具身智能 3. 脑机接口 4. AI 内生安全 第三章 数学 1. 基础理论 2. 优化 3. 统计 4. 科学计算 5. 复杂系统 第四章 物质科学 1. 物理 2. 化学 3. 材料 4. 能源 第五章 生命科学 1. 合成生物学 2. 医学 3. 神经科学 4. 医疗 5. 演化 第六章 地球与环境科学 1. 大气科学 2 式，从大规模数据中自动发现隐藏的规律， ©️diyun Zhu / Moment / Getty 科学智能白皮书 2025 4 5 2. 发展与态势 2.1 最新进展 随着深度学习、生成模型与强化学习等 技术的突破，人工智能不仅能从海量数据中 识别人类难以察觉的复杂模式，更展现出自 主提出科学假设、设计实验方案、优化研究 路 径 的 惊 人 能 力。DeepMind 推 出 的 AlphaFold GraphCast 模型 2、华为“盘古”大模型 3、 复旦大学“伏羲”大模型 4 等 AI 气象模型显 著提升了全球天气预报能力，实现更长时间 尺度、更高精度的天气预测。普林斯顿等离 子物理实验室利用强化学习优化等离子体控 制，解决撕裂不稳定性问题，加速核聚变能 源的实现 5。加州大学伯克利分校和劳伦斯 伯克利国家实验室利用机器人执行实验，机 器学习规划实验并结合主动学习优化实验过 程，研发用于无机粉末固态合成的自动实验

计 总 院 ◎编著 编制单位 国家能源局能源节约和科技装备司 电力规划设计总院 支持单位 中国电力科学研究院有限公司 中国电力企业联合会电动汽车与储能分会 中关村储能产业技术联盟 中国化学与物理电源行业协会储能应用分会 中国新型储能发展报告（2025） 前 言 2024 年，是新中国成立 75 周年，是实现“十四五”规划目标的 关键一年。党中央、国务院高度重视新型储能发展，作出重大决策部 3.7 亿千瓦时，同比增长约 65% A。全球储能系统出货量为 2.4 亿千瓦时，同比增长超 60% B。 （三）新型储能技术不断拓展应用 2024 年，各国持续开展新型储能技术创新探索。电化学储能领 域，澳大利亚推动新型锂离子电池硅负极材料应用；美国和日本布局 以铁 - 空气和锌 - 空气为代表的金属空气电池技术研究，正在推动技 术示范。长时储能领域，美国、德国、日本等多国正在推进绝热压缩 工程应用各环节标准日趋完善 2024 年，超过 20 项电化学储能标准发布实施，覆盖规划设计、 接入电网、运行控制、检修试验、后评价等多个环节。其中，《电力 系统新型储能电站规划设计技术导则》（NB/T 11681-2024）根据不 同时长需求对新型储能设备选型提出建议，在不同应用场景下提出了 容量配置技术要求，对于新型储能电站系统接入、布局选址给出科学 指导。《电化学储能电站接入电网技术规定》（GB/T 36547-2024）明

场景篇 趋势篇 医学研究与教学 人工智能尤其是大模型，在医学研究与教学中发 挥着重要作用。它们能够快速分析海量文献与数据， 辅助研究者发现新方向；同时，为医学教育提供个性 化学习支持，模拟临床场景，提升学生的临床技能。 型构建，包括数据预处理、数据挖掘、图像分析等。 通过构建风险预测模型、生命体信号模型等，提高研 究的准确性和效率。 2.个性化教学与临床会诊模拟 1 总体篇 场景篇 趋势篇 药物研发与设计 AI 药物研发通过先进的计算算法和机器学习 技 术，加速和增强新药物和疗法的发现过程。 AI 模型能够分析大量的生物学、化学和临床数据，如基 因表达数据、蛋白质结构数据、疾病相关的分子通路 数据等，从而识别潜在的药物靶标并设计新化合 物。目前， AI 技术虽然在数据分析、模式识别和 预测模型构建方面展现出巨大潜力，但是在整体药 DeepMind 与 Isomor- phic Labs 合作开发的新一代 AI 生物分子结 构模型 Al- phaFlod3，通过深度学习技术，能够生 成分子之间的联合三维结构，揭示它们如何相互作 用，并模拟化学修饰，为药物发现提供重要工具。研 究人员仅需输入一个生物分子复合体的基本描述，几 秒后便能收获该复合体 3D 结构的准确预测。 中山大学与阿里云合作利用云计算与人工智能 技术，设计了基于 Transformer

全球智慧教育发展新蓝图，特此发布白皮书。 ·3· 第一章 发 展 历 程 党的十八大以来，以习近平同志为核心的党中央 高度重视教育工作，多次就教育数字化作出重要指 示。中国政府围绕普及优化学校数字化环境、强化 优质资源供给、深化大规模常态化应用等方面开展 了大量工作，正从转化阶段、转型阶段并行，加速 迈进智慧教育阶段，构建起面向智能时代的现代数 字教育体系。 一、准确识变，夯实教育数字化发展根基 等一批实用智能工具，获得师生广泛好评。智慧高教平 台上线接入 9 个国产通用大模型，配套建设师生人工智 能应用能力测评系统，为师生应用大模型提供了便利。 实施教育系统人工智能大模型应用示范行动，首批推出 涵盖数学、物理、化学、生物等基础学科领域的学科垂 直模型，打造行业大模型的示范标杆。 创新人工智能技术。利用学校的人才优势、数据优 势和场景优势，推动人工智能技术创新。依托大学数字 图书馆国际合作计划（CADAL）中的电子图书、期刊 实现智能教研，通过多模态数据系统评估教师授课情况， 提出精准改进建议，帮助教师提升授课水平。 打造未来课堂。探索“师—生—机”三元协同的课 堂新模式，将人工智能、大数据、虚拟仿真等有机融入 教学过程。通过模块化课程集群、敏捷化学习小组与开 放式成果评估，构建人机共生的未来教学新模式，丰富 课堂教学呈现手段，更好启发学生参与知识建构。通过 搭建沉浸式学习场景，帮助师生打破认知边界，在虚实 结合中更直接、生动地领略大千世界。

这种个性化的治疗和建议不仅可以提高疗效，还能减少不必要的副作用和治疗成本。 在药物发现方面， 大模型也发挥了关键作 用。传统的药物研发周期长、成本高， 对于药物效果和 安全性的验证过程复杂且耗时。应用大模型技术分析生物数据和化学化合物的相互作用， 快速筛选 出潜在的药物候选物，并预测其疗效和安全性，从而大大缩短药物研发的时间和成本。 此外， 医疗影像分析是医疗健康大模型的另一个重要应用场景。现代医学影像技术生成的数据量 通过专家标注或自动化标注工具为数据添加标签， 并确保隐 私数据经过严格脱敏处理，保护患者信息安全。 接下来是训练层， 这一层专注于大模型的设计与开发。大模型的训练通常包含预训练、指令微调、 强化学习等步骤。在模型训练过程中， 需要利用高性能计算资源， 进行大规模的分布式训练， 优化 模型的学习效率。对超参数的不断优化和交叉验证也是必要环节，以确保模型的稳健性和可靠性。 部署层则涉及模型的上线和优化加速， RLHF 是一种结合了强化学习和人类反馈的技术，用于进一步提高模型的性能和准确性。在医疗 健康大模型的训练中， RLHF 可以用于优化模型的决策过 程， 同时对齐人类的价值观， 使其更符合 人类的预期和需求。这 一 步骤中需要将医疗领域的决策过程转化为 强化学习问题， 建立决策过程的 模型。同时收集专家或医生的反馈信息， 用于指导强化学习过程的奖励函数设计， 并训练相应的奖

↓ 静态报表 自动化数据治理 ↓ 动态知识图谱 NLP 自动打标签 知识图谱关联分析 描述性分析 预测性 + 规范性 时序预测模型（如 LSTM） 强化学习决策优化 固定仪表盘 自适应可视化 （用户行为驱动） 强化学习推荐引擎 个性化布局算法 SQL/代码依赖 自然语言交互（NLQ/NLG） GPT 类大模型语义理解 多轮对话推理 ➢ AI for BI模式技术痛点 数据质量陷阱 ，共同提升推荐系统的准确率和覆盖率。 ◼ 供应链与库存优化：（1）需求预测：融合天气数据与节假日因素，精准预测区域化SKU需求， 有效减少缺货与过剩现象，提升库存管理效率。（2）动态定价：运用强化学习模型，根据市场 反馈和销售目标，智能地平衡利润与销量。 ◼ 门店运营效率提升：（1）智能货架管理：利用RFID技术与摄像头监控商品摆放情况，结合AI算 法智能分析，自动触发补货提醒。（2）客 得虚拟工厂能够实时映射实际生产过程中的 每一个环节，为管理者提供了直观、高效、精准的数据支持和决策依据。 ◼ AI驱动的自主决策：强化学习算法可以根据生产任务的优先级、设备状态、工艺流程等多种因 素，动态调整生产调度方案，确保生产过程的平稳运行。同时，强化学习算法还能不断从生产 过程中获取新的数据和信息，持续优化调度策略，减少人工干预和决策失误。 ◼ 可持续制造：ABI通过结合碳足迹追踪

逐步进行过渡。该步骤旨在为后续大规模发 酵提供大量新鲜且具有高活力的菌种，并使 菌种逐步适应发酵环境，从而缩短发酵周 期、降低能耗、减少染菌的风险。 • 发酵阶段 与化学合成相比，发酵过程在常温常压 下进行，反应条件温和，能耗低且安全性 高。但发酵过程涉及复杂的生物化学反应， 不同菌种和目标产物对温度、pH 值、溶氧等 参数要求各异，需要实现参数的精准把控。 同时，工艺参数间存在复杂关联性，在规模 化生产中面临传质效率和参数均一性等挑

流式加载、ENU 坐标变换与 LRU 缓存技术， 实现大规模倾斜摄影模型的秒级加载，突破 Web 端性能瓶颈。 机理与数据双驱动。融合水动力模型、有限元分析等物理机理与 AI 算法（如 LSTM、 强化学习），将洪水预测误差降至 3%以下，推演效率提升 20 倍。 动态交互与智能决策。通过数字人、大语言模型（LLM）实现自然语言操控，支持应 急指挥、设备运维等场景的智能响应。 围绕复杂数据处理 数字孪生技术的核心在于形成“物理机理为基、数据智能为翼”的复合技术体系。在 水利、制造、能源等领域，传统机理模型（如水动力模型、有限元分析）基于物理定律提 供可解释性强的基线预测，而智能算法（如 LSTM、随机森林、强化学习）通过海量数据 捕捉非线性关系，修正残差、优化参数，显著提升系统精度与响应速度。例如，某水利项 目中，LSTM 网络结合水文数据将水质预测误差降至 3%以下；在工业场景中，自编码器 驱动的设备故障预警系统减少非计划停机 器数据、遥感影像与业务日志，大模型可动态优化城市内涝模拟、港口物流调度等复杂场 景。黄河流域泥沙冲淤模型即通过无人机测深数据与智能插值算法，实现水下地形的高频 更新，防洪调度效率提升 40%。此外，基于强化学习的智能决策系统在电网负荷平衡、交 通信号优化中展现出自主进化潜力。 然而，智能算法融合仍需攻克数据质量、模型可解释性及边缘计算实时性等挑战。未 来，随着 AIGC 生成高精度场景、边缘 AI

SCARA 机器人和桌面四轴协作机器人两种，四轴协 作机器人在具备协作机器人高精度、轻便、安全可靠、操作简便等优点的同时，还具有一定 成本优势，被广泛应用于轻量级工业制造的生产环节以及科研教育、医学检测、化学分析、 样品处理等场景。 六轴协作机器人最为常用，其运动方式类似于人类手臂的运动，被广泛应用于各个行业 中。机器人的自由度与其轴数相关，六轴协作机器人已经具备完整的自由度，能够到达空间 备、送餐服务，零售业的商品盘点、顾客服务等，显著提高效率并优化顾客体验。在医疗领 域，除了辅助手术，它们还能用于物理治疗、药品配送、消毒清洁等，减轻医护人员负担， 提升医疗服务质量。在教育领域，则能作为教学辅助工具，提供个性化学习支持，或用于 STEM （科学、技术、工程和数学）教育中的实践操作教学。 随着技术的不断成熟、应用场景的持续挖掘以及用户认知度的提升，协作机器人在非工 业领域的渗透率将持续增长，成为推动社会各领域智能化转型的重要力量。 作机器人的高效、稳定作业，须采取振 动抑制技术。 第三节 协作机器人产品技术趋势与方向 一、向更大负载、更高精度、更高效率方向发展 更大负载：为了满足汽车、新能源、食品饮料、半导体、化学制品等行业日益增长的大 负载产品需求，协作机器人越来越趋向于“大负载”“长臂展”。早期，协作机器人的负载多 在 20kg 以下，如今已拓展至 20kg、30kg、35kg、50kg、60kg。大负载产品市场占有率逐渐

内核的科技企业，易路正在构建下一代智能人力资源系统。它不是 简单的流程自动化工具，而是具备战略推演能力的数字孪生体——它能模拟企业未来三年的3000 种发展轨迹， 预判每一次组织调整带来的文化相变，甚至为 CXO 团队提供基于强化学习的战略沙盘。 当我们服务的世界 500 强企业开始用 AI 董事会辅助决策时，一个崭新的管理纪元到来了。 本白皮书呈现的不仅是技术路线图，更是面向未来的管理哲学。在此，我们邀请所有管理者共同思考：当 推动薪酬公平性，优化激励机制 强化绩效管理，实现数据驱动决策 提升合规性，降低人力管理风险 实时监测员工情绪，支持心理健康管理 预测人力需求，助力战略规划 增强企业文化传播，提升员工认同感 识别培训需求，定制化学习发展方案 智能化工时管理，优化排班效率 17.0% 15.5% 11.1% 9.8% 9.3% 7.7% 6.7% 6.2% 5.9% 6.2% 4.6% 企业人力资源管理 提升协同效率，加强跨部门沟通与配合 提升招聘效率，快速匹配人才与岗位 推动薪酬公平性，优化激励机制 强化绩效管理，实现数据驱动决策 预测人力需求，助力战略规划 增强企业文化传播，提升员工认同感 识别培训需求，定制化学习发展方案 实时监测员工情绪，支持心理健康管理 智能化工时管理，优化排班效率 提升合规性，降低人力管理风险 17.0% 15.5% 11.1% 9.8% 9.3% 7.7% 6.7%