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，

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

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 学习辅助：参与运动技能学习 脑干 连接大脑与脊髓， 由 中脑、桥脑、 延髓 三部分组成。 生命维持：控制呼吸、心跳、血压灯基本生命活动 信息中转：船体大脑与脊髓之间的感觉和运动型号 反射控制：管理咳嗽、吞咽、瞳孔反射灯原始反应 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 机器人中央控制器，即现有的机器人 “大脑” 脑干 生命维持：控制呼吸、心跳、血压灯基本生命活动 信息中转：传递大脑与脊髓之间的感觉和运动信号 反射控制：管理咳嗽、吞咽、瞳孔反射灯原始反应 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

高等教育数字化就是通过彻底和全面的 数字化转型，形成数据驱动、人技结合、 跨界开放的教育生态，构建更加敏捷、 适切、公平、可持续的高等教育体系， 为学习者提供全面和丰富的学习体验。 高等教育数字化 要推进教育数字化，建设全民终身学习的学习型社会、学习型大国。 ——党的二十大报告 2025高等教育数字化研究报告 2025 Digital Research Report on Higher 数字技术融入融合到高等教育体系之中 基础设施建设逐步完善，软件硬件逐步磨合，数字技术 整合应用到高等教育领域 高等教育将完成再造，与社会之间的界 限进一步打破 将实现高等教育理念、教学模式、教育治理 整体性变革，全面赋能学习者发展，形成教 育全新生态 高等教育实现自我转型与提升，高校内部各项业务流程 实现再造 通过对数据的深度分析和价值挖掘，实现教育各要素、各环 节的全面数字化转型 高等教育数字化发展的3个阶段 国际化，建强用好国家智慧教育公共服务平台，建立横纵贯通、协同服务的 数字教育体系。开发新型数字教育资源。建好国家教育大数据中心，搭建教 育专网和算力共享网络。推进智慧校园建设，探索数字赋能大规模因材施教、 创新性教学的有效途径，主动适应学习方式变革。打造世界数字教育大会、 世界数字教育联盟、全球数字教育发展指数、数字教育权威期刊等公共产品， 推动优质慕课（大型开放式网络课程）走出去。 2024.7 教育部办公厅印发《国家智 慧教育平台数字教育资源入

.......................................70 5.1.1 深度学习模型.............................................................................72 5.1.2 传统机器学习模型.................................................. 随着业务规模的扩大，企业面临数据量激增的挑战，传统的分 类方法已难以满足高效的运营需求。因此，利用 AI 大模型进行自 动化的数据分类，能够显著降低人工成本，并提高分类的准确性和 效率。该系统将基于深度学习和机器学习技术，结合大数据处理的 能力，确保能够实时响应企业需求。 该流水分类系统主要设计目标包括： 1. 提高数据分类的自动化程度，降低人工干预。 2. 提升分类准确性，减少误分类带来的影响。 性。  模型选择：基于大规模预训练模型（如 GPT-3、BERT 等）进 行迁移学习，快速适应行业特定的分类任务。  部署架构：使用云计算平台，确保系统的高可用性和弹性扩 展。  用户接口：设计直观易用的用户界面，支持用户实时监控分类 结果并进行调整。  持续学习机制：引入在线学习方法，使系统能够不断适应新的 数据和分类需求。 以下是该系统的功能模块设计： 功能模块