸馏、RAG工程等方式完成定向优化和应用部署。 预训练大模型能力落地实践路径 数据处理 后训练/ 增量预训练 微调 模型部署 蒸馏 RAG 在预训练大模型基 础上有后训练或者 微调/精调的进一步 需求，则需要更多 www.iresearch.com.cn DeepSeek 采取开源策略，通过工程优化与算法创新突破模型的性能与成本瓶颈 DeepSeek在工程和算法层面的持续创新，不断推动大模型突破性能和成本的瓶颈。其中，DeepSeek V3通过工程优化在资源有限 条件下实现低成本、高效能的模型训练与推理，而DeepSeek R1 Zero（Deepseek R1的初始版本）则证明了纯强化学习路径的可 此同时，DeepSeek坚持开源理念，将模型权重、技术论文和训练细节及部分工程代码开放出来，吸引开源社区的参与者形成正向循 环，未来有机会构建更强大的生态壁垒。 来源：艾瑞咨询研究院自主研究及绘制。 DeepSeek开源策略与关键创新 模型权重 DeepSeek开源内容 技术论文和 训练细节 部分工程代码 DeepSeek V3：工程优化 DeepSeek R1：范式创新 DeepSeek主导模型开发

0 1 2 3 4 5 6 7 10W 20W 30W 进口光纤激光器 国产光纤激光器 国产化带来价格下降，促进渗透率提升 激光加工性能优势明显 资料来源：光电会 资料来源：电子工程专辑 激光加工 传统加工 精度 高，微米直径光斑 低 速度 快 慢 材料损耗 低 高，易崩边、热变形 机械应力 低 高 成本 设备期初投入高，后续维护 成本较低，材料利用率较高 设备初期投入成本低， 383 35% 289 -25% 交通管控 181 152 -16% 215 42% 智慧交通 169 118 -30% 89 -24% 智慧城市 96 67 -30% 181 172% 雪亮工程 0 64 136 112% 智慧社区 2 5 144% 6 6% 城市大脑 0 2 11 481% 智慧警务 3 3 13% 3 -8% 人脸识别 1 0 -68% 4 1349% 人工智能 平安城市 173 266 54% 234 -12% 交通管控 120 99 -18% 166 68% 智慧交通 97 69 -28% 70 1% 智慧城市 67 67 1% 141 110% 雪亮工程 0 74 104 40% 智慧社区 2 3 101% 4 6% 城市大脑 0 1 10 1454% 智慧警务 2 3 27% 3 -3% 人脸识别 0 0 -62% 4 2166% 人工智能

应用调研进一步佐证了这一发现。 13 企业在 AI 规划和开发过程中遇到的主要问题 目前企业没有合适的流程和场景做大模型的部署 企业和团队对于大模型和 AI 的价值认知不足 数据资源不足 数据准备和数据工程等方面的挑战 开发过程中工具链支持不足带来的挑战 成本和资源投入方面挑战 算法与模型训练方面的技术挑战 了解市场和用户/客户需求，寻求 AI 应用场景方面... 算力基础设施能力不足 高技能人才团队短缺 产品经理、AI 研究员等 核心职责：将 AI 技术转化为业务方案、推动业务创新与增长 关键能力：具备技术背景，理解业务需求 AI 技术领航者（技术层） 定位：技术研发核心 人员构成：数据科学家、算法工程师、开发工程师等 核心职责：开发优化 AI 算法和系统、提供技术支持 关键能力：精通 AI 技术开发与应用 在业务层面，AI 应用践行者作为连接 AI 与具体业务的桥梁，是企业 AI 落地的实践者。这 的业务方案， 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，

发、物理世界和劳动力维度上产生涟漪效应，将会发生 的商业转型和信任革命。 二进制的宇宙大爆炸 追踪语言模型与代理系统相结合的 出现，以及它们对构建软件和创造新数字生态系统的传 统带来的挑战。这是软件工程领域的一个重新定义的时 刻，自Ada Lovelace为查尔斯·巴贝奇的分析机编写第一 个算法以来，程序员的角色在很大程度上保持不变。这 一趋势深入一代人的转变，随着领导者重新思考如何设 计数字系统——为以下内容打下基础： 17倍 代理系统凭借少量代码展现出巨大的潜力，并辅以文档 和示例，能够以高精度调用函数和API。研究还表明， 它们能够创建以后可用的函数和API。公司正迅速将这 些功能集成到新模型中，以加速工程速度。目前，软件 工程领域领先的代理系统之一是Anthropic的Claude 3.5 Sonnet。在SWE-Bench Verified（来自GitHub的软件工 程真实世界问题基准测试）上进行测试时，它实现了令 要被细致编程。但如今，机器人系统可以使用大型 语言模型（LLM）来解释抽象提示或将复杂任务分 解成更小步骤，极大地扩展了它们理解并反应于命 令或情境的能力，这些命令或情境它们并未专门接 受过训练。例如，麻省理工学院的工程师正在将机 器人运动数据连接到LLM的“常识”中，以便让机器 人能够处理家务 上下文仅针对个体对象是不够的——研究人员还致力 于让机器人更好地理解它们所处的空间。例如，一篇 发表于2024年的论文提出了一种导航技术，该技术将

…… l 行业模型（垂直模型、垂类模型） Ø 教育、医疗、金融等 大模型的前世今生 •人工智能：让机器具备动物智能，人类智能，非人类智能（超人类智能） •运算推理：规则核心；自动化 •知识工程：知识核心；知识库+推理机 •机器学习：学习核心；数据智能（统计学习方法，数据建模） •常规机器学习方法：逻辑回归，决策森林，支持向量机，马尔科夫链，….. •人工神经网络：与人脑最大的共同点是名字，机制和架构并不一样 开源：技术共享，生态共建 全量开源训练代码、数据清洗工具及微调框架，开发者可快速构建教育、金融、医 疗等垂直领域应用，推动社区协同创新。 • 低成本：普惠企业级AI应用 做了大量的模型架构优化和系统工程优化。 训练成本仅$557w ：显著低于行业同类模型，打破高价壁垒。 推理成本降低83%：千亿参数模型适配中小企业需求，加速商业化落地。 • 国产化：技术自主，缩短差距 将国产模型与美国的代

反哺开源产品，形成正循环 政企、创业者必读 DeepSeek出现之前的十大预判 之十 中美差距快速缩小  美国预训练堆算力的路线不可持续，有待发现新范式“换道超车”  软件和算法差距并不大，主要差距在工程、硬件等方面 23 政企、创业者必读 DeepSeek的出现验证了我们的预判 而DeepSeek的创新更具颠覆性 24 政企、创业者必读 DeepSeek是完美的颠覆式创新  技术创新——让过去做不到的事情可以做到 Law转变为强化学习Scaling Law 大数据+大参数+大算力的 预训练Scaling Law的边际效应递减 • 人类构造的训练数据已达上限 • 万亿参数规模之后，继续增大参数规 模难以带来质的提升 • 训练算力成本和工程化难度大幅上升 强化学习Scaling Law • 利用合成数据解决数据用尽问题 • 利用self-play强化学习，在不增大参 数规模前提下，大幅提升复杂推理能力 • 通过后训练算力和推理算力，在不增加 年，周鸿祎带领360确定“安全+AI”双主线发展战略，自研认 知型通用大模型“360智脑”，攻克AI大模型安全的世界前沿 课题，进一步服务政府、城市、企业智能化升级。 周鸿祎荣获全国劳动模范、国家百千万人才工程有突出贡献 中青年专家、2023年度“北京学者“等荣誉称号。 74 政企、创业者必读 政企、创业者必读 • 国家级网络攻击的发现、捕获、抵御能力全球领先 • 安全大数据 (攻击样本库、病毒基因库、安全知识库

标 准化方向。 表 2 中国国家层面出台的人形机器人产业政策 政策文件 发布时间 内容 《人形机器人创新发展指导意见》 2023 年 提出了国内人形机器人发展目标和任务 《新产业标准化领航工程实施方案（2023— 2035 年）》 2023 年 前瞻布局人形机器人产业标准研究 《关于组织开展 2023 年未来产业创新任务 揭榜挂帅工作的通知》 2023 年 提出面向元宇宙、人形机器人、脑机接口、通 《北京市机器人产业创新发展行动方案 （2023—2025 年）》 2023 年 提出加紧布局人形机器人。对标国际 领先人形机器人产品，支持企业和高 校院所开展人形机器人整机产品、关 键零部件攻关和工程化 上海市 《关于推进本市元宇宙标准体系建设的 指导意见》（上海） 2022 年 提出要规范和引导人形服务机器人、 仿生机器人等代理机器设备的接口、 数据交换、性能、功能等 上海市 提出推进智能机器人创新发展，推动 人形机器人等具身智能机器人研制 和应用 广东省 广东省培育未来智能装备产业集群行动 计划 2024 年 提出了到 2030 年人形机器人等领域 工作目标以及重点任务、工程 2.1.1.3 国外相关政策 机器人产业作为衡量国家科技创新与高端制造水平的重要标志， 备受全球关注。主要经济体纷纷将机器人产业发展上升为国家战略， 抢占科技和产业制高点，并相继出台多项政策，加速推动人形机器人