学习 和终身学习能力；同时，分析AI时代教师职业发展的新方向，为教育工作者提供 前瞻性的职业思考。 ❍ 技术与应用：全面展示AI在教育中的具体应用场景和工具操作。从生成式AI的 简介，到AI在教育中的各种具体应用，如智能教学材料生成、文档处理、绘图、 思维导图制作，以及科研辅助，涵盖了丰富的AI教育工具。此外，本部分还介绍 了AI在音视频处理、智能体等领域的创新应用，帮助读者理解和掌握AI技术的实 果，让读者更直观地理解技 术应用。 ❍ 操作性强：配有详细的操作步骤和指导，帮助读者快速上手并应用于实际教 学。 本书不仅能为读者提供前沿的知识与实用的工具，还可成为读者探索AIGC（人工 智能生成内容）世界的助手与伙伴，助力学生和教师在数字时代得到更多收获。 刘晓猛 2024年9月 3 Part 1 第一部分 理念与趋势 本部分首先概述数字化技术的发展及其对教育教学形式的影响，特别强调AI大发 AIGC的发展与教育应用展望 人工智能生成内容（Artificial Intelligence Generated Content，AIGC），是 人工智能的一个重要分支和应用领域，它代表了人工智能技术在内容生成方面的能 力，尤其是通过生成算法、预训练模型和多模态技术等手段自动生成文本、图像、 音频、视频等多种类型的内容。 早期的AIGC主要集中于简单的文本生成，如基于模板的新闻报道或天气预报。深度

ChatGPT、DeepSeek 等大模型技术的快速发展，人工智能正以前所未有的速度重塑产业格局，而 Agent 智能体的崛起标志着应用现代化迈入全新阶段。未来大于 50% 的人类工作任务场景将被大模型影响，据麦肯锡预 测，生成式 AI 每年可以增加 2.6~4.4 万亿美元经济收入，AI 驱动的自动化决策与交互将成为业务常态。与此同时，传统 应用与 AI 应用的融合不再局限于简单的功能叠加，而是依托数据与 API 的深度协同，构建起“感知 API 则从传统的服务接口演进为“智 能连接器”，通过动态编排与语义理解，支撑 Agent 间的自主协商与任务分解。此外随着云原生 AI 技术（如多模态大模型、 智能 Agent 开发与运行、检索增强生成、智能应用管理引擎、智能组装与集成、统一可观测、多模态交互、AI 内生安全等） 的成熟，使得 Agent 的开发效率提升数倍以上，支撑智能化应用的多模交互、自主运行、智能进化、环境理解、智能协作、 46 47 49 4.3 智能应用平台的八大关键技术 4.3.1 多模态融合技术，实现多模态智能 4.3.2 智能 Agent 开发与运行，实现群体智能 4.3.3 检索增强生成，增强智能体个性化记忆 4.3.4 智能应用管理引擎，让应用自动运行与自主优化 4.3.5 智能组装与集成，扩展应用能力边界 4.3.6 统一的智能体可观测，支撑海量智能应用高效运维 4.3

技术层面，大语言模型实现从表层流畅到深层认知的跨越，数字孪生、时空多模 态基础模型与工程场景深度融合，工程智能操作系统的核心架构逐步成型，让曾 经的技术构想正在变为现实。应用层面，智能建造的生成式设计、智能制造的预 测性维护、智慧城市的动态调度等场景，已从实验室走向产业一线，用实际成效 证明了工程智能的巨大价值。 这一切现象表明，工程智能的发展大潮势不可挡，它既是科技革命与产业革 份复杂，洞悉其规律，优化其进程。人工智能，无疑是这个时代最响亮的回答。 这便是我们探索工程智能（AI for Engineering）的第一个动因：工程学科的 发展，亟需人工智能的深度赋能。将 AI 的感知、认知、决策与生成能力，注入 到工程的策划设计、建造制造、运维养护乃至全生命周期中，有望破解困扰我们 已久的难题，实现效率与质量的飞跃。 然而，故事并非仅此而已。当我们投身于这项事业时，一个更为深刻且常被 忽 1.1 时空全模态统一表征技术.................................................................. 45 6.1.2 时空全模态数据生成技术.................................................................. 48 6.2 工程智能推理决策关键技术..........

更新，防洪调度效率提升 40%。此外，基于强化学习的智能决策系统在电网负荷平衡、交 通信号优化中展现出自主进化潜力。 然而，智能算法融合仍需攻克数据质量、模型可解释性及边缘计算实时性等挑战。未 来，随着 AIGC 生成高精度场景、边缘 AI 加速推理，数字孪生将迈向“感知-决策-执行” 闭环自治，成为产业智能化升级的核心引擎。 （一）复杂数据处理与孪生场景应用 数字孪生技术的核心在于对多源异构数据的深度融合与智能解析，其应用场景的拓展 缓存与空间索引技 术的引入，进一步降低了数据冗余，实现轻量化实时交互。 气象与视频数据的虚实融合是数字孪生动态化的重要支撑。基于 Unreal Engine 的气象 数据处理技术，通过解析格点与 NC 文件生成动态等高线图与卫星云图，增强气候预测的 直观性；而视频数据通过 GPU 加速的投影纹理映射与多路拼接技术，将实时监控画面精 准映射至三维模型表面，应用于交通管理、虚拟广告等领域，提升场景交互性与应急响应 0 及环境 治理中的规模化应用，构建虚实协同的智能化生态体系。 1、气象数据处理与应用 1）概述 近年来，随着数字孪生应用平台在城市管理、应急响应、防控指挥等场景的应用要求 加深，对于准确生成和可视化呈现气象数据提出了更高的技术要求，尤其是通过等高线图 和卫星云图的形式呈现。 等高线图为专业人士提供了一种直观理解地形复杂性的方法，同时在评估气象条件对 特定地理区域的影响方面也展现出

5.2.3. RAG 技术的应用 5.2.4.多轮对话与上下文管理机制 5.2.5.内容生成的精准与个性化 5.2.6.后台运营干预与人机协同 5.2.7.架构协同优化 5.3 医疗健康行业大模型伦理与法规对齐方式 5.3.1.医疗伦理与法规准则嵌入 5.3.2.伦理对齐微调与动态反馈 5.3.3.内容生成风险分级与安全管理 5.3.4. 日常伦理治理与持续评估 5.4 行业人才在大模型能力提升和风险防控重点重要作用 Transformer）[2]这种生成式预训练架构的出现，为文本生成领域带来了革命性的进展[3]。 GPT 及 其 后 续 版 本 （ 如 GPT- 2 、 GPT- 3 等 ） 采 用 了 基 于 自 回 归 （ Autoregressive） 的 生 成 方 法 ， 即 根 据已有的前文信息逐词预测下一个词语的概率分布，从而实现高质量的文本生成。与传统的监 督学习方法相比，生成式预训练模型的优势在于它 赖，同时也加速了模型的迭代更新过程。 随着时间的推移，模型的规模得到了快速的膨胀，参数量从最初的数亿增长至如今的数千亿，从而 人工智能的发展迈入了大语言模型时代。这些大语言模型不仅可以用于经典的 NLP 任务，还在多 轮对话、文案生成、编程辅助、多模态交互等新兴应用场景中展现出巨大的潜力。越来越多的领域 如医疗、媒体、艺术、金融等[4]，都在积极采用大语言模型，以提升效率、促进创新和优化决 策。 在众多应用领域中，医疗行业尤其展现了大语言模型的巨大潜力和重要性。截至

数据缺乏问题，如大气数据、天文数据等， 发展了生成式人工智能技术，如扩散模型和 大语言模型。针对处理复杂系统的局限性， 发展了融合先验知识的深度学习，将先验知 识嵌入深度神经网络，在增强模型可解释性 的同时，显著提高模型的泛化能力，如物理 信息神经网络 3。 人工智能创新重塑传统科学研究过程， 加速科学发现。人工智能通过融合数据和先 验知识的模型驱动、假设生成与验证、自动 与智能化实验以及跨学科合作等方式，加速 式，从大规模数据中自动发现隐藏的规律， ©️diyun Zhu / Moment / Getty 科学智能白皮书 2025 4 5 2. 发展与态势 2.1 最新进展 随着深度学习、生成模型与强化学习等 技术的突破，人工智能不仅能从海量数据中 识别人类难以察觉的复杂模式，更展现出自 主提出科学假设、设计实验方案、优化研究 路 径 的 惊 人 能 力。DeepMind 推 出 为了解决这一挑战，可以从以下几个方 面寻找突破路径： 利用生成式模型生成高质量科学数据， 补充数据稀缺领域的样本多样性。通过预训 练跨领域基础模型，结合小样本学习技术， 快速适应新任务或学科场景 2.2.3 如何利用 AI 拓展科学发现的创新 边界 AI 目前仍局限于已有知识的重组与推 理，主要通过对已有数据的模式识别和重组 来生成结果，而缺乏真正的创造性思维。科 学研究往往涉及跨学科的知识和数据，AI

香港特别行政区合伙制事务所，均是与毕马威国际有限公司(英国私营担保有限公司)相关联的独立成员所全球组织中的成员。版权所有，不得转载。在中国印刷。 1 序言 共绘AI蓝图，加速变革征程 人工智能，尤其是生成式AI和大模型的崛起，正以惊人的速度重塑商 业模式、运营流程乃至整个产业生态。这不仅仅是一次技术迭代，更 是一场深刻的认知革命与生产力变革。企业如何在这场浪潮中找准定 位、把握机遇、从容应对挑战，成为摆在每一位领导者面前的时代课 感 知 AI (Perception AI) -- 生成式AI -- (Generative AI) --代 理式AI (Agentic AI) -- 物理AI (Physical AI) ”的路 线。当前中国AI大模型发展正由“暴力美学”转向 “成本效益革命”，由此带来了“基础模型开源化 +垂直领域私有化定制”加速AI普惠化、生成式AI 加速渗透至千行百业等趋势。 从治理环境来看，中国内地在AI领域已形成以政策 6 科技浪潮滚滚向前，人工智能（AI）发展更是日新月异，从ChatGPT问世到 DeepSeek发布，AI领域的每一次技术突破，都堪称举世瞩目。一幅“感知AI (Perception AI) -- 生成式AI -- (Generative AI) --代理式AI (Agentic AI) -- 物理 AI (Physical AI) ”的技术跃迁图景已悄然铺开，正在引发底层架构变革、模型 能力演进

步提升。另一方面，疾病 谱 变化快，药物研发周期长、资金需求庞大且成功率较低，现有供给难以快速应 对， 很大程度上也限制了医疗的突破发展。 面对这些挑战，人工智能技术，特别是以大型模型为代表的生成式 AI 的迅 猛 发展，为医疗健康注入了新的机遇。 AI 的应用能够快速分析海量且复杂的 医疗信息， 从而支持更加精准的医疗决策，协助医生做出更为科学合理的诊断 与治疗规划，有效减轻医护 外 ， AI 技术正在推动医疗服务向自动化和智能化转变，优化包括预约挂号、诊 疗服务、费用结算、检验检查等在内的各个环节，将极大提升患者的就医体验。 同时，AI 助力 生物分子结构预测与生成、加快靶点识别和发现， 提升药物分子设 计与 优化， 提升临床试验的效率， 有效地缩短新药研发周期、降低研发成本、 加速新药上市，为医药创新带来新的动力。 AI 已经深入医疗健康的各个层面，成为连接医疗机构、科研机构、制药企 推动医疗向更高效率、更精准服务发展 AI 在医疗健康行业的应用由来已久，从早期 的规则引擎和专家系统引入，到医学影像分析、病 历质控、疾病早期筛查与诊断、再到医药研发， AI 在医疗健康行业的应用逐步深入。当前，随着生成 式人工智能的加速发展，众多研究机构和企业在通 用大模型的基础上，基于不同细分领域的医学和医疗 数据进行再训练或微调，构建医疗行业大模型，推动 在智慧医疗、医药研发、健康管理等方面的应用，提 升医疗健康领域的智能化水平。

系统对全方位信息的分析能力。在现代商业环境中，企业不仅需要分析内部数 据，还需要整合来自外部、实时变化的数据源，以获取全面的洞察。 数 据 集 中 且 有 限 传统BI系统通常是基于批处理模式运作，定期生成报告。这意味着数据分析和 报告的生成往往滞后，无法提供实时的业务洞察。特别是在需要即时响应市场 变化的行业，传统BI系统显得不够灵活，无法及时支持决策和应对快速变化的 环境。因此，企业往往依赖于延迟的数据来做决策，这不仅降低了业务的响应 用逐步走向普 及，但仍然被技术和数据思维所限制。 ◼ 随着AI和大语言模型的引入，BI迈向ABI（智能BI），彻底突破了数据思维的 门槛，实现了业务人员主导的智能化分析 AI大模型的引入，尤其是生成式AI技术的应用，标志着BI系统向ABI的转变。传统BI 和自助式BI仍然要求用户具备数据思维和分析能力，这使得即使在技术上有了进步， 广泛的业务人员依然无法全面使用这些工具。然而，LLM通过在预训练阶段内嵌数 心功能 来源：头豹研究院 ◼ 自动化数据处理与分析是AI赋能BI的基础功能 AI通过自动化技术实现数据拉取、清洗、分析和报表生成等基础任务，显著降低了 数据分析师在重复性、低附加值工作上的时间投入。例如，对话中提到，“ABI产品 通过自动化数据拉取、整理和报告生成，部分替代了传统数据分析师的重复性劳动”， 这帮助企业快速处理海量数据并降低成本。 ◼ 智能决策支持是AI赋能BI的战略价值所在

括但不 限于训练数据来源、数据预处理、数据标注、输出内容、内容标识等方面； ● 内容安全风险：由于训练数据的偏差和污染，以及模型生成机制的不完全可控，可 能生成违法违规不良价值观的内容； ● 对抗攻击风险：攻击者可通过构造对抗样本或指令注入攻击，诱导模型生成错误的 回答。 2.3 应用服务安全风险：算力消耗、供应链与隐私泄露 MaaS 平台在提供便捷服务的同时，也产生了特有的安全隐患。 合规遵循：严格遵循法规和国标，对训练数据执行信息化筛选与过滤，并通过技 术手段构建围栏防护，防止模型被滥用或生成违法不良信息。 ● 安全可靠：全面落实国标要求，执行体系化安全评测；依托红蓝对抗持续提升模 型鲁棒性，确保模型在面对恶意攻击时大模型能够保持正常运行并输出可靠结果。 ● 伦理向善：通过安全训练实现价值观对齐，并在生成内容中主动开展正向引导， 在开放可控的环境中助力生产力提升与价值创造。 ● 可解释可溯源：采用 恢复机制应对故障。 ● 突发流量冲击则进一步加剧了可用性压力。在电商大促、AIGC（生成式人工智能） 爆发等场景下，瞬时流量可能超出系统承载能力。部分 AI 推理服务虽具备高负载处 理能力，但若缺乏弹性扩容与智能调度机制，将导致响应延迟激增，影响用户体验和 业务连续性。 1.3 高性能瓶颈：算力利用率与异构协同问题凸显 随着生成式 AI 技术普及，AI 基础设施进入 GPU 主导阶段，万亿参数模型训练需数千