万亿美元收入，占科技 领域总支出的 10%-12%，复合年增长率预计达到约 42% [2]。 然而生成式 AI 在 AIGC 上的应用仅仅是人工智能革命的开始。大模型的出现，全面提升 了 AI 的自然语言理解能力和通用推理能力，让 AI 具备自主完成复杂任务的可能，从而演进成 为能够感知环境、进行用户意图的自主理解、做出决策和采取行动的 AI Agent（智能体）系统。 - 4 - 行业趋势 整个元宇宙市场规模在 2030 年将达到 1.5 万亿美元 [3]。 虚拟世界和物理世界的进一步融合，主要体现在两个方面： 首先是允许用户以更自然和直观的方式与数字内容交互 [4]。人机交互方式从单模态、二维 平面，逐步迈向多模态、三维空间交互，用户无需与设备直接接触，就可以通过更加自然的手势、 肢体语言、视觉甚至意念等方式与数字世界进行互动，设备同时从多个通道获取信息，并整合 ������ ������ 户的意图和 关注点。而空间手势交互技术通过先进的传感器和算法，能够实时捕捉用户的手势动作，并将 其转化为虚拟世界中的操作指令。这些交互方式不仅提高了用户的操作效率和便捷性，也为用 户带来了更加自然的体验，增强了用户的沉浸感和参与感。 其次是更加逼真的沉浸式体验，包括感官的逼真性和虚拟物体的逼真性 [5]。感官逼真性是 指信息内容呈现的方式从 2D 平面提升至 3D 空间，甚至加入数字触觉、嗅觉等实现更多维度

预训练过程中，LLM内嵌了大量的通用数据分析知识，并通过精细化的监督微调 （SFT）进一步加入专业领域的知识。通过集成这些具备数据分析知识的LLM，用户 不再需要深厚的数据分析技能，而只需具备一定的业务理解，就能够通过自然语言 与BI系统交互，轻松获得自己关注的业务问题的答案。这种转变极大地降低了数据 分析的门槛，使得更广泛的业务人员能够直接从数据中获得决策支持，提升了决策 的效率和精度。 ◼ AI通过增强BI的预 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 据分析知识，并通过监督微调（SFT）增强专业领域的分析能力，彻底消除了对数 据思维的依赖。用户只需具备一定的业务理解，通过自然语言与BI系统交互，就能 够获得所需的业务洞察。这一转变大大降低了BI的使用门槛，使得几乎所有业务人 员都可以轻松获得数据支持，从而推动了ABI的普及，用户渗透率接近100%。 决策 报表 IT 对话式数据查询 需求 分析 多轮 问答 对话式数据查询 思路拆解 数据查询 异常检测 报告生成 趋势预测 归因分析 对话式数据查询 指标检索 看板检索 组建检索 表检索 • 提供基础自然语言处理能力，如文本生成、语音识别，赋能用户与系统的交互，提升用户体验 和初步数据交互效率。 对话管理 对话式数据查询 意图分类 • 优化对话流管理（如意图识别、上下文理解），赋能更智能的对话引导和用户需求精准匹配，

施普林格·自然 张嘉慧 施普林格·自然 Rebecca Dargie 施普林格·自然 John Pickrell 施普林格·自然 数据支持 巨 蓉 施普林格·自然 黄珏珺 施普林格·自然 陈佳怡 施普林格·自然 Vivek Aggarwal 施普林格·自然 项目协调 徐晓创 复旦大学 杨燕青 上海科学智能研究院 王晓夏 施普林格·自然 丁思嘉 丁思嘉 施普林格·自然 张瑶瑶 施普林格·自然 排版设计 赵新武 施普林格·自然 Sou Nakamura 施普林格·自然 专家委员会 漆 远 复旦大学、上海科学智能研究院 沈维孝 复旦大学 吴力波 复旦大学、上海科学智能研究院 张人禾 复旦大学 科学智能白皮书 2025 2 3 第一章 序言 第一章 序言 1 科学研究促进人工智能创新。传统科研 范式大致可分为经验归纳（实验科学）、理 论建模（理论科学）、计算模拟（计算科学） 以及数据密集型科学 2。实验科学由自然现 象和实验结果归纳出一般性规律，但没有抽 象出经验规律背后的普适理论。理论科学基 于自然现象或实验结果，提炼科学问题并形 成科学假设，然后运用逻辑推理和数学分析， 构建普适理论，但难以在复杂系统中实验验 证。计算科学以科学模型为基础，通过数值

云 协同等能力的发展，智能终端正经历从“工具”向“协作者”的深刻变革。 这场变革不仅改变了人机交互的方式，更重构了整个智能生态的服务逻辑。 消费者的需求不再是简单的功能堆叠，而是追求随时随地、自然流畅、无 感协同的智慧体验。他们希望终端设备更聪明、更懂人，不仅能理解指令、 完成任务，还能超前思考、主动服务。在这样的趋势下，智能体成为新时 代智慧体验的关键载体，以用户意图为中心，以多模态交互、意图理解、 围环境、理解用户意图、学习用户偏好、自主执行复杂任务的全流程能力。 2024 年 6 月，华为向业界发布《AI 终端白皮书》 [1]，明确指出智能体将引领终端进入全新 人机交互及智能协作的时代，如多模态大模型带来更自然、更全面的人机交互体验，AI 自主化 程度越来越高，“以意图为中心”的 AI 与人协作方式正在建立。与此同时，消费者对于终端设 备的使用习惯也在悄然改变，需要更加智能化、互联化和人性化的全场景智能服务体验。未来， 系统、应用和元服务无缝协作实现复杂任务，形成智能体价值网络”。概念上，鸿蒙智能体分 为两类： 基于鸿蒙智能体，消费者与鸿蒙系统、应用的交互将发生根本改变，通过鸿蒙智能体系统 级安全可信、自主可控的个性化、多智能体间高效协、多设备间自然流程等特质，真正从传统 的“以用户指令为中心”转变为“以用户意图为中心”： ◎ 系统智能体：小艺作为鸿蒙系统中的系统级智能体，可以充分结合操作系统底层能 力，为用户提供体系化、可扩展的智能能力；通过系统级的感知能力、记忆能力和

从“工具执行者”进化为“智能决策体” 重塑“以客户为中心”的价值链 涌现“需求即服务”的应用创新范式 算法 算力 数据 安全 人工智能驱动 数字基础设施 数据联接价值 软硬系统自主化 深度学习、强化学习 自然语言处理等 模型库、案例库、知识库 工具库、大型开源平台等 数据融合、数据分析 数据应用等 应用产品安全、供应链安全 （应用开发、运行、运维） 数字 应用生态 硬件开发 数据共享 促进关键领域的应用智能化发展，提升产业韧性，抵御外部供 应链风险，为应用智能化生态的长期安全稳定保驾护航。 推动人工智能蓬勃发展的前提是应用现代化的发展成熟和壮大。未来，随着深度学习、强化学习、自然语言处理 等人工智能技术的不断迭代创新发展，AI 将在更多垂直领域实现深度应用，不仅将提升生产效率和服务质量，还将创 造新的商业模式和市场机会，使人工智能成为推动社会进步的重要力量。应用现代化走向智能化发展也将迎来“技术 能决策体”，能够自主感知环境，分析数据，做出决策，甚至进行自我 优化和升级。物联网与 5G 技术催生智能系统的群体化演进，形成协同工作的群体，共同完成复杂的任务，实现资源的 优化配置和高效利用。自然语言处理与多模态交互技术的突破，则加速重塑人机协作的认知界面，使得人机协作更加 便捷和高效。复杂系统向“组装式”模块化架构演进则为人机协作提供了灵活可扩展的载体，不同的功能模块可以独 立开发、测

进入21世纪，移动通信与人工智能成为数字化技术新的前沿，已经渗透到社会的各 个角落，成为推动社会发展的重要力量。在个人消费领域，智能手机、电子商务、 社交媒体等已经成为人们日常生活的重要组成部分。深度学习、自然语言处理、机 器学习等技术的突破，使得人工智能在语音识别、图像识别、智能推荐等方面展现 出强大的能力。智能家居、自动驾驶等应用的涌现，预示着人工智能将成为未来社 会发展的关键驱动力。在企业和政府层面，数字化转型已经成为提升效率和竞争力 化水平。 1. 人工智能的发展历程 随着计算机技术的飞速发展、算法的不断优化、算力的大幅提升，AI逐渐从理论走 向实践，并在多个领域取得了显著成果。如今，AI已经广泛应用于语音识别、图像 识别、自然语言处理、机器翻译等领域，成为推动社会进步的重要力量。 AI的发展历程可以追溯到20世纪50年代，“图灵测试”是其中一个重要里程碑，它 作为评估机器是否具有智能的标准，奠定了AI的理论基础。当时的科学家们开始探 20世纪80至90年代，随着统计学习和神经网络等技术的兴起，机器学习逐渐成为AI 的主流技术，使机器能够从数据中自动学习并改进其性能。典型应用场景有“图像 识别与分类”“自然语言处理”（NLP）等。相关案例展示了机器学习在各个领域 中的应用潜力，例如：苹果的Siri和亚马逊的Alexa是自然语言处理的典型应用， 这些智能助手能够理解并回答用户的问题，执行各种任务，如设置闹钟、查询天 气、播放音乐等；通过分析用户的观影历史和偏好，Netflix能够为用户提供个性

第一部分 | 场景：人岗匹配 内容： 让 AI 技术提升人岗匹配效果，我们做了这些探索 解锁这项 AI 黑科技，马上实现人岗匹配自由 AI 黑科技： Embedding、知识图谱（KG）方法、自然语言处理（NLP）、非线性树模型、deep 模型、 BERT、 Word2Vec 模型等 本期和大家讨论下 “人岗匹配排序的探索与实践”。从人力资源管理的发展来看，人岗匹配大致 经历了三个阶段 HR 从机械、琐碎的招聘工作中解放出来。 第一部分 让AI技术提升人岗匹配效果，我们做了这些探索 3 第一部分 | 那么，实现 AI 人岗匹配背后的依据和逻辑又是什么呢？ e 成科技基于前沿的自然语言处理技术 和深度学习模型，并结合大量数据和知识图谱，通过不断探索和反复实践，形成一套高效的人 岗匹配推荐算法系统，下面院长将详细为大家介绍这套系统及其背后的逻辑。 在人岗匹配的任务中存在 特征介绍 常见的 JD 如下图 1 所示，其中包含格式化离散数据和整段文本数据，从整段文本数据获取招聘 意图是提取 JD 特征的重点难点。 为了更好的解决该问题，我们分别引入知识图谱（KG）方法和自然语言处理（NLP）方法，其 中 KG 负责去充分提取文本中实体的关系和联系，NLP 则更好的获取 JD 本文和 CV 文本相似性 信息。因涉及个人隐私此处不展示 CV 信息。 01 特征为王

该地区高校构建了成熟的生态系统，核心是与全球科技领军企业的深度合作。AI、机器人技术、数 据科学与创新是其合作核心，依托高知名度的研究中心、嵌入式机构与产业驱动的研究项目展 开。合作项目覆盖AI、自然语言处理（NLP）、先进制造与跨学科学习等领域；AI创新枢纽常作为 技能储备渠道，与实战项目及基础研究紧密挂钩。 代表性高校： 卡内基梅隆大学、佐治亚理工学院、麻省理工学院（MIT）、德克萨斯大学达拉斯分校、多伦 ICT基础架构 �.AI基础设施工程师 �.AI运营工程师 �.AI/机器学习平台工程师 �.AI训练工程师 �.AI应用开发工程师 �.AI部署工程师 7.大型语言模型安全研究员 8.自然语言处理（NLP）工程师 �.AI算法工程师 ��. AI和数据治理主管 ��. AI产品经理 1.前端工程师 2.后端工程师 3.全栈工程师 4.质量保证工程师 5.开源系统工程师 T 岗 位 与 技 能 55 高 中 低 AI基础设施工程师 AI运营工程师 AI/机器学习平台工程师 AI训练工程师 AI应用开发工程师 AI部署工程师 大型语言模型安全研究员 自然语言处理（NLP）工程师 AI算法工程师 AI和数据治理主管 AI产品经理 前端工程师 后端工程师 全栈工程师 质量保证工程师 开源系统工程师 DevOps工程师 物联网系统工程师

应用 于消费互联网、行业互联网等领域的常规计算能力，通常在云计算及分布式计算中， 以 CPU 为代表。 智算算力场景：支撑人工智能算法训练与推理的专用计算资源，应用于人工智能 计算领域，处理自然语言、图像识别、语音识别等任务，以 GPU 为代表。 超算算力场景：面向科学研究、工程仿真等高性能计算场景的集群化计算能力， 应用于需极高计算能力的科研及工程领域，处理大量数据和复杂的科学计算任务，如 《防雷检测 报告》 7 配 电 线 路 红 外普查 ★接头温升≤65K 6M 故 障 停 电 次 数=0 红外热像仪 《 红 外 图 库》 备注：周期以“N”表示自然日、“M”表示自然月、“Y”表示自然年；★为强制项，☆为推荐项。 2.1.2.3 关键风险与对策 算力运维体系技术白皮书 - 10 - （1）. 双路市电同时失压：启用“2+1”柴发并机冗余，满足 T3-T4 《水处理月报》 6 风管漏光检测 ☆ 漏 光 点 ≤ 1 处 /10m 1Y 送风效率≥ 95% 强光灯、烟雾 笔 《 漏 风 测 试 记 录》 备注：周期以“N”表示自然日、“M”表示自然月、“Y”表示自然年；★为强制项，☆为推荐项。 2.1.3.3 节能优化 （1）. 冷通道封闭+AI 变频：将 CRAH 风机功耗降低。 （2）. 冷却水温度重设：基于 Wet-Bulb 追踪，降低冷却泵功耗。

AI 应用提供确定性、高性能的连接服务。 智为大脑：智能（AI）不再是以外挂工具的形式存在，而是深度内生于网络与算力基础设施的核心。 借助大模型、智能体（Agent）与知识增强等能力，系统能够理解自然语言意图，实现从网络配置、 故障诊断到业务优化的闭环自治，将运维人员从繁琐低效的劳动中解放，并大幅降低企业用网和用 智的门槛。 5G-AxAI 算网智一体化技术体系以智能 5G-A 网络为根基，使其成为可感知业务意图、动态调优的神 务则可自动选择 WiFi 或有线网络以实现高效传输。 3.2.2 意图化用网 意图化用网是实现网络从“配置驱动”向“意图驱动”演进的核心技术。它通过智能体与大模型技术， 深度理解运营运维人员的自然语言指令、实时感知专网业务状态与资源容量，将高层的业务意图（如 “为 AGV 保障 20ms 低时延”）自动翻译、分解并生成精准的网络策略。这一过程彻底改变了传统 依赖命令行逐条配置的复杂模式， 智能化网络内核，实现意图精准识别、资源动态分配与运维自动化，显著提升网络自优化、自决策 与自适应能力。 系统集成推理框架、Agent 编排框架及 RAG 等原子能力，支持对业务意图的实时解析与响应。例如， 基于自然语言的运维指令可被自动转化为网络策略，动态生成符合 SLA 要求的虚拟子网；借助 RAG 增强知识库，实现故障精准定位与自愈，大幅降低人工干预需求。 系统还支持多智能体协同与资源按需调度，根据业务上下文与实时网络状态，智能调用相应