用。以人工智能为代表的数字技术成为新一轮科技革命的主导技术， 形成了以智能化系统为代表的新型劳动资料，智能传感设备、工业机 器人、云服务、工业互联网等数字化劳动资料，在算力、算法上所展 现出的高链接性、强渗透性、泛时空性，都是以往任何技术革命无可 比拟的，直接作用于数据这一新型劳动对象，实现了与生产各环节的 深度融合，推动生产要素快速流动和高效匹配。如果说工业革命拓展 了人类体力，通过大规模工厂化生产创造出海量物质财富，新一轮技 模式，为劳动者创造了更加广阔的就业空间。另一方面，数字技术打 破了劳动的时间和空间限制。劳动资料的数字化变革推动了劳动过程 展开的空间条件发生改变，传统工作借由远程办公、在线会议等手段 得以在更多时空形态下展开，促进企业降本增效，更为不同群体提供 了多元包容的劳动机会。同时，基于劳动空间的虚拟性和灵活性，数 字经济的劳动时间也呈现出相应的分散性特征，劳动者可以根据自身 情况弹性安排劳动时间 律，投入更多的数据要 素可以带动企业生产可能性边界加速扩展。一是数据要素具有非稀缺 新质生产力研究报告——从数字经济视角解读（2024 年） 21 性特点。数据可以由多个过程同时使用或跨时空使用，其价值并不会 随着使用量的增加而减少，也不会由于一条生产线的使用而阻断其他 生产线的应用，因此不适用传统生产要素边际产出降低的规律。二是 数据要素具有规模经济。企业的生产管理决策更多集中于前期是否进

2021(16):40-42. [7] 汤恒 . 基于 SPNN 和 GNNWR 的碳排放预测模型研究 [D]. 南京邮电大学 ,2022. [8] 陆佳勤 , 甘信华 . 江苏省工业碳排放时空分异及减排策略 [J]. 资源与产业 ,2022,24(04):150- 156. [9] 吴翔 . 江苏省工业碳排放效率评价与情景模拟研究分析 [D]. 中国矿业大学 ,2022. [10]

方案会将特定场所内外划分为多个区域，当不同的顾客影像 被摄像头捕获后，视频 AI 计算盒会通过 AI 推理来进行快速 的人形识别，然后将顾客数据量化为投影在地板上的一个轨 迹点，再结合时间信息就可以得到连续且不包含敏感要素的 时空轨迹数据，来对客流进行下一步的统计分析。 数据经过边缘 AI 计算盒处理和量化后，会进一步送到云端的 SaaS 平台，经由开域集团解决方案在不同时间维度上，为用 户提供完备的转化分析能力，例如进店客流分析、平均停留

相关政策主要聚焦于建构产学研合作体系，以期使用 VR/AR 技术推进职业教育与产业融合发展。 但 VR 技术的大规模应用还存在不少挑战，需要推动技术架构的创新，以促 进 VR 教育教学常态化应用，如推动云控网联技术架构简化时空限制，推动算网 协同保障大宽带/低时延的网络传输，推动云-管-边-端分层协同，将 VR 教学带入 每一间教室，推动虚拟实验教学和虚拟仿真实训从小规模试点走向大规模常态化 应用。 3.2.2 基本组网

在线强化学习：在动态环境中实现分钟级策略更新 ➢ 人机协同决策：提供可解释的决策依据链 1.3.5 分类体系的交叉与融合 (1) 多模态混合型大模型 融合路径： ➢ 跨模态注意力机制：建立振动信号与热成像数据的时空关联 ➢ 统一表征空间：将文本工艺规范与设备运行数据对齐 ➢ 知识蒸馏桥梁：实现不同模态模型间的知识迁移 17 (2) 云边端协同型大模型 架构创新： ➢ 动态模型分片：根据网络状况自动分配计算负载 的复杂性，延缓了工业大模型的部署速度。 工业大模型需要整合多源、多模态数据，包括结构化数据（如生产记录）、 非结构化数据（如图像和视频）以及实时流数据（如传感器输出）。然而，这些 77 数据的采集频率、分辨率和时空一致性差异巨大，如何高效地对多源数据进行 清洗、对齐和融合，是工业大模型开发的重要挑战之一。例如，在智能制造中， 需要将设备的运行数据与生产计划、库存状态和市场需求等数据进行融合，以 实现全面

据，结合通过卫星获取的矢量风数 据，在经过卫星风能数据可用性验 证与数据校正后，形成相对比较完 整的风速数据集 优势：卫星数据弥补了气象数据成本高和经常出现缺失 或无效数据的缺点，同时气象数据也可以核实卫星数据 的可用性；高时空分辨率的卫星数据将大大提高风速数 据的精度 劣势：该方法仅适用于小尺度的研究，同时对卫星数据 要求较高 风能数据库引用法* 风能数据库引用法* ( ( Feng et al.，2020； Feng