底，存在操作风险，通过仿真数据模拟，可以模拟生成高质 量的仿真业务数据，提升系统测试效果，降低系统差错率。 （3） 扩充模型构建样本 金融机构在开展新业务初期，由于业务数据积累较少， 造成 AI 算法模型在构建时缺乏训练和测试样本，通过数字 孪生中的业务仿真数据技术，可以批量模拟生成算法模型构 建所需的样本数据，为冷启动提供更多数据支撑。 3.技术实现方案 基于数字孪生技术的仿真业务数据生成，在技术实现上 务数据模拟可以在系统开发中模拟造数，满足历史业务数据 缺失情况下的系统需求开发，辅助缺少数据支撑的创新业务 场景系统开发。 在模型开发方面，在模型样本获取难度大的情况下，通 过基于数字孪生技术的仿真业务数据对真实业务数据进行 模拟，可以支持机器学习模型无样本或少样本冷启动。 在测试模拟方面，通过基于数字孪生技术的仿真业务数 据可以生成测试数据及案例，辅助大规模批量人工造数，提 升系统开发中数据测试效率。 在部分或全部数据未获取到的前提下，根据业务逻辑， 通过数据仿真生成模拟数据，支持新业务场景报表敏捷开发 及数据验证。 44 （5） AI 模型开发 在模型样本获取难度大的情况下，通过数据孪生对真实 业务数据进行模拟，支持机器学习模型无样本或少样本冷启 动。 4.总结分析 中电金信在数据孪生应用实践中，形成如下总结建议： 孪生数据的构建需要满足业务逻辑，因此需要模型能够 充分学习到业务场景中数据之间的关联关系，这就需要大模

形机器人，深圳大学推出可呼吸暖体 假人，模拟人类的呼吸和体温为疾病 传播研究提供了重要实验工具。 人形机器人能够在空间站内部监测环 境、维护设备、进行实验，能够在太 空中行走、修复航天器、进行垃圾清 理、地表探测、样本采集等重复性且 有危险性的工作。近十年来，美国、 俄罗斯等国家在持续推进太空机器人 的研发与落地。中国已推出四款太空 机器人，包含机械臂与飞行机器人。 核 电 站 巡 检 场 景 化 工、 生 物 报告重点研究内容主要为智能机器人产业链发展重点、不同场景机器人落地情况等。 2. 资料与数据来源 1）月狐iAPP（MoonFox iApp），基于极光云服务平台的行业数据及月狐iAPP平台针对各类移动应用大数据的挖掘，并结合大样本算法开展的数据统计与 分析； 2）月狐iBrand（MoonFox iBrand），基于全面品牌洞察方案，对门店客流、店铺数、销量、用户画像等多维度数据进行统计与分析； 3）月狐 iMarketing（MoonFox 合法授权采集数 据，同时经过对数据脱敏后形成大数据分析报告。 3. 数据周期及数据指标请参考各页标注。 4. 免责声明 月狐数据MoonFox Data所提供的数据信息系依据大样本数据抽样统计、小样本调研、数据模型预测及其他研究方法估算、分析得出。由于统计分析领域 中的任何资料与数据来源和技术方法均存在局限性，月狐数据MoonFox Data也不例外。月狐数据MoonFox Data依据上述方法所估算、分析得出的数据信

达到了有史以来最大的数据体量——十亿帧「视觉-语言-动作」对，掌握泛化闭环抓取能力、达成基础模型；预训练后，模型可直接 Sim2Real 在未见过的、千变万化的真实场景和物体上零样本测试，全球首次全面展现了七大卓越的泛化能力，满足大多数产品的需求；而针 对特别需求，后训练仅需小样本学习即可迁移基础能力到特定场景，维持高泛化性的同时形成符合产品需求的专业技能。 Figure AI 人形机器人VLA通用大模型 04 18 资 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 Action Tokens，弥合图像-文本与机器人执行动作之间的鸿沟 智元通用具身基座大模型GO-1

视觉平台，使用者无需具备专业的 AI 算法能力，仅需上传缺陷图片， 平台即可根据不同检测场景，自动完成 AI 模型的部署，提供检测能 力。支持「低分辨率」、「低对比度」图片检测，轻松解决缺陷“尺 度小、种类多、样本少”等检测难点。 图 9 灵猴螺纹完整性检测系统 4、博众精工 MasterpieceAI 系统 业务聚焦在消费类电子、新能源汽车、半导体、关键零部件、智 慧仓储物流等数字化装备领域。博众自主开发的 是一套集数据分析、标注、调参、训练、测试为一体的工业视觉深度 学习平台软件。通过灵活简单的 GUI 界面，用户快速创建深度学习应 用系统。满足视觉检测、分类、定位等应用需求。系统包含了四大项 26 目板块，分别为项目管理、样本标注、构建&训练&检测模型以及评估 模型。另外包含图像分割算法、图像分类算法、目标检测算法、单样 本检测、OCR 字符识别目标测量识别六大子功能板块，通过对图片、 字符进行训练建模准确的分割目标。 系统运用最前沿的深度学习算法，在检测准确率 及精度上提升更高；处理速度快，通用性更强。在研发并突破深度学 习算法同时，紧跟非深度学习的机器学习等 AI 算法的研究方向。在 少量训练样本，也可以获得非常高的准确率，解决工厂获取样本数据 难题。 图 10 博众精工 MasterpieceAI 系统 5、艾吉威全球首台 AI 语音交互 AGV 小千斤 苏州艾吉威机器人有限公司成立于 2011 年 12

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 等)规模全球领先 • 安全人才规模全球领先 • 漏洞挖掘能力全球领先 四个全球领先 世界的360 • 实战能力第一，实战是检验安全企业能力的唯一标准 • 安全 人工智能分析 • 独创安全大数据AI智 能分析技术 • 荣获十次国际冠军/提 名人工智能奖项 • QVE、QEX、QVM QAPT、鲲鹏、扎克 慧眼、APTFLOW 建立样本库、基因 库、知识库 • 320亿样本 • 百万攻击/渗透事件 • 1800+APT武器模型 • 1000+技战术手法 • 2000+杀伤链模型 • 上万条典型攻击脚本 强大专家团队 • 200+安全精英团队

AI 进阶之路 ............................................................................. 66 附录一 研究方法和样本说明 ................................................................................................ 问卷始终围绕企业发展战略及转型价值和目标,选取关键维度构建对标模型,依 托第三方专业调研平台及企业私域运营平台,广泛邀请目标客户,建立样本数据 库,动态开展企业间、行业间的横向对标。 2024 年的企业智能化成熟度调研, 最 终收回 841 份有效问卷, 在样本数量和结构平衡性上与 2023 年保持基本一致, 并从受访企业的行业分布、员工规模、营业额、IT投资额等多方面进行了合理配 比, 与评估体系深度融合 "一把手" 、CIO、 更多干货请关注公众号“管理技术化平台” 26 CDO、AI 首席架构师、数字化转型专项负责人、事业部和业务线负责人等企业智 能化转型的决策者为主。这样的多维度、多梯度样本设计旨在尽可能保证统计数 据的客观性和科学性。 (具体信息详见附录) 在成熟度总分计算上, 本量表主要采用加权平均的计算方式。根据四大维度 的不同权重进行加权平均计算,得出最终的成熟度得分,计算公式为:

现优异，应用于样本数据生成、图像生成、 图像修复、图像转换、文本生成等方向。 2015年，扩散概率模型的基本概念与整体 框架被提出，2020-2021年，Diffusion Model在图像生成领域得到广泛应用。 Diffusion架构 Diffusion Model是一种基于概率生成的深度学习模型，通过模拟 数据从有序到无序再到有序的过程，实现从噪声中生成高质量数据 样本，应用于图像 基于Chirp模型为用户生成逼真的音乐和声音效果，目 前模型已更新到V4版本， • 2024年，Stability AI在音乐生成领域继续开源Stable Audio 2.0和Open等系列，可生成音频样本、音效、 制作素材和歌曲等。 • 2024年11月，NVIDIA 推出全新生成 AI 音频模型 Fugatto ，能够结合文本和音频输入，生成多种类型的 音乐、声音及语音。 • 模型优势：高准确性与可控性 得；企业数据主要为访谈获得，艾瑞咨询对该等信息的准确性、完整性或可靠性作尽最大努力的追求， 但不作任何保证。在任何情况下，本报告中的信息或所表述的观点均不构成任何建议。 本报告中发布的调研数据采用样本调研方法，其数据结果受到样本的影响。由于调研方法及样本的限 制，调查资料收集范围的限制，该数据仅代表调研时间和人群的基本状况，仅服务于当前的调研目的， 为市场和客户提供基本参考。受研究方法和数据获取资源的限制，本报告只提供给用户作为市场参考

现优异，应用于样本数据生成、图像生成、 图像修复、图像转换、文本生成等方向。 2015年，扩散概率模型的基本概念与整体 框架被提出，2020-2021年，Diffusion Model在图像生成领域得到广泛应用。 Diffusion架构 Diffusion Model是一种基于概率生成的深度学习模型，通过模拟 数据从有序到无序再到有序的过程，实现从噪声中生成高质量数据 样本，应用于图像 基于Chirp模型为用户生成逼真的音乐和声音效果，目 前模型已更新到V4版本， • 2024年，Stability AI在音乐生成领域继续开源Stable Audio 2.0和Open等系列，可生成音频样本、音效、 制作素材和歌曲等。 • 2024年11月，NVIDIA 推出全新生成 AI 音频模型 Fugatto ，能够结合文本和音频输入，生成多种类型的 音乐、声音及语音。 • 模型优势：高准确性与可控性 得；企业数据主要为访谈获得，艾瑞咨询对该等信息的准确性、完整性或可靠性作尽最大努力的追求， 但不作任何保证。在任何情况下，本报告中的信息或所表述的观点均不构成任何建议。 本报告中发布的调研数据采用样本调研方法，其数据结果受到样本的影响。由于调研方法及样本的限 制，调查资料收集范围的限制，该数据仅代表调研时间和人群的基本状况，仅服务于当前的调研目的， 为市场和客户提供基本参考。受研究方法和数据获取资源的限制，本报告只提供给用户作为市场参考

few-shot long cot data, 详细带反思和验证的数据 集 双重验证： 由人类注释者和 R1-zero 生成的高质量链式思考 （ Chain-of-Thought, CoT ）数据，部分样本长度达到 10,000 Token 成效： 提供一些 Human Prior \ 显著提升了语言的语义连贯性、 可 读性和基本推理能力。 推理为中心 RL Reasoning-Oriented 是人工生成的，包括程序化创建的图像和场景，旨在提高特定的视觉推理技能，例如理解 空间关系、几何模式和物体交互。这些合成数据集提供了可控环境，用于测试模型的视觉推理能力，并且可 以 无限生成训练样本。 文本渲染数据 是通过将文本内容转换为视觉格式创建的，使模型能够在不同模态下保持一致的文本处理能力。 通过将文本文档、代码片段和结构化数据转换为图像，确保模型无论接收的是纯文本输入还是截图或照片中的 38 Open Questions: Long-COT 指令数据扩展是否有助于慢思考推理能力？ 哪种 Long-COT 数据构造方式具有最佳样本效率？ Long-COT 及其扩展是否有助于多模态任务？ Takeaways from RedStar [1]: Long-COT 在有限数据下增强推理能力：小规模数据集（如 1.3k

GraspVLA，采⽤“VLM ⻣⼲+动作专家”架构，通过 渐进式动作⽣成连接。“⼤脑”含 InternLM2 1.8B 及融合双模型特征的视觉编码器；“⼩ 脑”专注动作块⽣成。经 10 亿级合成数据预训练获七⼤泛化能⼒，⼩样本真机后训练 可应⽤于特殊场景。智元机器⼈ 2025 年 3 ⽉发布 ViLLA 架构的 GO-1 模型，构建 “VLM+MoE 混合专家”体系。“⼤脑”由 InternVL-2B（多模态感知）与 当前⾼精度传感器、低功耗芯⽚等核⼼硬件国产化率不断提升，为数据采集与算法运 ⾏提供稳定⽀撑，硬件性能提升进⼀步拓展数据采集边界；数据是核⼼燃料，⼯业场 景的规模化应⽤与消费端的普及，累计产⽣⼤量真实交互数据，为算法训练提供丰富 样本，有效提升模型泛化能⼒；算法是核⼼引擎，以 VLA 模型为代表的算法突破，实 现数据与硬件的⾼效协同，通过多模态数据融合处理，驱动硬件执⾏更精准、更灵活 的任务。三⻆⻜轮的良性运转，推动具⾝智能