教育与科技的深度结合，是教育数字化发展的重要推力。教育智能硬件作为教育数字化的重 要载体，经过3年的跟踪研究，我们欣喜地看到了这一结合在教育智能硬件上的发生与演变。 从教育思维来看，优质教育内容成为了学习平板的差异化竞争力，同时教育智能硬件越来越 关注细分学习痛点的解决，如聚焦于刷题练习的学练机、聚焦于作业采集分析的智能手写笔、 聚焦于思维训练、注意力训练的早教产品，各教育场景正被硬件产品逐个覆盖，各教育需求 正在逐步解决。 育智能硬件，可以发现学习平板的屏幕通过 墨水屏、类纸膜等技术不断强调护眼以弥补液晶屏幕的不足，屏幕越来越大以更高效地输出； 智能手写笔通过接入笔盒以提升续航和组网能力、实现课堂互动；词典笔跟屏幕、摄像头、 折叠设计相结合以完善功能。技术自身在不断的自我完善与更新。 可喜的是，这二者的发展并不是背道而驰的，如墨水护眼屏和刷题练习场景的有效结合，这 一组合进化还体现在学习平板、词典笔、智能手写笔等多产品中，以更好地解决特定教学场 趋势前景 中美对比 用户洞察 • 中国校外教育智能硬件的品类多样，生态十分繁荣。学习平板作为综合性的超级品类，功能齐全，单 价高，规模大。同时多个垂直品类深耕细分场景，价值同样不可替代。中国校内的硬件应用则更加基 础，教育大屏覆盖率接近饱和，但重点解决的是教师的教学展示问题，学生端的硬件设备覆盖率仍然 很低，学习行为数字化程度较低。 • 反观美国，校内的硬件应用占据主导地位，大部分教师和学生实现了平板或笔记本电脑的人手一端，

杨强 微众银行首席人工智能官（ CAIO ） 加拿大工程院与皇家学院院士 杨强 202307 weBank AI Agent 是大模型面向应用端发展的下 一阶段 联邦学习与联邦 大模型 WeBank AI Agent 目录 2 2. 通用大模型不具备专业知识 通用大模型如直接用于各行各业，模型表现 得专业知识不足，并不能满足业务要求； 需要利用本地数据训练垂类行业大模型，大 机器学习 模型实现 2% 数据标注 25% 数据整合 10% 数据清洗 25% 通用大模型不能直接应用 对数据相关的处理过程可占据 超过 80% 的时间，其中数据标 注环节的耗时占比可达 25% 1. 通用大模型存在幻觉问 题 机器学习项目中不同环节耗费 时间结构比重 机器学习 模型训练 10% 数据识别 5% 机器学习 模型调参 5% 机器学习 算法开发 AI Agent 如何解决生成式大模型短板 微调数据（思维链） 微调效果： 6 联邦大模型 方案 ： 1. 构建联邦大模型新范式，解 决数据稀缺 / 标注不足问题； 2. 利用联邦学习技术，在保护 数据隐私的前提下，合规合 法地利用手机、汽车等终端 设备上的私域数据； 效果 ： 1. 联邦大模型，整体性能更优； 2. 联邦大模型，有效保护了私 域数据的隐私和机密。

Educational，Scientific and Cultural Organization，UNESCO）2023 年发布《2022-2025 年教师发展战略计划》提出， “教师质量是学习成果的核心要素，高质量的教师和教学有助于改善学习，实现 优质、公平和包容的教育” ①。经济合作与发展组织（Organization for Economic Cooperation and Development，OECD）2025 45(08):13-21. 2 第 1 章 生产力的发展需要大量具备技术思维、复合思维与创变思维的新质人才支撑 ①。 新质人才培养需要教师角色转型和能力提升。教师不仅需要转变角色，“做 学生学习的指导者、支持者” ②，还需发展数字素养和人机协同能力 ③，提升利用 数字技术优化、创新和变革教育教学活动的意识、能力和责任 ④，由注重知识的 单向传递转变为注重知识的双向自主建构。推动教师转型驱动育人范式升级，方 相应的设备操作使用技能，能根据教学需要开发相应的资源。 在信息技术阶段，以互联网通讯传输为载体，促进了网络教育资源普及和共 享，推动了在线教育平台、移动学习工具的出现和应用，打破了原有静态化、预 设化、固定化的教学方式，出现了混合式学习、翻转课堂、泛在学习等新型教学 方式。这一阶段需要教师掌握信息技术应用能力，从关注工具操作转向关注信息 技术与学科教学整合应用。 在智能技术阶段，以互联网、物联网、5G/6G

制《普惠算力赋能教育 行业研究报告（2025 年）》。报告阐述了“算力+教育”行业应用发展 的背景，剖析了算力在不同学段的应用现状，明确了“算力+教育” 产业发展状况，以及算力赋能教育在教学、学习、管理以及科研等领 域的典型应用场景，并对各应用场景的部署进行了分析，征集了“算 力+教育”在基础设施层、平台技术层和应用服务层的典型案例，最 后从基础设施、标准规范、人才培养以及政策支持等维度提出了推动 .......................... 23 （一）算力赋能革新教学模式 ........................................ 23 （二）算力赋能升级学习体验 ........................................ 27 （三）算力赋能优化教育管理 ..................................... 1996 强调为教育信息化创造基础 设施条件；NETP 2000 强调数字化学习的重要性；NETP 2010 强调利 用技术促进教育创新。NETP 2024 将教育领域的数字鸿沟划分为“数 字使用鸿沟”“数字设计鸿沟”“数字获取鸿沟”，通过对数字鸿沟进 行详细的分析、阐述，提出具体的行动倡议，以促进有效利用技术支 持教学与学习。NETP 2024 描述了三个数字鸿沟，详细地分析、阐述 教育数字

年中国教育科技市场合计约 3000 亿元规模，其中 C 端市场 占比超 90%，同时 AI 渗透率仅约 7%（口径为市场规模中 AI 技术贡献占比）， 渗透提升空间巨大。AI 通过自动内容生成降低边际成本，依托自适应学习系 统实现精准教学，同时以知识库、交互工具拓展场景边界，传统教育行业的 “高质量、大规模、个性化”不可能三角有望在 AI 技术下被打破，AI 正成 为优化教育供给的核心驱动因素。近期高性能、低成本、开源的 P，硬件端已形成丰富的产 品矩阵，近期推出融合 DeepSeek-R1 的首款 AI 原生硬件 SpaceOne；2）好未 来：以 MathGPT 数学大模型为核心，软件端打造“九章随时问”，硬件端学 而思学习机已占据学习平板高端市场重要市场地位；3）豆神教育：软件端 依托核心名师 IP 及教培数据优势，推出“豆神 AI”产品，从答疑工具升级 为教学主体，硬件端规划便携式智能硬件“小豆”等产品；4）盛通股份： ............. 9 政策层面：顶层战略规划引领智慧学习、智慧课堂等场景落地 ...............................10 千亿多邻国成长启示录：AI 赋能打造 C 端寓教于乐场景 .............................12 公司概览：千亿市值在线教育龙头，打造寓教于乐语言学习平台 .............................

技术对比探讨 STaR-based Methods vs. RL-based Methods 强推理路径对比 (DS-R1 \ Kimi-1.5 \ o- series) 蒸馏 vs. 强化学习驱动：国内外现有各家技术路线对比分析及 Takeaways PRM & MCTS 的作用 从文本模态到多模态 其他讨论： Over-Thinking 过度思考等 未来方向分析探讨 模态穿透赋能推理边界拓展： 和 Train-Time Scaling 提升模型的推理能力？ 得益于纯大规模强化学习 ， DeepSeek-R1 具备强大推理能力与长文本思考能力，继开源来备受关注。 DeepSeek R1-Zero 和 R1 的出现再次证明了强化学习的潜力所在： R1-Zero 从基础模型开始构建，完全依赖强化学习，而不使用人类专家标注的监督微调（ SFT ）； 随着训练步骤增加，模型逐渐展现出长文本推理及长链推理能力； Laws [1] 。 DeepSeek-R1 Zero: 无需监督微调 SFT ，纯强化学习驱动的强推理模型 DeepSeek-R1 技术剖析： DeepSeek-R1 Zero 8 大规模推理为中心的强化学习，提升模型数学代码能力 RL 驱动下自然涌现长文本推理能力

智能技术赋能人力资源管理 刘家骥 大中华区人力资源业务线解决方案负责人 SAP 首席顾问 · CHIEF ADVISOR 王猛 在线学习教研中心运营总监 中国电信 高女士 副总裁 某国内基础设施服务提供公司 蒋漪昀 全球人才分析产品线负责人 罗氏集团 穆聪山 学习与数字化转型顾问 博世中国投资有限公司 林岳 HR 共享服务及行政负责人 无限极 万婧 雇主品牌及管培生项目高级经理 能够颠覆行业、促进经济增长、改善人们的生活。 生成式 AI 的出现对于人工智能领域而言既是转折点，同样也是引爆点。与以往的人工智能技术不同的是， 生成式 AI 通过对大规模语料、数据、图形等信息的无监督学习，可以生成文本、图像、代码、音频等新的内容。 依靠着其强大的生成功能，生成式 AI 的热度迅速从科技领域传到了各行各业，人们惊叹于生成式 AI 的无所不知， 也惊叹于它的对答如流。 在这样的关注之下，生成式 HR 当前最为关注大语言模型的发展与 运用 █ Part2 认识大语言模型：从原理到应用 大 语 言 模 型 是什么？ 大语言模型是大数据、大规模算力、智能算法的结合产物，它可以进行自监督学习，理解 和生成人类语言 性能突破在哪里？ 更强大的语言理解能力、更高的内容生成质量、更广泛的应用领域 可以用在哪里？ 对话、语言生成、翻译等通用领域 主要发现 5 The Application

AI 平台 NLP 中 心 02 智变之路 智变基础，智变途径，系统架构， QABot ， TaskBot ， ChatBot ， 自主学习流程 03 落地效果 QABot 线上效果， TaskBot 线上效果 04 总结 人机协同学习，加速进化 客服系统简介 演变中的客服系统，对话系统， 智能客服机器人， 美团业务简介，美团客服系统 目录 01 话音呼叫中心 纯人工服务模式 支持文本和语音 访客轨迹跟踪 流量统计分析 客户关系管理 智能化是客服系统演变的方向，智能客服通过算法、人机协同、 自主学习可以极大地提高人效和体验。 自动回复 自助解决问 题 人机协同 自主学习 多渠道接入 丰富的辅助功能 简单知识库管理 1.1 演变中的客服系 统 SaaS 客 服 智能客服 闲聊型对话 问答型对话 任务型对话 图谱型对话 不解决问题 自然交互 多轮会话 • QABot • 单轮会话 • 上下文无 关 • • • • > 将对话系统技术融入在线客服体系 > 综合利用语义分析技术、大数据技 术以及深度学习技术 > 由过去单一售后服务变为贯穿售前 售中售后全客户服务周期 > 智能客服机器人是下一代客服的核 心驱动力 1.3 智能客服机器 人 语义识别机器人 简单检索机器人 场景导向机器人

的显著优势，“机器人+人工智能”正在汽车制造、电子信息、金属 材料等关键行业加速落地，展现出广阔的应用前景。 本报告中的“机器人+人工智能”指的是建模优化、机器视觉、 语音交互、机器学习、深度学习等人工智能技术应用于机器人上的智 能体。其工业应用包括两个层次，一是嵌入各类智能软硬件的机器人 产品在生产操作、物流配送等典型工业场景中的应用，二是智能化的 工业控制平台通过集成人工智能技术与工业机器人等设备，在产线优 8 三、“机器人+人工智能”在工业领域的应用 ................. 10 （一）应用场景：从生产操作向其他高附加值场景拓展 ..... 10 1、生产操作：从操作精度提升到自适应学习 .............. 11 2、物流配送：“识别+导航”模型组合适用于封闭生产场景 . 12 3、质量管理：机器视觉检测大量取代人工检测 ............ 12 4、安全管理：在部分重化工业存在一定需求 年，这一市场规模将突破 70 亿元大关。与此同时，2024 年，诺 贝尔物理学奖颁给了 John J. Hopfield 和 Geoffrey E. Hinton，以 表彰利用人工神经网络进行机器学习的基础发现和发明。对于机器人 产业来说，物理智能将使机器人能够理解 3D 世界的空间关系和物理 行为，赋予机器人更强的环境感知、理解和交互能力，实现更广泛的 功能应用，如宇树科技的机器人实现了原地侧空翻、复杂舞蹈动作、

浙江大学人工智能研究所 2025 年 03 月 24 日 提纲 新一代人工智能 新一代 AI 展望 金融智能研究 金融智能应用 AI 的核心问题：建构能够跟人类似甚至超卓的推 理、知识、计划、学习、交流、感知、移动 、 移物、使用工具和操控机械的能力等。 —— 维基百科 定义：人工智能（ Artificial Intelligence ，缩写 为 AI ），又称机器智能，指由人制造出来的机 意距离的依赖关系。 并行计算能力强： Transformer 架构支持并行计 算， 训练速度更快。 • 缺点：资源消耗大 上下文学习、指令微调、 扩展规律 (GPT3 、 GPT4…) 自然语言处理模型的演进 预训练语言模 型（ PLM ） “ 预训练 - 微调” 学习范式 （ BERT、 GPT） 大语言模型 （ LLM ） 注意力 Attention 自注意力机制：使序列中的每个单词都能 函数，前馈网络使模型能够处理复杂语义，促进文本的稳健理解和生成。 Google (2017): Attention is all you need Google Transformer ： 引入注意力（ Attention ）学习 , 2017 嵌入层 Embedding Word Embedding: 目的是将这些非结构化的文本信息转化为结构化 的信息，具体来说是将文本空间中的某个 word ，映射或者说嵌入