LLM 内嵌数据分析知识 通过 SFT 让 LLM 具备专业领域的数据分析知识 AI大模型 ◼ AI赋能BI通过大语言模型（LLM）消除数据分析门槛，使非技术人员能够轻松 获取业务洞察 传统的BI系统往往需要用户具备一定的数据分析能力，尤其是对复杂数据的理解和 操作。然而，AI，尤其是大语言模型（LLM）的发展，正在打破这一技术壁垒。在 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 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的预测分析能力，使得企业能够基于实时数据进行精准的未来趋 www.leadleo.com 400-072-5588 中国：人工智能系列 白皮书｜2025/05 BI到ABI的发展历程与技术演变 BI从高技术门槛的专业工具发展到自助式分析，再到通过AI和大语言模型 突破数据思维的限制，最终实现了业务人员主导的智能化分析，极大地 扩展了用户群体并提升了决策效率 人工智能与商业智能发展现状—— BI到ABI的发展历程 来源：头豹研究院 ◼ BI从高技术

2 01 1.1 大语言模型技术发展概述 1.2 医疗健康大模型概述 5 6 02 大模型应用技术分析 2.1 大模型在医疗健康领域应用的机遇与挑战 7 2 概述 1.1 大语言模型技术发展概述 近年来人工智能（AI）技术的飞速发展，各行各业正在经历一场颠覆式的科技革命，早期的模型以 判别式为主，主要通过大量的自然语言预训练语料，来让模型学习词句的语意，从而实现文本分类 、命名实体识别（NER）、关系抽取等偏向于理解的任务，此类判别式模型也通常只能解决该场景 数亿增长至如今的数千亿，从而 人工智能的发展迈入了大语言模型时代。这些大语言模型不仅可以用于经典的 NLP 任务，还在多 轮对话、文案生成、编程辅助、多模态交互等新兴应用场景中展现出巨大的潜力。越来越多的领域 如医疗、媒体、艺术、金融等[4]，都在积极采用大语言模型，以提升效率、促进创新和优化决 策。 在众多应用领域中，医疗行业尤其展现了大语言模型的巨大潜力和重要性。截至 2023 年 12 月，我

| 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，“ 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 HR 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 4

第一章 序言 1. 定义与范式 2. 发展与态势 3. 数据分析 第二章 AI 前沿 1. 从大语言模型走向自主智能体 2. 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 对这些复杂性挑战，迫切需要新的科学研究 方法。针对复杂数据中的因果关系，发展了 一系列新的因果推断方法。针对高质量科学 数据缺乏问题，如大气数据、天文数据等， 发展了生成式人工智能技术，如扩散模型和 大语言模型。针对处理复杂系统的局限性， 发展了融合先验知识的深度学习，将先验知 识嵌入深度神经网络，在增强模型可解释性 的同时，显著提高模型的泛化能力，如物理 信息神经网络 3。 人工智能创新重塑传统科学研究过程， 学科革命，其核心特征是领域科学和 AI 方 法的深度融合与适配。通过科学家提出关键 词和出版物数据库的匹配，可以发现在 AI4S 研究中运用最多的 AI 方法和技术（图 1.7）。 如今，大语言模型（LLMs）已经成为物质 科学、生命科学、社会科学等领域的通用科 研工具。强化学习方法在工程系统控制、数 学定理证明及物理模拟等复杂场景中占据主 导地位。计算机视觉技术在生命科学和地球

高效。 智 能 世 界 的 I C T 岗 位 与 技 能 24 对高级网络安全人才与战略领导力人才的需求也在不断增加。随着数字威胁日益复杂，企业亟需 精通最新AI防御技术的数字取证分析师、大语言模型安全研究员及入侵检测分析师。在领导力层 面，首席信息安全官、AI与数据治理负责人、首席AI官（CAIO）、首席信息官等高管岗位已成为 核心招聘重点。归根结底，企业能否成功，取决于能否打造融合型团队、推动智能自动化，并使 ·云计算转型：云自动化工程师、云迁移工程师等岗位对迁移和管理可扩展的AI增强型云环 境至关重要。这些专业人才是推动数字现代化与运营效率提升的核心力量。 ·安全领域演进：日益增长的网络威胁使得数字取证分析师、入侵检测分析师、大语言模型 安全研究员等安全岗位需求增加。随着生成式AI的兴起，这些专业人才需运用先进的AI工 具检测安全漏洞、应对风险隐患。 ·AI优先的领导力：领导力的核心正转向AI治理与战略。企业开始在高管团队中设置首席信 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

B 端和 C 端加速落地 2.3 央国企正成为应用智能化的主力军，领跑多个场景落地 2.4 智能研发、运维、知识管理，企业智能化落地三大高价值场景 3 智能应用的形态和核心特征 3.1 基于大语言模型的智能体（Agent）预计成为智能化应用的主流形态 3.1.1 大模型能力的突破性提升，为 Agent 提供智能化基座 3.1.2 Agent 从单一工具向自主协作系统演进 3.1.3 行业需求从效率优化到体验升级，Agent 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 系统互通 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

files (Natural，COBOL，PL/I，Assembler，Fortran，REXX，…） (DB2，IMS DB，…) (VSAM，…) Logical Partition 多基于老旧语言开发 与硬件/操作系统深度绑定 集中式架构 专有存储格式和协议 主机专有工具组件 专用硬件 定制化操作系统 Processor (CP，zIIP，zAAP，…) Memory (RAIM，…) 在数字化转型中，企业业务敏捷转型需融合云计算、大数据、AI、区块链等技术，但主机技术栈对此支持 有限：一方面，传统主机的编程语言（如 COBOL、PL/I）与现代开发工具及编程语言兼容性不足，原有开 发环境与工具链较为陈旧，且与云原生开发所采用的 Java、Go、Python 等语言存在明确的兼容壁垒；另一 方面，主机系统通常依赖传统的数据存储格式和协议（如 VSAM、IMS 等），而现代的大数据技术框架（如 Maven、Gradle API设计与管理 Swagger、Postman 代码管理 Git、GitLab 应用评估与设计 架构评估与设计 资源评估与设计 安全评估与设计 批次评估与设计 应用转码与语言重构 中间件/数据库替换 云原生改造 信息调研、迁移评估、 迁移规划 迁移演练/正式迁移 灰度发布/割接并线 功能与回归测试 性能与压力测试 安全/合规测试 用户验证测试 双轨并行验证 灰度切流

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 鸿蒙 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 ������ ������ ���������� ��������� �������� ������ �������� 端的能力演进达成统一的共识，牵引终端系统智能化的演进，基于人与 AI 在任务中的协作关系， 以及 AI 的参与程度，并参照汽车驾驶自动化分级的理念，以及清华大学 PERSONAL LLM AGENTS（个人大语言模型智能体）中的智能体能力分级策略 [10]，我们认为终端智能体验可 划分为 5 个等级（L1~L5）： 图 5 终端智能化分级标准 �� � ������� ������������������

挑战。 • AI 驱动的控制系统变革：在智能算法基础上，AI 技术正在重新定义自动化控制架构，推动从 “传统控制 + AI 辅助” 向 “AI 原生控制系统” 的根本性转变。通过将机器视觉、自然语言处理、大模型推理等 AI 能力深度嵌入 控制回路，系统实现从被动响应到主动感知、从规则驱动到数据驱动、从固定逻辑到自主学习的全面升级， 构建具备自主决策、持续优化和协同智能的新一代控制系统。 03 AI 辅助决策：分析市场趋势和内部数据，为管 理层提供战略建议。 22 大模型正成为推动工业数字化转型和智能制造的关键力量。随着技术进步，其在各行业的应用将更加广泛。在这一趋势中， 英特尔对于大语言模型赋能机械臂的技术解决方案进行了初步研究，并构建了如下图所示的概念验证参考架构： 整体架构从任务的角度整个任务可以分解成三个阶段： • 第一阶段 — 外部数据收集：这一阶段主要依赖两个外部输入 执行：有了路点的信息后，通过共享内存机制，实时系统将会得到路点数据，通过 RTMotion 运 动控制功能块，驱动机械臂上电机执行对应的加减速控制，来完成最终机械臂的整体运动，从而整体实现使 用自然语言对机械臂的操控。 LLM RTmotion EtherCAT/CANopen ASR Code Generator Real-Time Non-Real-Time CPU P

共享能 力，分布式数据库支持跨设备数据库访问能力。 应用创建的数据库，都保存到应用沙盒，当应用卸载时，数据库也会自动删除。 2.1.4ArkTS（方舟编程语言） ArkTS 是 HarmonyOS 优选的应用高级开发语言。ArkTS 提供了声明式 UI 范式、状态 管理支持等相应的能力，让开发者可以以更简洁、更自然的方式开发应用。 同时，它在保持 TypeScript 基本语法 好的运行 性能。 ArkTS 提供了标准内置对象，例如 Array、Map、TypedArray、Math 等，供开发者直 接使用。另外，ArkTS 也提供了语言基础类库，为应用开发者提供常用的基础能力。 ArkTS 语言基础类库能力示意图: 14 2.1.5ArkUI（方舟 UI 框架） ArkUI（方舟 UI 框架）为应用的 UI 开发提供了完整的基础设施，包括简洁的 的声明式开发范式（简称“声明式开发范式”）和兼容 JS 的类 Web 开发范式（简称 “类 Web 开发范式”）。 ⚫ 声明式开发范式：采用基于 TypeScript 声明式 UI 语法扩展而来的 ArkTS 语言，从 组件、动画和状态管理三个维度提供 UI 绘制能力。 ⚫ 类 Web 开发范式：采用经典的 HML、CSS、JavaScript 三段式开发方式，即使用 HML 标签文件搭建布局、使用 CSS