万亿美元收入，占科技 领域总支出的 10%-12%，复合年增长率预计达到约 42% [2]。 然而生成式 AI 在 AIGC 上的应用仅仅是人工智能革命的开始。大模型的出现，全面提升 了 AI 的自然语言理解能力和通用推理能力，让 AI 具备自主完成复杂任务的可能，从而演进成 为能够感知环境、进行用户意图的自主理解、做出决策和采取行动的 AI Agent（智能体）系统。 - 4 - 行业趋势 整个元宇宙市场规模在 2030 年将达到 1.5 万亿美元 [3]。 虚拟世界和物理世界的进一步融合，主要体现在两个方面： 首先是允许用户以更自然和直观的方式与数字内容交互 [4]。人机交互方式从单模态、二维 平面，逐步迈向多模态、三维空间交互，用户无需与设备直接接触，就可以通过更加自然的手势、 肢体语言、视觉甚至意念等方式与数字世界进行互动，设备同时从多个通道获取信息，并整合 ������ ������ 户的意图和 关注点。而空间手势交互技术通过先进的传感器和算法，能够实时捕捉用户的手势动作，并将 其转化为虚拟世界中的操作指令。这些交互方式不仅提高了用户的操作效率和便捷性，也为用 户带来了更加自然的体验，增强了用户的沉浸感和参与感。 其次是更加逼真的沉浸式体验，包括感官的逼真性和虚拟物体的逼真性 [5]。感官逼真性是 指信息内容呈现的方式从 2D 平面提升至 3D 空间，甚至加入数字触觉、嗅觉等实现更多维度

预训练过程中，LLM内嵌了大量的通用数据分析知识，并通过精细化的监督微调 （SFT）进一步加入专业领域的知识。通过集成这些具备数据分析知识的LLM，用户 不再需要深厚的数据分析技能，而只需具备一定的业务理解，就能够通过自然语言 与BI系统交互，轻松获得自己关注的业务问题的答案。这种转变极大地降低了数据 分析的门槛，使得更广泛的业务人员能够直接从数据中获得决策支持，提升了决策 的效率和精度。 ◼ AI通过增强BI的预 广泛的业务人员依然无法全面使用这些工具。然而，LLM通过在预训练阶段内嵌数 据分析知识，并通过监督微调（SFT）增强专业领域的分析能力，彻底消除了对数 据思维的依赖。用户只需具备一定的业务理解，通过自然语言与BI系统交互，就能 够获得所需的业务洞察。这一转变大大降低了BI的使用门槛，使得几乎所有业务人 员都可以轻松获得数据支持，从而推动了ABI的普及，用户渗透率接近100%。 决策 报表 IT 对话式数据查询 需求 分析 多轮 问答 对话式数据查询 思路拆解 数据查询 异常检测 报告生成 趋势预测 归因分析 对话式数据查询 指标检索 看板检索 组建检索 表检索 • 提供基础自然语言处理能力，如文本生成、语音识别，赋能用户与系统的交互，提升用户体验 和初步数据交互效率。 对话管理 对话式数据查询 意图分类 • 优化对话流管理（如意图识别、上下文理解），赋能更智能的对话引导和用户需求精准匹配，

施普林格·自然 张嘉慧 施普林格·自然 Rebecca Dargie 施普林格·自然 John Pickrell 施普林格·自然 数据支持 巨 蓉 施普林格·自然 黄珏珺 施普林格·自然 陈佳怡 施普林格·自然 Vivek Aggarwal 施普林格·自然 项目协调 徐晓创 复旦大学 杨燕青 上海科学智能研究院 王晓夏 施普林格·自然 丁思嘉 丁思嘉 施普林格·自然 张瑶瑶 施普林格·自然 排版设计 赵新武 施普林格·自然 Sou Nakamura 施普林格·自然 专家委员会 漆 远 复旦大学、上海科学智能研究院 沈维孝 复旦大学 吴力波 复旦大学、上海科学智能研究院 张人禾 复旦大学 科学智能白皮书 2025 2 3 第一章 序言 第一章 序言 1 科学研究促进人工智能创新。传统科研 范式大致可分为经验归纳（实验科学）、理 论建模（理论科学）、计算模拟（计算科学） 以及数据密集型科学 2。实验科学由自然现 象和实验结果归纳出一般性规律，但没有抽 象出经验规律背后的普适理论。理论科学基 于自然现象或实验结果，提炼科学问题并形 成科学假设，然后运用逻辑推理和数学分析， 构建普适理论，但难以在复杂系统中实验验 证。计算科学以科学模型为基础，通过数值

重要路径。它们不仅激活了街区的经济潜力，更重构了人与城市空间 的互动方式，使街道从通行场所转向生活场所。未来的商业街区发展 方向，将进一步推动从“引导人流”到“承载生活”的理念转型，让 公共空间真正成为人们愿意驻足、自然社交并主动参与营造的“城市 客厅”。 图片来源于网络 2.2.2 具有功能高度复合性与生态丰富多样性 功能复合实现了城市空间的高效与集约利用。活力商业街区超越单一 业态，功能复 现市场与公共价值兼具的综合能力。 2.2.5 鲜明的城市肌理融合性 空间融合是活力商业街区可持续发展的物理前提。活力商业街区不再 以隔离性的开发逻辑脱离原有城市结构，而是追求与在地生活节奏、 空间尺度和历史文化的自然衔接。良好的交通接驳、开放式街区界面、 步行友好的动线设计，以及与周边居住、教育、文化、绿化等节点的 联动机制，共同决定了街区能否真正成为城市系统中的有机组成部分， 而非孤立的商业孤岛。 区别于传统“自上而下”开发模式。它依托原有街巷格局、历史遗存 或社区资源，通过微更新与渐进式运营逐步生成，核心逻辑为“空间 由社区生长”。运营团队规模小但灵活、在地，以低成本、渐进式改 造推动主理人品牌、独立设计师、文化社群等内容自然迭代。典型如 37 重庆下浩里、上海安福里等项目，选址老旧社区或边角地块，通过社 群参与、文化导入与轻度运营，成长为兼具生活气息与文化艺术氛围 的微型聚落，价值在于激活低效空间、延续社区记忆，形成“小而美”

从“工具执行者”进化为“智能决策体” 重塑“以客户为中心”的价值链 涌现“需求即服务”的应用创新范式 算法 算力 数据 安全 人工智能驱动 数字基础设施 数据联接价值 软硬系统自主化 深度学习、强化学习 自然语言处理等 模型库、案例库、知识库 工具库、大型开源平台等 数据融合、数据分析 数据应用等 应用产品安全、供应链安全 （应用开发、运行、运维） 数字 应用生态 硬件开发 数据共享 促进关键领域的应用智能化发展，提升产业韧性，抵御外部供 应链风险，为应用智能化生态的长期安全稳定保驾护航。 推动人工智能蓬勃发展的前提是应用现代化的发展成熟和壮大。未来，随着深度学习、强化学习、自然语言处理 等人工智能技术的不断迭代创新发展，AI 将在更多垂直领域实现深度应用，不仅将提升生产效率和服务质量，还将创 造新的商业模式和市场机会，使人工智能成为推动社会进步的重要力量。应用现代化走向智能化发展也将迎来“技术 能决策体”，能够自主感知环境，分析数据，做出决策，甚至进行自我 优化和升级。物联网与 5G 技术催生智能系统的群体化演进，形成协同工作的群体，共同完成复杂的任务，实现资源的 优化配置和高效利用。自然语言处理与多模态交互技术的突破，则加速重塑人机协作的认知界面，使得人机协作更加 便捷和高效。复杂系统向“组装式”模块化架构演进则为人机协作提供了灵活可扩展的载体，不同的功能模块可以独 立开发、测

AI 终端在 服务高质量发展、创造高品质生活中的时代使命。 在这一进程中，人工智能终端展现出鲜明的“四新”特征—— 认知协同、场景预见、意图驱动、服务共生。这四大特征源于主动 感知理解、多模态自然交互、智能化服务和自主学习进化四大核心 能力，共同构成了 AI 终端从被动工具向主动伙伴演进的能力框架， 标志着人机关系正发生从“工具使用”向“伙伴协作”的根本性转变。 支 撑 这 一 转 变 务和自主学习进化等能力，结合了端侧和云端的人工智能能力，独 立或协同完成特定人工智能任务的终端产品。 人工智能终端不仅能够接收用户的明确指令，还能主动感知用 户需求、理解使用场景，并通过语音、图像、手势、文字等多种方 式进行自然流畅的交互。更重要的是，它能基于对环境和用户行为 的理解，提供个性化、前瞻性的服务，甚至在使用过程中不断优化 自身表现，实现“越用越聪明”的效果。 当前，AI 终端已进入规模化商用阶段，典型产品形态包括 的全栈能力演进——硬件协同突破及软件系统性升级。 在实际应用中，人工智能终端展现出“四新”的鲜明特征：认 知协同、场景预见、意图驱动、服务共生。这四大特征并非凭空而 来，而是建立在主动感知理解、多模态自然交互、智能化服务、自 主学习进化四大核心能力基础之上的自然演进。 上述“四新”特征的实现，离不开底层全栈技术的系统性突破。 AI 终端的发展不是单一技术的胜利，而是硬件、软件、算法、安全 与生态协同演进的结果（图 1）。

第一部分 | 场景：人岗匹配 内容： 让 AI 技术提升人岗匹配效果，我们做了这些探索 解锁这项 AI 黑科技，马上实现人岗匹配自由 AI 黑科技： Embedding、知识图谱（KG）方法、自然语言处理（NLP）、非线性树模型、deep 模型、 BERT、 Word2Vec 模型等 本期和大家讨论下 “人岗匹配排序的探索与实践”。从人力资源管理的发展来看，人岗匹配大致 经历了三个阶段 HR 从机械、琐碎的招聘工作中解放出来。 第一部分 让AI技术提升人岗匹配效果，我们做了这些探索 3 第一部分 | 那么，实现 AI 人岗匹配背后的依据和逻辑又是什么呢？ e 成科技基于前沿的自然语言处理技术 和深度学习模型，并结合大量数据和知识图谱，通过不断探索和反复实践，形成一套高效的人 岗匹配推荐算法系统，下面院长将详细为大家介绍这套系统及其背后的逻辑。 在人岗匹配的任务中存在 特征介绍 常见的 JD 如下图 1 所示，其中包含格式化离散数据和整段文本数据，从整段文本数据获取招聘 意图是提取 JD 特征的重点难点。 为了更好的解决该问题，我们分别引入知识图谱（KG）方法和自然语言处理（NLP）方法，其 中 KG 负责去充分提取文本中实体的关系和联系，NLP 则更好的获取 JD 本文和 CV 文本相似性 信息。因涉及个人隐私此处不展示 CV 信息。 01 特征为王

该地区高校构建了成熟的生态系统，核心是与全球科技领军企业的深度合作。AI、机器人技术、数 据科学与创新是其合作核心，依托高知名度的研究中心、嵌入式机构与产业驱动的研究项目展 开。合作项目覆盖AI、自然语言处理（NLP）、先进制造与跨学科学习等领域；AI创新枢纽常作为 技能储备渠道，与实战项目及基础研究紧密挂钩。 代表性高校： 卡内基梅隆大学、佐治亚理工学院、麻省理工学院（MIT）、德克萨斯大学达拉斯分校、多伦 ICT基础架构 �.AI基础设施工程师 �.AI运营工程师 �.AI/机器学习平台工程师 �.AI训练工程师 �.AI应用开发工程师 �.AI部署工程师 7.大型语言模型安全研究员 8.自然语言处理（NLP）工程师 �.AI算法工程师 ��. AI和数据治理主管 ��. AI产品经理 1.前端工程师 2.后端工程师 3.全栈工程师 4.质量保证工程师 5.开源系统工程师 T 岗 位 与 技 能 55 高 中 低 AI基础设施工程师 AI运营工程师 AI/机器学习平台工程师 AI训练工程师 AI应用开发工程师 AI部署工程师 大型语言模型安全研究员 自然语言处理（NLP）工程师 AI算法工程师 AI和数据治理主管 AI产品经理 前端工程师 后端工程师 全栈工程师 质量保证工程师 开源系统工程师 DevOps工程师 物联网系统工程师

程、 人机物自然交互将是其基本特征。除传统计算设备（“机”）和新兴物联设备（“物”）外，“人” 作为一种新的重要元素的参与，构成了极其复杂且动态多变的计算环境。所谓泛在计算，是 指计算无缝融入物理环境，无处不在又无迹可寻[10]。 泛在计算的环境多变、需求多样、场景复杂，要求硬件资源、数据资源、软件平台、应用 软件具有柔性灵活的软件定义能力、动态适配能力、泛在互联能力和自然交互能力，这对目 突出，有必要面向 具身智能操作系统技术白皮书 12 不同的应用模式和场景构建不同的泛在操作系统，这些泛在操作系统秉承泛在计算的基本思 想，具有泛在感知、泛在互联、轻量计算、轻量认知、反馈控制、自然交互等新特征，重点关 注“感、联、知、控”的共性框架凝练，支持新型计算模式下的泛在应用开发与运行支撑。 具身智能系统实现了人工智能算法与物理硬件的深度耦合，其计算过程无缝融入了本体 与环境的感 泛化能力缺失：系统局限于执行预先定义的行为序列，缺乏跨任务与跨场景的自适应能 力； • 软硬耦合严重：控制程序与特定的硬件构型深度绑定，严重制约了算法的可移植性与软 件复用效率； • 语义理解匮乏：此类系统无法直接处理自然语言指令，所有任务需求必须经由人工转化 为精确的控制逻辑代码。 本田 ASIMO[9] 项目是这一路径的典型案例。尽管其具备卓越的运动性能，但由于单机造 价极高（百万美元级），且所有复杂动作与

应用 于消费互联网、行业互联网等领域的常规计算能力，通常在云计算及分布式计算中， 以 CPU 为代表。 智算算力场景：支撑人工智能算法训练与推理的专用计算资源，应用于人工智能 计算领域，处理自然语言、图像识别、语音识别等任务，以 GPU 为代表。 超算算力场景：面向科学研究、工程仿真等高性能计算场景的集群化计算能力， 应用于需极高计算能力的科研及工程领域，处理大量数据和复杂的科学计算任务，如 《防雷检测 报告》 7 配 电 线 路 红 外普查 ★接头温升≤65K 6M 故 障 停 电 次 数=0 红外热像仪 《 红 外 图 库》 备注：周期以“N”表示自然日、“M”表示自然月、“Y”表示自然年；★为强制项，☆为推荐项。 2.1.2.3 关键风险与对策 算力运维体系技术白皮书 - 10 - （1）. 双路市电同时失压：启用“2+1”柴发并机冗余，满足 T3-T4 《水处理月报》 6 风管漏光检测 ☆ 漏 光 点 ≤ 1 处 /10m 1Y 送风效率≥ 95% 强光灯、烟雾 笔 《 漏 风 测 试 记 录》 备注：周期以“N”表示自然日、“M”表示自然月、“Y”表示自然年；★为强制项，☆为推荐项。 2.1.3.3 节能优化 （1）. 冷通道封闭+AI 变频：将 CRAH 风机功耗降低。 （2）. 冷却水温度重设：基于 Wet-Bulb 追踪，降低冷却泵功耗。