万人，而持证养老护理员仅 50 万人，养老员护理供给 缺口高达 550 万人，叠加护理员“高龄化”、30-50 岁年龄段结构性断 档等问题，让传统人力养老模式难以承载日益增长的照护需求。在此 背景下，可提供康复训练、日常护理、情感陪伴等全场景服务的养老 机器人，成为弥补人力缺口、优化养老质量的关键抓手，有望缓解养 老服务供需失衡的困境。2025 年，我国牵头制定的 IEC63310《互联 家庭环境下使用 智能养老机器人是面向老年人的智能服务设备，通过技术手段弥 补人力照护的缺口，并为老年人提供生活辅助、健康监护、康复训练、 情感陪伴等服务，以此提升老年人的生活质量。 从功能维度看，智能养老机器人涵盖多方面服务。生活辅助类设 备如智能轮椅、外骨骼机器人等，依托人体工学设计与步态训练算法， 能辅助老年人完成行走、站立等日常活动；健康监测领域，可穿戴设 备可实时监测心率、血压等生理参数，还能联动医疗机构开展健康预 ·深企投产业研究 2025 年行业研究报告· 3 表 2 三种类型养老机器人对比 维度 ​ 康复机器人​ ​ 护理机器人​ ​ 陪伴机器人 核心 功能 辅 助肢 体 功 能恢 复 （如步态训练、肌力 增强） 日常起居协助（如翻 身、清洁、排泄护理） 情感支持与社交互动 （聊天解闷、娱乐陪 伴） 目标 人群 术后患者（脑卒中、 脊髓损伤）、神经系统 疾病患者 失能/半失能老人、长

使用人工智能语义算法，人工标注涉心理疾病自杀相关警情的正负样本， 训练模型智能识别因心理疾病自杀相关警情。 涉身体疾病自杀模型 使用人工智能语义算法，人工标注涉身体疾病自杀相关警情的正负样本， 训练模型智能识别因身体疾病自杀相关警情。 涉职场因素自杀模型 使用人工智能语义算法，人工标注涉职场因素自杀相关警情的正负样本， 训练模型智能识别因职场因素自杀相关警情。 涉学业问题自杀模型 使用人工智能语义算法，人工标注涉学业问题自杀相关警情的正负样本， 训练模型智能识别因学业问题自杀相关警情。 涉师生矛盾自杀模型 使用人工智能语义算法，人工标注涉师生矛盾自杀相关警情的正负样本， 训练模型智能识别因师生矛盾自杀相关警情。 140 XX 县公安局“情指行”一体化实战平台建设方案 涉校内矛盾自杀模型 使用人工智能语义算法，人工标注涉师生矛盾自杀相关警情的正负样本， 训练模型智能识别因学业问题自杀相关警情。 使用人工智能语义算法，人工标注因校园欺凌自杀相关警情的正负样本， 训练模型智能识别因校园欺凌自杀相关警情。 涉家庭矛盾自杀模型 使用人工智能语义算法，人工标注因家庭矛盾自杀相关警情的正负样本， 训练模型智能识别因家庭矛盾自杀相关警情。 涉网络教唆自杀模型 使用人工智能语义算法，人工标注因网络教唆自杀相关警情的正负样本， 训练模型智能识别因网络教唆自杀相关警情。 涉琐事纠纷自杀模型

........................................63 3.2 模型训练与优化..................................................................................65 3.2.1 训练数据集构建.............................................. 首先，交通治理 AI 大模型的构建依赖于海量的交通数据来 源，包括但不限于车载传感器、交通摄像头、雷达、GPS 设备以及 交通卡口数据。这些数据经过清洗、整合后，输入到深度学习网络 中，用于训练模型识别交通模式、预测交通流量变化以及检测异常 事件。通过引入时间序列分析、空间模式识别等技术，模型能够高 效处理高维数据，并生成精准的交通态势感知结果。 其次，模型的多场景协同决策功能是其核心优势之一。传统的 化的解决方 案。其在实际应用中的成功实施，不仅能够显著提升交通网络的运 行效率，还能够为城市居民提供更加安全、便捷的出行体验。 1.1 AI 大模型的基本概念 AI 大模型是指通过大规模数据训练得到的具有高度泛化能力和 复杂决策能力的智能模型。这类模型通常基于深度学习技术，尤其 是 Transformer 架构，能够处理和理解大规模、高维度的数据。 在交通治理领域，AI 大模型的应用主要体现在多场景协同决策与自

司可以通过平台打磨智 能化的业务系统 ，进 化 自己的业务体系 软件开发公司可以通 过平台速度敏捷地开 发出智能化的应用软 件 背景介绍｜建设必要性 - 赋能企 业 中小算法厂商可以在 AI 开放平台上训练 自 己的算法 人脸识别 结构识别 姿态识别 手势识别 流式处理 模式识别 数据关联 集成匡架 服务中小企业 、初创团队 ， 提供有力科研支 撑 推动全行业产 、学 、研快速形成技术成果转 社会公 众服务 为全市 / 区企业、 团体、个人提供便捷的 AI 创新平台 ，使能现有的信息化系统升 级进 入智能化阶段 。 同时智能视觉训练 中心通 过全市数据资源的统一接入和管理 ，解决 一般企业、院校、研究机构缺少 数据的问 题 ， 以及算法训练 GPU 集群系 统投资太大 ， AI 初创公司无力承担等问 题 。帮助政府打 造当地的 AI 生态 。 为各委办局提供统一 的智能视觉赋能平台 建设一套可被智慧城市应用系统随意 调配算法资源的基础业务接口系统 迭代 演进 算法 编排 基础 支撑 建设一套赋能智慧城市多个业 务场景的算法系统 建设方案｜建设目标 法不断升级迭代的的增量训练系统 建设能够对特殊场景定制设计、对算 建设一套可多维度对汇入视频数 据进行解析的应用支撑系统 视频资源是数字政府建设 最重要的资源 ， 也是占比 最大的数据资源 。 人工智能的智能视觉

1、人工智能技术快速演进实现关键跨越 人工智能芯片快速迭代助推新一轮 AI 浪潮 传统通用处理器（ CPU ）已经难以满足深度学习等高并发计算需求，AI 芯片通过架构创新实现了数量级的性能 跃升。高端 AI 芯片的突破更使得训练百亿参数大模型成为可能，直接推动了 ChatGPT 、Sora 等生成式 AI 的爆 发。AI 芯片的快速发展已成为推动全球科技变革的核心引擎，其意义远超硬件迭代本身，深刻重构了算力供给模 式、产业竞争格局与社会智能化进程。 应用形态的理解逐步深入，未来将诞生更多高智能化、对业务流程理解更深刻的多智能体系统， 并加速在生产生活各场景中落地应用。 . 2、人工智能核心三要素全面筑牢数智化转型基础 智能算力规模高速增长，为 AI 训练和应用筑牢算力基础 人工智能算法模型的训练与应用离不开智算中心的算力支撑。2024 年， 中国智能算力规模达 725.3 百亿亿 次/秒 （ EFLOPS），同比增长 74.1%，增幅是同期通用算力增幅（20.6%）的 高质量数据集量质齐升，持续丰富人工智能训练养料 国家数据局等 17 “ 部门联合印发的《 数据要素×” 三年行动计划（ 2024—2026 年） 》提出，强化场景需求牵 引，带动数据要素高质量供给、合规高效流通。我国高质量数据集建设取得积极进展，数据要素市场不断拓展新空 间，2024 年数据生产量达 41.06 泽字节（ ZB ），同比增长 25% 2 。庞大的数据规模为人工智能模型的训练提供了丰 富的

注重关联关系而非因果关系 数据可视化变得尤为重要 大数据的重点是关联关系与趋势预测 大数据分析助力提升行业综合数据应用能力 大数据 关注点 传统数据 分析局限 数据获取 因子分析 算法训练 数据呈现 6 经济运行大数据保驾十四五 区域经济 2 3 4 1 支撑领导科学决策，提高经济运行管理水平： 从宏观、中观、微观三个层面，对区域经济运行相关指标进 行实时动态监测和预警，从产业、行业、区域、时间多维 Zabbix Hadoop Zookeeper Hadoop Oozie ETL 任 务 调 度 Elastic Logstash 数据仓库 数据集市 多维数据库存储 数据标签库 模型设计 模型训练 模型发布 模型管理 应用模型 算法模型 接口整合（ thrift ） Smart BI / 并行基础架构 / 算法 / 业务场景 Data Service / DaaS IDC / 数据来源 ） Mahout （ Machine Learning ） Spark （ Mlib ） Pig （ Scripting ） 数据集成 调度引擎 算法库 数据洞察 Miner 模型训练 数据集成 作业调度 DevOps 实时分析 ADS 数据集成 数据集成 作业调度 DevOps 离线分析 ODS 数据集成 数据集成 DevOps 流分析 SDS 可视化套件

....................................................................................34 3.3.1 模型选择与训练................................................................................................... 数据需通过加密传输和存储。此外，需建立数据质量管理机制，包 括数据清洗、去重、补全等环节，确保输入 AI 模型的数据具备高 质量和一致性。 为满足 AI 模型的训练和优化需求，需构建大规模、多样化的 数据集。例如，历史办件记录数据集可用于训练模型识别市民需求 类型和优先级，市民反馈数据集可用于训练情感分析和文本分类模 型。同时，需建立数据更新机制，确保数据集能够反映最新的市民 需求和城市运行状态。例如，每日从 12345 中采 集最新数据，并对数据集进行动态更新和补充。 综上所述，数据需求与来源的明确和规范是智慧城市民意速办 AI 大模型建设的基础。通过多源数据的融合和高质量数据集的构 建，可为模型提供充分的训练和优化支持，从而提升民意速办的智 能化水平和市民满意度。 3. 技术架构设计 智慧城市民意速办 AI 大模型应用的技术架构设计围绕高效、 可扩展、安全可靠的原则展开，采用模块化设计理念，确保系统能

台154 5、华懋（上海）健康科技发展有限公司 ——时间银行管理平台................................ 155 6、上海博斯腾网络科技有限公司——BBRT®认知训练....................................................156 7、上海大城智慧养老服务有限公司——数字化家庭养老院............... 11、上海恩谷信息科技有限公司——个性化健康管理服务............................................ 161 12、上海傅利叶智能科技有限公司——步态与平衡功能训练评估系统........................ 163 13、上海广联堂健康管理有限公司——U 护云陪伴......................................... 14、上海广拓信息技术有限公司——智能门禁控制系统................................................ 166 15、上海皇佳医疗器械有限公司——智能全身体能康复评估训练系统........................ 167 16、上海九如城养老服务有限责任公司——互联网+养老服务......................................

平台和 AI 运营等多个方面。 3.1.1.智慧城市低空应用模型算法风险 （1）城市模型低空域算法偏见和歧视风险 在智慧城市低空域建设中，AI 模型训练数据若存在偏差，会导致算法在 决策时产生不公平倾向。例如在低空物流配送路线规划中，若训练数据对特 定区域的地理、交通信息覆盖不足，模型可能减少该区域配送频次，造成资 源分配不均；在城市空中交通管理的飞行权限审批中，含有偏见的数据可能 使 （1）智慧城市低空域训练数据异常风险 AI 模型训练数据若存在噪声、错误标签或离群点，将严重影响模型准确 性。例如用于低空飞行器故障预测的训练数据中，传感器误报数据未被清洗， 会使模型误判正常设备为故障状态，干扰维修计划；在低空物流配送路径优 化模型中，异常的交通流量数据可能导致规划出不合理的高耗能、低效率路 线。​ （2）智慧城市低空域数据投毒污染风险 由于大量训练数据来自公开渠道，恶意攻击者可篡改关键数据实施投毒 （1）智慧城市低空域算力恶意消耗风险 外部攻击者通过自动化脚本发起大量无效飞行模拟计算请求，抢占 AI 平 台算力资源，使正常的飞行器调度、航线规划任务无法及时处理；内部人员 因任务分配不当、无节制占用算力进行非必要模型训练，也会导致关键业务 响应延迟，影响低空域服务效率与安全性。 （2）智慧城市低空域供应链安全性风险 智慧城市低空域 AI 平台依赖的芯片、云计算服务等核心技术，部分来自 境外供应商。国际形势变

贝叶斯等同类型算法来说较低[４].但是,DＧS理 论 也 存 在 着 较为突出的问题,传统的 DＧS理论常常采用专家评估法得出 基本概率分配函数,会导致存在较大的客观性.为解决这个 问题,可使用深度神经网络来自动训练分类计算得出基本概 率分配函数,以降低其主观性.在网络安全态势的研究中,由 于强容灾能力以及能够通过低代价实现较好效果等特点,深 度神经网络备受学者喜爱.但同时深度神经网络在处理大规 模数据时也会存在收敛速度慢、分类精度差的问题 类安全 数据,随后将采集好的数据进行数据预处理,并将预处理后的 数据作 为 DAE 编 码 器 的 输 入;在 态 势 评 估 模 块 中,将 DAE 所得到的降维数据输入到 DNN 网络进行训练并进行二分类 和多分类计算,通过将计算结果融合得到基本概率分配函数; 在态势输出模块中,将态势评估模块中计算得出的基本概率 分配函数作为 DＧS证据理论的输入,经过 DＧS融合规则得到 网络态势值 ３．使用 DAE算法对数据进行数据降维. ４．将降维后的低维数据输入 DNN 网络,使用sigmoid函数和softmax 函数分别进行二分类和多分类的训练. ５．通过二分类所得到的输出值计算入侵攻击概率,并将入侵攻击概率 与多分类的训练输出结果融合,共同计算 BPA 值. ６．将步骤５中得到的 BPA 作为 DＧS证据理论的输入,通过 DＧS融合 算法得到网络的整体态势值,将其作为最终态势评估输出值