深度学习在智能助理产品中的应用 胡一川 结束语 . 提升智能助理产品的可靠性 . 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 最懂你的私人助理 结束语 . 提升智能助理产品的可靠性 . 深度学习与智能助理产品 . 智能助理产品的特点 目 录 • • 对一段文本对应的向量进行转换， 转换时使用上下文信息 通常使用 CNN 或 RNN 从编码后的向量中提取对预测有 价值的信息 输出为一个固定维度的向量 基于深度学习的自然语言处 理框架 • 基于输入向量产出最终的预测 基于输入向量产出最终的预测 [Honnibal 2016] 3. Attend 4. Predict 1. Embed 2. Encode • 将每个词或字映射为向 量 深度学习的应用：意 图识别 l 基于深度学习，完全数据驱动，无需特征工程 l 效果明显优于传统机器学习模型 l 在 20 多个领域下准确率可达 96% Softmax Attention

融合短临预报和实测数据的降水空间分布计算方法 提出了耦合深度学习和时空地理加权回归的数据融合方法（ GTWR-LSTM ） ； 融合站点观测数据与雷达回波反演或模式短临预报数据 ，提供精细化降水时空数据； 降低短临预报平均绝对误差减小 10% 以上 ，预见期延长 6h 以上。 引用 LSTM 模型计算 GTWR 距离权重 短临预报和实测数据深度融合 技术成果： 延长预见 期 长短记忆神经网络 将水文学原理和数据驱动模型相耦合 ，构建物理函数约束的深度学习模型 ，在深度学习模型中考虑了 流域产汇流的物理机制 ，使深度学习模型测预测结果更符合物理规律。 耦合物理机制的深度学习： 产汇流机制约束的深度学习洪水预报模 型 技术成果： 提高模拟精 度 在损失函数中嵌入物理机制 在模型训练模式中考虑物理机制 P16 耦合物理机制的深度学习： 产汇流机制约束的深度学习洪水预报模型 模型结构： 在充分考虑流域产汇流机制基础上 在充分考虑流域产汇流机制基础上 ，模型构建了分布式的深度学习预报模型进行滚动预 报，最大程度控制误差； 模型输入： 前 24h 降雨与边界流量 / 水位 ，未来 72h 的气象网格降雨预报结果； 模型输出： 四条支流关键断面 ， 以及丽水站、 开潭水库未来 72h 的流量 / 水位。 技术成果： 提高模拟精 度 P17 适用性强： 与其他神经网络模型相比 ，模型结构适用于雨水

第二代（知识工程）： 知识为核心 3. 第三代（数据模型）：学习为核心 ◼ 从机 器学习到深度学习 1. 任务：判别、预测，通过学习数据分布规律 2. 边界：有规律、可以数字化，属于经验科学 3. 要素：机器学习 - 深度学习 • 模型：神经网络模型（分层；单向） • 策略：损失函数定义 01 对 AI 技术的认知：人工智能的本质 人工智能（ 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 • 压缩：幻觉 • 遗忘：微调（迁移学习），尤其是 RLHF 用人工神经网络获取网络模型：深度学习 -Transformer 模型 - 大语言模 型 大语言模型的核心原理：数据化 - 语义化 -NTP （ Next Token Prediction ） 大语言模型的三层能力：语言能力 - 硕士：专业深化 | 研究方法 | 创新能力 | 工程实践 | 领域专精 博士：原创研究 | 理论突破 | 学术前沿 | 独立科研 | 行业引领 n AI+ 学科 各学科（非人工智能专业）与人工智能的深度融合的课程 n AI 通识教育 面向院校所有学生、教师和教职工 基础概念 | 技术认知 | 伦理思考 | 社会影响 | 应用场景 | 未来趋势 n 培养什么人 1. 思维能力：批判思维、独立思维、逻辑思维

AI 算力基础平台、 AI 算力调度平台和 AI 算法模型， 打造人工智能开放服务 平台 • 汇聚并赋能行业 AI 应用，助力行业智慧应用高效化开发， 加速行业和产业 AI 化 • 基于深度学习、强化学习等创新 AI 技术 • 重点围绕生产算力、聚合算力、调度算力、释放算力四大关键环节提升 AI 算 力 A 核心技术 AI 化 c 服务应用 AI 化 B 输出产品 AI 化 CPU 最新 人工智能理论 领先 人工智能计算架构 AI 芯片 AI 服务器 高速互联 深度学习框架 资源调度 数据服务 数据开放共享平台 算力服务 算法服务 产业创新聚集平台 智能生态建设平台 图像 视频 高 效模 型 训 练框架 高 效模 型 优 化方 法 深度 学习 自然语言 处理 AI 场景 AI 算法 AI 工具 AI 服务 CPU GPU 细粒度切分 自动驾驶 机器人 智能制造 医疗影像 无人商店 智能客服 智慧物流 智慧农林 智慧交通 应急管理 防洪减灾 环境保护 地理测绘 GPU FPGA 智能计算中心技术架构 深度学习 自监督学习 强化学习 自动机器学习 跨媒体多模态 智 算 中 心 作 业 环 节 算力生产供应平台 聚 合

人等技术在物流场景的落地，有助于成本管控正从“经验式”向“智能化”跃迁，率先使用 AI 等科技 或具备技术基因的 ToB 物流商，有望在成本竞争中进一步扩大竞争优势。 “AI+ 物流”相较于“互联网 + 物流”：全链路深度融合，智能决策。我们认为， AI+ 物流以人工智 能 算法、机器人及自动驾驶技术为底层支撑，从被动响应转向主动预测与动态优化，通过自主决策与 自 动化执行提升物流全链路效率。 “AI+ 物流接入 DeepSeek ，在异常管控、智能交互、流程自动化三大板块落地使用。供应链领域，例如， 怡亚通的平台 · 运多星正式接入 DeepSeek ，将运用在智能风控体系、运力调度、数据价值深度挖掘 等 方面。 我们认为，大型语言模型时代下智能程度高速提升的 AI 模型，能够更高效地完成泛化社会 领 域中的复杂任务，为“ AI+ 物流”的发展模式提供现实背景与技术支持，“ AI+ 物流”的稳步发展与 正在推动物流行业向智能化、自动化与高效化方向 的产业能级跃进。 我们认为，在高度同质化竞争格局下，供应链行业护城河构建逐步从资源规模转向成本控制能力， 倒逼企业围绕全链路精益化管理展开深度变革。从业务特性看， ToB 物流服务链条长、定制化程度 高，且客户对成本诉求敏感，这些特性驱动物流企业加强两大核心能力：动态优化成本、精细化运 营。随着 AI 、机器人等技术在物流场景

能技术为核心的新时代，这为破解检察工作中的各项难题，提供了新工具、新方法。航 天科工集团凭借在检察院行业信息化的多年经验，深刻洞察到业务发展和技术浪潮的关 键时机，用大数据和人工智能等创新技术与业务场景进行深度融合，设计新一代智慧检 务产品，助力构建新时代智慧检务生态。 前言 前言 4 智慧检务解决方案 1 2 3 前言 架构说明 目录 产品介绍 4 支撑组件 5 智慧检务解决方案 案件质量评查系统 10 智慧检务解决方案 案件质量评查系统 11 智慧检务解决方案 案件质量评查系统 12 智慧检务解决方案 系统提供算法模型与训练数据云化、大数据与人工智能深度融合的智能化分析与应用 支撑平台，为检察决策提供可视化、标准化、系列化的人工智能服务。实现各地区和各 业务条线的实时办案情况和核心业务数据分析，实时分析展示案件评查和流程监控中发 现的问题等。 同时，目前还存在着卷宗信息查找难、卷宗内容引用难、相似案件查找难、量刑尺度不 同、查找法律支持耗时长且不精确、梳理案情难度大、信息录入效率低等问题，因此急 需一套先进的卷宗自动编目系统来解决以上难题。 自动编目系统采用深度学习技术，能够对扫描后的卷宗进行自动编目，可自动分析扫 描文件，提取关键信息标注文件名称，同时提供树状目录结构，编目人员只需要对自动 编目的结果进行快速校验，做适当修正便可完成整个编目过程。 智能电子卷宗系统

正以系统性重塑者的姿态 ，重新定义保险行业的运行逻辑。它 不再是概念宣讲里的“未来畅想” ，而是通过智能算法、数据洞察 ，深度融入产品设计、服务流程、风险管控 ，实现科技赋能 与保险初心的同频共振。这场变革的底层逻辑 ，是数字技术与金融服务的深度融合。 每一次基于大数据的精准风险定价 ，每一回借助智能交互完成的便捷理赔 ，都在重构大众对保险服务的认知范式。 当 AI 能够比人工更高效识别潜在风险 ，如何在科技效率与人文关怀之间筑牢平衡 支点 ，将成为贯穿保险 AI 时代的核心命题。我们期望行业各方 ，能在数字创新与保障本质的共鸣中 ，寻回保险“守护稳稳幸福” 的初心 ，奔赴对行业高质量发展、对客户美好保障体验的深度追求。 市场规模： 中国保险市场持续扩容 ， 2026 年原保费收入有望突破 6.3 万亿元 ，寿险、财产险、健康险 等均呈增长态势。 科技投入： 保险业科技投入持续高速增长 ， 2025 ，提升运营效率、管理效能 ，优化用户体验。 趋势 1 ：保险业 AI 应用从单点工具性应用向集中化智能体中台转变 ，将从“效率工具 ”向“战略中枢 ” 升级。 趋势 2 ： AI 驱动保险产品与服务深度融合 ，构建跨行业生态网络。 趋势 3 ： AI 在保险风控与合规领域的应用呈现“双面性 ” ，帮助提升反欺诈效率与风险定价精度， 同 时带来合规挑战。 摘要 保险行业 AI 应用场景

图灵提出“机器能否思考”的哲学命题，但未形成系统研究框架。 ◆1997 年 — —深蓝胜利： IBM 超级计算机击败国际象棋冠军，体现专用 Al 的突破，但通用智能仍未实现。 ◆ 2012 年——技术突破的转折点：深度学习崛起， Geoffrey Hinton 团队在 ImageNet 竞赛中以卷积神经网络将错 误率 从 26% 降至 15%, 引发算力与数据驱动的 Al 革命。 ◆ 2016 年—— AlphaGo: 年人工智能元年至今，人工智能的发展历程经历了漫长的岁月，大致可以划分为以下 6 个 阶段 一、人工智能发展简史了解 互联网推动人工智 能不断创新和实用 深蓝战胜国际象棋冠军 BM 提出智慧地球 我国提出感知中 国 深度序习与 大数据兴起 带来了人工 着 能的爆发 物联网 专家系统遍地开花 人工智能转向实用 医疗专家系统 MYCN 任务失败 目标落空 机器翻泽 笑话百出 定理证明 反思 、上市圈钱，你醒来发现银行卡多了 100 亿。 一、人工智能发展简史了解 OpenAl 的 5 级 AGI 量表 二、大模型：人工智能的前沿 2.1 大模型的概念 大模型通常指的是大规模的人工智能模型，是一种基于深度学习技术，具有海量参数、强大的学习能力和泛化 能力，能够处理和生成多种类型数据的人工智能模型 通常说的大模型的“大”的特点体现在：参数数量庞大、训练数据量大、计算资源需求高 2020 年， OpenAl

S0980522100001 S0980522090001 l GPU 是人工智能时代下满足深度学习大量计算需求的核心 AI 芯片。 过去五年，大型语言模型的参数规模以指数级增长；从 2018 年起， OpenAI 开始发布生成式预训练语言模型 GPT 以来， GPT 更新换代持续提升模型 及参数规 ；据前瞻产业研究院 数据，中国 AI 芯片市场规模预计由 2019 年的 122 亿元增长至 2024 年的 785 亿元，对应 CAGR 达 45.11% 。 AI 芯片中 由于 GPU 通用型强，满足深度学习大量计算 的需求，因此 GPU 在训练负载中具有绝对优势。以 GPT-3 为例，在 32 位的单精度浮点数数据下，训练 阶段所需 GPU 数量为 1558 个，谷歌级应用推理阶段所 需 GPU GPU(GPGPU) 计算的 CUDA 平台。 自 2015 年以后，随着 AI 浪潮迅猛推进，公司业务不断多元化， 向数据中心、游戏、移动设备、 汽车电子等市场发展。公司 GPU 产品能够并行计算的性能优势满足深度学习需求，通过对 GPU 架构升级不断推出新产 品，其运算性能得到显著提升，广泛 用于数据中心等计算密集领域。 请务必阅读正文之后的免责声明及其项下所有内容 复盘英伟达的 AI 发展之 路

S0980522100001 S0980522090001 l GPU 是人工智能时代下满足深度学习大量计算需求的核心 AI 芯片。 过去五年，大型语言模型的参数规模以指数级增长；从 2018 年起， OpenAI 开始发布生成式预训练语言模型 GPT 以来， GPT 更新换代持续提升模型 及参数规 ；据前瞻产业研究院 数据，中国 AI 芯片市场规模预计由 2019 年的 122 亿元增长至 2024 年的 785 亿元，对应 CAGR 达 45.11% 。 AI 芯片中 由于 GPU 通用型强，满足深度学习大量计算 的需求，因此 GPU 在训练负载中具有绝对优势。以 GPT-3 为例，在 32 位的单精度浮点数数据下，训练 阶段所需 GPU 数量为 1558 个，谷歌级应用推理阶段所 需 GPU GPU(GPGPU) 计算的 CUDA 平台。 自 2015 年以后，随着 AI 浪潮迅猛推进，公司业务不断多元化， 向数据中心、游戏、移动设备、 汽车电子等市场发展。公司 GPU 产品能够并行计算的性能优势满足深度学习需求，通过对 GPU 架构升级不断推出新产 品，其运算性能得到显著提升，广泛 用于数据中心等计算密集领域。 请务必阅读正文之后的免责声明及其项下所有内容 复盘英伟达的 AI 发展之 路