训练已成为推动智能化应用落地的核心环节。本项目旨在构建一套 完整的数据处理与模型训练方案，以满足企业在复杂场景下的智能 化需求。项目通过对多源异构数据的采集、清洗、标注和结构化处 理，打造高质量的知识库，为后续的 AI 模型训练提供坚实的基 础。同时，结合先进的深度学习技术和规模化计算资源，设计高效 的模型训练流程，确保模型在准确性、泛化能力和计算效率方面达 到预期目标。项目的实施将涵盖以下关键步骤： 模型训练 效率，为后续的智能化应用开发和部署打下坚实的基础。 1.1 项目背景 随着人工智能技术的迅猛发展，大模型在各个领域的应用日益 广泛。然而，大模型的训练效能和精度在很大程度上依赖于高质量 的知识库数据处理。当前，许多企业和研究机构在构建和利用知识 库时，面临着数据来源分散、数据质量参差不齐、处理流程复杂等 多重挑战。这些挑战不仅增加了数据处理的成本，还直接影响到后 续模型训 数据存储模块：采用分布式存储技术，支持大规模数据的高效 存储；  数据检索模块：实现高效的分布式检索，满足实时查询需求。 通过上述模块的集成与优化，本方案将显著提升知识库数据处 理的效率和准确性，为 AI 大模型的训练提供高质量的数据支持。 最终，该方案将广泛应用于金融、医疗、教育等多个行业，推动人 工智能技术的深入应用和创新发展。 1.2 项目目标 本项目的核心目标在于构建一个高效、精准的知识库数据处理 系统，

36.2% 1。高速增长的智能算力规模可为各类人工智能应用提 供坚实的算力基础。 高质量数据集量质齐升，持续丰富人工智能训练养料 国家数据局等 17 “ 部门联合印发的《 数据要素×” 三年行动计划（ 2024—2026 年） 》提出，强化场景需求牵 引，带动数据要素高质量供给、合规高效流通。我国高质量数据集建设取得积极进展，数据要素市场不断拓展新空 间，2024 年数据生产量达 41 明确人工智能标准化顶层设计，研究标准体系 建设和标准研制的总体规则，明确标准之间的 关系，指导人工智能标准化工作的有序开展。 2022 年 7 月 《关于加快场景创新以人工智 能高水平应用促进经济高质量 发展的指导意见》（国科发规 〔 2022〕199 号） 科技部等六部门 以促进人工智能与实体经济深度融合为主线， 强化主体培育、加大应用示范、创新体制机 制、完善场景生态，加速人工智能技术攻关、 市数字化转型支撑、全过程优化城市数字化转型生 态三个方面部署着力推进城市全域数字化转型的 12 项重点任务。 城市现代化是推进中国式现代化的必然要求，也是智慧城市建设的根本目标。新时期面向建设人民城市、发展 新质生产力、推动城市高质量发展等城市现代化建设的新理念和新要求，通过深化智慧城市发展推进数字技术与经 AI CITY 发展研究报告 08 济、治理、生活深度融合，是推进数字中国建设在城市全面落地的关键举措，也是城市面向未来构筑竞争新优势、推

身份认证 有效数据 元数据管理 主数据管理 治理监管 质量监控 … 应用系统（低阶） 教务 学工 人事 科研 一卡通 … 低价值、低质量数据层 低价值、高质量数据层 高值数据 挖掘平台 挖掘工具 挖掘模型 挖掘算法 … 高价值、高质量数据层 应用系统（高阶） 智慧校园、大数据时代 服务化、智能化、移动化、泛在化、融合化 统一 门户 基本 校情 掌上 校园 （第一代） 精华科技致力于教育信息化建设 高数据质量，对数据集成过程中的数据来源、处理和使用进行集中管理，形成 可重复利用的高质量的有效数据。 建设的成效 通过有效的数据治理，学校的各类型的信息，形成了相对完整、正确的数 据，有效的促进了信息化管理的高效性。 产生的新问题 高质量数据的积累，需要完善的制度与运营团队，但紧紧提高了部分工作效率， 解决了部分问题，投入与产出不均衡，如何利用高质量的数据进行更深层次的 使用，成为了新的问题。 第四阶段：数据分析挖掘阶段 思路如下： 对各业务系统产生的数据进行集成，尽可能多的抽取数据，包括结构化数据、 半结构化数据、非结构化数据，建成全量数据库，形成基础数据层。然后通过 数据治理工具，提高基础数据的质量，形成高质量的有效数据层。 最后对高质 量的数据进行挖掘和分析，形成高价值数据层，为教师和学生提供个性化的应 用，为管理层提供决策支持。 针对不同的对象（用户角色），以不同主题（基本校情、院系竞争力、科

疗应用中，医生 可以通过模型生成个性化的治疗方案，结合患者的具体情况与历史 病历，提供定制化的医疗服务。 另外，生成式大模型的推理和生成能力也常常超过传统算法。 例如，某些模型已经能够生成高质量的医学图像，辅助放射科医生 进行诊断。这一过程不仅提高了诊断的效率，还能减少人为错误的 可能性。 以下是 AI 生成式大模型的主要特点总结：  大规模学习：通过在海量数据上训练，生成式大模型能够学习 通过两个神经网络（生成器和判别器）的对抗性训练， 使得生成器生成的样本逐渐逼近真实数据的分布。这种方法在图像 生成、图像修复以及风格转换等领域有着广泛应用。例 如，StyleGAN 就是一种高质量图像生成的 GAN 变体，它能够生成 极为真实的面孔图像，且在医疗图像处理中的应用日益受到关注。 此外，变分自编码器（VAE）也是一种重要的生成模型，其通 过编码器和解码器的组合，学习潜在变量的分布。VAE 体需求、数据类型和生成目标进行综合考量，以实现最佳效果。 算法类别 主要特点 适用场景 Transforme r 自注意力机制，长文本处理能力强 自然语言处理、对话系统、医疗 文本生成 GAN 对抗训练生成高质量样本 图像生成、医学图像合成、数据 增强 VAE 潜在变量模型，数据重构及生成能力 强 医疗图像去噪、生成合成数据 自回归模型 逐步生成数据，保持时间序列连续性 语音合成、文本生成 扩散模型

数据训练考评系统，旨在全面提升人工智能模型的训练质量和考评 效率。具体目标包括： 1. 提升数据训练效率: 通过优化数据处理流程和引入自动化工 具，大幅缩短数据清洗、标注和处理的时间，确保训练数据的 高质量和高可用性。 2. 实现精准模型考评: 设计多维度的考评指标体系，包括准确 性、召回率、F1 值等，结合可视化工具，全面评估模型性 能，确保考评结果的科学性和客观性。 3. 支持多场景应用: 索 或贝叶斯优化等方式自动寻找最优参数组合。 对于数据预处理，系统需支持常见的数据格式（如 CSV、JSON、图像、视频等），并提供数据清洗、归一化、特征工 程等预处理模块，确保训练数据的高质量。系统还应具备数据增强 功能，特别是针对图像和文本数据，支持随机裁剪、翻转、旋转、 噪声添加等操作，以提升模型的泛化能力。在训练过程中，系统需 实时监控训练状态，包括损失函数值、准确率、学习率等指标，并 据预处理、特 征工程和数据存储。该层对原始数据进行清洗、去噪、归一化等操 作，并通过特征提取和降维技术生成可用于模型训练的高质量数据 集。数据处理层还支持分布式计算框架，能够高效处理大规模数据 集，确保数据处理的效率和准确性。 模型训练层基于数据处理层输出的高质量数据集，采用多种机 器学习算法和深度学习框架进行模型训练。该层支持多节点分布式 训练，能够根据任务需求动态调整训练资源和参数设置，确保模型

一些、更智慧一些， 是推动城市治 理体系和治理能力现代化的必由之路。 2020 年 11 月， 习近平总 书记亲临江苏视察， 充分肯定江苏工作， 擘画江苏未来发展， 赋予江苏“在改革创新、推动高质量发展上争当表率， 在服务全 国构建新发展格局上争做示范， 在率先实现社会主义现代化上 走在前列”新的重大使命。这是江苏现代化建设的总纲领、总命 题、总要求， 是谋划未来发展的重大战略指引和根本行动遵循。 成为 数字经济 发展的主要载体 。 与此同时， 新基建赋能智慧城市建 设， 国家 高度重视新型基础设施建设， 新基建政策及会议精神 不断加码， 基于新一代信息的新型基础设施成为新型智慧城市 高质量发展 —3— 的重要基础， 以信息基础设施支撑政务服务、政府管理、民生 服务、产业发展等领域创新应用。 (二)新愿景牵引智慧城市创新发展 不断满足人民日益增长的美好生活需要是新型智慧城市建 建设协同创新产业体系，需要聚力“ 高质 量” 协同， 打造强劲活跃增长极， 推进基础设施互联互通， 加 快公 共服务便利共享， 以一体化的应用场景建设， 实质性推 进长三 角 一体化， 展现“ 高质量发展看无锡” 的底气。 — 11— 第二部分 总体思路 一、 指导思想 坚持以习近平新时代中国特色社会主义思想为指导， 深入 贯彻总书记视察江苏重要讲话指示精神， 紧紧围绕网络强国、

施方案，导 致项目推进缓慢，效果不显著。 近年来，AI 大模型（如 GPT、BERT 等）的出现为企业的智能 化转型提供了新的可能性。这些大模型不仅能够处理海量数据，还 能通过深度学习生成高质量的预测和决策支持。然而，大模型的部 署和应用需要强大的计算资源、专业的技术团队和灵活的架构设 计，这对企业的技术基础提出了更高的要求。因此，构建一个统一 的 AI 大模型底座平台，为企业提供从数据采集、模型训练到应用 大模型底座。首先，我们将构 建一个高性能的基础大模型，该模型将具备多模态处理能力，能够 支持文本、图像、音频和视频等多种数据类型，并且在多个特定领 域任务上表现出色。该模型的训练将基于大规模、高质量的数据 集，确保其在各类业务场景中的泛化能力和准确性。项目完成后， 预计该模型在关键业务指标上的准确率将达到 95%以上，推理速度 将优化至毫秒级，能够满足企业对实时响应的需求。 其次，项目 采用分布式存储架构，支持海量数据的高效存储与快速检索，同时 满足数据备份与恢复的需求。数据清洗与整合是确保数据质量的关 键，需通过 ETL 工具或数据湖技术，对原始数据进行去重、补全、 转换等操作，形成高质量的数据资产。数据安全与隐私保护则需遵 循相关法律法规，实施数据加密、访问控制、审计跟踪等措施，确 保数据在存储、传输和使用过程中的安全性。 在数据分析需求方面，企业需要构建智能化分析平台，支持多

自党的十八大以来，我国高度重视制造业与人工智能的融合， 正加速制造业与人工智能的融合进程， 旨在提升制造业效率、质量 和创新能力，促进产业链协同优化，构建开放共享的制造业生态， 为经济高质量发展和全球可持续发展贡献力量。 在此背景下，本报告深入剖析当前技术应用的现状，关键技术 创新方向， 以及行业应用的具体情况，通过制造业具体场景的典型 案例揭示人工智能如何助力制造业研发设计、生产制造、运营管理 2023 年第 12 位。另一方面，人工 智 能的应用可以助力我国形成新的产业生态和经济增长点。通过 促进 制造业与其他产业的深度融合，打破产业的界限，催生众多 新兴的 交叉产业，为我国经济的高质量发展提供强大的动力。 当 前，新一 轮科技革命和产业变革加速演进，重大前沿技术、颠覆 性技术持续 涌现，科技创新和产业发展融合不断加深，催生出具 8 身智能、脑机 接 口、量子信息等新产业发展方向。我国具备工业 体系建设、跨界合作关系、联邦投资及国家研发投入等关键领域设 定了战略目标，并强调工业互联网及人工智能应用的重要性。 目的 在于借助高度发达的工业互联网和人工智能技术基础，刺激经济增 长并创造高质量就业机会。2023 年 5 月 23 日，美国白宫发布《国 家人工智能研发战略计划》，该计划阐述了人工智能在制造业及多 个关键领域的战略价值。计划明确指出，AI 技术的研发将聚焦于破 解制造业复杂难题，

量化处理不仅提高了数据处理的效率，还增强了模型对文本特征的 理解能力，为后续的模型微调奠定了坚实的基础。 通过上述步骤，数据准备与预处理工作为 DeepSeek 政务大模 型的微调提供了高质量、规范化的数据集，确保了模型在政务领域 的应用效果和实用性。 2.1 政务数据集收集 在政务数据集收集的过程中，首先要明确数据来源的多样性和 权威性，确保数据的全面性和准确性。数据来源主要包括政府部门 查，确保标注结 果的准确性和一致性。对于标注数据的存储，建议采用结构化的数 据库或文件格式（如 JSON、CSV），便于后续模型训练和评估。 通过上述清洗与标注步骤，可以为后续的模型微调提供高质量、 结构化的数据集，从而提升政务大模型的性能和应用效果。 2.2.1 数据去重与噪声处理 在数据清洗与标注的过程中，数据去重与噪声处理是确保数据 质量的关键步骤。去重操作旨在消除数据集中的重复样本，避免模 标注模板设计：设计标准化的标注模板，简化标注操作。 o 标注任务分派：根据标注人员的专业背景和经验，合理 分配标注任务，确保每项任务由最合适的人员完成。 通过以上步骤，可以确保政务大模型微调所需的数据标注工作 高质量、高效率地完成，为模型的进一步优化提供坚实的数据基础。 2.2.3 数据质量控制机制 在数据清洗与标注过程中，数据质量控制机制是确保数据准确 性、一致性和可用性的关键环节。首先，建立一套多层次的数据质

随 着我国进入新的发展阶段，中央企业正在加快构建以国内大循 环为主体、国内国际双循环相互促进的新发展格局，央企应该 抓住历史机遇，从发展模式、业务布局、技术路径等方面做好 准备，以数字化转型来驱动高质量发展。 （3） 技术发展 数字化转型是中央企业近年来在提质增效、转型升级方面 的重点工作。随着技术的不断发展，企业的管理理念、经营模 式和商业模式都发生了巨大的变化， 由此带来的是生产和业务 枢，其数字化转型已经成为行业关注热点。而随着人工智 能、5G、物联网等新兴技术与电力业务深度融合，智能电网 实现了从物理电网向信息电网的转变。以“互联网+”为基础的 数字经济时代下，电力企业数字化转型势在必行，这是实现行 业高质量发展和有效化解能耗问题的关键所在。 当前，数字经济发展处于关键时期，数字化转型是企业提 质、增效、降本、提高竞争力的必然要求。随着技术的进步， 大数据、人工智能等技术在电力行业的应用正不断加深。为应 身传统发展模 式所带来的经济下行、人才短缺、 战略定位不清晰等问题。这些问题让央企面临着严峻挑战。而 人才不足成为当前央企在数字化转型进程中最为突出的挑战之 一，也是其进一步实现高质量发展的最大障碍。部分企业对数字 化转型重视不够，缺乏培养高素质数字化人才的机制，尤其是复 合型人才和熟悉信息化工作的领军型人才。 （3） 缺乏数字化经验 对数字化转型的战略、理念、愿景缺乏深刻理解；对企业数