2021年6月 供应链预测算法及应用 王桐 阿里巴巴-数字供应链事业部 Outline： • 预测场景及特性 • 预测算法研发路线及结果 • 预测应用案例 GMV预测 预测标的：GMV 提前期：未来1个月、一年 颗粒度： 行业*天*全国，行业 *月*全国 用途：支持整体经营计划（KPI制定，营销资源分配，供 应链资源分配） 评估口径：达成率 real/fcst （离线）商品销量预测：支持补货、调拨决策 时间颗粒度（月、周、日、小时） * 空间颗粒度（全国、大区、省、市、区、街道；仓、门店） • 用途：下游优化算法、决策系统（高准确率、高可用性）、人肉计划（算法白盒化、可解释性、可调整性） 供应链不确定性的第一道防火墙！ （实时）GMV预测：支持实时前端调控 （实时）销量预测：支持临时补货 （实时）单量预测：支持实时产能调控 预测算法研发路线 第一代：传统时间序列统计方法 （指数平滑、ARIMA、Holt-Winters） 技术局限：难以拟合脉冲性波动；无法灵活引入海量协变 量（特征）信息；无法描述复杂的交叉影响 第二代：特征工程+经典机器学习算法 （GBDT/XGB/LGB、随机森林、SVR） 1. 准确性：较高 2. 稳定性：较低 3. 可调整性： 中（特征工程 + 调超参） 4. 可解释性：低（黑盒算法，只能解释输入输出） 5. 执行效率：高（可批量训练/预测） 应用局限：调超参纯靠体力、算力；特征工程强依赖人工

行业实践，于 2022 年 5 月首次编制数字 孪生世界白皮书（案例实践篇），于 2023 年 4 月编制数字孪生世界白皮书（技术实践篇）， 于 2025 年 4 月编制数字孪生世界白皮书（智能算法篇）。 特别说明：本白皮书内所有案例截图均为模拟数据。 主编单位：杭州易知微科技有限公司 编写指导（排名按姓名拼音首字母）： 陈为 浙江大学计算机学院教授 邓贵德 中国特种设备研究院正高级工程师 技术落地。全文通过理论剖析与实践案例结合，为数字孪生技术跨领域融合及产业化发展 提供系统性指引。 《数字孪生世界白皮书（2025）》在前两版的基础上深化数字孪生技术创新，推动“数 字孪生+智能算法”的数字孪生智能应用建设，旨在通过白皮书为数字孪生产业发展提供 借鉴与参考。 本次白皮书系统梳理技术演进路径、核心能力建设及行业实践成果，数字孪生的核心 在于通过数据驱动实现物理世界与虚拟世界 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。 围绕复杂数据处理与孪生场景应用、机理模型与数据驱动模型、超大体量数据处理与 实时渲染能力、自动化模型构建能力、大模型算法能力在数字孪生中的应用做了深度的技

未解决 4 我们如何做智能客服？ 2019 KE.COM ALL COPYRIGHTS RESERVED 组织 应用 挖掘 算法 知识 生产 5 2019 KE.COM ALL COPYRIGHTS RESERVED 组织 应用 挖掘 算法 知识 生产 6 问题挖掘 知 识 管 理 系 统 客服工单 政策法规 职能部门 知识库 知识图谱 知识生产流程 KE.COM ALL COPYRIGHTS RESERVED 组织 应用 挖掘 算法 知识 生产 12 知识的组织 2019 KE.COM ALL COPYRIGHTS RESERVED 13 2019 KE.COM ALL COPYRIGHTS RESERVED 组织 应用 挖掘 算法 知识 生产 14 句型识别 意图识别 任务分发 COPYRIGHTS RESERVED 16 改进版 fasttext fasttext NLU- 意图识 别 2019 KE.COM ALL COPYRIGHTS RESERVED svm 17 算法 准确率 召回率 F1-score svm 0.88032 0.85182 0.86583 fasttext 0.96132 +0.081 0.873 +0.02118 0.9150 +0

面向具身智能的 大小脑模型协同算法研究及实践 盛律 | 软件学院 2025-08-23 1 具身智能的基本概念 基于物理载体进行感知和行动的智能系统，其通过智能体与环境的交互获 取信息、理解问题、做出决策并实现行动，从而产生智能行为和适应性 具身 智能 2 具身智能的基本概念 基于物理载体进行感知和行动的智能系统，其通过智能体与环境的交互获 取信息、理解问题、做出决策并实现行动，从而产生智能行为和适应性 能起点 3 具身智能的关键任务 导航 问答 操作 4 具身智能的核心目标 5 具身智能的核心要素 具身载体(Agent) 具身模型(Model) 智能 算法 物理 载体 相比具身载体的日趋成熟，具身模型的算法研究方兴未艾、挑战众多 现状 6 具身模型应该考虑哪些能力？ n 技能泛化、真实交互、本体扩展 Skill （技能泛化） Reality （真实交互） Embodiment

4.0 认知智慧城市 I 算法框架 选用开源框架在核心 技术上受到限制 集中建设智慧算力 ，汇聚数据 统一对外提供 AI 能力 ， 大步实现产业升级 ， 是最高效的 方式 背景介绍｜制约 AI+ 智慧城市发展的问 题 计算能力 场景驱动 限制城市发展人工智能技术水平的四大因素 数据资源缺乏有效分析 有效数据获取率低下 应用场景单一 新算法迭代更新慢 AI 计算能力不 足 系统集成公司可以在 平台上整合多家算法 厂商的算法（包括的 算法） ， 建设智能 化 项目 信息化系统业务管理公 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 AI 从业者 、繁荣本地 AI 生 态 语义识别 人脸属性 数据传递 人群分析 文字识别 数据存储 人证核验 行业学习 声纹识别 图像识别 · 动态可扩展 、平滑可 迁移 · 算法多选 、多模融合 · 分层解藕 、百花齐放 基础设施层 · 各尽所能 、各守本分 传感层 以分层解藕 、开放共享的原则补全现有体系 工地发生打架闹事事件 工地脏乱情况 车辆违规停车 情况

4 算互联互通 API 接口规范，并根据实践情况进行勘误和更新；二 是开展平台互联互通改造联调，形成了以团标为依托的互联互通 产业测试床，目前已有 20 余家主要产业方完成了多方跨平台、 跨算法互通联调，具备支持实际业务开展的技术基础；三是构建 互联互通检测能力体系，联盟已正式授权 BCTC、国金认证等开 展检测受理工作，信通院等其他行业方也在加快推进跨行业互联 互通检测能力对标对表；此外，通过组建技术社区，集思广益推 联调适配工 作推动业界隐私计算平台和产品完成互联互通改造升级，验证互 联互通相关接口规范和功能模块的实际可用性，为跨机构数据合 作奠定平台互通基础；检测能力建设工作保障了互联互通平台底 座与算法的安全性和规范性，并与其他行业检测能力对齐，实现 跨平台、跨行业的兼容和互信。 图 3 互联互通技术实践整体框架图 6 （一）技术开源 1.发布 API 接口规范 v1.0 根据行业级隐 理层接口、控制层接口、算法组件层接口、传输层接口、开放算 法协议以及 TEE 统一远程证明协议共六个部分。 图 5 互联互通 API 接口规范主要内容  管理层接口：包含互联互通平台的基本元素、各级资源 的互通流程及支撑互通流程的东西向接口，分层级约定了节点互 通、数据互通、项目互通、流程互通、组件互通、模型互通等资 源互通接口。  控制层接口：包含流程调度和算法容器管理。流程调度

计算应用能力指标体系与评测框架，探讨评测基准、方法和标准化 需求，旨在为量子计算应用破局储备方案与工具。 本研究报告共分为五章，相关章节内容安排如下: 第一章：研究背景。简述量子计算应用面临的计算问题、量子 算法、量子硬件三角关系，指出本报告拟关注的问题。 第二章：行业场景与需求。调研了移动网络、金融等行业的计 算场景与问题，以及算力需求与部署需求。 第三章：量子计算应用能力体系框架。介绍了应用能力关键指 .. 14 (三) 硬件系统性能指标 .................................................................. 15 (四) 量子算法性能指标 .................................................................. 17 (五) 量子计算机扩展能力指标 ...... ..................................... 19 表 8 最大加权独立集 QAOA 算法测试例 .......................................... 28 表 9 最大加权独立集分布式 QAOA 算法测试例 .............................. 30 表 10 用于网络流量预测的量子 Tsmixer

....................................................................................12 2.2 技术架构与核心算法................................................................................................... .........................................................................................37 5.1.3 算法准确性与效率............................................................................................. .........................................................................................77 7.1.2 算法偏差与错误..............................................................................................

2.2.1 无人机飞行控制.........................................................................40 2.2.2 AI 算法集成................................................................................42 3. 系统设计...... ...................................90 5.2 算法开发.............................................................................................93 5.2.1 图像识别算法............................................ .................................95 5.2.2 数据处理算法.............................................................................99 6. 系统集成...............................................................

端到端自动驾驶要求海量高价值数据、超大规模算力和专业适配算法作为支 持。自动驾驶领域数据类型多样、格式复杂、算力分散，且以 Transformer 为基 底的人工智能网络模型结构在智能驾驶领域的适应性尚未被充分验证。建立行业 级智能驾驶智算数据平台，有望集中行业力量，建立高质量自动驾驶数据集、集 中算力资源、合力研发适用于端到端自动驾驶的算法模型，是推动人工智能技术 融入智能驾驶领域，破解我 融入智能驾驶领域，破解我国智能驾驶相对落后局面、实现赶超的最有潜力途径。 “智能驾驶智算数据平台”是指服务于汽车智能驾驶模型开发及测试的数据、 算力和算法综合服务平台，通常可分为企业级平台和行业级平台。其中，“智能 驾驶模型（智驾模型）”是指可具备感知、预测、决策、规划、控制等功能、可 驱动自动驾驶车辆安全、高效运行的分块化或一体化神经网络载体模型。 图 1 行业级智能驾驶智算数据平台示意图 智算数据平台一般由大算力 或专用人工智能芯片并行集群为主要计算 硬件，可以服务于人工智能深度学习模型的设计与训练，自动驾驶算法在各类数 据基础上不断地重复训练与验证，推动车辆对环境感知、路径规划等的认知水平 逐渐趋近于真实驾驶场景。 行业级智能驾驶智算数据平台旨在为行业内整车企业、智驾供应商、研究机 构及高校等主体的智能驾驶模型开发和应用提供基础数据、算力和算法服务，并 智能驾驶智算数据平台发展研究报告 2 协调上述单位及相