的总体目标，强调要适应科技信息化发展大势，以信 息化推进应急管理现代化，提高监测预警、监管执 法、指挥决策、救援实战、社会动员等应急管理能力。 大语言模型是具有大规模参数的深度学习模 型，通过对海量文本的训练习得语言的统计规律， 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 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 金（20BZZ037）, 广 东 省 哲 学 社 会 科 学 规 划 项 目 （GD24XGL075）资助 *通信作者简介 黄欢（1976— ）, 男, 湖南常德人, 硕士, 助理研究员。 基于大语言模型技术的智慧应急应用： 知识管理与应急大脑 龚 晶 1 黄 欢 2，* （1. 暨南大学 公共管理学院/应急管理学院，广州 510632；2. 暨南大学 党委政治保卫部/人民武装部，广州 510632）

打造自适应 AI 运维智慧体： 大语言模型在软件日志运维的实践 刘逸伦 华为 2012 实验室 本科毕业于南开大学 ，硕士毕业于美国佐治亚理工学院。研究方向包括 AI 智能运维 ，大模型质量评估以及大模型提示策略 ，在相关领域以第一作者、 通讯作者身份在 ICDE 、 ICSE 、 IWQoS 等顶级国际会议 / 期刊发表 10 余篇 论文。 刘逸伦 华为 2012 文本机器翻译实验室工程 日志是机器语言：大规模网络、软件系统在运行过程中每天会产生 PB 级别的日志，这些日志是一些类自然语言的文本，实时描述了设备 的运行状态、异常情况。 (2) 传统网络运维是机器语言的人工翻译过程：为了维护网络的稳定，运维人员会持续监控设备的运行状态，希望准确、及时地检测异常和 突发事件。网络日志是设备运行维护最重要的数据源，运维人员通常会通过解读日志中的自然语言、语义信息来发现问题、分析根因。 分析根因。 (3) 自动日志分析是机器语言的自动翻译过程： 日志文本种类繁多、数量庞大，且多数日志为非结构化文本，无法通过人工方式监控和检测 全部的日志。更重要的是，分析设备日志需要丰富的领域知识，耗时耗力；简单的规则配置也无法理解文本的语义信息。 化⽂本 类 自 然 语 ⾔ 半 结 构 观点 1 ：软件日志运维是从机器语言向自然语言的 转化 转化 表：一些网络基础设施

胡诗云，易君健∗ 2025 年 6 月 摘要： 以 ChatGPT 和 DeepSeek 为代表的人工智能大语言模型（简称大模型），正在对知识工作者的生产方 式产生革命性的影响。本文面向经济管理学科的研究者，介绍大模型的技术原理、应用方式以及在科学研究全 流程中的应用。本文首先从社会科学和大语言模型的本质出发，分析了认知自动化的边界，指出围绕理论工作 的能力是人类科学家在人工智能时代的核心能力。 建议。大模型全面融入学术工作流程，不仅能通过自动化重复劳动提高研究效率，更能通过人机合作扩展人类 思维的广度和深度，经济管理研究即将走向人机协作的新时代。 关键词: 人工智能；经济学方法论；人机协同；大语言模型 JEL Codes: A11；B41；C45；D83 ∗胡诗云，北京大学国家发展研究院，博士研究生，电子邮箱：hushiyun@pku.edu.cn。易君健，北京大学国家发展研究院，教授，（联系方式）。作者 . . . . . . . . . . 9 3 祛魅 AI：大模型的基本原理 10 3.1 大语言模型的定义和历史 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 3.2 大语言模型的数学结构 . . . . . . . . . . . . . . . . . . . . .

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, 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 intelligence, AI) 技术提高具身智能的表 现则成为学界与产业界的关注重点. 最近的研究表 明, 通过扩大语言模型的规模, 可以显著提高其在 少样本学习任务上的表现, 以 GPT-3 (Generative pre-trained transformer 3)[4] 为代表的大语言模型 (Large language model, LLM) 在没有进行任何参 收稿日期 2024-08-01 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, 甚至进行诗歌和故事的创作; BLIP (Bootstrapping language-image

）：以模型为核心，是对真实世界的模拟和解释 • 用语言逻辑方法获取理论模型：模糊 • 用解析数学方法获取数学模型：精确 • 用计算数学方法获取数据模型：近似 • 用机器学习方法获取概率模型：复杂 • 用人工神经网络获取网络模型：黑盒 • 超过两层的神经网络可以逼近任意连续函数 人类智能 • 抽象（语言）：概念，数字，理 念 • 逻辑（理性）：归纳，演绎，类 专用任务模型： NLP 、 CV 、 Gaming…… 2. 通用任务模型： AIGC • Diffusion 、 transformer ◼ 从 NLU+NLG 到 LLM （大语言模型） 1. 语言逻辑和数据集蕴含了人类的认知智能 2. LLM 是人类的认知智能的实现方式之一 3. LLM 的原理很简单；工程很复杂；效果很神奇 3. 推理能力（涌现）：一般需要 10B 以上， 时刻）：表现是慢思考；本质是合成数 据 有些是产品能力，不是模型本身的能力： RAG Function Call 1. 语言能力： 一本正经地说话，语言顺畅， GPT 时达 到 • NLG+NLU ：语言理解、语言表达（包括温度和情商） • 人类语言、代码语言、 XX 语言 2. 知识能力：海量公开知识，言之有物， GPT-2 时达 到 • 顺带学习（基座模型）：文字中蕴含了知识

Big-data Driven ，模型基于大规模语料训练而成； Multi-tasks Adaptive ，支持多种任务 ，包括自然 语言生成 NLG 和自然语言理解 NLU 类的任务； AI 大模型就是预训练语言模型 通过在大规模宽泛的数据上进行训练后能适应一系列下游任务的模 型 产业研究 战略规划 技术咨询 2 Few-shot (Zero-shot) ，在少甚至无标注样本的 条件下支持推理（自监督学习）。 将模型在下游各种自然语言处理任 务上的小规模有标注数据进行微调 得到适配模型 预训练语言模型 从海量数据中自动学习知识 将模型在大规模无标注数据上进 行自监督训练得到预训练模型 不同特定任务 有标注训练数 据 模型预训练 模型微调 最终模型 提出 Transformer 框架在机器翻译中取得显著进步 ，其分布式学习和强大编码能力受到广泛关注。 2018 年 Google 和 OpenAI 基于 Transformer 提出了预训练语言模型 BERT 和 GPT ，显著提高了 NLP 任务的性能 ，并展示出广泛的通 用性。 众多预训练模型相继涌现， OpenAI 以 GPT2 、 GPT-3 、 ChatGPT 等系列模型为代表，持续引领大模型时代的浪潮

机器人编程，就是针对机器人为完成某项作业进行程序设计。 工业机器人编程是机器人技术的一个重要方面，它是与机器人所采 用的控制系统相一致的。为了用简单的方法描述作业、操控机器人， 机器人的语言应运而生。在本节中，主要详细介绍示教编程。 本 节 导 入 1 、示教编程 图 6-1 示教再现式机器人控制系统工作原理 示教盒 记忆装置 伺服放大 示教部分 再现部分 公共部分 工作装置 难以与其他操作同步 很难规划复杂的运动轨迹 以及准确的直线运动 难以与传感信息相配合 机器人语言编程是指采用专用的机器人语言来描述机器人的动作 轨迹。机器人语言编程实现了计算机编程，它具有良好的通用性，同 一种机器人语言可用于不同类型的机器人。此外，机器人编程语言可 解决多台机器人之间协调工作的问题。 2 、机器人语言编程 离线编程是在专门的软件环境支持下，用专用或通用程序在离线 情况下进行机器 两种情况 机器人语言提供一种通用的人与机器人之间的通信手段。它是一 种专用语言，用符号述机器人的运动，与常用的计算机编程语言相似。 1 、工业机器人语言的发展概况 1975 年 IBM 公司研制出 ML 语言 随后又研制出 AUTOPASS 语言 1974 年 在 WAVE 语言的基础上开 发了 AL 语言 1973 年 美国斯坦福大学开发了第一种 机器人语言—— WAVE

应链攻击风险，保障整体系统可信性。 6.4 应用服务组装 6.4.1 应用管理 a) 应支持整合与处理来自不同领域、不同层面的知识，从而更好地满足来自多样化场景的需求。 将专业领域的知识与通用语言建模能力相结合，为用户提供高质量的内容和服务； b) 应预置政务场景大模型应用模板，如政策文件、政务问答、政务要素等，模板中需预置行业大 模型，大模型需具备政务行业属性，以实现快速构建政务大模型应用能力，同时支持用户自定 识别服务。 a) 应具备理解用户目的能力，意图识别服务能够通过对用户输入的文本进行分析，理解用户的意 图，从而为后续的对话处理提供明确的方向； b) 应具备自然语言交互的能力，意图识别服务可以支持自然语言交互，用户可以使用自然语言进 行提问和查询，无需特定格式或关键词，使得对话更加自然和便捷； c) 应具备多轮对话支持的能力，意图识别服务可以支持多轮对话，可以在对话过程中动态地调整 意图识别结果，从而更好地引导对话过程； 意图识别结果，从而更好地引导对话过程； d) 应具备强大的后端知识库，意图识别服务通常与强大的后端知识库相结合，可以提供更加全面 和准确的信息和服务； e) 宜具备自我学习和优化的能力，意图识别服务可以通过机器学习和自然语言处理技术进行自我 学习和优化，不断提高对话系统的效率和准确性。 6.4.2.2 检索组件 检索组件允许用户高效地查询和获取文档中的关键信息，提升信息获取的效率，进而提升工作和决 策的效能。 a)

先，在风险评估与定价方面，AI 大模型能够通过海量数据的分析与 建模，提升精算的准确性和效率，从而制定更加科学合理的保险产 品定价策略。其次，在客户服务与营销领域，AI 大模型可以通过自 然语言处理（NLP）技术实现智能客服、个性化推荐以及精准营 销，显著提升客户满意度与转化率。此外，在理赔处理与反欺诈方 面，AI 大模型能够快速识别异常行为，提高理赔效率并降低欺诈风 险。 根据麦肯锡的研究数据，AI 潜力尤为显著。首先，AI 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 大模型在保险行业的定 义可以理解为一种基于海量数据训练的强大算法模型，能够处理复 杂的保险业务场景，包括风险评估、客户服务、理赔处理、产品设 计等。其核心功能主要集中于以下几个方面： 首先，AI 大模型通过自然语言处理（NLP）技术，能够实现智 能客服和自动化沟通。例如，客户可以通过语音或文本与 AI 进行 交互，快速获取保单信息、理赔进度或产品推荐。这种技术不仅减 少了人工客服的工作负担，还能够提供 24/7

不同任务训练不同的模型，泛化 能力差 生成式 AI 2020- 硬件、算法、大数据全面突破 对话机器人 算法框架： Transformer 大规模无 监督预训练 多任务、多模态统一处理 自然语言理解、世界知识记忆、 逻辑推理 人工智能时代推动检验技术的发展 大数据 人工智能 物联网 云计算 自动化图像识别 高通量数据处理 检测智能化与自动化 个性化医疗 多指标联合分析 / 模型优化：性能最优模型进行指标优化  外部验证：独立数据进行模型验证 AI 生物标志物研究举例之自身免疫 病 AI 生物标志物科研成果的临床应 用 AI 生物标志物从 IDEA 到 APPLY 大语言模型的发展历程 Deepseek 横空出世 2023 年 7 月 DeepSeek 成立 2024 年 5 月 宣布开源第二代 MoE 大 模型 DeepSeekV2 2024 年 11 系统已接入，免输入一键结 果解读；  Deepseek 、 QWQ 多模型选择。 报告单解读 标准化操作流程查询  大语言模型专业化 （ LLMSpecialization ）；  标准化、流程化、数字 化、 AI 化。  忠于原文语义与结构；  注重语言的美学表达。 文献翻译 / 解 读  为医护打造的检验科 RAG ；  降低不合格标本比例；  医检沟通的好伙伴。