几何建模是最基础的一环，通过 CAD 计算机辅助设计软件创 建物体的几何形状及物体间行为框架，通过一系列可变参数 控制模型。针对复杂场景，可基于点云的建模技术通过 LiDAR （光检测和测距）或其他 3D 扫描设备获取大量空间坐标点， 然后使用表面重建算法如 Delaunay 三角剖分或泊松重建。 此外，动态建模技术，专注于捕捉和表示系统的动态行为， 常见用于表达逻辑流程和状态转换的状态机建模，用来模拟 并发事件和资源分配问题的 金融风控领域方面的痛点包括风险识别滞后，合规压力 大，数据整合难度大。传统金融业风险管理方式一般基于历 史数据和静态模型，在客户对金融产品个性化需求提高的现 在，可能存在风险识别滞后的问题，表现为在市场变化、客 户行为和潜在欺诈方面反应速度较慢，不能迅速适应市场变 化。当突发市场波动时，若金融机构无法及时调整风险策略， 将导致客户投资损失，甚至客户流失。 6 国家金融监督管理总局官方公告，截至 2023 年底，中国银行业金融机构法人共 终端设 备进入虚拟环境，或与全息成像技术进行互动，获得个性化 服务。 （2） 提升服务合规性 通过数字孪生技术构建虚拟厅堂，可以实时采集客户操 作及行为数据，确保每一步都符合厅堂服务规章制度，并在 业务流程中自动检测和纠正违规行为，降低操作风险发生概 率，提升金融机构厅堂服务合规水平。 17 （3） 创造培训虚拟环境 通过数字孪生技术构建虚拟厅堂，可以帮助金融机构创 建模拟真

实时分析患者临床数据，结合最新的医学研究成果、临床指南及类似病例处理经 验，为医生提供临床决策支持，辅助医生减少误诊和漏诊的风险，提高医疗安全。 市场分析和趋势预测：精准洞察市场，优化营销策略 利用 AI 分析消费者行为、社交媒体趋势、经济指标等数据，帮助零售商预测未来 销售趋势 基于消费者购买趋势和偏好的变化，及时调整产品线和营销策略 医学教育与培训：虚拟病例训练，优化教学内容 模拟真实临床场景，为医学生和 驱动的获客与线索筛选：提升获客效率，缩短销售周期 AI 驱动的获客工具通过分析客户数据，精准识别潜在客户，并对线索进行高效筛 选和优先级排序 根据客户的行为和偏好，发送个性化的营销信息，提升客户参与度和购买意愿，缩 短销售周期 个性化销售策略与客户互动：提升客户满意度和销售业绩 分析客户的购买历史、行为数据和沟通风格，为销售团队提供量身定制的销售策 略和互动建议 为销售人员提供实时的对话建议，帮助他们更好地与客户建立信任和关系，提升 AI 通过分析市场需求、库存水平和物流数据，优化供应链管理 预测商品销量，调整库存，减少过剩或短缺情况，提高供应链稳定性 个性化推荐：精准推送，提升消费者体验 AI 基于消费者的购物历史、偏好和行为数据，提供个性化产品推荐 优化购物体验，增强消费者满意度和忠诚度，提升商家销售额和客户粘性 智能客服与支持：提升客户满意度，降低运营成本 AI 驱动的智能客服提供全天候的即时服务，快速解答产品问题、处理退换货请求、

和强化学习。 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， 出信号之间的错误相关性（模型可能会将某些表面 上相关的因素，如天气、交通状况，错误地认为是 决定驾驶行为的关键因素，从而导致决策不准确）。 逆最优控制（IOC） 逆最优控制是一种从专家示范中学习 的算法，通过观察专家驾驶员的行为 来推测出一个“奖励函数”。这个奖 励函数可以理解为：专家做出的每一 个动作都有一个“奖励值”，这些奖 励值反映了每个行为的好坏。逆最优 控制的主要方法分为对抗模仿学习 （GAIL）与成本学习（Cost 对抗模仿学习（GAIL）：不仅仅是模仿专家的行为，而是 通过让学习系统和专家系统之间“对抗”来学习最佳策略。 具体来说，GAIL的目标是让一个“判别器”区分专家行为 和学习行为，系统通过不断调整自己的行为，使得这个 “判别器”无法再区分专家的行为和系统自己的行为。 在自动驾驶的场景中，奖励函数的定义非常复杂， 因为要考虑的因素众多，比如路况、交通规则、其 他车辆的行为等等，而且这些因素是动态变化的。 所以，优化奖励函数非常困难。

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 response 长度能够稳定上升，可能会出现反复重复验证、或 者验 证时间过晚的情况 ; （ REINFORCE 系列更快； PPO 训练稳定但是慢） 多语言可能 complexity 难度 Accurate Evaluability: 能够被 Verifiers 准确评价，从而防止泛化出 一些 reward hacking 和 superficial patterns 的行为 Long-CoT SFT 用 Prompt Engineering 造了一个高质量 LongCoT warmup dataset 包含了准确的 verified reasoning paths 策略优化：建模成 Contextual Bandit, 用 REINFORCE 变种进行优化 长度惩罚：引入长度惩罚机制，防止模型生成过长的推理过程，提高计算效率。 Overthinking 的行为：可能会导致更好的表现，但是会带来 training 和 inference 过程中极大 的损耗 采样策略 课程学习（ Curriculum Learning ）： 根据问题的难度，先让模型学习容易的例子，再逐渐引

质量。 1 大模型 模型训练环节 大模型可实现多任务学习，让 智能机器人同时学习多种技能 与行为模式。借助迁移学习， 在一个任务上训练好的模型参 数可迁移到其他相似任务，加 速新任务学习，减少训练时间 与数据需求。 2 算法优化 大模型能为智能机器人找到最 优行为策略。在复杂环境中， 机器人通过与环境交互获得奖 励反馈，大模型利用这些反馈 不断调整自身决策。大模型参 。 人形机器人作为人工智能领域的重要发展方向，因其 拟人化引发了诸多伦理与安全问题。从伦理角度来看， 人形机器人可能引发对人类自身身份认同的冲击，其 高度拟人化的外观和行为方式容易模糊人机界限，引 发诸如机器人行为是否应遵循人类道德准则、如何防 止对人无意或恶意产生影响等。 在安全层面，人形机器人面临功能安全、网络安全、 个人信息安全、数据安全、国家安全等诸多安全问题。 为应对这些问题，应首先加强技术研发，确保机器人 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 iMarketing），基于自有移动端大数据和用户画像标签，对人群社会属性、地理位置、轨迹特征、线上行为偏好等多维度数据进 行统计与分析； 4）月狐调研数据，通过月狐调研平台进行网络调研； 5）其他合法收集的数据。以上均系依据相关法律法规，经用户合法授权采集数 据，同时经过对数据脱敏后形成大数据分析报告。

进行交易 2、交易对手分析：在能源交易中，了解交易对手的情况对于制定合理的交易策略非常重要。 Deepseek可以通过分析交易对手的历史 交易数据、市场行为和信用状况等信息，为交易商提供交易对手的画像和分析报告，帮助交易商更好地了解交易对手的需求和行为模 式，从而制定更有针对性的交易策略。 3、交易流程优化： Deepseek等AI大模型可以对能源交易的流程进行优化，提高交易的效率和透明度。例如，在能源交易的合同签订、 最佳的维护时间和维护方式，提高维护效率和设备的可靠 性。 4、能源网络安全监测：能源网络面临着各种安全威胁，如 网络攻击、数据泄露等。AI 大模型可以对能源网络的流量 数据、通信协议、用户行为等进行实时监测和分析，识别 潜在的安全风险。一旦发现异常行为或攻击迹象，能够及 时发出警报并采取相应的防护措施，保障能源网络的安全 运行。 4三、能源数字化转型 4四、能源环保与可持续发展 （一） 20 ◼ 碳排放监测与管理：

作为小脑进行运动控制并生成动作指令；底层机器人本体接受神 经网络策略的动作指令，进行控制执行。分层决策模型的缺点是： 不同步骤间的对齐和一致性需解决。 以「Google RT-2」为代表，通过一个神经网络完成从任务目标输 入到行为指令输出的全过程。首先在大规模互联网数据预训练视 觉语言模型，然后在机器人任务上微调，结合机器人动作数据， 推出视觉语言动作模型。RT-2不仅负责最上层的感知与规划，还 参与中下层的控制与执行，打通了端到端的链路。端到端模型的 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。 • 优势：能够通过探索环境学习未知的策略；可以处理 高度不确定和动态变化的环境 塔共分为三层：（1）大量网络数据和人类视频构成金字塔的底层；（2）通过物理模拟生成和 / 或借助现成神经模型增强得到的合成数据形 成中间层；（3）在实体机器人硬件上收集的真实世界数据则构成顶层。金字塔的底层提供广泛的视觉和行为先验知识，而顶层确保模型能在 实体机器人执行任务时落地应用。 底层：来自互联网及人类活动的视频。其特点是数量多成本低。特点是通 过大规模互联网数据对视觉语言模型进行预训练，提供了丰富的语义信息。

终端用户最终关注的是安全、可靠、舒适且覆盖广泛的智能驾驶体验本身，而非地图的具体技术实现。  这要求智驾地图必须具备高鲜度、满足功能需求的精度和广泛的覆盖范围，并能支撑系统实现类人化、 体验良好的路线规划和驾驶行为。 核心用户需求 可靠性与安全性 ███████████████████▌95% 用户期望智驾系统在各种常见道路和天气条件下都能稳定运 行，不出错、不漏检、不误判，地图信息的准确性是重要保 障。 是座舱导航与智驾功能无缝融合，系统表现可靠，信息呈现 清晰，从而建立用户信任。 用户痛点 地图数据覆盖不足或更新不及时，导致智驾功能在某些区域无法激活或频繁退出。 地图信息错误（如限速、车道线、规则错误）导致系统决策失误或驾驶行为不当。 地图规划的路线不合理，频繁选择难走或体验差的路径。 版权声明：本报告版权归泰伯智库所有，未经授权许可，不得擅自引用或将报告内容外泄。Copyright@2025，Beijing Taibo 中。 纯视觉为主：HW4.0高分辨率 ISP图像处理器增强感知能力 BEV+占用网络： • 统一鸟瞰视角三维空间表征 • 4D时空理解与预测 多模态融合 (训练端)： • 视觉、行为、车辆状态等 音频感知 (探索)： • 识别紧急车辆警报声 数据引擎： • 海量车队数据采集 (影子模式) • 自动化标注与仿真 Dojo超级计算机：加速端到端大模型训练 OTA持续进化：快速部署模型更新

有感官能力，如语音或图像处理，但没有一般推理技能。生成/代理型人工智能根据学习到的模式创建新内容——在 更发达的阶段，它可以自主行动，并根据预设目标和环境输入做出决策。物理/拟人型人工智能模仿人类的行为或动作，通常体现在机器人中，用于与物理世界互动 。来源：Strategy&分析 • 快速发展 朝着具有代理性和物理性 的AI发展 人工智能的广泛应用 对于 产品， 商业模式与流程 • 重塑整个行业 妥协质量与安全 AI解决方案 不同参与者 类型 影响 示例 影响 示例 影响 示例 影响 示例 供应商 端到端开发 平台 NVIDIA 优化电池 管理 博世 道路评估 服务 米其林 客户行为 分析学 科克斯汽车公司 原始英文内容：OEMs 基于视频的 质量控制 个性化数字 车内体验 特斯拉 自动电动汽车 充电机器人 现代汽车 自动化二手车交易平台 汽车评估 Auto1

据，并基于分析结果提供量身定制的产品建议，例如与 信用卡产品或储蓄计划相关的建议。 如前所述，人工智能还能通过增强交易安全性和减少欺 诈来优化客户体验。例如，汇丰银行使用人工智能对数 百万个账户进行欺诈行为检测，以提升客户的安全感和 信任感。此类创新使日常银行业务更加顺畅、安全和以 客户为中心，为后期的深度客户互动和忠诚度培养奠定 了基础。 各银行也利用人工智能重塑“了解你的客户”（KYC） 智慧银行：以人工智能驱动转型并创造价值 26 客户面临的挑战 毕马威某长三角商业银行客户，为个人、企业和机构提 供全面的金融服务，其产品涵盖了个人储蓄、企业贷 款、信用卡、网上银行等多个领域。 作为区域性银行，其面临的洗钱行为往往只是整个洗钱 链路中的一小个片段；且随着洗钱犯罪手段变化多端， 仅依靠传统的反洗钱交易监测模型存在一定局限性。 同时，传统的反洗钱交易监测模型直接形成预警案例， 往往会造成高风险案件淹没在众多低风险案件中，导致 挖掘，以识别复杂多变的可疑洗钱行为，提升监测的 准确性与有效性。 此外，智能模型对模型触发的预警案例进行风险评分 及排序，客户可基于评分结果进行甄别资源的配置。 实现的价值 该反洗钱智能模型解决方案基于案例数据进行大 量学习、训练及对异常离群客户及其交易的挖 掘，相较传统模型并不预设固定的触发条件，可 根据客户交易情况动态调整，从而达到识别多变 复杂的可疑洗钱行为。 构建的可疑案例打分体系，帮助客户对甄别资源