鸿蒙编程语言白皮书 文档版本 发布日期 V1.0 2025-06-20 2 版权所有 © 华为终端有限公司 2025。保留一切权利。 本材料所载内容受著作权法的保护，著作权由华为公司或其许可人拥有，但注明引用其他方 的内容除外。未经华为公司或其许可人事先书面许可，任何人不得将本材料中的任何内容以 任何方式进行复制、经销 1）高效开发 · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · O1 鸿蒙编程语言整体框架 18 CONTENT 鸿蒙编程语言适用场景 1）ArkTS 概述· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 6 2）仓颉概述· · · · · · · · · · · · 3）C/C++概述· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 4）语言互操作介绍· · · · · · · · · · · · · · · · · · · · · · · · · · · · O2 3）安全 · · · · · · · · · · · · · ·

LLM 内嵌数据分析知识 通过 SFT 让 LLM 具备专业领域的数据分析知识 AI大模型 ◼ AI赋能BI通过大语言模型（LLM）消除数据分析门槛，使非技术人员能够轻松 获取业务洞察 传统的BI系统往往需要用户具备一定的数据分析能力，尤其是对复杂数据的理解和 操作。然而，AI，尤其是大语言模型（LLM）的发展，正在打破这一技术壁垒。在 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 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的预测分析能力，使得企业能够基于实时数据进行精准的未来趋 www.leadleo.com 400-072-5588 中国：人工智能系列 白皮书｜2025/05 BI到ABI的发展历程与技术演变 BI从高技术门槛的专业工具发展到自助式分析，再到通过AI和大语言模型 突破数据思维的限制，最终实现了业务人员主导的智能化分析，极大地 扩展了用户群体并提升了决策效率 人工智能与商业智能发展现状—— BI到ABI的发展历程 来源：头豹研究院 ◼ BI从高技术

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 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

2 01 1.1 大语言模型技术发展概述 1.2 医疗健康大模型概述 5 6 02 大模型应用技术分析 2.1 大模型在医疗健康领域应用的机遇与挑战 7 2 概述 1.1 大语言模型技术发展概述 近年来人工智能（AI）技术的飞速发展，各行各业正在经历一场颠覆式的科技革命，早期的模型以 判别式为主，主要通过大量的自然语言预训练语料，来让模型学习词句的语意，从而实现文本分类 、命名实体识别（NER）、关系抽取等偏向于理解的任务，此类判别式模型也通常只能解决该场景 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 2023 年 12 月，我

| 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，“ 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 HR 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 4

第一章 序言 1. 定义与范式 2. 发展与态势 3. 数据分析 第二章 AI 前沿 1. 从大语言模型走向自主智能体 2. 具身智能 3. 脑机接口 4. AI 内生安全 第三章 数学 1. 基础理论 2. 优化 3. 统计 4. 科学计算 5. 复杂系统 第四章 物质科学 1. 物理 2. 化学 3. 材料 4. 能源 第五章 生命科学 对这些复杂性挑战，迫切需要新的科学研究 方法。针对复杂数据中的因果关系，发展了 一系列新的因果推断方法。针对高质量科学 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， 学科革命，其核心特征是领域科学和 AI 方 法的深度融合与适配。通过科学家提出关键 词和出版物数据库的匹配，可以发现在 AI4S 研究中运用最多的 AI 方法和技术（图 1.7）。 如今，大语言模型（LLMs）已经成为物质 科学、生命科学、社会科学等领域的通用科 研工具。强化学习方法在工程系统控制、数 学定理证明及物理模拟等复杂场景中占据主 导地位。计算机视觉技术在生命科学和地球

Apollo是一个云原生的持续交付平台，能够跨不同环境部署和管理软件更新，确保系统的稳定运行和安全性。Palantir AIP是最新的人工智能平台，强化预测和决策支持。Palantir X集成了开源、自托管和商业大语言模型，帮助企业将结构化和 非结构化数据转化为可操作的智能信息，推动人工智能在企业中的应用。 （3）强大的数据整合能力和跨行业适用性 Palantir的数据基础设施拥有强大的数据处理和分析能力、 。凭借云原生架构、开 放生态及AI融合，Snowflake已成为全球数据基础设施的主要提供商，其产品主要应用于支持实时数据查询与可视化的数据 分析与BI场景，以及AI驱动创新的优化预测分析和自然语言处理等场景。截至2025年3月，Snowflake已拥有542个年收入 超100万美元的客户，包括754家福布斯全球2000强企业，覆盖金融、零售、医疗等多个行业。 （2）跨平台可分离的数据核心技术 国家数据基础设施技术路线发展研究报告 第二章 世界各国积极探索数据基础设施建设和运营 20 > 21 可信数据空间分类 健康数据空间 金融数据空间 语言数据空间 文化遗产数据空间 汽车数据空间 工业数据空间 总体特点进展以及特点 一、建设情况： 1、多领域布局：形成语言、工业、汽车、 文化遗产、金融五大核心数据空间，覆盖全 产业链与公共服务。 2 、 技 术 架 构 统 一 ： 采 用 联 邦 学

高效。 智 能 世 界 的 I C T 岗 位 与 技 能 24 对高级网络安全人才与战略领导力人才的需求也在不断增加。随着数字威胁日益复杂，企业亟需 精通最新AI防御技术的数字取证分析师、大语言模型安全研究员及入侵检测分析师。在领导力层 面，首席信息安全官、AI与数据治理负责人、首席AI官（CAIO）、首席信息官等高管岗位已成为 核心招聘重点。归根结底，企业能否成功，取决于能否打造融合型团队、推动智能自动化，并使 ·云计算转型：云自动化工程师、云迁移工程师等岗位对迁移和管理可扩展的AI增强型云环 境至关重要。这些专业人才是推动数字现代化与运营效率提升的核心力量。 ·安全领域演进：日益增长的网络威胁使得数字取证分析师、入侵检测分析师、大语言模型 安全研究员等安全岗位需求增加。随着生成式AI的兴起，这些专业人才需运用先进的AI工 具检测安全漏洞、应对风险隐患。 ·AI优先的领导力：领导力的核心正转向AI治理与战略。企业开始在高管团队中设置首席信 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

4）鸿蒙生态伙伴 SDK 市场 · · · · · · · · 32 41 40 高效开发与测试 1）典型开发场景 · · · · · · · · · · · · · · 2）ArkTS 语言 · · · · · · · · · · · · · 3）ArkUI 框架 · · · · · · · · · · · · · · 44 46 44 4）应用程序框架 跨设备的协作。不同设备类型意味着不同的传感器能力、硬件能力、屏幕尺寸、操作系统和 开发语言，还意味着差异化的交互方式。同时跨设备协作也让开发者面临分布式开发带来的 各种复杂性，例如跨设备的网络通信、数据同步等。若采取传统开发模式，适配和管理工作 量将非常巨大。当前移动应用开发中遇到的主要挑战包括：  针对不同设备上的不同操作系统，重复开发，维护多套版本。  多种语言栈，对人员技能要求高。  多种开发框架，不同的编程范式。 的时延，且数据传输的安全性、私 密性不能得到有效保证。随着人们对交互和信息获取的智能化要求越来越高，移动设备的计 7 算能力越来越强，在设备侧就能提供 AI 的相关能力，例如自然语言交互、环境智能感知、 图像识别等。如何快速地使用设备侧的强大 AI 能力，使自己的应用更加智能化，进而更好 的服务消费者，也是开发者面临的全新挑战。 移动终端上的应用生态发展到今天也面临着变革。传统厚重的

B 端和 C 端加速落地 2.3 央国企正成为应用智能化的主力军，领跑多个场景落地 2.4 智能研发、运维、知识管理，企业智能化落地三大高价值场景 3 智能应用的形态和核心特征 3.1 基于大语言模型的智能体（Agent）预计成为智能化应用的主流形态 3.1.1 大模型能力的突破性提升，为 Agent 提供智能化基座 3.1.2 Agent 从单一工具向自主协作系统演进 3.1.3 行业需求从效率优化到体验升级，Agent 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 系统互通 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