一键校准量子比特参数的功能，不需要专业维护，降低使用成本；3） 开放底层的脉冲控制，使用自定义的射频脉冲操控量子比特，不仅 仅局限于逻辑门层级的量子线路编程；4）可以获取原始的量子信号 数据，从实验数据上观测量子比特的演化规律；5）支持一套完备的 量子逻辑门，包含单比特门、双比特门以及三比特门，可以允许学 生自由搭建任意量子算法；6）多种量子编程方式结合，有易入门的 图形界面编程方式，以及基于 SpinQit 框架的经典-量子混合编程方 子计算教育的辅助教学仪器，真实的量子硬件以及真实的数据反馈， 能够很好地促进学生对于量子计算这一抽象概念的理解。从对量子 计算相关实验内容的支持程度上来看，核磁量子计算机可以支持从 底层量子比特的物理原理、量子态演化一直到顶层的逻辑门实现和 算法编程的量子计算全过程实验。因为实际系统已经在教育场景中 使用，技术成熟度达到 9 级。 三、 应用方案与实践 (一) 解决方案/系统架构/产品情况 为了 旋围绕三角座等核磁量子计算机设计了一整套教学方案，主要为上 量子信息技术应用案例集（2024） 6 机实验内容，主要分为三个板块。1）量子比特物理指标（如退相干 时间 T1、T2）以及自由演化动力学现象实验；2）从量子逻辑门层 级开始学习量子算法设计，并在真实硬件上运行后对结果进行分析； 3）对物理底层更加开放的量子调控技术探索，进一步加深学生对量 子计算相关技术的认识和学习。

复杂系统 第四章 物质科学 1. 物理 2. 化学 3. 材料 4. 能源 第五章 生命科学 1. 合成生物学 2. 医学 3. 神经科学 4. 医疗 5. 演化 第六章 地球与环境科学 1. 大气科学 2. 环境科学 3. 生态科学 第七章 工程科学 1. 通信 2. 遥感 3. 微电子 4. 空间信息 第八章 人文社会科学 混合精度算法 随机梯度下降方法 泛化能力 策略优化 图神经网络 生成模型 扩散模型 因果推断 循环神经网络 启发式算法 非凸优化 强化学习 人工智能辅助临床决策 模型压缩 演化模拟 多模态大模型 从头设计 基础模型 基于主体的模型 可解释人工智能 遗传算法 大语言模型 计算机视觉 物理信息机器学习 符号回归 数据共享 多尺度建模 逆向设计 图神经网络 挥着作用：图神经网络（GNN）的信息传播 和聚合过程可通过图论和图拉普拉斯算子的 谱分析来解释；将深度学习模型视作动力系 统，通过微分方程和稳定性理论分析循环神 经网络（RNN）的隐藏状态演化，不仅揭示 其长序列稳定性，也预示激活函数选择不当 时可能引起的梯度消失风险；动力系统中的 平衡点、吸引子和分岔理论进一步为神经网 络训练过程中的动态行为提供理论支撑，指 导更稳定高效的算法设计。

调度提供可信执行环境和策略约束，能效优化则在 性能与安全要求之间进行动态权衡，推动云平台向 “高可靠、高安全、高能效”的方向演进。进一步地， 这一闭环协同并非停留在策略层面的静态集成，而 是通过跨层联动与反馈自适应不断演化：一方面，底层监控与遥测数据经由智能分析与因果推断模型提 炼为可操作的运维与安全知识，驱动策略引擎在多租户、多区域和多云环境下进行动态决策；另一方面， 策略执行的效果又通过统一观测面被持续评估和 层基础设施、服务编排、中间件乃至 SaaS 层服务之间形成了跨层级、跨域的复杂依赖关系，使得故障往 往以“级联失效”、“雪崩放大”、“隐性退化”等形式呈现：单点异常极易沿控制面与数据面扩散，局部 资源失衡或策略配置偏差可能演化为大规模服务不可用。与此同时，观测数据的维度和噪声水平持续攀 升，新指标、新拓扑、新配置版本的迭代速度远超人工团队的认知与建模能力，使得“事后分析式”的被 动运维模式日益难以为继。 学术界的相 器能效优化领域，基于 Ascend NPU 的 DVFS 机制，提出了算子级的性能与功耗建模及 优化策略，实现了高精度、低损耗的能耗管理，推动了 AI 算力的可持续发展 [112]。 移与拓扑演化，要求模型不仅具备对高维、多模态时序关系的精细刻画能力，还要能在线适应、低延迟 响应与低误报率。针对这些核心痛点，中国电信云计算研究院的研究团队提出一种新型无监督检测框架 HEIMDALLR [

系统性能的优劣结论，还应揭示具身智能体在感知理 解、策略规划、行为执行等方面的能力短板或瓶颈，指 导模型或系统的持续优化。 d）动态扩展与迭代更新。随着具身智能技术的 发展，系统将呈现出更多异构性与演化性。因此评测 标准应支持模块化构建与动态更新，能够灵活扩展新 能力维度（如迭代学习、跨平台迁移等），保持与技术 发展的同步性。 e）安全性、伦理性与合规性保障。评测内容和方 法应严格遵循安全保护、数据隐私、公平性原则等伦 能力为基础，系统梳理关键技术维度，为标准及评测 体系构建提供结构化支撑。结合当前主流研究成果 与具身智能系统演化趋势，标准及评测工作可聚焦以 下 8个核心技术方向（见图 1），构建系统性能力结构与 可量化评估基线，兼顾能力识别、行为建模与指标落 地，实现从静态能力到动态演化的全景化评价框架。 a）多模态感知与语义建模能力。具身智能体需 图1 具身智能核心技术与关键评估维度 伦理合规与功能安全机制 功率等， 典型场景包括软体机器人、仿生平台、工业协作臂等。 d）自适应学习与知识迁移能力。具身智能系统 需具备通过交互积累知识、跨任务迁移与在线增量学 习能力，实现从训练阶段向部署阶段的持续演化。自 适应学习是支持多场景复用、应对环境变化与未知任 务的关键路径，也是当前大模型技术在具身智能中应 用的前沿方向。该核心技术的代表性标准及评测指 标包括迁移成功率、历史知识保持率、学习样本效率、

2 所示： 储能安全攻防测试理念 5.1 图 2 储能攻防测试理念 11 基于 TTF 和 WST 理念，构建新型储能安全攻防测试规则，总体要基于不信任原则，模拟最严酷场景，沿着储能事故 演化路径，去除层层防护，对产品进行攻防，保障每一层防护手段失效后，依然有兜底拦截措施，确保恶性事故不发生。 相关示意如图 3： 储能安全攻防测试 5.2 基于攻防测试原则，部分典型攻防测试示例如下： 和事故的发生概率两个维度进行评估，如图 14 所示： 为精准评估不同事故严重等级的发生概率，构建了基于仿真和建模的通用安全分级量化概率评估。该模型包含模型输入， 主模型（核心安全事件建模和危害演化与消减建模）和模型输出三部分，如图 15 所示： 基于储能事故严重程度及相应的事故发生概率，将储能产品安全等级分为 A（不可接受）、B（风险缓解）、C（可接受） 三个等级，并明确了各等级对应的失效概率要求。其中，A 核心安全事件建模：核心安全事件指可能引发不同严重等级危害的热、电类失效事件，如电芯内短路、绝缘失效、 过充等。 图 14 储能系统安全风险地图 (R-Map) 19 危害演化与消减建模：通过事件树分析（ETA）完成建模，明确不同核心事件到危害事件的演化路径及对应概率； 结合系统设计方案，量化主动安全防护与被动安全防护措施对风险概率的消减有效性。 模型输出：最终输出储能安全风险矩阵中各严重度等级的发生概率，为风险管控决策提供量化依据。

自动或人工干预物理对象，更好满足业务目标 扩展： 基于业务需要的深层次知识获取与表达 基础： 对象在业务活动中演化的数字化表达 数字孪生体 行为状态 静态构成 子部件 协作对象 协作方式 T+2 T+1 传感与数 采 Pera Corporation Ltd. All 数据模 型 系统仿 真 机理仿 真 演化 (t) 工艺 能耗 质量 组成 材料 结构 动力 传动 转向 rights reserved 环和设计验证循环并 行进行，体系工程 4 个方面的过程分析通 过体系分析与控制活 动进行平衡 ，通过平 衡找到体系设计的合 适的方案 体系工程以解决体 系的构建与演化问题为 目标，其研究对象是体 系（超复杂系统） ， 区 别于系统工程所针 对 的 简单系统对象 ， 在过程 原理上两者间 存在本质 的差异。 体系工程源于系统工程，但高 于系统工程，是解决系统工程

伊朗、尼日 利亚等国与其他国家的差距则进一步扩大。中国的地缘辐射效应尤为明显，对周边国家数字生态发展呈 现出显著的带动效应。 本报告同时着重探讨了人工智能产业发展的内在逻辑。数字基础是人工智能演化的系统地基，数字 能力是人工智能生态跃迁的核心引擎，数字应用为人工智能嵌入生态提供场景载体，数字规制保障人工 智能生态共演的制度边界。数据表明，创新驱动是我国人工智能产业发展头部城市的核心引擎，并且目 能技术推动各 产业变革，是推动经济社会高质量发展的题中应有之义。 从数字生态的视角来看，数字基础设施为人工智能提供发展条件，数字能力机制为其驱动生态演化， 数字应用场景为其创造系统价值，数字规制机制保障其持续运行，呈现出一种多向嵌套、动态演化的系 统性共构关系。目前我国人工智能产业发展还面临一些堵点：算力供给紧张、部分算力未能有效利用、 算法模型“知其然不知其所以然”、底层架构“受制于人 互倚关系——包括共生、竞争、合作与冲突等多种动态模式。这些关系形态本质揭示了主体及要素间深 刻的相互依存性。无论表现为协同还是张力，其底层逻辑均为系统内要素的功能互补与价值共生，即在 生态学意义上的互倚。 数字生态的发展演化，本质上是各领域数字化转型的集成显现，是数字技术在各个领域找到场景持 续应用与渗透。唯有通过技术落地，各要素与行动主体才能真正驱动生态系统的演进，主体与要素自身 也将在数字化转型中迭代升级。需强

创新：针对开放环境下的群智演化 ，提出兼顾专业性和通用性的社会化学习范式（ ICML 2024 ） 创新：针对跨任务下的协同进化 ，提出兼顾下游任务专业性和通用性的社会化协同进化范式（ ICML 2025 ） n 社会化协同进化范式可以通过智能体之间的层级化动态交互和协同 ，从而实现知识的传递与增强 社会化协同进化通过多智能体间数据与知识的层级化动态交互 ， 实现了跨任务群智演化 n 在提升个体原先下游任务认知能力的基础上

发展所新兴的职业中已经初见端倪，包括人工智能伦理学家、提示词工程师以及 人机交互设计师等。其次，工程智能还将革新工程教育形式，通过个性化学习、 高保真仿真实践等，显著提升人才培养的质量和效率。更进一步地，人类与智能 的协作将逐步演化为“共生智能”的新模式，在此模式下，人工智能的目标不再 是完全替代人类的“完美机器”，而是作为“灵魂搭档”激发人类创造力和智慧， 实现人机优势互补与共同进化，让高价值、高难度的工程创新成果从偶然变为必 Engineering White Paper ©同济大学工程智能研究院版权所有。如需引用，请注明出处。 38 展奠定了坚实的计算基础。 5.3 数据资源层 在基础设施层之上，数据资源层构成了工程智能生成与演化的基础，其核心 使命在于系统化地汇聚、治理、管理和供给工程领域全生命周期、全模态的高价 值数据，为上层的模型训练与智能体应用提供丰富且优质的数据资源。 工程领域的数据具有来源广泛、形态多样、结构复杂、关联性强等特点，因 文本与二维图像不同，该基础模型专为理解工程领域的物理世界而设计，其核心 能力在于统一处理和理解工程数据固有的时空全模态特性。工程领域的对象，无 论是建筑、机械零件还是城市交通系统，都存在于三维空间中，并随时间演化； 其信息载体也极其多样，包括文本化的标准规范、符号化的二维 CAD 图纸、几 何化的三维 BIM 模型、以及图像、视频、点云和传感器时序数据等。该基础模 型通过特定的模型架构与训练方法，能够将这些来源和形态各异的数据映射到一