， 从而具有理解和生成自然语言的能力，实现人机之 间的有效通信。自2018年双向编码表示模型（bidirec⁃ tional encoder representations from transformer，BERT） 的出现，以及 2022 年第四代生成式预训练模型（gen⁃ erative pre-trained transformer，GPT），人工智能领域 自然语言处理方向的重大突破，引领了大规模预训 练模型及应用研究的热潮。大语言模型技术的迅猛 进展正深刻地影响着机器系统智能化的轨迹，标志 着进入一个新的人工智能时代。从 BERT 到 GPT [1-2]， 这些模型通过深度学习和海量数据训练，不仅推动了 自然语言处理技术的边界，也正在改变知识获取和创 新的模式，将对应急管理体系发展、能力要求以及实 践操作产生深远的影响。在技术进步的强大动力牵 引下，需要重新审视并优化应急管理信息化建设路 收稿日期 2023-10-19 emergency management brain[J]. Journal of Command and Control, 2025, 11（2）: 217-224 摘 要 大语言模型不仅是人工智能领域自然语言处理方向的重大突破，也正在改变知识获取与知识创新的模式。在研究大语 言模型的知识获取与创新的原理之上，探讨了其在应急管理信息化建设中的应用，针对智慧应急中面临的建设困境以及业务系 统智能化水

大模型具备强大的数据处理能力，能够高 效处理海量的结构化与非结构化数据，这为保险公司在风险评估、 客户画像、理赔审核等核心业务环节提供了前所未有的精准度与效 率。其次，AI 大模型通过自然语言处理（NLP）技术，能够实现与 客户的自然交互，大幅提升客户服务体验。例如，智能客服可以通 过上下文理解客户需求，提供个性化建议，从而降低人工客服的工 作负担。此外，AI 大模型在预测分析方面表现卓越，通过对历史数 精准营销：基于客户画像和行为分析，精准推荐保险产 品，提高转化率。 - 理赔自动化：通过图像识别和文本分析技术， 自动审核理赔申请，减少人为错误和欺诈风险。 - 风险预测与管 理：利用大数据和机器学习技术，预测自然灾害、市场波动等风 险，优化风险管理策略。 据统计，采用 AI 大模型的保险公司在运营效率和客户满意度 方面均有显著提升。例如，某领先保险公司在引入 AI 大模型后， 核保时间缩短了 40%，客户投诉率降低了 2. 保险公司 AI 大模型应用概述 保险公司行业场景 AI 大模型应用概述 在保险公司行业中，AI 大模型的应用正逐步成为提升业务效率 和客户服务质量的关键驱动力。这些大模型通过深度学习、自然语 言处理和计算机视觉等技术，能够处理和分析大量复杂的数据，从 而为保险公司提供精准的决策支持和智能化的服务体验。 首先，AI 大模型在保险产品设计和定价中发挥着重要作用。通 过分析历史数据

智能助理产品的特点 . 深度学习与智能助理 目 录 用户终端的变化和技术的进步，推动更自然的人机交 互方式及产品形态 通过理解文本或语音形式 的自然语言来协助用户完 成需求的软件应用或平台 2000s PC 键盘 & 鼠 标 网站 时间 设备 交互方式 产品形态 2020s IoT 自然语言 在线助理 2010s 手机 触摸 APP ■ 从在线客服到在线助 在线助理：专业咨询、 售前交互、售后服务、 行业洞察等 • 在线客服：以售后服 务 为主 更主动的 双向交互 更丰富的 价值场景 更长期的 伙伴关系 1,800 基于人工智能与自然语言处理技术的在线智能助理产 品用户不断增加 虚 拟 个 人 助 理 (VPA) 将改变手机 用户与设备的互动 方式 ，并成为日常 生活的一部分 。 到 2019 年 ，全球 20% 的智能手机 600 1,400 1,200 1,000 800 600 400 200 0 • AI, NLP 等技术加速创新 • 以 GPU 为代表的算力提 升 基础设施 不断完善 自然交互 广泛应用 底层技术 不断成熟 • LBS 、移动支付全面普 及 • 服务从线下到线上 • IM 主导移动互联网 • 智能设备数量不断增 长 Number of Users

收稿日期 2024-08-01 录用日期 2024-09-09 Manuscript received August 1, 2024; accepted September 9, 2024 国家自然科学基金面上项目 (62173352), 广东省基础与应用基础 研究基金杰出青年基金 (2024B1515020104) 资助 Supported by National Natural Science SINICA January, 2025 数更新或微调的情况下, 仅通过文本交互来指定任 务和少样本示例就能很好地完成各类任务. 在此之 后, 具有优秀泛化能力与丰富常识的基础模型在计 算机视觉、自然语言处理等领域都展现出令人瞩目 的效果. GPT-4[5]、LLaMA[6]、LLaMA2[7]、Gemini[8]、 Gemini1.5[9] 等大语言模型能与人类进行流畅的对 话, 进行推理任务 捕获各模态之间的关系, 提取为统一的高维特征, 形成对世界的理解. 如对大量无标签的互联网文本 和图像进行预训练的视觉模型, 能将图像与文本编 码到同样的向量空间中, 这种对齐不仅有利于对环 境的感知, 也有利于对用户自然语言指令的理解, 利于完成复杂的任务. 本节主要讨论各类将大模型 用于具身智能感知与理解的方法, 讨论范围是文本、 图像和音频等信息, 其中感知的信息来源于环境与 人类用户. 1.1 多模态模型理解

只要有人类活动，自然灾害就有可能发生， 我国是世界上自然灾害种类最多的国家 八大类： 气象灾害、海洋灾害、洪水灾害、地质灾害、 地震灾害、农作物生物灾害和森林生物灾害和森林火灾。 自然灾害具有频繁性和不确定性 自然灾害具有一定的周期性和不重复性 各种自然灾害所造成的危害具有严重性 自然灾害具有不可避免性和可减轻性 自然灾害威胁 事故灾难威胁 援救助 新技术驱动：从信息化向智能化转变 互联网 + 信息阶段（ 1990-2016 ） 计算机 + 早期阶段（ 1946-1990 ） AI + 智慧阶段（ 2017- ） 人与自然 和谐共生 智能化 无人化 柔性化 智慧社会之果 以人为本 多元共治 文明有序 人性化 精细化 智能化 智慧社会之本 万物互联 三元融合 自动化 普及化 从智慧城市到智慧社会：公共安全是最基本的民生 响应救援 总结评估 部门数据融合 消防 安监局 应急办 地震局 三防办 国土局 转隶部门 智慧 AI+ 应急大模型 AI+ 风险监测预警 应急指挥联动 联动委办局 公安交通 水利气象 自然资源 视频数据 监测数据 业务数据 视频数据 监测数据 业务数据 赋能 应急管理一张图 视频数据 监测数据 业务数据 业务监管对象 化工行业 烟花爆竹 工贸企业 融合通信 预防准备

..........210 1. 项目背景与目标 在数字化和智能化的浪潮中，政务领域亟需借助人工智能技 术，提升服务效率和决策科学性。本项目旨在构建一套政务 AI 法 制员大模型，借助先进的自然语言处理(NLP)能力和机器学习算 法，助力法律法规的智能解读、咨询服务及文书自动生成等功能， 以适应新时代对政务服务的高要求。 当前，政务工作面临着信息量巨大、法律法规复杂多变的问 题。随 技手段提高工作效率，降低人力成本，确保政务工作的规范性与高 效性。 具体目标包括：  开发一套集成化的 AI 法制员大模型，能够快速理解和处理海 量法律文本。  实现智能法律咨询系统，公众可通过简单的自然语言提问获取 法律法规解答，进而提升信息透明度和便捷性。  支持智能文书自动生成，减少传统文书撰写周转时间，提高政 务文书处理效率。  建立法律法规知识图谱，为政策解析和决策支持提供数据支 现错误与遗漏，降低了政务服务的质量与透明度。随着人工智能技 术的迅猛发展，尤其是大型语言模型（如 GPT-3、BERT 等）的应 用，为政务领域提供了新的解决思路。 政务 AI 法制员的设计旨在通过集成先进的自然语言处理技 术，实现对法律文件、政策解读及案例检索的自动化处理。这一系 统将能够高效地分析当前的法律法规及政策动态，极大提升政府工 作人员的工作效率以及精准度。同时，此项技术的应用也有助于增

度，综合利用率是三类能源综合利用率的加权平均值。 政策法规汇编 7 月刊 — 6 — 附件 4： 零碳园区碳排放核算方法（试行） 本方法适用于开展零碳园区建设的园区核算自身碳排放。 一、总体方法 园区碳排放的核算边界为一个自然年内园区内能源活动和工业生产过程产生的直接或 间接碳排放之和。本办法所称碳排放指二氧化碳排放，不包括其他温室气体。 E 园区=E 能源活动+E 工业过程 式中： E 园区为园区碳排放量（万吨）； 捕集系统中捕集每吨二氧化碳所需的电量。 3 基本规定 3. 0. 1 工业排放二氧化碳捕集纯化工艺技术应先进成熟、安全可靠、节能环保。 3. 0. 2 工业排放二氧化碳捕集纯化工艺技术方案应根据工业排放组成及性质、产品 方案、自然条件等，经技术经济比选后确定。 3. 0. 3 工艺流程应满足正常生产、装置试压、吹扫、试车及事故处理的要求。 3. 0. 4 二氧化碳捕集系统宜与产生工业排放的装置同步建设。 4 总图布置 建（构）筑物防腐蚀设计应符合现行国家标准《工业建筑防腐蚀设计标准》 GB/T 50046 的有关规定。 9. 3. 9 建筑物采光设计应符合现行国家标准《建筑采光设计标准》GB 50033 的有 关规定，厂房内宜有良好的自然通风，并充分利用天然采光。 9. 3. 10 建筑物噪声控制应符合现行国家标准《工业企业噪声控制设计规范》 GB/T50087 和《工业企业厂界环境噪声排放标准》GB12348 的有关规定。 9

只能是一个耗时、 耗力、耗财的“黑洞”无效平台 相对于传统教育模式 增加成本 加重负担 影响效率 u 数字化教学和学习的自然入口没有解决 u 键盘、鼠标、触摸只是信息浏览和生产手段，而不是教育和学习自然手段入口 u 普通的纸笔没有和信息设备自然融合，成为被隔离或革命的对象 受无纸、无笔化办公的影响 K12 的学习不可以无纸、无笔 当前教育模式的痛点 每个教室都是 “室联网”的 教学管理——备课中心 智慧教室将全面实现教 师 、 学员全面回归到 传 统纸笔书写时代 ， 学员 书写作业 、 教师 批改作 业以及进行板 书教学将 以传统方式进 行。 教学管理——自然纸笔系统 自然纸笔系统 教学管理——智能识别 从“黑板”到“ 白板” 从“ 白板”到“纳米黑板” 从“纳米黑板”“到“海板”！ 世界第一个 250 英寸的智慧交互海板来了！ 教育已经进入了“海板”时代！ 同步课件 文 字 讨 论 弹 幕 聊 天 提 交 作 业 答 题 考 试 记 录 笔 记 学 员 端 功 能 云平台利用成熟的数据挖掘技术对教学 过程中自然沉淀的课程数据、 课件数据、 考试数据、 练习题数据、 试卷、 资料 库 等数据进行挖掘 ， 并且利用数据挖 掘技 术中的决策树方法对所有学员的 成绩进 行分析 ，提供统计和分析报表

主席 • 张伟男 • 哈尔滨工业大学 • 委员 • 陈志刚，科大讯飞 • 车万翔，哈尔滨工业大学 • 张轶博，华为 • 黄民烈，清华大学 12 SMP-ECDT III • （深度）自然语言理解评测 • 领域 - 意图 - 语义槽 • 例如：“我想订上海飞往北京的航班” • 评测指标： • Sentence ACC • 领域、意图识别和语义槽填充全做对！ • 特点（难点） 输入和输出空间无限大 尽可能延续对话 没有明确的对话目标 任务型对话（任务执行） （ Task-oriented Dialogue ） 典型应用：智能助手 18 对话状态跟踪 . . . 自然语言生成 . . . 开放域对话 ( 聊天 ) 系统构 成 隐式反馈跟踪 确认状态跟踪 澄清状态跟踪 词法、句法、语义分析 拒识回复 确认及澄清回复 多领域用户对话意图识别 多领域对话状态跟踪 个性化回复 风格化回复 . . . 对话质量评估 情感分析 拒识、确认、澄清、隐式反 馈 ... TTS 领域内分析及处理 ASR 多领域对话状态分布 自然语言理解 文本或语音 文本或语音 状态更新 特征表示 特征表示 中间结果 终端 19 . . . 聊天技术的前沿研究点 Zhang et al. (2018) Oraby