浙江大学 DeepSeek 系列专题线上公开课（第二季） 从大模型、智能体到复杂 AI 应用系统的构 建 —— 以产业大脑为例 肖俊 浙江大学计算机学科与技术学院人工智能研究所 2025 03 杭州 • 大模型推理能力快速提 升 • 推理模型和思维链 (CoT) • 智能体是什么？ • 四链融合产业大脑案例 提纲 大模型推理能力快速提升 开始模仿人 脑进行大量 数据的标记 和训练 神经网络 CNN RNN GAN 1990 年开始； 2006 年获得突 破 快速回望历史——大模型的产生 对人脑学习 过程进行重 点关注 Transformer 2017 年 ChatGPT 2022 年 Instruct GPT BigBird ALBERT ELECTRA 基于模板和 规则的前深 度学习阶段 基于规则 的少量数 据处理 GPT-3 M2m- 100 XLM 进行海量数据学习训练 ，人类的反馈信息成 为模型学习的内容 OpenAI 公司于 2022 年 11 月发布 ChatGPT ，短短三个月内日活跃用 户从 零增长至超过 3000 万 ，标志着对话式 AI 进入大众应用阶段 里程碑： ChatGPT 的成 功 ChatGPT 日活量（ 2022.11- 2023.02 ） 三阶段训练技术构建

从智能营销到智能制造 邴金友 2025.03.19 营销 (CRM) 等业务系统在系统功能之外还存在很多的挑 战 自动化 开放性 高可用 易操作 云原生 智能化 高可靠 高扩展 高性能 以销售易为例，腾讯云坚实稳固的技术底座是这些挑战的解决方案 云原生计算 云原生存储 块存储 CBS 虚拟机 CVM 容器平台 TCS Mongo DB 企业 微信 腾讯 会议 腾讯 乐享 伙伴云 现场服务云 客户服务云 营销云 销售云 智能分析云 知识引擎 大模型 TI 平台 微 信 端 企 微 端 人 工 智 能 数 据 库 微 服 务 大 数 据 中 间 件 连接伙伴 连接客户 连接产品 连接员工 价值：问答准确率： 35%- 84% • 问 答对至少需要 30 人 天工 作量，现在 用大模型只需要 5 人 天，预计 每个 手 册知识梳理至少节省了 25 人天 工 作 量，知识构建效率提升 83.3% • 已有多款车型接入使用，覆盖车主用户 数百万 如针对终端客户：基于大模型和用户手册的智能问答助手 大幅提高客户体验 难点：文档庞大，图文混排复杂

Email:yhy15080@haitong.com AI Agent（智能体）：从技术概念到场景落 地 投资要点：  思维链铸就智能体，多体交互拓展应用：早在上世纪 50 年代，阿兰图灵把“高度 智能有机体”扩展到了人工智能。如今随着大模型的快速发展，这个概念又被重 新拾起。大模型成为了智能体目前最完美的载体，有望完成从概念到实际应用的 蜕变。用户在 Agent（智能体）模式中给 AI 设臵目标和身份，并提供 目前的应用大多都在概念层面， 但随着大模型竞争加快、政策鼓励研发投入、更多企业参与 AI 研究等因素，应用 层面的 AI Agent 推进速度加快。智能体大致可以分为六类，根据他们被设计出的 特点，可以作用在不同的应用领域上。不同类别的智能体给予应用层面上更多研 发方向，像目前关注度较高的自动驾驶技术、智能电网控制、能源管理等都能被 垂类智能体覆盖。结合多模态大模型，自动化和情感需求类智能体已落地。但商 科技。智能体发展能推动政府、金融、 制造、能源、医疗、零售等行业的智能化应用向多模态和跨模态转变。  投资建议：我们认为未来智能体（AI Agent）的前景十分广阔，随着大模型的发展， 智能体将从概念走向实际应用，成为各行业的重要助力。通过多模态大模型，智 能体能够整合图片、语音等异构数据，提高任务处理效率，并解决跨行业、跨领 域的问题。技术方面，智能体具备长期和短期记忆、自主规划、工具使用和自动 执行任

从制造到智造 — 瞻博网络 AI 驱动智造园区方案 © 2024 Juniper Networks 新技术部署难，出问题溯源难，终端多运维难 业务连续性 业务生产 7X24 业务中断会造成严重损失 数字化落地 - 并不容 易 © 2022 Juniper Networks Juniper Public Junipe: N ET WO R K 11 从端到云的保障 • 应用程序、用户、设备和会话的可见 性 • 实时客户端数据、主动射频调整 • 集成 Wi-Fi 、 vBLE 和物联网 90% AIOps 领导者 • 实时 SLE Juniper Public 创造 AI 小模型 / 专业市场 / 特定场景 / 创造价值 / 提升 效率 不可避免的终局背后 -AI 一定会 来 使用 AI AIGC/ 多模态 / 大模型 / 行业泛化 / 提升 体验 15 “You can’t look at the competition and say you’re going to do it better. You

Industry Report 洞见 | 趋势 | 预测 从过剩到平衡 电子元件供应链的未来之路 目录 概要 1 目录 01 02 2024：过剩状态与库存挑战之年 2 03 2025：变局中的审慎乐观 3 05 行业展望 4 07 全新贸易格局：地缘紧张局势与关税政策博弈 5 11 2025制胜战略框架 6 14 概要 02 从过剩到平衡 电子元件供应链的 未来之路 2025年或将成为电子元件供应链走出长期过 成为企业计算升级的核心驱动力。GPU（图形 处理器）、CPU（中央处理器）、内存及专用 存储元件的市场需求将伴随AI（人工智能） 算力、云服务与数据密集型应用对大容量算 力的渴求持续攀升。 “展望2025年，经过深度优化的Turin将全面 覆盖从纵向扩展到横向扩展的服务器及传统 CPU（中央处理器）工作负载，这具有重大 战略意义。”AMD（美国超威半导体公司） 董事长兼首席执行官Lisa 中心、AI（人工智能）创新与高速互联解决 方案的协同发展。 过去几年间，后疫情时代的PC（个人电脑） 换机潮消退导致个人计算与消费电子市场复 苏乏力。消费者对个人电子产品的升级决策 逻辑已经发生转变：从原来的单纯追逐新品 迭代转向了对技术突破与功能创新的实质性 价值考量。 普通消费者对技术进步的反馈不如预期。早期 的端侧AI（人工智能）应用——如Microsoft （微软）的Copilot与Apple（苹果）的AI（人工

税务行业标准大模型 基本情况 当下，人工智能正在成为全球数字技术创新的前沿领域。大模型 作为工业革命级的生产力工具，正在成为赋能百行千业向数智化跨越 升级的变革力量。为进一步落实数字化国家战略，推进产业数字化进 程，深度挖掘细分应用领域，打造具有差异化的企业级 AI 大模型，360 集团与中税集团合作共建了税务行业标准大模型，该模型旨在于解决 税务行业性、专业性问题。 税务行业标准大模型在人机交互、复杂内容和语言理解等方面， 具有强大的分析和学习能力，可以精准获取有效税务信息，高效处理 日常重复业务，在提高税收管理效率的同时，可以降低税收管理成本。 此外，大模型训练语料库涵盖了巨大的专业数据，其中包含中税 集团多年累积的超百万法规库、千万量级的案例判例、几万本税务电 子书，以及专家知识及实操案例等。 目前，税务行业标准大模型成为了税务这一垂直行业领域大模型 领域大模型 的典型应用，并在注册税务师考试中的成绩已经超越了 ChatGPT。凭 借其创新技术与应用表现，入选“北京市通用人工智能大模型行业应 用十大典型场景案例”。 技术简介 一、税务行业标准大模型的技术优势 2023 年以来，360 集团发布了自研认知型通用人工智能大模型— —360 智脑，成为引领企业级市场数智升级的重要驱动力。在应用方 面，360 集团与中

Checklist 总结 EA EA EA EA EA SAP 实施架构检查 Checklist EA 初步建议 •EA 对 SAP 实施检查主要集中在设计阶段，通过 Checklist 从源头上控制架构设计的完整性 •SAP Checklist 初步建议： •设计未来流程设计检查 Checklist ，检查每个流程与功能，角色，信息等关系 •设计一体化平台设计检查 Checklist 目的陈述提供证明所有决策和相关活动的基础 影响 • 采用原则后给技术、信息系统流程、组织、管控模型、员 工等级 / 技术等带来的影响 • 影响陈述提供了对贯彻原则所需关键任务、资源和潜在成 本的概览 我们通常从四个方面定义架构原则，以增进对它们的理解和接受 应用架构原则 -- 规范性原则 名称 • 规范性 陈述 • 应用架构设计应遵守 xx 典设及企业规范要求 理由 • 应用架构设计应在 xx 架构典设指 Rational System Architect ( 以下简称为 SA) ARIS Platform ( 以下简称为 Aris) 演进计划 SA 拥有的多版本状态工作空间功能，可支持可视化企业架构 从当前” As-is” 到将来” To-be” 的演进过程，并进行高级的 动态路线规划和基于时间的演进分析。 Aris 只能提供最基本的分析能力来支持将来” To-be” 的状态模型。 由于数据建模的能力较弱，无法实现演进计划

基于大模型的具身智能系统综述 王文晟 1 谭 宁 1 黄 凯 1 张雨浓 1 郑伟诗 1 孙富春 2 摘 要 得益于近期具有世界知识的大规模预训练模型的迅速发展, 基于大模型的具身智能在各类任务中取得了良好的 效果, 展现出强大的泛化能力与在各领域内广阔的应用前景. 鉴于此, 对基于大模型的具身智能的工作进行了综述, 首先, 介绍大模型在具身智能系统中起到的感知与理解作用; 介绍大模型在具身智能系统中起到的感知与理解作用; 其次, 对大模型在具身智能中参与的需求级、任务级、规划级和动作 级的控制进行了较为全面的总结; 然后, 对不同具身智能系统架构进行介绍, 并总结了目前具身智能模型的数据来源, 包括 模拟器、模仿学习以及视频学习; 最后, 对基于大语言模型 (Large language model, LLM) 的具身智能系统面临的挑战与发 展方向进行讨论与总结. 关键词 大语言模型, 大型视觉模型 大型视觉模型, 基础模型, 具身智能, 机器人 引用格式 王文晟, 谭宁, 黄凯, 张雨浓, 郑伟诗, 孙富春. 基于大模型的具身智能系统综述. 自动化学报, 2025, 51(1): 1−19 DOI 10.16383/j.aas.c240542 CSTR 32138.14.j.aas.c240542 Embodied Intelligence Systems Based on