全部唤醒；节能时段内，当检测到非节能态 AP 接入终端数到达唤醒阈值后将非节能态 AP 周边 AP 全部唤醒。 2.2 AI 节能预测技术介绍 2.2.1 节能窗口预测技术 一个合理的网络节能窗口首先网络需具备规律的潮汐效应。 轻载时段满足以下条件：  时间窗口内终端数量明显少于潮汐高峰期终端数量  时间窗口内终端数量波动较小（大部分场景在节能时段还是会存在少量终端设备，如办公用便 携机，非随身携带的移动终端，以及 华为技术有限公司 4  当网络潮汐规律发生明显变化时，在收集新潮汐规律下的多天数据后，节能窗口会自动调整以适应 最新的潮汐规律 如何推荐出合理的节能时间窗口，NCE-CampusInsight 可基于各 AP 上报的历史终端数据，生成时 间相关的网络潮汐序列，并通过校验潮汐序列平稳性，判断当前网络潮汐是否规律。若不规律，则不推 荐节能时间窗口；若规律，则进一步通过异常检测算法去除序列扰动，通过时序预测算法预测未来潮汐 序列，根据潮汐低谷可作为节能窗口的条件筛选出推荐的节能时间窗口。 注意事项： 1. 节能时间窗口推荐仅反映当前区域潮汐规律性，重保场景，VIP 场景请结合实际情况谨慎使用。 2. 当区域中终端数小于 10 个时，默认推荐全天节能。 3. 网络潮汐规律弱或无潮汐规律不推荐节能。 2.2.2 物联 AP 智能识别技术 由于物联 AP 通常需要 24 小时不间断为 IOT 终端提供

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 的增长，出现了数据密集型科学的研究范式。 这一范式利用机器学习方法，自动从数据中 发现统计关联，一定程度上避免了提出科学 假设，但无法发现因果关系，且难以分析低 质量数据和发现复杂系统中的规律。当前的 科学研究主要面临系统复杂性的挑战，相互 关联的自然、技术和人类系统受到跨时间和 空间尺度作用力的影响，导致复杂的相互作 用和涌现行为 1。传统科学研究方法难以应 对这些复杂性挑战，迫切需要新的科学研究 验知识的模型驱动、假设生成与验证、自动 与智能化实验以及跨学科合作等方式，加速 科学发现。传统科学发现以实验观察和理论 建模为核心，提出科学假设并归纳一般规律， 如物理定律。人工智能则采用模型驱动的方 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

临前所未有的挑战：系统规模的指数级增长、多学科交叉的深度融合、全生命周 期管理的极致要求，以及对安全性、可靠性和可持续性的严苛标准。这些挑战， 已然超出了传统方法和人类智力的极限。我们迫切需要一种新的力量，来驾驭这 份复杂，洞悉其规律，优化其进程。人工智能，无疑是这个时代最响亮的回答。 这便是我们探索工程智能（AI for Engineering）的第一个动因：工程学科的 发展，亟需人工智能的深度赋能。将 AI 的感知、认知、决策与生成能力，注入 于推动国家制造强国、科技强国战略目标的实现，具有不可替代的战略支撑作用。 1.2 工程智能的定义 科学与工程，两者在人类文明进程中相辅相成，却有着本质区别：科学以“认 识世界”为目标，致力于探索自然规律、构建理论体系，其方法论核心在于理论 工程智能白皮书 AI for Engineering White Paper ©同济大学工程智能研究院版权所有。如需引用，请注明出处。 3 推导与实验验证 动。 相应地，本文所指之“智能”特指人工智能技术。其核心能力体现在感知、 认知、决策、自适应等方面，具体通过机器学习、深度学习、自然语言处理、计 算机视觉等技术路径，使机器能够从海量数据中学习规律、识别模式、进行推理 判断，并最终以近似甚至超越人类的方式解决复杂问题。在工程语境下，区别于 传统的自动化技术，这种“智能”的价值尤其体现在它解决了传统自动化无法应 对的非确定性问题，是改进流程、优化决策和驱动创新的关键技术引擎。

Language Model, LLM，也称大模型）和 生成式 AI(Generative AI) 等领域取得了新的革命 性突破。生成式 AI 通过深度学习算法对大量数据进行训练，捕捉数据中的模式和规律，具备 创造出高质量的文本、图片、视频、代码等新想法和内容的能力，即 AIGC（AI Generated Content，人工智能生成内容），为脑力劳动领域带来了创新与效率的双重提升。 典型的生成式 空间，甚至加入数字触觉、嗅觉等实现更多维度 的体验。例如 XR 设备将您带到一片虚拟海滩，可以切实“感受”到从指尖流走的沙粒感。物 体逼真感是指在虚拟空间中创建的数字化虚拟物体，与物理世界中的物体在质地、纹理、形态、 行为和发展规律上是统一的。物体逼真感依赖于数字虚拟内容能够全方位地展示物体的形态、 结构和纹理。3D 数字资产作为这一变革的重要支撑，正逐渐成为内容创作和呈现的核心。3D 数字资产通过精细的建模、贴图和渲染， 丰富智能家居设备和传感器，将交由你的虚拟数字管家统一管理。虚拟数字管家通过其 AI 能力能够更好地学习和适应用户的习惯和需求，通过调节温度、湿度、光线、音量等，以及各 类家居设备的运行和协同状态，匹配用户的身体状态、作息规律，从而提高用户的生活舒适度。 未来场景展望 - 12 - 鸿蒙 2030 白皮书 预计到 2030 年： ◎ 终端设备接入突破万兆，家庭宽带万兆渗透率 23% [7] ◎ 家用智能机器人普及率将超过

舶的航行轨迹均具有随机性，以任意一艘船舶为中心的 5 公里广播范围内，接收信息的目标船舶始 终处于动态流转状态。前一秒处于 5 公里范围内的船舶，可能因航行远离脱离广播覆盖，新的船舶 又可能因航行靠近进入覆盖范围，这种无固定规律的目标实时变化，使得移动通信网络难以提前识别、 持续确定每一次广播的具体接收目标，对网络的实时感知、动态组网与快速适配能力提出了极高要求。 图 1 船船互联场景 任务驱动式智能互联技术白皮书 20%），网络难以通过统一规则捕捉意图产生的规律。 这种“临时、随机、难感知”的通信意图，对移动网络的资源调度能力提出了特殊要求：传统基于 “长期规划、固定分配”的资源模式已无法适配，网络需支持“即时接入、即时释放”的灵活调度。 在智能体突发通信意图时，能快速分配信令信道与数据带宽，完成链路建立与信息传输；通信意图 终止后，立即释放资源以避免浪费，从而适配智能体高频次、短时长、无规律的自主通信需求，这 也成

Representations from Transformers)，是 google 于 2018 年底提出的一个预训练语言模型，它通过无监督的方法对大规模的自然语言的语料进行学 习，从中提取出人类语言的内在基本规律，辅助后续的自然语言理解的相关任务。 例如，对于一段文本：e 成科技是 HR+AI 赛道的领跑者，在 NLP 领域有很多的技术积累。 01 背景：什么是BERT 第五部分 请回答BERT：HR 以上两方面的能力，可以理解为是人类语言的基本规律，那么当模型学习到这种规律之后，有 什么用呢？ BERT 的强大能力 以 BERT 模型为基础，通过 fine tune 的方式，可以在 BERT 已经习得的语言知识的基础上， 快速构建对其他自然语言任务的学习和理解，相比于普通的模型，其中的增益主要体现在两个 方面： 1. 理解更深入。 由于已经在大量的自然语言中习得了基本的语言规律，当模型面临一个新的自然语言任务的时 候，模型可以利用的知识就包含了已经习得的海量语言规律 + 新任务里的知识，使得模型能够 更加深入新任务所表达的规律。 2. 更少的样本依赖。 在 BERT 以前，凡是涉及自然语言理解的任务，需要少则数万，多则数十万的训练样本，才能 达 到 一 个 基 本 的 效 果，而 训 练 样 本 不 是 自 然 就 有 的，大 多 需 要 人 工 标 注。BERT 出 现 之 后， BERT 可以基于已经习得的语言规律，更好的利用样本，使依赖的标注数量降低至少一个量级，

从互联网舆情监测平台收 集涉警舆情，及时掌握社会舆论动态。 b. 数据分析与挖掘 运用大数据分析技术，对收集到的海量信息进行深度挖掘与分析。通过关联分析、趋势分析、聚类分析等 方法，发现犯罪规律、治安热点、潜在风险等。如通过对一段时间内盗窃案件发案时间、地点、作案手法等数 据关联分析，确定盗窃犯罪高发区域、时段及作案团伙特征，为针对性巡逻防控和打击提供依据；利用趋势分 析预测特定时期内某类犯罪发案趋势，提前做好防范部署。 善交通流量监测数据，实现对城市交通状况的全方位、实时感知。 b. 流量分析与预测​ 运用大数据分析技术与交通模型，对采集到的海量交通流量数据进行深度分析。通过时间序列分析、关联 分析等方法，挖掘交通流量变化规律，如早晚高峰、工作日与周末的流量差异模式等。结合历史数据与实时路况， 利用机器学习算法建立交通流量预测模型，提前预测未来一段时间内交通流量变化趋势，包括拥堵路段、拥堵 开始与结束时间等。例如，根 近年来，随着大数据、人工智能、物联网等新兴技术的迅猛发展，机场指挥中心迎来了现代化与智能化转 型的新阶段。大数据技术使机场指挥中心能够整合海量的运行数据，包括航班动态、旅客流量、设备运行状态 等，通过深度分析挖掘数据背后的规律，实现对机场运行态势的精准预测和科学决策。人工智能技术应用于航 班调度优化、异常事件预警、智能客服等方面，大大提高了指挥中心的工作效率和服务质量。物联网技术则实 现了对机场各类设施设备的实时感知

数据处理与分析 数据处理与分析是地形地质研究的核心环节，涵盖预处理、特征提取、地质解译及多 源融合四大步骤。预处理阶段需解决数据噪声、坐标系与分辨率统一问题；特征提取通过 地形参数计算与水文分析揭示地貌规律；地质解译结合光谱分析与机器学习识别岩性构 造；多源融合则借助空间叠加与 AI 模型提升解译精度。该过程依赖 GIS 工具、统计方法 与深度学习技术的协同应用。数据处理具体分为以下三个部分： 格式统一。将不同来源的数据（如 削减洪 峰，控制洪峰流量，平稳泄流过程的动态效果，提高控制性水库的防洪可靠性。 B. 二维水动力 二维水动力学（2DHydrodynamics）是研究水体在二维空间（通常为水平平面）内运 动规律的学科，广泛应用于河流、湖泊、海洋近岸区域、洪水淹没区等场景的水流模拟与 分析。其核心是通过数学模型描述水流的速度、压力、水位等参数的时空变化，并求解控 制方程以预测水动力过程。 根据近地遥感 震灾害的可能范围与强度。 洪水淹没分析：基于地形高程数据模拟洪水淹没范围，评估洪水对地质环境的影响。  地下水资源分析 含水层建模：利用地形数据与水文地质数据，构建地下含水层的三维模型，分析地下 水分布与流动规律。 水资源管理：模拟地下水开采与补给过程，评估水资源可持续性，支持水资源管理决 策。  地质灾害预警与应急响应 实时监测与预警：通过传感器网络实时监测地形变化（如地表位移、裂缝扩展），结

要大规模的地表开挖、钻探取样和人员频繁活动，不可避免地会对植被、土壤和生 态系统造成不同程度的破坏。而卫星技术则允许勘探人员“从太空俯瞰大地”，通过 分析多光谱、高光谱和雷达影像，即可大范围、快速地识别矿化蚀变带、构造控矿 规律等找矿标志，精准圈定找矿靶区，从而大幅减少了地面勘探的盲目性和对地表 环境的物理扰动。在矿山运营阶段，卫星持续监测着矿区的地表形变、植被覆盖、 水体污染等情况，为环境合规性监管与生态修复效果评估提供客观数据，驱动企业 范围形成独特的光谱响应，使得遥感系统能够有效区分金属矿体如铁、铜等以及非 金属矿体如高岭石、方解石等的分布范围与赋存状态。这种技术手段不仅实现了对 矿区资源类型的定性识别，还能够进一步刻画其空间展布规律与结构特征。相较于 传统依赖人工地面取样与钻探的勘探方式，遥感技术极大拓展了探测视野，缩短了 调查周期，显著提升了数据获取的全面性与时效性，同时降低了人力与物力的投入 成本。 （2）储量评估 卫星技术矿山应用白皮书（2025） 28 解算方法的优化，以及植被茂密区域数据失相干的解决； 2） 基于 InSAR 的矿区地表形变预计。在时序分析的基础上，掌握线性形变、 周期性形变规律，对其形变进行预计，预测其发展态势； 3） 北斗卫星实时监测系统建设与现有自动全站仪监测融合使用; 4） “天空地”智能信息化集成平台数据的安全管理、智能分析、预警预报的准 确性，做到有效的辅助人工决策。

通过 团队合作提升解决问题的能力。 提升智能时代的未来素养。掌握和驾驭人工智能， 让技术服务于人的成长。提升人工智能思维，培养数据 分析、归纳总结、逻辑推理等能力，善于从海量数据中 发现规律，通过知识迁移解决问题。提升人机协同能力， 引导学生认识人机互补优势，熟练选用智能工具并精准 表达需求，利用智能技术协同解决问题。提升智能伦理 意识，引导学生正确科学利用智能技术，避免信息茧房、 以数字技术为牵引，打造产教融合、科教融汇、学科交 叉的跨界融合式学习空间。重组学习要素，汇聚慕课、 数字教材、虚拟仿真实验等全要素优质学习资源，为学 生提供精准化个性化学习服务。重构学习范式，基于教 育规律，探索以能力为核心、研究为导向、以志趣为动 力的场景式、体验式学习范式，引导学生开展跨学科、 项目式、探究式学习。通过人工智能技术，让更多优质 资源走向社会，满足不同类型学习者个性化、多元化的