源应用平台技术规范（试行）》等标准，以统一身份认证、统一数据汇聚、统 一资源管理、统一桌面呈现为基础，充分发挥校内应用互联、校际资源互联和 区校数据互联的价值，实现各个应用系统的互联互通。在满足学校教育教学实 际需求的基础上，对学校基础设施、应用系统等进行一定的前瞻性设计和实现； 根据自身的条件和发展目标，打造创新、协调、绿色、开放、共享的智慧学校。 1.4 智慧校园整体设计 智慧校园建设的核心内容是支持高校教育教学模式和管理服务体系的技术 教师信息化职业素养的全面发 展。 本次职业学院新校区智慧校园建设顶层架构如下： 图 2 职业学院新校区智慧校园建设顶层架构图 按照智慧校园总体架构，结合学校需求，分析整体校园业务，设计业务架 构具体如下： （1）物联感知层 基于光网络技术构建一张多业务融合网络，承载有线、无线、物联网等多 个网络，减少建网投资成本，满足校园内老师、学生终端及物联网传感设备接 入需求。有线网络采用 的形式将数据和业务以服务 的形式安全开放给上层应用，使应用开发更加高效灵活。支撑层是一个可持续 扩展的平台，可以依据应用和未来的技术需求进行灵活扩展，并沉淀应用能力。 （3）业务应用层 应用层在应用支撑层的基础上，构建智慧校园的环境、资源、管理和服务 等应用，为师生员工及社会公众提供泛在的服务。主要包括基础设施、智慧教 学、平安校园、智慧服务、智慧管理五大部分。 1）智慧校园基础设施建设 基础设施是智

通过对教室、校园各区域的视频监视信息一体化 全方位监控管理，实现在线监控校园安防、在线 巡视课堂教学情况、校长远程巡课、远程考场巡 视： 支持校园网内对电子资料进行管理，以及在PC 端和移动设备上浏览或自主学习。 支持将设备管理、资源管理、学生学习行为和教 师教学行为等数据进行大数据分析，并图形化展 示。 高校网站群管理平台软件 v10.0 提供符合学校要求的网站群系统平台，采用 Java语言开发，支持30个站点授权。 级为最高），并分为待处理、处理中、已处理状态； 2、进行失联人员TOP排行； 3、以周、月、学期为维度，记录全校、学院、专业、班 级、个人的失联变化轨迹，用折线图表示； 基于学生校园网使用、wifi等相关数据的基础上，如学生 上网时长超过学校自定义的正常上网时长，根据产生次 数来给予不同级别的网络预警，并进行TOP排行； 根据学生个人画像分析，展示学生贫困预警、异常贫困 预警、待确认贫困预警产生的数量及占比分布分析 CMOS；镜头： 2.8mm(4mm、6mm、8mm、12mm可选)； 1、监听面积：150㎡/7m； 2、指向性：全指向； 直板手持式金属探测仪。 配置电池（干电池或镍氢电池和充电器），产品 上含有注明电池安装方向、极性的示意图。 符合《国家教育考试网上巡查系统视频标准技术 规范（2017版）》及《山东省国家教育考试标准 化考点技术标准（试行）》的技术要求，支持中 国大陆移动通讯营运商的所有频段以及

架构内容框架、业务参考模型、应用参考模型、技术参考模型和运营参考模型 六大部分内容。 图 3.1 智慧教育架构框架（SEAF） 智慧教育的架构开发方法（SEAF-ADM）可以为智慧教育和教育信创的总体架 构设计及信创相关工作中的架构分析提供系统性方法。架构设计与架构分析是用 系统性的架构方法去描述转型（包括信创转型）过程中各要素的动态匹配关系， 包括业务与 IT 的关系、部分与整体的关系、当前与长远的关系。通过各领域、 一转型过程中的各种复杂关系。 智慧教育架构框架之架构开发方法（SEAF-ADM）（见图 3.2）采用的是数字 化转型中的通用架构方法。该方法是北达软在参考国际上 TOGAF、DoDAF 和 FEA 等方法论基础上总结出来的，既适合自上而下的架构开发与分析，也适合自下而 上的架构开发与分析。 7 图 3.2 智慧教育架构框架之架构开发方法（SEAF-ADM） 对于自上而下的架构开发与分析，我们首先将信创的愿景和需求等放到战略 要素之间的关系，这些关系的描述实际上是企业架构为相应决策提供了依据。 图 3.3 智慧教育架构框架之架构内容框架（SEAF-ACF） 智慧教育架构内容框架（如图 3.3）主要从战略、业务、IT、项目和组织五 个视点来进行企业架构内容描述。其中 IT 视点又包括了基础设施、平台、应用、 数据和安全五个分视点。架构内容框架可以让我们从各个视角（自上而下、自下 而上、自中间往上下）来分析每一

辅修课程。 2.3 技术框架 深度学习带动人工智能技术飞速发展，已经在语音处理、图像处理等领域取得突破。深度学习全称为深度神经网络，本质上是多层次的人工神经网络算法。机器学习 的基础性算法已经较为成熟，各大厂商纷纷发力建设算法模型工具库，并将其封装为软件架包，以开源的方式提供开发者使用。 目前，市面上主流的深度学习开发框架有：谷歌开源TensorFlow计算框架，很好地支持深度学习的各种算法 注重内容上的增减变化，没有从 实际的应用技能来教学；许多出版社在高职教材的开发与编写中，对专业教材的研究与编写力不从心，通常是东抄西凑。2.各门课程教材缺乏沟通衔接。例如，有些专业 核心课程机器学习、数据采集处理分析中教材中都会使用大量篇幅讲解Python基础知识、Numpy数值计算、pandas数据处理以及Matplotlib数据绘图等知识，一方面导致 由于知识内容重复讲述，造成时间上的浪费，另 一方面专业教师因各自理解的角度与层次不同，产生表述上的不一致，增加学生学习的难度。3.教材内容与“1＋X”职业 技能等级证书缺乏有效衔接。“1＋X”职业技能等级证书是高职教育的特色所在，不仅要求学生获得学历证书，而且还要取得相应的职业技能等级证书。即要求高职学生 具有必备专业知识的基础，还要求重点掌握从事人工智能专业领域实际工作基本技能。目前，高职人工智能专业教材的编写与颁发的职业技能等级证书或技能鉴定标准缺

证券研究报告 13 AI 技术正在改变多个行业的运作方式，尤其是在医疗、金融和制造等领域，对于 提高效率和决策能力具有重要作用。 图15：AlphaFold3 在蛋白质结构预测上效率提升 508 倍，可解析超 10 亿种结构 及多种相互作用。 资料来源：华尔街见闻，民生证券研究院 首先，佩洛西与 Cathie Wood 在这一领域的投资反映了她们对“AI+医疗” WiNGPT，该解决 方案在第五代英特尔®至强®可扩展处理器上以可以实现最佳性能运行，运行速度 可加快 6.3 倍，加快了人工智能驱动的医疗信息整合解决方案的更好实施。2024 年，为推进医疗数据要素发展及落地，公司医疗大模型 WiNGPT 通过国家互联网 信息办公室“深度合成算法”备案，《基于医疗大模型增强的临床辅助决策》数据 产品在上海数据交易所完成登记并上架；WiNEX Copilot 病历质控助手、智能语 海河医院、上海市肺科医院、上海市同济医院等项目中落地，充分释放 AI 增强的 智能化产品的能力。 图31：卫宁健康自然语言(NLP)处理后结构化平台解决方案在第四代英特尔®至强® 可扩展处理器上运行速度加快 6.3 倍 资料来源：卫宁健康官网，民生证券研究院 为了扩大不同业务场景的产品在安全性、可靠性、性能和兼容性等方面验证范 围，目前核心产品已完成上海信创综合服务中心适配，并获得上海信创工委会认证。

AI 加速课程迭代，提升 用户付费及续费率；4）循环：基于大量用户数据迭代优化技术产品。国内 教育企业可沿两条路径借鉴：用途上利用 AI 规模生产、以算法优化教学、 打造强即时性、互动性课程等；引流策略上，基于 AI 降本可提供低价/免费 内容打开流量入口，取得数据要素积累先发优势，开启增长飞轮开关。 不同于多邻国，国内教育企业 AI 实践更多在软硬件两侧同时发力。1）有道： 软件端有基于自研教育大模型“子曰”的有道小 台。5）天立国际控股：场景上以 AI 自习室（借助智能平板硬件）与启鸣云 校（软件）切入 C 端校园场景，验证短期冲刺平均提分 36 分效能提升。 投资建议：DeepSeek 大模型技术突破将成为 2025 年中国 AI 教育领域产品持 续落地的关键驱动因素。随着行情演绎，就 AI 教育主题，我们认为市场正 从“泛题材”切换至产品商业化路径及可持续商业模式搭建的实质性验证 上。借鉴多邻国以 AI 打造 AI 及生成式 AI 的侧重点差异 .................................................... 7 表2： 子曰 o1 及其他不同模型在数学相关测试任务上的成绩对比表 ............................... 9 表3： AI 对教育行业的赋能方式 ........................................

模型选择。根据任务类型（如分类、回归、聚类、降维、生成等）、数据特 性（如数据规模、特征维度、稀疏性等）和计算资源，匹配逻辑回归、决策 树、神经网络、Transformer 等算法模型，模型的选择上还需结合实际场景 需求，如实时性和可解释性等要求；（2）模型训练。利用梯度下降、反向 传播或其他优化方法在训练集上调整参数，以最小化损失函数；（3）模型 评估。通过验证集 / 测试集进行性能评估，采用任务相关的指标（如准确率、 BioBERT 提取电子病历 中疾病实体与症状间的语义关系。针对音频和时间序列数据，通常选择傅里叶变换、 小波变换等进行信号处理，或 RNN/LSTM 等循环神经网络建理时序依赖关系模型。 在单模态特征基础上，通过在特征空间中建立语义等价性，消除模态间语义鸿沟， 实现跨模态特征对齐。例如选择对比学习将肺部 CT 图像与诊断文本映射到 统一语义空间，最大化正样本对相似度，实现两者的特征对齐；利用注意力 构化数据适用 BERT 等预训练语言模型进行语义特征提取。 工程约束与场景需求决定算法模型：可穿戴设备健康监测场景 对实时性要求较高，可选择轻量级模型 MobileNetV3 或边缘计算框 架 TensorFlow Lite；临床决策支持场景对可解释性要求较高，可选择 SHAP 值可视化分析神经网络决策逻辑，满足医疗合规性要求。 （2）模型训练 模型训练是通过数据驱动实现算法参数优化的核心过程，需要重

PREFACE 教育思维与科技基因的组合进化 教育与科技的深度结合，是教育数字化发展的重要推力。教育智能硬件作为教育数字化的重 要载体，经过3年的跟踪研究，我们欣喜地看到了这一结合在教育智能硬件上的发生与演变。 从教育思维来看，优质教育内容成为了学习平板的差异化竞争力，同时教育智能硬件越来越 关注细分学习痛点的解决，如聚焦于刷题练习的学练机、聚焦于作业采集分析的智能手写笔、 聚焦于思维训 学阶段，学习平板、词典笔和智能手表的 组合成为标配；在初高中阶段，学习平板、词典笔和错题打印机更加常见。 • 教育智能硬件品类繁多，家长的关注点更聚集在硬件教育内容和功能的质量以及孩子的学习效果上。 家长用户对所购买的硬件目前多持好评态度。 • 校内品类“求全”：追求全链条的教学环节覆盖，考验一体化系统、生态建设及运营能力。学习平板 作为更加综合的品类，在改善护眼问题、降低单价后仍可能存在机会。同时，超高覆盖率的教育大屏 用上课时间 硬件特性：轻便易用 使用轻便 ✓ 集中管理：配备管理控制台，便 于部署网络和管控访问权限 ✓ 安全可靠：系统病毒感染率低 ✓ 稳定可靠：计划外停机次数比同 类设备少55%，花在维护上的时 间也减少了59% 管理轻松 软件集成：教育适配 G Suite for Education 一对一电脑计划 教学设计 *2024年价格分布情况  谷歌任务  谷歌日程 营销 模式

兴趣。②学生借助 AI 绘图 工具生成展品草图，实现创意可视化，不仅提升了实践能力与历史素养，还在与 智能体交互中培养了理性批判思维。 跨学科教学是指跨越学科之间的界限，在各学科内在逻辑的基础上，将不同 学科进行整合以便建立学科之间的内在联系，并在教学中对学生进行多学科融合 教学 ①。智能教学平台从资源融合与适配、协作支持、创作指导等多个维度破解 这些难题，为跨学科教学提供多层次的助力。 现文献内容智能总结与细节问答，快速定位核心观点及研究方法；跨语言文献处 理，运用跨语言语义解析技术精准翻译外文文献，突破语言壁垒；跨文献关联分 析，基于跨文献关联分析自动识别多篇文献在理论、方法及结论上的异同，辅助 科研创新；文献关系可视化，结合可视化工具生成动态知识图谱，显性化文献间 的引用关系与主题关联，帮助教师从单篇精读转向领域脉络通览。 教育科研数据分析是教师开展教育科研的重要环节，其主要目标是从复杂的 2023-04-29(04). 第 4 章 23 习方式的创新性要求。四是发展适应性。该标准的研制是站在全国一盘棋的高度， 面向各个领域、各个层级的教师提出了统一的基础性要求。同时，该标准在维度 设置与要求描述上并未限定教师对具体技术的学习与应用，而是强调教师对新技 术的价值理解、持续学习应用并遵守伦理规范 ①。 教师数字素养已经成为我国教育研究与实践探索关注的核心议题。在研究图 景方面，为剖析教师数

. 8 敬请阅读末页的重要说明 4 行业深度报告 一、AI 制药蓝海市场，人工智能赋能药研全流程 人工智能赋能新药开发，是指在规模化医药数据基础上，运用机器学习、深度学 习、自然语言处理等技术参与药物开发各个环节，包括靶点发现、化合物合成、 化合物筛选到患者招募、临床试验设计等，通过 AI 技术的运用有效解决传统新 药研发痛点，缩短研发周期，提高研发成功率，降低研发成本。根据 制药初创企业、传统药企/CRO 公司以及互联网企业三大类，不同企业掌握不同资源禀赋在竞争中具有不同优劣 势，对于 AI 初创公司来说，其优势在于拥有较强的技术和算法能力，但在药物 开发数据积累和资金上存在不足，药企/CRO 公司拥有丰富的药物开发经验和数 敬请阅读末页的重要说明 6 行业深度报告 据以及资金实力，但 AI 技术能力较弱，对于互联网企业来说，算力和技术资源 药物研发过程（尤其是临床前）的效率提升已经显而易见并被有效运用。 Schrodinger 在其年报中展示基于其计算平台的药物设计能够将筛选时间由传统 的 4-6 年缩短至 1.5-3 年，在成本和分子质量上实现优效。当然我们更期望 AI 药物在最终临床结果上表现出差异化优势，这将为 AI 制药行业带来更大信心， 届时人工智能技术将真正为突破困扰创新药开发的“反摩尔定律”带来可能性。 表 3：部分处于临床阶段的