AI-Driven 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 没有使用 Reward Model, 因为 ORM 和 PRM 等基于神经网络的都可能遭受 reward hacking 而 retraining reward model 需要大量的计算资源，可能会复杂化整个流程 训练模板： 选择最简单的 Thinking Process ， 直接观察到最直接的 RL 过程下的表现 DeepSeek-R1 Zero: 无需监督微调 SFT ，纯强化学习驱动的强推理模型 From PPO to GRPO: PPO 的价值函数通常是与策略模型规模相当的独立模型，这带来了巨大的内存和计算负担。 奖励模型通常仅对输出序列的最后一个词元分配奖励，导致逐词元价值函数的训练复杂化。 GRPO ：无需像 PPO 额外近似价值函数，而是利用同一问题下多个采样输出的平均奖励作为基线。具 体而 言，对于每个问题 ， GRPO 从旧策略 πθold 中采样一组输出，并通过最大化以下目标优化策略模型：

2012 毕业于南京大学 2012~2014 阿里巴巴 2014~2017 创业 2017 加入有赞 关注领域 领域驱动设计 中台架构 企业架构 复杂业务系统架构 目标 通过科学的架构方法 助力复杂业务快速发展 大幅提升组织效率 ⽬目录 • 有赞零售SaaS业务介绍 • 财务中台的业务背景 • 架构设计方法 • 财务中台架构的落地实践 • 对中台的一些思考 前台销售终端 总部中台业务 企业后台业务 财务中台 02 | 财务中台业务背景 1 零售SaaS业务复杂度的来源 2 核⼼心挑战点是什什么？ • 零售企业组织架构复杂 • 零售业务场景繁多 • 零售垂直行业需求差异化 背景：零售SaaS业务复杂度的来源 背景：零售企业组织架构复杂 连锁总部 加盟商 ⻔门店 ⽹网店 仓库 ⻔门店 部⻔门架构 部⻔门架构 采购主管 仓库 背景：核⼼心挑战点是什什么？ • 业务复杂度：问题域本身过于庞⼤大⽽而复杂。 • 技术复杂度：来源于各种⾮非功能性需求，业务与技术复杂度耦合。 1. 复杂度的挑战 2. 组织上的挑战 • 上层的⽬目标过于概括、抽象，⽆无法落地。 • 当下层发⽣生⽭矛盾时，没有⽅方法和依据来做出有效的决策。 03 | 架构设计⽅方法 1 如何帮助零售企业解决⾼高度复杂的业务问题？ 2 架构类型 3

命的推进，工业大 模型凭借其卓越的数据处理能力、出众的跨模态融合特性以及高效的智能决策 效能，日益成为推动工业智改数转的核心驱动力。然而，尚处于初级发展阶段 的工业大模型，仍面临工业数据多模态复杂性、模型可解释性不足以及应用成 本较高等挑战。为此，行业迫切需要系统性的解决方案，以促进工业大模型技 术的有效落地与广泛应用。 本书在实践积累与行业洞察基础上，试图对一系列关键问题做出解答：工 交融之态，大模型的发展为工业制造带来了新的可能性，工业大模型也成为智 能制造领域的重要发展方向。当下，制造业数字化转型步伐持续加快，企业置 身于数据呈爆炸式增长、生产流程趋于繁杂、市场竞争愈发激烈的复杂环境之 中，面临重重挑战。而未来的工业大模型将以其卓越的数据处理能力、高度智 能的决策支撑以及跨领域的协同优化效能，为化解这些难题开辟了有效路径。 它能够深入探寻工业数据蕴含的潜在价值，达成生产过程的精细化管控与优化 这是工业大模型构建的第一阶段。工业数据具有异质数据模态的特点，包 括 CAX 模型、传感信号、工艺文件、机器指令等特有数据模态，与通用大模型 常用的文本、图像等数据模态有很大区别。工业数据制备涉及到对这些复杂多 样的数据进行收集、整理、清洗、标注等操作，以便为后续的模型训练提供合 适的数据基础。 图 1.4 工业数据类型（三维图纸、时序信号、二维图纸、机器指令等） 1.1.4 工业基座模型训练

多云发展战略，持续扩展企业未来高质量增长空间 �.� 多云战略落地的应用场景 �.� 多云战略为企业带来显著实践价值 第三章 智能时代，企业多云战略面临的挑战 �.� 多云是企业开展智能化升级的重要策略 �.� IT复杂性攀升，安全、效率、创新、成本成为长期挑战 �.� 重视六大核心能力，构建先进多云体系 第四章 在下一朵云上，解锁AI发展新动能 �.� 获得先进技术能力是当前企业选择下一朵云的首要核心驱动力 体的多云安全保障体系、先进的AI技术能力、高效普惠的数据运营管理能 力、稳定可靠的多云治理和协同、持续优化的成本治理能力、开放合规的全 球服务体系等。IDC调研显示，目前，超过一半的中国企业处于复杂多云阶 段，而处于有序复杂和战略价值实现阶段的企业不到�/�，从整体上看，企业 在提高多云成熟度方面还有很长的路需要探索。 面向通用人工智能技术高速发展的新时代，企业有必要重点围绕AI应用需求 构建多云能 创造价值的主要来源。生成式人工智能的早 期应用展示了其在创意艺术、内容和代码生 成以及个性化推荐等领域的潜力。从改善客 户体验到创新性解决问题，有效利用生成式 人工智能的力量并驾驭其相关的复杂性，有 可能塑造行业的未来并推动人工智能驱动世 界的进步。 IDC数据显示，全球企业生成式 人工智能支出规模将从����年 的���.�亿美元增长至����年的 �,���.�亿美元，年复合增长率

息的无缝对齐，推动通用人工智能（AGI）向更高阶认知能力迈进。例如，OpenAI 的 GPT-4o 已初步展示音频、图像与文本的融合推理能力，未来多模态模型或可自主连接环 境感知与决策链条，拟人化解决复杂任务。 边缘 - 云协同的轻量化部署：通过微调轻量级模型（如 MobileNet-Multimodal）、 神经架构搜索（NAS）技术，多模态算法将逐步适配边缘设备的算力限制，在智能终端 （ 差）、尺度差异（如显微镜图像与宏观温度数据的融合）、语义鸿沟（如触觉“柔软度” 与视觉“褶皱程度”的映射关系）仍是多模态融合的核心瓶颈。现有方法依赖人工设计对 齐规则，亟需发展自适应的时空同步算法与语义解耦技术。 模型复杂性与算力瓶颈：多模态模型参数量呈指数级增长（如 Flamingo 模型的 80B 参数），导致训练成本高企（单次训练耗能可达数辆燃油车终身碳排放量），且难以在资 源受限场景（如无人机、可穿戴设 取物体的深度信息。ToF 传感器通过测 量光从发射到接收的时间，计算出目标物体的距离。结构光技术则是通过投射特定的光图 案，根据物体表面的变形来获取三维信息。 采集到的空间信息是复杂而庞大的，需要通过复杂的计算算法进行重建和场景理解。 在这个过程中，关键技术发挥着至关重要的作用。 点云数据处理是 3D 感知技术的基础环节。激光雷达及深度摄像头采集的点云数据 通常包含大量的噪声和冗余

演进，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 … 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 ✓ 维修 ✓ … 工业场景 标准化程度最高。 ✓标准化物料数据 ✓标准化场景标签 家庭场景 标准化程度中等。 ✓活动范围相对有 限 ✓交互对象较多元 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 3 路线涉及生物自主移动 操作工具 1 不使用工具/使用固定工具 2 使用某类特定工具 3 使用多种不同工具 一级指标 二级指标 能力等级 指标定义 动作 复杂程度 上肢：精细度

矿业工程， 土木、水利与建筑工程，环境与轻纺工程，农业，医药卫生和工程管理 9 个领域报告，分别描述与分析各 领域工程研究前沿和工程开发前沿概况，并对重点前沿进行详细解读。 工程前沿研判是一项复杂且有挑战性的工作。八年来，项目研究聚焦全球工程科技发展的热点和难点， 将前沿研究、学术论坛与期刊建设紧密结合，相互促进，逐步探索出一条别具特色的研究路径。工程前沿 研究得到了来自我国工程科技界各 RGB 图像，对图像中的每个像素进行类 别标签分配，从而实现对整个场景的全面解析。其典型应用是自动驾驶和机器人导航领域的道路环境的语 义分割。仅基于 RGB 图像的场景解析方法在具有相似物体或复杂背景的场景中往往表现不佳，而深度图 像包含了更多的位置和轮廓信息，赋予算法更强的上下文解读能力，从而实现更精细的场景解析。 目前该领域的技术方向主要围绕神经网络结构和学习技巧两方面展开，主要的网络结构包括编码器－ 照、磁场、电流、化学溶液等） 下实现形状、性质变化和功能转换。4D 打印通过利用形状记忆效应，在 3D 打印过程中引入时间维度，使 得打印出的结构能够在使用过程中动态调整和适应环境变化，从而实现复杂的自我修复、自我组装和自适 应等功能。这种技术可以应用于航空航天、电子封装、智能纺织、软体机器人和生物医学等领域。 目前该领域的主要研究方向包括 SMP 材料研发优化、4D 打印技术优化、多功能智能结构集成、新型

域探索研讨的 共识。在此，我们衷心感谢每一位在白皮书编撰工作中给予大力支持 与做出杰出贡献的专家、学者、企业及机构。然而，我们亦认识到， 面对如此复杂且尚处于快速发展阶段的人形机器人领域，受限于当前 的技术认知水平、实践经验范围以及各种复杂多变的内外部环境等诸 多因素，本白皮书仍存在一些考虑不周之处。在此，我们以开放且诚 挚的态度，欢迎各界人士，不吝指出其中的不当之处。我们期望通过 3 幅提升了人形机器人的认知能力，以优必选 Alpha2、Walker 等为代表 的人形机器人，能够稳定地执行复杂动作，甚至在挑战性场景中自主 做出决策；2020 年后，随着人工智能技术快速发展与市场需求的增长， 以宇树科技 H1 与升级版 G1、小米 CyberOne、浙江人形 NAVIAI 等为代 表的人形机器人，能识别语义和情绪，具备平稳行走和复杂动作能力， 助推我国人形机器人产业步入了智能化发展阶段。同一时期，介电弹 性体、超螺旋聚合物、气动仿生肌肉等柔性材料的快速发展也带来了 人形机器人的驱动器的革新，以北工大研发的气动人工肌肉驱动器、 中国计量大学设计的一种拮抗气动肌肉驱动的人形机器人为例，实现 了膝关节角度与刚度的精确控制，将为复杂任务和交互场景提供更加 灵活和仿生的解决方案。 1.2.2 国际人形机器人发展历程 国际上对人形机器人的研究起步较早，得益于 20 世纪领先的科研 水平与先进的技术基础设施，人形机器人早期发展主要集中在美国和

量子计算应用能力指标与评测研究报告（2024 年） 2 量子计算机的真实计算能力边界；3）部署环境的刚性需求边界。 然而，当前阶段去实现这一目标并不容易。原因包括：一是当 前高算力需求行业的计算场景和计算问题都很复杂，难以清晰地确 定需求边界。二是量子计算存在多种量子算法范式，多种技术路线， 且当前处于含噪声中等规模量子计算机（NISQ）阶段，真实计算能 力边界难以确定。 当前量子计算产业正在扩展量子比特规模和攻关量子比特纠错， 量子计算应用能力指标与评测研究报告（2024 年） 5 阵，经典计算机求解复杂度虽然多项式级增长，但也带来极大处理 时延、资源消耗与功率消耗，相对与目前 5G 基站能耗来说更加不 可持续。 在网络优化方面，传统的网络拓扑优化、路由优化和无线网络 优化都随着通感算智融合与新技术引入而变得复杂。其中，无线网 络优化进一步细分为网络覆盖优化、网络容量优化和网络能效优化 等，属于 次方），经典计算机将无法求解。另一个典型案例是 100 个 用户的多用户同频调度，核心在于如何在众多用户之间分配同频资 源，达到保障用户优先级、降低干扰，提升吞吐量等关键系统性能 指标。这是典型的组合优化难题，属于非多项式级复杂度（一般为 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。

大脑半球，二者由神经纤维构成的胼胝体相连。脑干又可分为中脑、脑桥及延髓三部分。 部位 位置 功能 大脑 又称为端脑，位 于脑的最上部， 占人脑总体积的 约85%，分为左 右两个半球 高级认知：负责思维、记忆、语言、决策、情感灯 复杂功能 感觉与运动：处理视觉、听觉、触觉等信息、并控 制自主运动 小脑 位于大脑后下方， 紧贴脑干后方， 形似蝴蝶。 运动协调：调节肌肉张力、协调精细动作（如鞋子、 弹琴） 平衡与姿势：帮助维持圣体平衡与空间定位 高级认知：负责思维、记忆、语言、决策、情感灯复杂功 能 感觉与运动：处理视觉、听觉、触觉等信息、并控制自主 运动 语义理解、环境信息理解、动 作决策等 目前为机器人中央控制器担任此角色， 但目前并未获得相应能力。后续可能 在此基础上进一步增加硬件及算力 小脑 运动协调：调节肌肉张力、协调精细动作（如穿鞋子、弹 琴等） 平衡与姿势：帮助维持身体平衡与空间定位 学习辅助：参与运动技能学习 动作学习模仿、复杂动作控制 等 机器人各传感器，执行器，线束，网 关 人脑结构与机器人大脑对应关系 01 8 资料来源：浙商证券产业研究院 人脑的小脑在机器人中对应的主要是动作学习模仿训练以及复杂动作的控制。而在机器人行业中，目前通常被称为机器人“大脑”，这主要 是因为相对于工业机器人，具有“大脑”的人形机器人对复杂运动的学习掌握能力明显增强，比如近期宇树、众擎、波士顿动力等公司在视 频中展示的人形机器人执行舞蹈，空翻高难度动作。至于对应人脑中的大