人才育、引、留、用等专项行动，增加数字 人才的有效供给，形成数字人才集聚效应。 2023 年 2 月 28 日 中共中央、国务院 《数字中国建设整体布局规划》 强化人才支撑。增强领导干部和公务员数字 思维、数字认知、数字技能。统筹布局一批 数字领域学科专业点，培养创新型、应用型、 复合型人才。构建覆盖全民、城乡融合的数 字素养与技能发展培育体系。 2022 年 1 月 12 日 国务院 字化基础上进行再创新。 前者解决方案目前已较为成熟，大体思路是依托自身或外部的数字技术，对业务流程、管 理流程进行解构和重构，进而完成流程和管理的数字化；后者则需要数字化人才作为支撑，通 过数字化思维来解析业务，推进管理和服务的优化以及模式和业态的创新。 典型行业人才需求分析 行业 人才缺口 所需人才必要技能 金融 金融企业关注全业务流程的数字 化、智能化，但金融科技人才主 要集中在营销、风控等方面，而 ，挖掘内部潜力人才，培育变革型领导骨 干，使其能精准洞察转型趋势，带领团队攻克难关，推动企业战略目标达成。此外，营造人才 多元化发展生态，打破部门与领域壁垒，搭建跨部门交流协作平台，激发员工创新思维与活力。 第 9 页 四、人才赋能：数字化转型的核心驱动力 在数字化转型大环境下，诸多企业的业务和工作流程终将面临着全面的转型或变革，岗位 技能也或将被重新塑造，人才需求的结构随之发生显著变化，与此同时，企业对数字化转型进

受 度 显 著 提 升 ， 但 就 业 替 代 、 隐 私 安 全 等 问 题 仍 引 发 一 定 焦 虑 。 技 术 方 面 ， Transformer架构依然主导大模型发展，研发侧通过强化学习、思维链优化提升模型推理能力， 同时加速跨模态融合，并在推理效率优化和新型注意力机制等方面持续探索，推动AI产业向更 高水平迈进。 宏观环境 产业动态 发展趋势 1）市场规模增速略低于预期：202 但大 模型的效果更好 2）可行逻辑-原本小模型在某些场景能 力无法达到，大模型具备可行性 3）创新逻辑-大模型发 掘了客户需求，在需求侧未提出要求情况下创造新场景 需求 各家积极发展结合强化学习、思维链的“后训练“，推出深度推理模型。在效率优 化方面，稀疏注意力、线性注意力等相关机制可大幅降低内存和计算成本。 正朝着处理更长序列、更大规模数据和实时应用场景的方向发展，新型高效注意力 算法和硬件协同优化可能成为重要突破口。 iresearch.com.cn 中国人工智能产业技术环境（2/2） Scaling Law是否失效？思维链、强化学习、后训练可提升模型训练ROI 来源：艾瑞咨询研究院自主研究绘制。 AI技术动态 Scaling Law 演进：Scaling未到尽头，各家仍在积极探索，探索大模型能力边界 思维链 CoT 优化：强化学习完成推理侧优化，在复杂计算、科学研究等方向持续加强 跨模态响应：将大语言

受 度 显 著 提 升 ， 但 就 业 替 代 、 隐 私 安 全 等 问 题 仍 引 发 一 定 焦 虑 。 技 术 方 面 ， Transformer架构依然主导大模型发展，研发侧通过强化学习、思维链优化提升模型推理能力， 同时加速跨模态融合，并在推理效率优化和新型注意力机制等方面持续探索，推动AI产业向更 高水平迈进。 宏观环境 产业动态 发展趋势 1）市场规模增速略低于预期：202 但大 模型的效果更好 2）可行逻辑-原本小模型在某些场景能 力无法达到，大模型具备可行性 3）创新逻辑-大模型发 掘了客户需求，在需求侧未提出要求情况下创造新场景 需求 各家积极发展结合强化学习、思维链的“后训练“，推出深度推理模型。在效率优 化方面，稀疏注意力、线性注意力等相关机制可大幅降低内存和计算成本。 正朝着处理更长序列、更大规模数据和实时应用场景的方向发展，新型高效注意力 算法和硬件协同优化可能成为重要突破口。 iresearch.com.cn 中国人工智能产业技术环境（2/2） Scaling Law是否失效？思维链、强化学习、后训练可提升模型训练ROI 来源：艾瑞咨询研究院自主研究绘制。 AI技术动态 Scaling Law 演进：Scaling未到尽头，各家仍在积极探索，探索大模型能力边界 思维链 CoT 优化：强化学习完成推理侧优化，在复杂计算、科学研究等方向持续加强 跨模态响应：将大语言

increasing) DeepSeek-R1-Zero 自主涌现学会重新评测原来的方法、反思和主动探索其他的路径 多阶段训练下的冷启动让 RL 训练更加稳定，避免初期不稳定、加速收敛、提升思维链可读性 未来后训练的重心会逐步倾向于 RL ，但是少量训练用于 SFT 可能还是必须的 强化学习技术不只局限在基于规则的数学、算法代码等容易提供奖励的领域，它还可以创造 性 地把强化学习所带来的强推理能力 20 2048 张 H800 计算 : ~54 天 大规模 RL 的加持下， DeepSeek-R1Zero 表现出在推理任务上思维链长度的自然增长和涌现 反思深度逐层加深，出现标记不明确的步骤、保持中间结论、验证、混合语言推理等 现象 模型在准确率奖励和格式奖励下自然探索到 验证、回溯、总结、反思 的行为范式 如何控制来保证最后的 OOD 泛化，基于 ORM 的 RL 泛化能力较好 [1] SFT 规范模型输出格式，使得后续的 RL 可以获得更高的收益 随着强推理能力复现的兴起，社区也有很多工作比较 LongCoT 长文本思维链的蒸馏效果 Scaling up verifiable reward 是 long cot 的核心。 小模型（例如 wen-math-7b ）不容易 recentivize long cot

的综合能力，正在成为继智商 (IQ)、情商 (EQ)、团队合作力、领导力之后，影响组织和个人发展的关键指标。 面对 AI 的快速发展，企业对 AI 人才的需求已经发生质的转变，从早 期单纯的技术人才扩展到具备 AI 思维和应用能力的复合型人才，我们 必须重新思考大模型时代对人才的能力要求。这种转变既反映了 AI 应用的深化，也体现了企业对人才能力的新要求。 在 AI 人才短缺的困境中，高管普遍低估了员工学习和接纳 产/制造/供应链、销售和客户服务、市场营销以及产品研发等核心业务部门，尽管应用普 及率较高，但其成熟度水平却相对较低。 由此可以看出，在 AI 转型进程中，企业普遍采取"重点突破、全面推进"的战略布局和实用 主义思维，优先将 AI 技术部署在核心业务部门，希望快速获得业务价值回报。 然而，职能部门虽然在 AI 应用规模上相对较小，但由于其业务流程更加标准化和规范 化，反而更容易实现 AI 的深度整合，从而达到较高的应用成熟度。而核心业务部门尽管 等高管担任，其核心职责包括制定组织 AI 战略、推动 AI 与业务融合以及负 责 AI 团队建设。他们需要具备 AI 思维，深刻理解 AI 对业务决策和战略规划的影响。 培养体系与企业实际需求之间存在明显脱节。 面对 AI 的快速发展，企业对 AI 人才的需求已经发生质的转变，从早期单纯的技术人才 扩展到现在需要具备 AI 思维和应用能力的复合型人才。这种转变促使我们必须重新思考 AI 人才的角色定位和能力要求。

量发展注入强大动能 大模型的进一步突破将引领人类社会进入智能化时代，对我们的生活方式、生产方式带来巨大变革 重塑经济图景 解决复杂问题 7 政企、创业者必读 8 AI不仅是技术革新，更是思维方式和社会结构的变革 国家 产业 个人 企业 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 全面超越人类的人工智能在逻辑上不成立 政企、创业者必读 15 DeepSeek出现之前的十大预判 之二 慢思考成为新的发展模式  大模型发展范式正在从「预训练」转向「后训练」和「推理时计算」  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  慢 人类真正智力表现 的形式 直觉经验型 速度快、准确性低 GPT、DeepSeek-V3擅长的 思考方式 推理能力获得突破的关键是学会了「慢思考」 例：课堂提问 快问快答  长思维链强大的推理能力是真正人类智力的体现  预训练大模型是人记忆和学习的能力，推理模型是对复杂问题 进行规划、分解、预测的能力，实现了真正的慢思考 28 例：课后作业 仔细思考 政企、创业者必读

对话式AI、多语言翻译还有内容生成 等等，能给企业提供高效的AI方案， 满足好多领域的需求 适合学术研究、解决问题的应用和决策 支持系统等需要深度推理的任务，也能 拿来当教育工具，帮学生锻炼逻辑思维 常见推理模型 DeepSeek R1 OpenAI o1 OpenAI o3-mini Gemini 2.0 Grok3 Kimi 1.5 18 为什么火：能力突破、开源、低成本、国产化 语言理解和生成能力 n 世界知识能力 n 一定的推理能力 n 幻觉（生成错误答案） n 知识库有限 n 上下文窗口限制 推理模型（DeepSeek-R1)工作原理 让模型进行慢思考 思维链 （Chain of Thought） 在不损失能力的情况下缩小模型 蒸馏 （Distillation） 让模型自我探索和训练 强化学习 （Reinforcement Learning） 给出专业且看不懂的回答，和百度百科差不多。但如 果给ta一句“说人话”，ta就会生动形象的做一些举例 说人话 4.DeepSeek提示词技巧-反向PUA 41 DeepSeek有一套自己的思维链，也就是ta自带的思考逻辑，那么如果你想要DeepSeek更卖力给你搬砖， 就需要你运用“反向PUA” “请你列出10个反对理由再给方案” “如果你是老板，你会怎样批评这个方案？” “这个

年之前的主导是“⼤数据、⼩算⼒、专⽤决策范式”。 • 2020 年后， GPT-3 代表技术路线“⼤数据、⼤算⼒、通⽤范式”，验证⼤语⾔模型的可⾏性。 • GPT3/4 在深度推理和问题解决⽅⾯有所⽋缺， OpenAI-o1 通过思维链（ Chain of Thought ）增强推理能⼒，将复杂问题 分 解成更⼩、更易处理的步骤；⽽ DeepSeek R1 在展现卓越推理能⼒同时， 训练和推理成本极低 GPT 为内容创造和自动推理开辟可能性 病历讨论助⼿ 基于 DeepSeek 推理模型，整合患者的信息，辅助医⽣深度问诊、 鉴别诊断、病情分析和建议，提出治疗、预防等建议 • 基于 Deepseek ⼤模型，再现医⽣临床思维链路的推理模型 • ⾃动⽣成病情分析、 IDC ⾃动编码 • 分析准确率达 90% ，为医⽣提供权威决策⽀持 • 指出权威出处（如指南、专家共识等） “理解准”、“检索准”、“回答准” 26 遵循⽤户指令，进⾏各种场景的⽂本创作 对已有内容进⾏续写、润⾊、校阅、翻译和总 结 ⽂档智能助⼿： ⽂档的 doc 、表格、思维导图等各⼯作⽂件中，通过 AI 提⾼⽤户⼯作效率 ⽂档创作 ⽂本编辑

1987-2020年之前的主导是“⼤数据、⼩算⼒、专⽤决策范式”。 • 2020年后，GPT-3代表技术路线“⼤数据、⼤算⼒、通⽤范式”，验证⼤语⾔模型的可⾏性。 • GPT3/4在深度推理和问题解决⽅⾯有所⽋缺，OpenAI-o1通过思维链（ChainvofvThought）增强推理能⼒，将复杂问题分 解成更⼩、更易处理的步骤；⽽DeepSeek R1在展现卓越推理能⼒同时，训练和推理成本极低 BERT BERT在文本分类、命名实体识别等 课题筛选、⽂献收集、数据结构化提取和分析、 摘要及初稿撰写等 医⽣ 基于DeepSeek推理模型，整合患者的信息，辅助医⽣深度问诊、 鉴别诊断、病情分析和建议，提出治疗、预防等建议 • 基于Deepseek⼤模型，再现医⽣临床思维链路的推理模型 • ⾃动⽣成病情分析、IDC⾃动编码 • 分析准确率达90%，为医⽣提供权威决策⽀持 • 指出权威出处（如指南、专家共识等） 基于DeepSeek病历讨论助⼿ 科研助⼿ 20 准确率更⾼，模型幻觉更低，更适合⼯作场景严肃问答 • 知识获取可融⼊⼯作流程（如财务报销），让知识可即时取⽤ 26 智能办公：AI辅助的智能⽂本助⼿ 27 ⽂档智能助⼿：⽂档的doc、表格、思维导图等各⼯作⽂件中，通过AI提⾼⽤户⼯作效率 ⽂档创作 ⽂本编辑 表格公式⽣成 ⽀持⾃然语⾔⽣成250+内置函数 遵循⽤户指令，进⾏各种场景的⽂本创作 对已有内容进⾏续写、润⾊、校阅、翻译和总结

大脑半球，二者由神经纤维构成的胼胝体相连。脑干又可分为中脑、脑桥及延髓三部分。 部位 位置 功能 大脑 又称为端脑，位 于脑的最上部， 占人脑总体积的 约85%，分为左 右两个半球 高级认知：负责思维、记忆、语言、决策、情感灯 复杂功能 感觉与运动：处理视觉、听觉、触觉等信息、并控 制自主运动 小脑 位于大脑后下方， 紧贴脑干后方， 形似蝴蝶。 运动协调：调节肌肉张力、协调精细动作（如鞋子、 驱动及算法监控部件的各类状态，保证机器人部件的基本运作能力。（2）传递信息的线束及网关，起到各个控制器，传感器信息交互通联的 作用。 部位 在人体中功能 在人形机器人中功能 机器人对应硬件 大脑 高级认知：负责思维、记忆、语言、决策、情感灯复杂功 能 感觉与运动：处理视觉、听觉、触觉等信息、并控制自主 运动 语义理解、环境信息理解、动 作决策等 目前为机器人中央控制器担任此角色， 但目前并未获得相应能力。后续可能 但对于高级认知，信息处理能力尚未建立。展望未来，机器人大小脑有望实现分离，大脑算力进一步加强，小脑专注运动控制。 部位 在人体中功能 在人形机器人中功能 机器人对应硬件 大脑 高级认知：负责思维、记忆、语言、决策、情感灯复杂功 能 感觉与运动：处理视觉、听觉、触觉等信息、并控制自主 运动 语义理解、环境信息理解、动 作决策等 目前为机器人中央控制器担任此角色， 但目前并未获得相应能力。后续可能