影创作等非专业领域需求；也涵盖工业级无人机的深度开发，依据农 业植保、电力巡检、物流配送等特定行业的专业诉求进行定制化设计。 在有人驾驶航空器制造领域，聚焦于轻型直升机、小型固定翼飞机等 适宜低空飞行任务的机型研发与生产，从航空器的空气动力学设计优 化、先进航空材料的选用，到高性能动力系统的匹配、航空电子设备 的集成等多方面进行技术攻关与创新突破，旨在为低空旅游观光、应 急救援、商务通勤等多样化的应用场景提供安全可靠、性能卓越、经 2. 初步发展期 二战期间，军事需求极大地推动了航空技术的飞速发展，低空飞 行技术也取得了显著进步。直升机在这一时期得到广泛应用，其独特 的低空悬停和垂直起降能力使其在战场救援、侦察、特种作战等任务 中发挥了关键作用。战后，部分军事低空飞行技术逐渐转为民用。在 农业领域，美国在 20 世纪 40 年代末开始出现利用直升机进行农药喷 洒和农田巡查的尝试，初步形成了低空飞行在农业植保方面的应用雏 《通用航空装 备创新应用实 施方案 （2024-2030 年）》 包括增强产业技术创新能力、提升产 业链供应链竞争力、深化重点领域示 范应用、推动基础支撑体系建设、构 建高效融合产业生态等重点任务。 国务院 2024.3 2024 年《政府 工作报告》 明确积极培育新兴产业和未来产业， 积极打造生物制造、商业航天、低空 经济等新增长引擎。 中央经济 工作会议 2023.12 中央经济工作

进，主要基于两大核心逻辑：场景的标准化程度、任务的复杂程度由简至繁 5 工 作 环 境 复 杂 工 作 环 境 简 单 任务单一 任务复杂 商业服务 单一动作执行 ✓ 商业演出 ✓ 迎宾引导 ✓ 导览讲解 ✓ … 多动作组合 ✓ 餐盘收集 ✓ 递送物品 ✓ … 长链条复杂机械任务 ✓ 平面清洁 ✓ 零售结账 ✓ … 长链条复杂灵活任务 ✓ 零售导购 ✓ … 工业服务 单一工序、单一动作执行 螺栓预拧紧 ✓ … 单一工序、长链条任务衔接 ✓ 组装 ✓ 接线 ✓ … 多工序、多任务衔接 ✓ 配合产线节拍 ✓ 与工业机器人/AGV协同 ✓ 与人协同 ✓ … 家庭服务 单一动作执行 ✓ 语音交互 ✓ 社区娱乐 ✓ … 多动作组合+单形式交互 ✓ 递送物品 ✓ 搬运物品 ✓ … 长链条任务+多形式交互 ✓ 平面清洁 ✓ 衣物餐品洗涤 ✓ … 复杂任务、多形式交互 ✓ 餐饮制作 ✓ 照料护理 and Confidential All Rights Reserved. 人形机器人细分场景落地顺序评估逻辑 …聚焦工业/家庭/商业领域细分场景落地顺序，需评估两大维度①场景结构化程度（环境、工具）②任务复杂程度（动作、交 互理解）。对机器人的四大关键能力提出需求（感知、运控、决策、交互） 7 一级指标 二级指标 能力等级 指标定义 结构化程度 环境 1 路线与物品位置固定 2 路线涉及物体机械移动

 通过建立一 些定性或定 量的数据管 控评价考核 指标，去评 估及考核数 据相关责任 人职责履行 情况、数据 管控标准及 数据政策的 执行情况 等  规范了数据 管控过程 中，各个环 节日常任务 处理的运作 模式，例如 数据定义如 何变更、数 据冲突如何 协调等。  采用专门的 技术平台支 撑管控流程 的自动化， 发布管控组 织制定的一 些相关标准 和规范，及 时反映管控 过程中存在  梳理企业数字化转型 ETL 流程各环节的数据质量要求，指定数据质量检查规 则、评价指标、管控流程，并落地实施数据质量管理系统  梳理企业数字化转型包含的技术元数据，如：数据字典、 ETL 任务、 ETL 流 程、 BI 语义层等，制定相应的管控流程 并 落地实施元数据管理系统  同步企业数字化转型 ETL 建 设，实现了数据质量管理系统  收集并整合了消费企业所有技 术元数据，实现了数据生命周 集群实现了进出数据平台数据的暂存，业务数据交换组件实现了业务系统每日增量数据加载，数据区数据交换组件 实现了基础计算平台与管理分析平台间的数据交换  流程 调 度 平台：自主开发的流程 调 度 引擎实现整个数据平台的数据处理任务调 度 和运行  管理分析平台：由 X86 分析型数据库集群、 BI 软件 1J2EE 应用构成，实现了面向应用的数据加工、管理、分析服务  实时分析平台：由高档 X86 服务器组成的集群，实

..................................................................................... 9 1.1.2 工业任务/行业模型适配 ................................................................ 10 1.1.3 工业数据制备........ 节（实现质量管控、故障预测）。其构建遵循三阶段体系：首先完成工业数据制 备，处理 CAX 模型、传感信号等特有模态数据；随后训练工业基座模型，攻克 工业语义理解、小样本学习等技术难点；最终通过任务适配实现场景交互，与 PLC、工业机器人等设备协同运作。 ➢ 通用工业大模型 通用工业大模型是工业大模型的一种类型。它是在工业领域构建的，相对 于行业大模型和场景大模型而言，更具通用性的模型。它以通用的工业数据和 备制造等不 同的工业行业中，每个行业都有其独特的工艺、设备、产品要求等。行业大模 型针对这些特定行业的数据和需求进行构建，能够更好地理解和处理特定行业 内的任务，如汽车行业中的零部件设计优化、电子设备制造中的电路板故障检 测等任务。 图 1.2 制造行业（汽车制造、电路制造、电子产品制造等） ➢ 场景大模型 场景大模型则是进一步细化到工业中的特定场景。工业领域包含众多场景， 10

加持下强推理慢思考范式新边界 3 的惊人成绩，表现与 OpenAI-o1-1217 相当。 在编码相关的任务中表现出专家水平， 在 Codeforces 上获得了 2029 Elo 评级，在竞赛中表现 优于 96.3% 的人类参与者 DeepSeek-R1 在知识类问答上推动科学探索边界： Research 的潜 力 在长文本依赖任务如 FRAMEs 和 事实性推断 任务 Si l QA 上表现突出 得益于强大的推理能力与长文本思考能力 ， DeepSeek R1 在复杂任务上表现卓越，成为开源领域的 又 一里程碑，标志着开源社区在与闭源大模型（如 OpenAIo1 系列）的竞争中迈出了关键性一步。 DeepSeek-R1 在数学代码任务上表现突出 Deepseek R1 型推理能力和长程问题能力，基于 RL 的 Post-Training 将会成为下一个突破点。 自回归模型在数学推理问题上很难进步的一点在于没有办法进行回答的自主修正，如果仅是依靠生 成 式方法和扩大参数规模，那么在数学推理任务上带来的收益不会太大。所以需要寻找额外的 Scaling 为什么我们需要后训练 Scaling-Law ? 回顾： Post-Training Scaling Law

........................................................................................38 2.2.4 自主任务规划与决策.............................................................................................. 一个准确的、界限明确的定义，将会造成产业界的混淆甚至混乱。因 此，对标准化工作而言，明确人形机器人概念的内涵与外延，已然成 为一项极为紧迫且重要的任务。 首先，人形机器人属于机器人范畴。机器人是具有一定程度自主 5 能力的，可以执行移动、操控或定位任务，可编程的机械致动机构 （programmed actuated mechanism with a degree of autonomy to 为：个人使用或专业用途下，可为人类或设备完成有用任务的机器人。 所以，人形机器人在不同的应用背景下，具有不同的概念和含义。 目前，国内主流科技咨询公司对人形机器人概念的观点主要如下： 1）人形机器人是具备人类外形特征和行动能力的智能机器人，以 双腿行走的方式，通过手臂和身体的协调完成功能，基于通用型算法 和生成式 AI，具备语义理解、人机交互、自主决策等能力，并利用人 机交互实现任务理解与反馈，需要强大的感知计算与运动控制能力

基础上通过RL方法强化CoT能力而来 推理能力 在日常语言任务中表现均衡，但在复杂逻辑推理（如 数学题求解）上准确率较低。 在复杂推理任务表现卓越，尤其擅长数学、代码推理任务。 多模态支持 支持文本、图像、音频乃至视频输入，可处理多种模 态信息。 当前主要支持文本输入，不具备图像处理等多模态能力。 应用场景 适合广泛通用任务，如对话、内容生成、多模态信息 处理以及多种语言相互翻译和交流；面向大众市场和 处理以及多种语言相互翻译和交流；面向大众市场和 商业应用。 适合需要高精度推理和逻辑分析的专业任务，如数学竞赛、编程 问题和科学研究；在思路清晰度要求高的场景具有明显优势，比 如采访大纲、方案梳理。 用户交互体 验 提供流畅的实时对话体验，支持多种输入模态；用户 界面友好，适合大众使用。 可自主链式思考，不需要太多的过程指令，整体交互节奏较慢。 D e e p S e e k R 1 PART 02 DeepSeek公司 推理模型（R1） 设计初衷 想要在各种自然语言处理的任务中都 能表现好，更通用 重点是为了搞定复杂的推理情况，比如 深度的逻辑分析和解决问题 性能展现 在数学题、多语言任务还有编码任务 里表现不错，像Cmath能得90.7分， Human Eval编码任务通过率是65.2% 在需要逻辑思考的测试里很棒，比如 DROP任务F1分数能达到92.2%，AIME 2024的通过率是79

（AGI, Artificial General Intelligence）的新阶段。在大模型出现之前，人工智能通常需 要针对特定的任务和场景设计专门的算法，这种方法虽然在特定领域有效，但人们对 “智能”的期望是能够适应多种任务和场景的智能系统，单一任务的人工智能系统已经 无法满足这些更广泛的需求。大模型能够跨越传统人工智能的局限性，理解和推理的 能力有了极大的飞跃，同时也提高了复用的效率，为人工智能技术在更多领域的应用 等大模型通过海量数据和庞大的计算资源支持，使得模型具备了强大的 通用性和复用性。大模型可以被广泛应用于自然语言处理、计算机视觉、语音识别等 领域的各种任务，能够为各种应用和开发人员提供共享的基础架构，并进一步通过微 调、零样本学习等方式，直接在一系列下游任务上使用，取得一定的性能表现，支持 不同行业、不同场景的应用构建。 2 工业大模型应用报告 大模型展现出三大基础特征 泛化能力强：大模型能够有效处理多种未见过的数据或新任务。基于注意力机制 （Attention），通过在大规模、多样化的无标注数据集上进行预训练，大模型能够学 习掌握丰富的通用知识和方法，从而在广泛的场景和任务中使用，例如文本生成、自 然语言理解、翻译、数学推导、逻辑推理和多轮对话等。大模型不需要、或者仅需少 量特定任务的数据样本，即可显著提高在新任务上的表现能力。如 Open AI 曾用 GPT-

...................................... 20 2.7.1 资源编排调度 ................................ 20 2.7.2 任务式编排调度 .............................. 21 2.7.3 智能体编排调度 .............................. 22 2.8 安全可信 训练并行优化 模型规模突破万亿参数，引发动态负载失衡、多节点显存分配不均衡等问题。 通过建立自动搜索系统实现不同节点规模的最优参数组合。通过动态分析计算图 中的算子特征与硬件资源约束，智能分配计算与通信任务，提升万卡级训练算力 利用率（MFU）。 面向近期，实现并行策略自动搜索系统。通过解析大模型网络结构并建立算 子级统计指标库，结合专家经验与多目标优化算法，量化评估集群的显存占用与 通信效率 通信效率，输出兼顾资源利用率与训练速度的并行配置方案，最终在超万卡集群 中实现模型训练 MFU 超 50%。 面向中远期，研发算子级自动并行框架，动态分析计算图中的算子特征与硬 件资源约束，智能分配计算与通信任务，从而在超万卡规模的集群中实现模型训 练的 MFU 突破 60%。 2.5.2.2 低精度训练 低精度训练可以显著加速大模型训练性能，但梯度溢出问题严重制约模型收 敛稳定性。针对上述问题，通

应用能力三要素的关系，系统性考虑如下技术与工程问题： 一是给定计算场景、计算任务和计算问题，是否存在量子算法， 且相对经典算法有优势？优势包括计算速度、计算精度、计算规模、 计算能效等。 二是给定量子算法，当前量子计算机能否稳定运行并给出准确 或近似结果？如何运用量子编译、误差缓解等多种增强手段？ 三是本地部署时，计算任务所处环境与量子计算机运行环境能 否匹配？是否有尺寸、能耗、移动性、温湿度等物理条件约束？ 指数级），求解最优解将超越经典计算能力。 在人工智能方面，虽然机器学习的引入为移动网络数据处理与 智能化提供了新的解决方案，但大模型的训练与推理成为移动网络 新的算力需求来源。网络智能化任务主要涉及网络状态的预测、异 常检测和网络优化决策等。广义的网络状态预测包括网络流量预测、 用户行为预测、网络性能预测、无线信道状态预测、设备状态预测 量子计算应用能力指标与评测研究报告（2024 据中心、智算中心或超算中心。因此对于大规模网络优化、网络流 量预测等非实时计算任务，可以考虑量超融合环境，这里具有良好 的量子计算机部署环境。对于多用户调度等准实时计算任务，如果 采用量子计算机，则需要考虑与边缘云部署环境兼容，支持一定的 远程访问能力。对于基站级（小区级）的信号处理与资源分配，属 于实时性计算任务，如果采用量子计算机，则需要考虑与基站机房 （BBU 资源池环境）的环境兼容。因为机房面积与空间小，需要设