浙江大学 DeepSeek 系列专题线上公开课（第二季） 从大模型、智能体到复杂 AI 应用系统的构 建 —— 以产业大脑为例 肖俊 浙江大学计算机学科与技术学院人工智能研究所 2025 03 杭州 • 大模型推理能力快速提 升 • 推理模型和思维链 (CoT) • 智能体是什么？ • 四链融合产业大脑案例 提纲 大模型推理能力快速提升 开始模仿人 脑进行大量 数据的标记 对现有内容进行分析、分类、判断、预测 客户流失预测 生成式 AI 自动生成开放的文本、图像、音频、视频等内容 短视频片段 广告视频 多模态生成 相对通用的人工智能 一个大模型解决多个问题 自适应地应对复杂外界环境的挑战 专用人工智能 一事一模型，每个模型完成特定智能任务 解决特定的智能问题 里程碑： ChatGPT 的成 功 AI 1.0 时代 AI 2.0 时代 图像分类 文本分类 信用评估 误 事实性幻觉问题 大语言模型易产生幻觉 ，在数学推理方面表现在推理能力严重不足， 体现在简单数值比较错误、 多步推理能力弱、推理不一致等 早期大模型在推理能力上存在明显短板 无法在复杂的思维链中保持一致性 推理过程和答案不一致 Yann LeCun 的批判观点： 对纯粹扩大规模方法的根本质疑 Mehrdad

AI 前沿 1. 从大语言模型走向自主智能体 2. 具身智能 3. 脑机接口 4. AI 内生安全 第三章 数学 1. 基础理论 2. 优化 3. 统计 4. 科学计算 5. 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 构建普适理论，但难以在复杂系统中实验验 证。计算科学以科学模型为基础，通过数值 方法模拟复杂系统，但需要简化模型以及提 高模拟精度，以解决模拟系统精度低且计算 成本高的挑战。随着技术的发展和数据规模 的增长，出现了数据密集型科学的研究范式。 这一范式利用机器学习方法，自动从数据中 发现统计关联，一定程度上避免了提出科学 假设，但无法发现因果关系，且难以分析低 质量数据和发现复杂系统中的规律。当前的 科学研究主要面临系统复杂性的挑战，相互 关联的自然、技术和人类系统受到跨时间和 空间尺度作用力的影响，导致复杂的相互作 用和涌现行为 1。传统科学研究方法难以应 对这些复杂性挑战，迫切需要新的科学研究 方法。针对复杂数据中的因果关系，发展了 一系列新的因果推断方法。针对高质量科学 数据缺乏问题，如大气数据、天文数据等， 发展了生成式人工智能技术，如扩散模型和 大语言模型。针对处理复杂系统的局限性，

订单不同步、会员数据分散在多个平台、促销活动难以跨渠道协同 —— 这些痛点的本质，是企 业需要一套更灵活、更敏捷的信息系统，用极简架构支撑复杂业务。对于有一定体量的企业，" 简单即高效" ：技术栈越简洁，运维成本越低，业务响应速度越快。 随着业务复杂度指数级上升，我们对 IT 架构提出了 "4A" 诉求 ——Anytime（全时响应）、 Anywhere（全域覆盖）、Anydevice（ 据实时转化为向量特征，能否用 SQL+AI 融合查询实现 "一句话找货"，直接决定了 AI 应用的落地效果。这要求数据库不仅是数据的 " 仓库"，更要是 AI 能力的 "孵化器"，让业务团队无需复杂技术就能调用智能分析能力。 正是在这样的背景下，我们看到了一体化云数据库的价值。它用分布式架构消解了多渠道并发的 压力，用 HTAP 引擎打通了交易与分析的壁垒，用向量原生能力架起了数据与 AI 到 AI 的技术代际跃迁，智能化转型是大势所趋。 打造新一代数据底座是智能化转型的关键支撑 智能化转型对零售企业带来全新数据架构挑战。面对爆炸式增长的业务数据、多模态数据管理要 求、以及数据架构复杂与有限 IT 资源之间的矛盾，传统数据架构已难以胜任。零售企业必须打 造新一代数据底座，从而跨越海量数据洪流与实时洞察的鸿沟，激活企业“一方数据”价值，支 撑 AI 全链路应用，满足综合成本最优诉求。

英特尔工业控制白皮书 2026 版 负载整合特刊 软件定义自动化 驱动产业数智转型 前言 智能制造正步入一个全新的发展阶段。传统工业自动化以提升生产效率和质量控制 为核心目标，而今天的制造业正面临着更加复杂和动态的挑战。市场个性化需求的 激增、供应链的不确定性，以及劳动力结构的深刻变化，都在推动制造企业寻求更 加智能和自适应的解决方案。 具身智能技术的突破性进展为这一转型提供了新的可能性。通过将感知、认知和执 统一平台上的协同优化。 新一代计算平台的异构架构优势在此背景下显得尤为重要。通过整合高性能 CPU、 GPU 和专用 AI 加速器，结合先进的负载整合技术，单一平台即可同时处理实时 控制任务和复杂 AI 推理，实现了前所未有的计算效率和系统简化。这种技术创新 不仅消除了传统多系统架构的延迟和同步问题，更通过智能负载调度和资源动态 分配，显著提升了系统的整体性能和可靠性。从智能质检到自适应加工，从协作 自动化发展 趋势与挑战 01 02 随着软件定义自动化技术在工业领域的深入应用，以及基于 PC 架构的运动控制器广泛部署，特定的技术需求和行业趋势逐 渐显现： • 多轴协同控制需求激增：生产流程的复杂化和精细化推动了对更多电机和执行器同步控制的需求增长，以实 现精确的多点协调和同步。传统的单一控制解决方案，如独立的 PLC 或微控制器，在处理大规模轴控任务时 面临性能瓶颈，难以满足现代工业对高度集成和协调性能的要求。

为代表的基础模型进入高速迭代期，一路狂奔，不断刷新能力边界。模型在复杂任务推理、规划、 代码生成等方面取得显著提升，在各类权威基准测试中不断突破记录，多项能力指标接近甚至 超越人类专家水平。 模型的上下文窗口显著扩展，主流模型已支持十万到百万级 Token 输入，可处理长文档、 复杂多轮对话，实现“全局理解”和“文档级记忆”，为报告审阅、代码仓分析等高复杂度任 务提供了技术基础。 与此同时，具备跨模态 这一系列技术的突破，正在重塑人类与数字世界的交互方式。生成式 AI 不再是问答工具， 而是嵌入到每一个终端、系统、应用与服务中的可持续演化的智能体（Agent），具备感知周 围环境、理解用户意图、学习用户偏好、自主执行复杂任务的全流程能力。 2024 年 6 月，华为向业界发布《AI 终端白皮书》 [1]，明确指出智能体将引领终端进入全新 人机交互及智能协作的时代，如多模态大模型带来更自然、更全面的人机交互体验，AI 服务等以高效完成目标，同时已有的 APP、元服务也可通过智能化升级获得 AI 智能体的能力， 提供更智能的服务体验。进一步，系统智能体将与各种应用智能体通过智能体联邦的形式互相 协作，共同完成更复杂的任务，而无需用户再跨多个 APP 和元服务进行操作。 在新的生态范式下，智能体将以惊人的速度渗透进各行各业，推动一场新的生产力与创 造力革命，成为价值创造者，深刻影响着人们日常生活、工作、学习、娱乐的方方面面。面对

DeepSeek 大模型应用指南 （ Version 1.0） 南京审计大学 工程审计学院 公共工程审计江苏省高校重点实验室 复杂工程审计与治理研究院 工程项目智能化审计团队 2025 年 3 月 2 日 前 言 “ 在数智化转型时代背景下，工程审计正面临 数据爆炸、场景复杂、标准多 ” 元 的严峻挑战。传统工程审计模式依赖人工抽样与经验判断，难以应对海量工 程数据与非结构化社会数据的 、法律法规的自动解读 在工程审计中法律法规的复杂性常常使审计工作变得异常复杂 。应用 DeepSeek，可以对相关法律法规进行自动解读，总结和提取关键信息，帮助审计 人员快速理解和应用相关规定。这不仅可以提高审计的效率，还可以减少因人为 理解偏差而导致的失误。 2 、工程项目智慧造价 工程造价因影响因素众多、指标类型复杂，使得编制工程造价文件复杂且 繁 琐，导致从业人员工作强度高、效率低。事实上， 解能力，旨在为 广泛的应用场景提供智能化支持。 DeepSeek-R1 是一个推理大语言模型，旨在提供高效的自然语言理解、任务 规划与交互能力，擅长处理复杂、需要多步思考的问题， 适合做深度推理、解决 代码问题或复杂数学问题等。 2.1 基本原理 DeepSeek 大语言模型经过大量文本数据的学习，能够理解人类的语言，并 根据问题或指令生成相应的回答。 DeepSeek

➢ 随着推理路径增长，模型表现出自我修复和启发式搜索的能力； 4 DeepSeek-R1 开创RL加持下强推理慢思考范式新边界 ➢ 得益于强大的推理能力与长文本思考能力，DeepSeek R1在复杂任务上表现卓越，成为开源领域的又 一里程碑，标志着开源社区在与闭源大模型（如 OpenAI o1 系列）的竞争中迈出了关键性一步。 ➢ DeepSeek-R1 在数学代码任务上表现突出 ➢ Deepseek ➢ 没有使用Reward Model, 因为ORM和PRM等基于神经网络的都可能遭受reward hacking 而retraining reward model 需要大量的计算资源，可能会复杂化整个流程 ➢ 训练模板：选择最简单的 Thinking Process，直接观察到最直接的RL过程下的表现 基于规则的奖励 (Rule-Based Reward) : 准确率奖励 + 格式奖励 ➢From PPO to GRPO: ➢ PPO的价值函数通常是与策略模型规模相当的独立模型，这带来了巨大的内存和计算负担。 ➢ 奖励模型通常仅对输出序列的最后一个词元分配奖励，导致逐词元价值函数的训练复杂化。 ➢ GRPO：无需像PPO额外近似价值函数，而是利用同一问题下多个采样输出的平均奖励作为基线。具体而 言，对于每个问题 ，GRPO从旧策略𝜋𝜃𝑜𝑙𝑑中采样一组输出，并通过最大化以下目标优化策略模型：

亿）。作为通用大语言模型，其在 在知识类任 务（知识问答、内容生成等）领域表现出色。 ● DeepSeek-R1 是基于 DeepSeek-V3-Base 训练生成的强化推理能力模型，在数学、 代 码生成和逻辑推断等复杂推理任务上表现优异。 DeepSeek 推动国产模型达到新 的高度 开源模型比肩头部闭源 60%+ 指标优于 Llama3.1 Claude-3.5 GPT- 4o 打破大模型技术壁垒 国内率先支持「 DeepSeek 满血版 + 私 域知识管理 + 实时搜索」于一体 • 分钟级搭建大模型应用 • 集成私域知识库，让 AI 更专业，支持 复杂图文混排文档解析 > 目标客户和场景 : • 面向具备简单开发能力的初级开发者、企 业运营人员。 • 可通过模型选择、提示词模版、 RAG 配 置能 力等加速大模型应用构建，实现与自 企点客服 腾讯学堂 乐享 应用 原子 能力 大 模型 文档解析 - 拆分 - 入库 - 检 索 向量化（ embedding ） ③Agent 模式 调用插件 / 复杂工作流 响 应用户对话 ② 工作流模 式 指定工作流响应 用户对话 文档拆分 重排序 （ rerank) ① 官方插件 文档解析 / 混元文生 图 .. 汽车 语音助手 零售

，ISOC 市场拥有巨大的增长潜力。 厂商格局多元化，生态合作趋势显现。ISOC 市场参与者包括综合安全厂商、SOAR/XDR 厂商、云服务商、 运营商、AI 创新公司等，市场竞争激烈。由于技术复杂性和数据需求，单一厂商难以提供完整的解决方案，未 来技术合作、产品集成、威胁情报共享等生态合作模式将成为主流趋势。 AI 技术深度赋能，应用百场景花齐放。AI 技术正深度渗透并占领安全运营的各个环节，从风险识别、威胁 “大模型+基础 AI 技术”混合架构成为主流。为兼顾通用知识推理能力与特定安全任务的专业性和效率， 国内普遍采用“大模型+基础 AI 技术”的混合 AI 架构。大模型（如 LLM）擅长自然语言交互、复杂推理、知识 问答和生成全局视角和智能辅助；基础 AI 技术（基于机器学习/深度学习）则侧重于具体的威胁检测、异常识 别等任务，提供快速、准确的执行能力。两者协同工作，实现优势互补，成为当前 ISOC 量、可解释性和可信度有待提升。 人机协同是核心运营模式。ISOC 并非旨在完全取代人工，而是强调 AI 与安全分析师的协同工作。AI 负责 关键发现 5 重复可自动完成的任务，分析师则专注于复杂决策、威胁研判、策略制定和 AI 监督与训练。安全分析师的角色 正经历从“传统分析工程师”向“AI 训练师”和“AI 监督员”转变，需要具备新的知识和技能，人机之间的信 任和有效交互是 ISOC