，“看不准”和“看不全”的挑战 “ 看不清 ” 雨雪雾恶劣天气和低光照环境降低 了无人机对目标的感知清晰度 “ 看不准” 低空感知模型进化难 “ 看不全” 多机跨视角感知难 “ 看不清” 复杂环境全天候感知难 低空感知 基础模型自主进化技术 水情监测 研究挑战 关键难题 技术创新 低空复杂环境 全天候感知技术 安防巡检 多机跨视角 协同感知技术 应急搜救 成果应用 空军“无人争锋”挑战赛冠军 基础平台建设 构建了国内外广泛使用的无人机视觉基准数据平台 空天地水协同进化智能无人集群感知平台 团队荣获吴文俊人工智能科技进步奖一等奖等科技奖励 构建世界上规模最大无人机视觉数据平台 VisDrone 人工智能科技进步奖一等 奖 从被动感知到自主协同 ，构建支撑具身智能体与集群协同进化的下一代数据基座 感 - 策 - 控一体化构建 仿真－物理具身数据基座 大规模低空数据平台 VisDrone MultiDrone AnimalDrone DroneCrowd DroneVehicle DroneRGBT 建立低空无人机视觉计算领域和多个平台兼容的模型库并实现大小模型协同进化 多维评估体系 场景识别能力 定位检测能力 条件判断能力 推理思考能力 n 建立超过 10 亿图像 / 视频帧数据库 ， 开发低空多模态视觉推理大模 型 指令划分 场景数据 2000 万

复杂环境下 ，低空群体智能面临数据缺、 自主差、协同难的挑 战 、协作具身 感知推理 群体执行协调不稳定 多机具身协同难 ，导致群体具身智 能感策控实现难 性能进化难 灾难性遗忘 协同自主进化机制匮乏 ，导致感知 与持续学习能力双重受限 多机协同感知数据 协同感知与具身基础数据匮乏 ，导 致基座构建受限 “ 自主差” “ 协同难” “ 数据缺” 感知大模型 模型 2 类增量： 持续学习 进化前 进化后 性能进化： 1 +1 >2 面向 10 万 + 机场的海量巡飞数据 ，如何构建低空模型基座并自主进 化 产出价值： • 持续学习 • 模型进化 核心动作： • 广域知识学习 • 基础能力构建 核心动作： • 大小模型协同 • 能力持续进化 关键特征： • 多模态 • 非结构化 非结构化 海量低空数据 性 能 进 化 协同进化 边端协同 边端小模型 感知大模型 版本迭代 云端赋能 迭代进 化 类 增 量 场景解 析 关键目标理解 特征融合压缩 轨迹规划与优化 最优轨迹生成 动态跟踪控制 代价加权 板载指令执行 多项式轨迹 低空智能从环境感知、推理决策到控制执行各阶段割裂 ，亟需端到端学习范 式 往前向一点钟方向走。经过马路 以及灰白色的建筑后

聚焦业务场景，优选 AI 联合方案… ……………………………… 7 1 中小制造企业数字化转型七大业务痛点和场景……/……8 2 数字化转型解决方案组合……/……21 03 价值流分析，驱动企业持续进化的“飞轮”……………………23 1 价值流分析：看清企业生产运营的 “价值河流”……/……24 2 中小制造企业的应用图景：把 “看见” 和 “迭代” 变成企业的能力…/……27 VSA）为手段，帮助企业认知 与探索数字化战略规划、生产运营、 组织与管理、人才体系等方面的最佳 实践 形成自身数字化企业建设和运营逻辑改善 的思考 23 第三篇 · 价值流分析，驱动企业持续进化的“飞轮” 价值流分析，驱动企业持续进化的“飞轮” 第三篇 在全球制造业的激烈竞争中，中小制造企业就像在汹涌海浪中航 行的小船，虽然奋力前进，却总被迷雾——那些无形的浪费和瓶颈—— 拖慢航速，甚至改变航向。价值流图分析作为能直观呈现企业“物料流” 是精益管理的核心工具之一，通过可视化特定产品或服务在从原材料到最终客户交付的每一流程步骤 及其所需的物料流和信息流，从而识别和量化流程中的非增值活动（浪费），以指导流程改进。 25 第三篇 · 价值流分析，驱动企业持续进化的“飞轮” 案例，某发动机缸体加工企业案例 a. 背景 某装备制造企业主要从事发动机缸体的生产与装配，典型的制造流程为：铸件来料→粗加工 （车、铣、镗等工序）→精加工（孔系、关键尺寸）→清洗→检测→装配。企业在数字化转型过

续性。本白皮书指出，“数据中心的每一次升 级换代，背后都在回应数字经济对于更高性能、更高安全、更高灵活性的新要求——这正是韧性建设的应然 逻辑”。它系统阐述了如何构建面向未来、具备感知、决策与自进化能力的AGI驱动型数据中心，为电力行 业在规划、建设与运营高韧性算力基础设施方面提供了重要参考与实践指南。该书理念先进、内容务实，对 电力及相关行业单位具有显著的启发与借鉴价值，特此推荐。 — 的确定性。这本白皮书能 为行业伙伴梳理出韧性升级的清晰路径，企业无论是在技术选型、生态协同还是合规布局存在疑惑，都能从 中找到启发。因此，我推荐此书，希望能够携手业内各方共同推动数据中心从“能承载”向“可进化、更安 全、高弹性” 的方向持续迈进，在不确定性的数字时代，锚定业务发展的长期确定性。 ——沙利文公司大中华区合伙人兼董事总经理 人工智能技术的迅猛发展，正在以前所未有的速度推动算力需求的增长。随着智能化的普及和渗透，算力将 须打破孤岛，端到端设计，构建整体化的稳定 性体系。 这意味着，数据中心与传统“静态工程”设施根本 不同，它更像是一个动态进化、实时自调节的“数 字生命体”。正因如此，韧性成为其核心生命力： 韧性不仅意味着“承受压力”，更强调在压力中稳 定、在风险中调整、在冲击中恢复、在演化中进化。 数 据 中 心 本 质 是 一 个典型的“开放的复杂巨系 统 ”。其复杂性不仅源自其超大规模、多组件、多 层

具身智能依赖本体、智能体、数据、学习进化框架四大核心要素，实现“感知-思考-行动”闭环。 根据中国计算机学会（CCF）的定义，“具身智能（Embodied Artificial Intelligence, EAI）是一种基于 物理身体进行感知和行动的智能系统，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。” 根据定义，具身智能包括本体、智能体、数据、学习进化架构四大核心要素。其中，本体作为物理载体 生成控制指令；数据是智能体进行理解和决策的基础，数据的数量和质量是具身智能实现能力泛化的关 键，尤其是真实环境的多模态交互数据；学习进化架构则是具身持续进步和适应性提升的关键，它支持 智能体通过仿真或真实交互持续优化策略、减少失误率、提高任务执行效率、适应新环境，通常通过强 化学习、进化算法等多种技术实现。 四大核心要素最终形成“本体收集环境数据 → 数据训练智能体 → 智能体生成决策 → 学习框架优化策略 L4：超级智能。机器人具有极高的自主学习和决策能力，能够在极端复杂的环境中执行任务，完全替代人 类。 目前市面上的智能机器人大多处于L1到L3级别，随着技术的不断发展，当前人形机器人智能级别正处在L3向 L4进化的关键阶段。 按照智能化程度，人形机器人通常分为L0到L4五个等级： 人 类 结构层 结构驱动 关节驱动 算法驱动 执行规划 的运动轨迹 感控一体 定位导航 环境感知 自主行为

I 18 放 电 用 电 | 6 0 X 准确预测 机器学习 敏捷迭代 自 主 迭代的机器学习算法一光伏预测与负荷预测 可不断进化建模和各类影响因素，持续迭代，不断提高预测准确度 自 主 迭代的机器学习算法 34 21:00 28 eo date power 250 200 150 100 50 0 21:00 04-Jan 自 主 迭代的机器学习算法一光伏预测与负荷预测 可不断进化建模和各类影响因素，持续迭代，不断提高预测准确度 · 经纬度 · 安装角度 · 超短时气象数据 · 短时气象数据 · 风速、湿度、气压 …… 预测后的能源数据 预测后的功率数据 原始功率数据 零碳智慧园区标准解决方 案 赛 唱 接入灵活 生态共享 备注：基于实际设备情况而定 可 有效的数据预测 - 自 主 迭代的机器学习算法，可不断进化建模和各类影响因素， 持续迭代，不断提高预测的准确度 - 高颗粒度、高精度、超短期的数据预测，预先生成调控策略 安全灵活的调控策略 - 基于机理算法验证，保障调控可行性及安全性 - 具备经济

和价值实现。通 过数据交易市场，数据提供方可以将自己的数据进行交易，数据需求方能够获取所需 的数据资源，实现数据的优化配置和价值最大化。 在智能升级方面，开发自主进化型 AI 分析引擎，不断提升平台的智能化水平。自 主进化型 AI 分析引擎能够根据数据的变化和业务需求的发展，自动学习和优化算法， 实现更精准的数据分析和决策支持。 在标准输出方面，积极参与制定低空数据国际标准，提升我国在低空产业领域的

组织进化的下一级台阶 1 MMC 对组织变革趋势与思维方式变化的洞见 2 项目需求与理解 3 行业及领先客户的最佳实践 4 IT 系统落地与实施案例分享 5 MMC 在组织领域的专家与团队 目录 这 是 一 个 混 乱 的 时 代 ， 混 乱 不 可 怕 ， 可 怕 的 是 按 照 昨 天 的 逻 辑 做 今 天 事 情 数 字 化 、 自 动 化 、 人 工 智 能 正 在 加 伙伴 6 伙伴 7 伙伴 1 伙伴 8 共享赋能型的产业共同体涌 现 人 类 的 进 化 是 分 阶 段 渐 次 发 生 的 ， 就 像 需 要 经 过 破 茧 才 能 成 蝶 11 • 进化是永恒的 • 事物早已今非昔比 • 我们的现代生活方式也终将过时 生态型的动态战略落地，需要抓住关键要素，做好路径规划与执行 • 再 组织的文化 • 所有那些常听到的“在我们这里是那样的…” • 信条、秘而不宣的、禁忌 • DNA 、价值观、使命、雄心… 目标：文化的革新 人 类 组 织 进 化 的 主 要 阶 段 进化阶段 例子 关键突破 比喻 红色 • 黑手党 • 街头帮 • 部落民兵 • 劳动分工 • 命令权威 狼群 琥珀色 • 天主教会 • 军事机构 • 大多数政府机构 • 公共教育学校

4、深圳南山数据可信流通服务探索实践 5、华为企业数据空间探索实践 0 36-49 最佳实践案 50-51 参考引 前言 PREFACE 构建可信数据空间与人工智能协同创新范式，开启人工智能新时代。 在数字文明加速迭代进化的时代洪流中，数据与人工智能共生发展正重塑全球经济的格 局。数据作为我国第五大生产要素，其价值释放的深度与广度，直接决定了人工智能产 “ ” “ ” 业从 感知智能 向 认知智能 跃迁的新高度。 模型创新的引擎，而非沉睡的资源 --- 以制度为 纲、技术为脉、价值为魂，构建数模协同新体系。 技术协同 价值协同 “数据驱动模型进化模 ” 型释放数据价值 图 7“ ” 数模协同 体系框架 “ 一、制度协同：建立 权责明晰、动态确权与授权、健 ” 全授权运营 的治理机制 “ ” 数据二十条 以解决市场主体遇到的实际问题为导 意识形态风险。例如通过多层级审核引擎、敏感数据 实时监测、价值观对齐指标等系统级防御。 “ 三、价值协同：建立 数据驱动模型进化，模型释放数 ” 据价值 可持续双向闭环 数据要素与大模型的协同发展构成了双向赋能的闭 环价值体系，数据作为核心生产资料驱动大模型的能 力进化，大模型通过智能化释放数据的深层次价值。 1、数据驱动模型进化：大模型训练依赖大规模、高 质量、多模态、实时更新的行业专属数据集，通过 高质量数据集提升认知广度和语言泛化能力以及模

即将到来，此类攻击将具备“全天候不间断、多目标并行、攻击路径动 态迭代”等特征，而当前依赖特征值匹配、静态规则检测、事后补丁修 复的传统网络安全防御体系，因难以应对AI智能体攻击的自主性、不可 预测性与快速进化能力，将面临前所未有的系统性冲击与功能性挑战， 甚至可能出现防御机制全面失效的风险。三是产业生态加速成型，头部 安全厂商将推出AI智能体开发平台，降低中小企业应用门槛；跨行业协 同机制进一步完 决策可能引发目标偏离与失控风险。2025年OpenAI金融智能体Operator在 执行“寻找便宜鸡蛋”指令时，将“便宜”等同于“批量采购”，擅自下 089 单30美元的鸡蛋（实际市场价仅5美元）。二是智能体可进化性带来不可 逆持续运行风险。2025年5月OpenAI的推理模型在安全测试中拒绝执行关 机指令，并在篡改代码后主动清理操作痕迹。三是多智能体协作的级联效 应使安全风险指数倍放大。2025年微