化学习等技术正驱动⼈形机器⼈的智能化⽔平快速提升。 特征之五，具⾝智能体之间的关系开始从单体智能向智能协作、群体智能演进。 从单个机器⼈的遥控，向多台机器⼈乃⾄异构机器⼈之间的⽆⼲预协作⽅向突破，但 机器⼈的⾃主⾏动和多任务能⼒还⽐较有限。 特征之六，制造与研发能⼒推动成本下探，为产业化和市场导⼊进程加速。随着 硬件技术路线收敛、供应链成熟、中国制造优势及产业市场规模效应初步显现，⼈形 机器⼈成本和价格呈现双下 XHAND1，实现全域操作、极速响应及⾼效 拣选；在模型层⾯，搭载端到端 VLA 具⾝模型 ERA-42，具备双向交互机制和标准化 IO 接⼝，提⾼作业成功率和通⽤性；在软件层，融合开源与真机多任务数据预训练， 实现快速适配，结合多摄像头补盲设计与⾼频推理技术，实现及时纠偏与瞬时动作决 策，并集成数字孪⽣监控，实现⼯位设备运⾏、物料流转状态的实时监测；在数据 层，构建⾃动化数据管线与仓储 ⾼度范围内的⼯作空 间，可驾驭多种复杂环境满⾜不同⼯作需求。G1 拥有具备空间智能的“⼤脑"⼤模型， 能理解三维场景、与⼈⾃然语⾔交互并将⻓程任务进⾏多步分解，⾃主决策所需的操 作。G1 具备多任务、多技能能⼒的"⼩脑"⼤模型，通过数⼗亿级仿真合成数据的训 练，已展示出多种较⾼成功率的泛化具⾝技能。G1 ⽀持 IsaacSim/Mujoco 等多个仿真 平台，经过测试和示范应⽤阶段，在⼯业⽣产辅助、零售服务等场景进⾏了初步验

PLATO-XL|搜索 ERNIE-Search 跨语言 ERNIE-M |代码 ERNIE-Code 语言理解与生成 ERNIE OCR图像表征学习 VIMER-StrucTexT 多任务视觉表征学习 VIMER-UFO 视觉处理多任务学习 VIMER-TCIR 自监督视觉表征学习 VIMER-CAE 文档智能 ERNIE-Layout 文图生成 ERNIE-ViLG 视觉-语言 ERNIE-ViL 亿级参数的Pangu P系列，适用于低时延、高 效率的推理场景；千亿级参数的Pangu U系列 适用于处理复杂任务；万亿级参数的Pangu S 系列超级大模型能够帮助企业处理更为复杂的 跨领域多任务。 盘古大模型5.0能够更好更精准地理解物理世界， 包括文本、图片、视频、雷达、红外、遥感等更 多模态。在图片和视频识别方面，可支持10K超 高分辨率；在内容生成方面，采用业界首创的 STCG（Spatio

秀的逻 辑推理及规划能力，然而，其与应用需求侧之间仍存在一定 “Gap”。Agent 作为“桥梁” 角色，可支撑大模型落地到各类具体应用之 中，补足其精准对接业务需求、上下文记忆、主动规划执行以及多任务协作等多方面能力。 当前，Agent市场呈现出厂商生态分化的态势。互联网科技巨头与垂直领域科技厂商常借助Agent能力赋能原有产品，提升其使用体验与 智能化水平。同时，各类厂商依据自身优势，针对特定 况下融入多模态能力 沿用DeepSeek V2模型结 构，具备全球顶尖的代码能 力和数学能力 在后训练阶段大规模使用强化学习 技术，在极少标注数据的情况下极 大提升模型推理能力 MoE架构的大语言模型，具 备多任务泛化能力，在知识 问答、长文本处理、代码生 成、数学问题求解等方面性 能领先 数学推理模型 DeepSeek Math 针对数学相关数据进行预训练强化， 提升模型在复杂数学问题求解上的 可靠性与精准度 AI Agent进阶：向着通用场景升级 感知力 高阶智能体雏形示例： 主动感知实 时响应 记忆联系 上下文 context 复杂逻辑思 考与多任务 执行规划 需求数据集成 + GUI图形理解 + 图像语义解析 + 多任务协同执行 + 工具调用… Agent技术应用拐点出现 部分Agent应用突破性实现 “需求理解 - 任务规划 - 工具调用 - 结果交付” 全流程自动化，通过多智

秀的逻 辑推理及规划能力，然而，其与应用需求侧之间仍存在一定 “Gap”。Agent 作为“桥梁” 角色，可支撑大模型落地到各类具体应用之 中，补足其精准对接业务需求、上下文记忆、主动规划执行以及多任务协作等多方面能力。 当前，Agent市场呈现出厂商生态分化的态势。互联网科技巨头与垂直领域科技厂商常借助Agent能力赋能原有产品，提升其使用体验与 智能化水平。同时，各类厂商依据自身优势，针对特定 况下融入多模态能力 沿用DeepSeek V2模型结 构，具备全球顶尖的代码能 力和数学能力 在后训练阶段大规模使用强化学习 技术，在极少标注数据的情况下极 大提升模型推理能力 MoE架构的大语言模型，具 备多任务泛化能力，在知识 问答、长文本处理、代码生 成、数学问题求解等方面性 能领先 数学推理模型 DeepSeek Math 针对数学相关数据进行预训练强化， 提升模型在复杂数学问题求解上的 可靠性与精准度 AI Agent进阶：向着通用场景升级 感知力 高阶智能体雏形示例： 主动感知实 时响应 记忆联系 上下文 context 复杂逻辑思 考与多任务 执行规划 需求数据集成 + GUI图形理解 + 图像语义解析 + 多任务协同执行 + 工具调用… Agent技术应用拐点出现 部分Agent应用突破性实现 “需求理解 - 任务规划 - 工具调用 - 结果交付” 全流程自动化，通过多智

可整合来自摄像头、传感器等 设备采集的图像、声音、物理 信号等数据，将原始数据转化 为适合模型训练的高质量数据 集，极大提升数据准备效率与 质量。 1 大模型 模型训练环节 大模型可实现多任务学习，让 智能机器人同时学习多种技能 与行为模式。借助迁移学习， 在一个任务上训练好的模型参 数可迁移到其他相似任务，加 速新任务学习，减少训练时间 与数据需求。 2 算法优化 大模型能为智能机器人找到最 数字孪生 大模型 群体智能是实现人形机器人在工业、商业服务等重要场景规模化应用的关键。目前, 软件架构的优化是推动群体智能发展的核心动力。例如，优必选在极氪5G智慧工厂 开展的全球首例多台、多场景、多任务人形机器人协同实训中，创新性地提出了人 形机器人群脑网络架构和人形智能网联中枢，为群体智能的实现提供了技术支撑。 群体智能 数字孪生 群体智能 22 发展趋势 应用趋势：核电站巡检、太空作业等新场景层出不穷，积极

可以通过许多 为人类设计的流行考试 ， 如 SAT 、 GRE 、 LSAT 和 AP 各种科目的测试。46 这些结果是一个实质性的 比上一年发布的早期模型有所改进。而 AI 仍然 不能像人类一样执行许多任务 ， 例如抽象 推理 ， 现在一些人工智能模型在许多 基准 ， 在 某些领域。因此 ， 许多开发人员可能会更专注于 优化他们的 AI 模型 ， 而不是挤出越来越小的 提高准确性 ， 因为他们不会收到回报 流媒体电影取代了租用 DVD 和参与视频 会议取代了亲自参加会议。人工智能将有类似的 随着时间的推移 ， 通过进一步数字化许多活动 (例如通过 提高视频通话的质量) ， 并通过使用人工智能来完成更多任务 比使用人力更有效。 2023 年的一项研究估计了使用人工智能与使用人工智能的碳足迹 用于编写文本页面或创建插图的人。之后 考虑不同 AI 模型的碳排放 (ChatGPT ， 布鲁姆、中程和 DALLE

口更精细的预测能力： 能够实现对交通流、交通事件、甚至个体交通参与者行 为的超短期、高精度预测，为信号控制、交通诱导提供更精准的决策依据 , 口多任务学习与协同优化： 大模型将不再仅仅关注单一任务，而是能够同时处 理交通流预测、事件检测、安全预警、交通诱导等多任务，并实现各任务之 间的协同优北。 口可解释性与可信赖 Al: 随着大模型应用的深入，对其决策过程的可解释性要 求将越来越高，以确保交通管理决策的透明性和可信赖性

，动态分配权重，突出关键信息，从 而提取出更高层次、更具判别力的特征。 决策与自适应学习是多模态感知融合的另一个重要方面。基于融合后的特征，系统通 过多任务学习和自适应反馈机制，能够在不同应用场景中动态调整感知策略。多任务学习 可以让模型同时学习多个相关任务，提高模型的泛化能力。自适应反馈机制则根据系统的 性能和环境变化，实时调整模型参数，提高系统的鲁棒性和适应性。 研究报告 性，为更加智能、人性化的交互体验奠定了坚实基础。 3. 自然语言理解（NLU）与上下文关联 高级语音识别系统不仅能够实现语言转写，更能理解上下文信息和隐含语意，为后续 决策和响应提供准确依据。多任务学习和上下文记忆机制的引入，使系统在处理连续对话 时表现更加出色。 二、 商业案例 亚马逊 Alexa 亚马逊的语音助手 Alexa 不断升级其情感识别与对话系统，通过不断学习用户的语音

例如鸟瞰图（BEV）中的成本体积、联合能量，以及概率语 义占用层和自由空间层。 成本学习方法中，为了生成更现实的成本，通常需 要结合高清地图（HD maps）、辅助感知任务和多 传感器数据，这增加了为多模态多任务框架学习和 构建数据集的难度。 资料来源：Chen L, Wu P, Chitta K，et al，End-to-end Autonomous Driving： Challenges and F 年第一季度进入中国和欧洲市场，并计划推出无监督版FSD，加速高阶自动驾驶商业化。 特斯拉：纯视觉方案+一体化端到端先驱 20 特斯拉组建了基于计算机视 觉感知的软件算法小组 Vision 算法结构由骨干网络架构升级为多任务学 习神经网络架构HydraNet，并使用了特征 提取网络BiFPN。HydraNet能够减少重复 的卷积计算，减少主干网络计算数量 算法层面实现三大变革： 1、BEV+Transformer，自动驾驶进入大模型时代： 知理解。 图56：Momenta智能驾驶算法演进 资料来源：芝能科技，国元证券研究所 Momenta：提供基于端到端技术架构的自动驾驶解决方案 57 • Gen 2（2022年），感知为多任务且各任务数据驱动，规划大 多基于规则，包括检测、高精地图、融合&跟踪等模块。 • Gen 3（2023年H1），感知将时序任务整合到同一模型，规划 逐渐从规则转型数据驱动，有FTP融合&跟踪&预测等模块。

于RoCEv2的Go-back-N丢包恢复模型，当丢包率达到1%时，RDMA报文吞吐量接近为0。 3）不同负载情况下，网络性能指标波动，性能表现不一致。通用数据中心网络在轻载 时一般都可以达到较高的性能，但AI训练是多任务集群，在多任务并存的情况下，同时满足 各任务的高性能需求，对于网络资源的规划和保障提出了更高要求。 中兴通讯版权所有未经许可不得扩散 5 3.1.3 极致高性能是核心 为了最大化集群算力利用率，A