规劝模型生成答案的过程是 和 没有使用 Reward Model, 因为 ORM 和 PRM 等基于神经网络的都可能遭受 reward hacking 而 retraining reward model 需要大量的计算资源，可能会复杂化整个流程 训练模板： 选择最简单的 Thinking Process ， 直接观察到最直接的 RL 过程下的表现 DeepSeek-R1 利用软件检查代码补全判断是否为完整代码； 执行 Python 代码检查运行情况判断是否为可运行代码； 调用外部模块构建额外的检测单元； 甚至可以更进一步， 测量执行时间，使训练过程首选性能更高的解决方案； 以上均可以作为小批量训练 (Mini-Batch) 和连续训练过程中的奖励信号 DeepSeek-R1 Zero 的关键启示：举例 - 自动化标记和验证 DeepSeek-R1 技术剖析： DeepSeek-R1 [1] https://newsletter.languagemodels.co/p/the-illustrated-deepseek-r1 DeepSeek-R1 Zero 的问题： 长推理过程可读性差、语言混合，帮助性低 Research Questions: 能否在 Zero 基础上兼顾推理性能的同时，提升模型的帮助性和安全性？例如产生 Clear & Coherent

（二）大模型在政务热线中的全新价值 随着大模型、人工智能、物联网等新一代数字技术的突破性发展，技术赋能 呈现出智能化与场景化深度融合的特征，为政务热线从数字化向智能化跃迁提供 了核心驱动力。在这一转型过程中，大模型通过重构政务热线的底层技术逻辑， 正在成为推动数字政府治理现代化的重要引擎。 首先，大模型驱动资源整合，强化数字政府协同联动能力。 政务热线数智化注重资源整合，借助大模型的强大能力，能进一步提升数字 承办单位主动领取任务，纠正业务办理过程中的形式主义，确保业务办理结果合 民意、迎民心。另一方面，政务热线数智化强调对政府回应热线诉求的全过程进 行量化考核，并将其应用到承办单位绩效考核甚至领导班子考核中，大模型可以 提供客观准确的考核数据，进一步压实政府责任，促进承办单位回应群众诉求。 总体而言，政务热线作为链接公众与政府的重要桥梁，其数智化转型是数字 政府建设的关键部分。大模型在这一过程中发挥着重要作用，通过将数字化和智 第三，政务热线是决策施政的“信息港”。政务热线在感知、收集群众诉求 的基础上，对诉求数据的价值、关联和反映问题进行深刻“解读”，挖掘出社会 治理过程中的热点、难点、堵点问题，为政府掌握社会运行状况、民生问题分布 和政府治理绩效提供信息依据，从而有针对性地实施政策措施，高效解决社会治 理过程中出现的各类问题。 政务热线的数智化转型进一步强化了其“信息港”功能，通过实现“科学决 策”、“应急管理”、“施策评估”提升政务热线“循数决策”的能力。一是科

（二）大模型在政务热线中的全新价值 随着大模型、人工智能、物联网等新一代数字技术的突破性发展，技术赋能 呈现出智能化与场景化深度融合的特征，为政务热线从数字化向智能化跃迁提供 了核心驱动力。在这一转型过程中，大模型通过重构政务热线的底层技术逻辑， 正在成为推动数字政府治理现代化的重要引擎。 首先，大模型驱动资源整合，强化数字政府协同联动能力。 政务热线数智化注重资源整合，借助大模型的强大能力，能进一步提升数字 承办单位主动领取任务，纠正业务办理过程中的形式主义，确保业务办理结果合 民意、迎民心。另一方面，政务热线数智化强调对政府回应热线诉求的全过程进 行量化考核，并将其应用到承办单位绩效考核甚至领导班子考核中，大模型可以 提供客观准确的考核数据，进一步压实政府责任，促进承办单位回应群众诉求。 总体而言，政务热线作为链接公众与政府的重要桥梁，其数智化转型是数字 政府建设的关键部分。大模型在这一过程中发挥着重要作用，通过将数字化和智 第三，政务热线是决策施政的“信息港”。政务热线在感知、收集群众诉求 的基础上，对诉求数据的价值、关联和反映问题进行深刻“解读”，挖掘出社会 治理过程中的热点、难点、堵点问题，为政府掌握社会运行状况、民生问题分布 和政府治理绩效提供信息依据，从而有针对性地实施政策措施，高效解决社会治 理过程中出现的各类问题。 政务热线的数智化转型进一步强化了其“信息港”功能，通过实现“科学决 策”、“应急管理”、“施策评估”提升政务热线“循数决策”的能力。一是科

工程仿真传统上一直被用于新产品设计和虚拟测试。 虚拟仿真技术（CAE）是实现工业产品及制造过程模拟仿真 与优化的核心技术，是支持工程师进行产品创新设计最重要 的工具和手段，在保证产品质量的同时能大幅度缩短产品研 5 发周期，节省产品研发成本。在数字化设计技术和虚拟仿真 技术发展和集成应用的过程中，产生了 Digital Mockup（DMU， 数字原型）、Digital Prototyping（数字样机）、Virtual 判别器：判别器的任务是识别输入数据是来自真实数据 集还是生成器。通过这种方式，判别器指导生成器产生越来 越逼真的数据。 GAN 的训练过程涉及到不断调整生成器和判别器的参 数，使得生成器能够产生越来越难以被判别器区分的数据， 而判别器则变得越来越擅长识别真伪。这个过程最终导致生 成器能够产生高质量的假数据。 （2） 变分自编码（Variational AutoEncoder，VAE） 变分自 E 的核心 组成包括两个主要部分：编码器（Encoder）和解码器 （Decoder）。 编码器：VAE 的编码器负责将输入数据映射到一个潜在 空间（latent space）中的表示。这一过程涉及了概率分布 的估计，通常是假设潜在空间遵循高斯分布。 解码器：解码器的任务是从潜在空间的表示中重构出输 入数据。通过这种方式，VAE 能够生成与训练数据类似的新 数据。 VAE 的训练涉及到最小化重构误差和潜在空间分布与先

量紧密合作, 形成了一个相互促进、共同发展的有机生态。与此同时, 客户对于 智能化产品、方案和服务的迫切需求也成为这场革命的重要驱动力。技术创新与 企业应用在智能化转型的道路上相向而行, 双向奔赴, 这个过程中, 一站式 partner 性质的长期陪伴尤为重要, 它将带领技术与企业共同奔赴, 共创更高价 为时代浪潮激动之余, 我们也清醒地认识到,智能化时代在为我们敞开机遇 之门的同时, 也抛出了诸 充分激发数据要 素的活力, 释放数据要素价值,赋能新质生产力培育, 带动整个经济社会高 质量发展。我国加速推动 "数据要素X" 行动计划落地, 各地区各部门积极 开展探索实践,加快推动数据要素价值化过程,发挥数据要素对经济发展的 乘数效应, 提高经济社会发展的质量和效益。 1.2 AI 创新成为企业普遍共识, 赋能千行百业提质增效 在科技迅猛发展的今天,人工智能已成为最具变革性和影响力的核心技 更多干货请关注公众号“管理技术化平台” 6 二、以 AI 2.0 升级企业智能化转型方法论 在新技术不断涌现、客户需求日益多元化的背景下,智能化转型已成为各行 业顺应数字经济发展的必由之路。在这一转型过程中,新兴科技与各产业场景的 深度融合逐渐加速, 与企业的创新和变革目标相互契合, 为提升运营效率和变革 - 业供给侧结构性改革的核心动力源。 企业实现智能化转型之路并非平坦,必然要经历规划、

到未来一段时期的业务发展目 标，进而影响到企业长期发展质量。IDC针对当前不同企业的云发展策略进行了 深入的调研与分析，并特别注意到多云策略已逐渐被更多的企业认知，进而在企 业追寻新价值曲线的过程中获得越来越多的实践。 当前，以人工智能为代表的数字经济新技术、新产业、新模式，正在持续推动各 行业的高质量发展进程。人工智能、数据要素、算力和网络基础设施等具备极强 的行业普适性，一系列的数 �� 多云发展战略 第二章 持续扩展企业未来高质量增长空间 �.� 多云战略落地的应用场景 多云战略将不仅仅是IT技术升级的路径选择，其更重要的意义在于：企业将在多 云环境的动态构建过程中，进一步聚焦优势资源，理顺规模、质量、效率之间的 有机关系，实现可持续、高质量的创新发展。 ����年，IDC针对中国企业多云战 略展开调研，覆盖互联网、金融、 制造、医疗、能源和公共事业、交 �� 针对企业云环境建设和使用经验的研究发现，企业在面对新的发展要求时，通常 会深入分析各类平台的扩容和技术路线，根据自身需求选择引入新的云环境，并 利用多云协同支撑未来的业务拓展需求，在此过程中积累了诸多具有代表性的多 云应用场景： 场景一：构建冗余环境。利用异构云环境提供容灾备份服务，其区别于传统 的同构备份或两地三中心模式，更多是企业综合考虑诸多因素后，采用异构 云所设计的备

实现传统机器人无法实现的焊接、喷涂和装配等操作，如喷涂机器人 通过学习大量的喷涂数据和工件表面特征，实现对复杂工件的精准轨 迹规划；焊接机器人能够根据焊接过程中遇到的不同情况进行自我调 整，以达到最佳的焊接效果；装配机器人利用强化学习算法，在装配 过程中自主学习轴孔装配技能，通过在线辨识控制器的最优参数，提 高装配操作质量。二是自主导航类，随着激光地图建模技术不断成熟， 基于地图开展移动路径设计的自主导航功能也实现广泛应用，发展出 3“人工智能+机器人”应用场景分布 1、生产操作：从操作精度提升到自适应学习 生产操作类应用占比接近 40%，是应用最为普遍的领域。原因主 要有包括以下两点：一是企业对效率的需求提升，“机器取代人”最 早出现在生产过程中的重复性、封闭性的操作场景中，在多个行业已 经实现了大规模应用，在市场效率竞争和小批量柔性生产趋势下，企 业普遍存在对智能化机器人的升级需求；二是机器人功能的拓展，随 着机器人模块化设计和柔性控制技术的成熟，工业机器人的精细化程 此类场景“机器人+人工智能”主要是“多智能体+协同优化模型” 模式，AI 应用的主要目标是优化生产或研发流程。在产线优化方面， 宁德时代“灯塔工厂”构建了以 MES 为核心的集成制造系统，借助机 器人实现了生产过程无人化，并引入了人工智能技术，在三年内就将 劳动生产率提高了 75%；在试验验证方面，晶泰科技生物医药“AI+ 机器人丛林”实验室，结合量子物理和计算化学产生大量的“干试验” 数据，并通过机器人获取“湿试验”数据，建立垂直

30 政企、创业者必读 DeepSeek在用户体验上实现了三件事  更加理解用户需求，降低Prompt要求  直接呈现思维过程，展现像真人一样思考的能力  可实时联网，把搜索能力与推理能力结合 DeepSeek颠覆式创新——用户体验 具备强大推理能力，思维过程更加缜密，智能性提升 用起来更像真人，写作能力更强，想象力更丰富 31 政企、创业者必读 DeepSeek-R1用户体验改善的作用 政企、创业者必读 闭源云端通用大模型功能强大 但在政府企业场景中使用存在若干问题  训练知识为网上通用，缺少政府和企业内部知识，不懂业务，无 法解决实际问题  闭源模型云端部署，使用过程中数据外传上网，存在泄密风险  闭源模型规模庞大，无法为企业进行定制，无法本地部署  成本高昂，一般企业难以负担 50 政企、创业者必读  不追求用一个大模型解决企业所有问题，而是找垂直场景，做专业技能大模型 ”原则 示例：人员招聘就是一个太大的、笼统的场景 需要细分成职位描述、简历筛选、面试评估等粒度更合适的场景 56 政企、创业者必读 某省39家钢铁企业，联合打造钢铁基础大模型，将钢铁制造全过程拆分为142个场景 1· 原料 转 炉 炼 钢 热轧 煤 铁 矿 石 石 灰 石 废钢 合金 炼焦 烧结 球团 高炉炼铁 电 炉 炼 钢 精炼 连铸 冷轧/镀锌 调度 营销

数字化人才是企业实现数字化转型的核心要素，只有拥有一支高素质的数字化人才队伍，企业 才能在数字化浪潮中稳健前行。 本指南以前瞻性的视野，深刻剖析了行业发展的最新趋势，精准捕捉到了企业在数字化转 型过程中面临的诸多挑战与痛点。在此基础上，我们围绕数字化人才的全面培养与发展，展开 了深入而细致的探讨，旨在为企业量身打造一套高效、可持续的数字化人才建设体系，从而助 力企业加速推进数字化转型步伐，抢 相关人员），而大多数非 IT 员工则不清楚如何 有效利用数字化手段来挖掘和创造新的价值，换言之，就是企业现有的人才组织难以支撑起新 的 IT 运营管理架构，往往会出现企业花费重金搭建的数字化成果在实际应用过程中“打折” 的现象。其实，这主要是行业人力市场中数字技能普及度不高，数字人才缺口大、供需不匹配 造成的。 细究原因，主要有三点： 1. 人才培养周期普遍较长，而企业数字化建设周期短，产业和市场发展速度快、变化大。无 学校培养人才主要以单一模式教学为主，应届毕业生实践经验普遍较少，兼具行业知识和 数字技能的复合型人才大多需要在企业中慢慢培养，市场中可流动的数字化实践型人才较 为短缺； 3. 企业在数字化转型过程中很容易陷入“重硬轻软”的误区，更注重业务流程的数字化建设， 而往往忽略了“谁来用、谁会用、谁能用好”的问题。概括来讲，就是企业转型升级进程 与现有人才队伍数字素养提升进程存在割裂。 2.解决方案

产业发展的活力和韧性，未来发展前景值得期待。 06 为了充分把握大模型带来的商业机遇，越来越多的企业正积极探索 AI 与业务深度融合的 创新模式，打造符合自身发展战略的 AI 应用实践。 企业应用 AI 往往是点到面、循序渐进的过程，通常遵循从低风险、高价值的领域开始，逐 渐向更复杂、容错率低的领域扩展。这一路径不仅降低了初期投入的风险，也为后续的全 面推广积累了经验和信心。 AI 在企业中的应用场景持续扩展， 正在经历从点到面的深度变革 数据来源：腾讯研究院《2025 年 AI 转型的进展洞察报告》，样本数量：2887 家企业 腾讯研究院发布的《2025 年 AI 转型的进展洞察报告》调研了全国近 3000 家企业，揭 示了企业 AI 转型过程中战略与现实的博弈：生成式 AI 在企业应用中呈现出"普及度"与" 成熟度"不完全匹配的特点。 从应用分布来看，企业更愿意将生成式 AI 优先应用在核心业务环节。在销售和客户服 务、生产/制造/供 的战略重要性，超半数的 CEO 表示正面临 来自企业内部推动 AI 转型的迫切压力，但只有四分之一的 CEO 表示其组织已经为全面 整合 AI 做好充分准备。 这一调研结果反映出当前大部分企业在 AI 战略落地过程中面临的现实挑战：企业对 AI 的认知与应用之间存在显著鸿沟。对企业来说，如何缩小这一差距，将成为未来发展的关 键命题。 企业 AI 应用落地核心挑战： 认知偏差与人才短缺 3 数据来源：IBM，数据截取统计数据前