人工智能

在当代通行用法中，人工智能（AI）是涵盖面最广的类属术语，指让机器表现出通常需要人类智能的行为（感知、推理、学习、决策、语言理解与生成等）的全部技术路径；机器学习与深度学习是这一大类之下的子集，而非与之并列的领域。^{44Artificial Intelligence: A Modern Approach (4th edition)aima.cs.berkeley.edu前往参考资料 ↓在新标签页中打开|55Deep Learningdeeplearningbook.org前往参考资料 ↓在新标签页中打开}

机器学习指一类不靠显式规则编程、而是让系统从数据中拟合统计规律以完成任务的算法范式；它把「知识从哪来」从人工编码规则转为从样本中估计，是人工智能内部的一次方法论转向，而非人工智能的同义词。^{44Artificial Intelligence: A Modern Approach (4th edition)aima.cs.berkeley.edu前往参考资料 ↓在新标签页中打开|66The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd edition)hastie.su.domains前往参考资料 ↓在新标签页中打开}

深度学习是机器学习的一个分支，其模型由多层非线性变换堆叠而成（即深度神经网络），通过反向传播与梯度下降从数据中联合学习特征表示与预测函数；它取代了传统机器学习中大量依赖人工特征工程的做法。^{55Deep Learningdeeplearningbook.org前往参考资料 ↓在新标签页中打开|77Learning representations by back-propagating errorsnature.com前往参考资料 ↓在新标签页中打开}

三者的包含关系可表述为：人工智能 ⊃ 机器学习 ⊃ 深度学习。深度学习不是独立于机器学习之外的新范式，而是以多层神经网络为假设空间的那部分机器学习；Transformer 等架构属于深度学习内部的具体模型族。^{44Artificial Intelligence: A Modern Approach (4th edition)aima.cs.berkeley.edu前往参考资料 ↓在新标签页中打开|55Deep Learningdeeplearningbook.org前往参考资料 ↓在新标签页中打开}

人工智能还包含不属于机器学习的部分，例如符号推理与专家系统、经典搜索与规划、知识表示与逻辑推理，以及多智能体系统等。这些方法在 20 世纪 80 年代前后曾主导 AI 研究，今天仍与学习型方法混合使用（如神经符号方法、约束求解与规划器）。^{44Artificial Intelligence: A Modern Approach (4th edition)aima.cs.berkeley.edu前往参考资料 ↓在新标签页中打开|44Artificial Intelligence: A Modern Approach (4th edition)aima.cs.berkeley.edu前往参考资料 ↓在新标签页中打开}

机器学习内部也不只有深度学习：决策树与随机森林、支持向量机、k 近邻、朴素贝叶斯、梯度提升树、聚类与降维方法等「浅层」或非神经网络方法仍广泛用于表格数据、小样本与可解释性要求高的场景，并在许多工业基准上保持竞争力。^{66The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd edition)hastie.su.domains前往参考资料 ↓在新标签页中打开|88Why do tree-based models still outperform deep learning on typical tabular data?arxiv.org前往参考资料 ↓在新标签页中打开}

「深度学习」这一名称强调的是模型的深度（非线性层数与表示层级），而非与机器学习在目标上的差异：二者共享同一套经验风险最小化、泛化与正则化的理论框架，区别在于假设空间与特征学习方式。^{55Deep Learningdeeplearningbook.org前往参考资料 ↓在新标签页中打开|77Learning representations by back-propagating errorsnature.com前往参考资料 ↓在新标签页中打开}

从历史分期看，机器学习作为独立学科名目在 20 世纪 50—60 年代已出现（如塞缪尔 1959 年的跳棋程序工作），而深度学习作为可训练的多层网络路线在 1986 年反向传播被系统化推广后成形，并在 2012 年 ImageNet 竞赛后成为主流；因此「AI 早于机器学习、机器学习早于深度学习」是三者关系的时间维度。^{99Some Studies in Machine Learning Using the Game of Checkersieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|1010ImageNet Classification with Deep Convolutional Neural Networkspapers.nips.cc前往参考资料 ↓在新标签页中打开}

生成式模型与 大语言模型 属于深度学习（因而也属于机器学习与人工智能）的下位概念：它们以神经网络为参数化函数族，用大规模数据训练，其能力来源与局限都受深度学习范式约束，例如对训练分布的依赖与缺乏显式符号推理保证。^{55Deep Learningdeeplearningbook.org前往参考资料 ↓在新标签页中打开|1212Attention Is All You Needarxiv.org前往参考资料 ↓在新标签页中打开}

把三者视为同心圆是教学与工程沟通中的常用简化，但严格说它们不是按同一维度切分的：机器学习强调「学习」这一能力来源，深度学习强调「表示层级」这一模型结构，人工智能强调「智能行为」这一目标范畴；因此存在交叉情形，例如用深度学习做非 AI 目标（如数值求解加速），或用非学习方法实现 AI 目标（如符号规划）。^{44Artificial Intelligence: A Modern Approach (4th edition)aima.cs.berkeley.edu前往参考资料 ↓在新标签页中打开|55Deep Learningdeeplearningbook.org前往参考资料 ↓在新标签页中打开|44Artificial Intelligence: A Modern Approach (4th edition)aima.cs.berkeley.edu前往参考资料 ↓在新标签页中打开}

人工智能、数据科学与认知科学是三个部分重叠但目标不同的领域：人工智能以构建能完成智能任务的系统为目标，数据科学以从数据中提取可行动知识为目标，认知科学以解释人类与动物的心智与认知过程为目标。三者共享方法（统计推断、计算建模、实验设计），但评价标准不同——人工智能看任务性能，数据科学看预测与推断的有效性，认知科学看对认知机制的解释力。^{1313The Stanford Encyclopedia of Philosophy: Artificial Intelligenceplato.stanford.edu前往参考资料 ↓在新标签页中打开|1414Data Science: A Comprehensive Overviewdl.acm.org前往参考资料 ↓在新标签页中打开}

数据科学通常被界定为统计学、计算机科学与领域知识的交叉，其核心工作流包括数据获取与清洗、探索性分析、建模与推断、结果沟通；机器学习是其中的建模工具之一，而非数据科学的全部。把人工智能等同于数据科学，或把数据科学等同于机器学习，都是范围上的混淆。^{1414Data Science: A Comprehensive Overviewdl.acm.org前往参考资料 ↓在新标签页中打开}

认知科学形成于 20 世纪 70 年代中期，其标志性事件之一是 1977 年《Cognitive Science》期刊创刊，以及 1979 年认知科学学会（Cognitive Science Society）的成立；它从一开始就是心理学、语言学、神经科学、哲学、计算机科学与人类学的多学科汇合，计算建模（包括早期的人工智能方法）是其方法论支柱之一。^{1515Cognitive Scienceplato.stanford.edu前往参考资料 ↓在新标签页中打开|1616About the Cognitive Science Societycognitivesciencesociety.org前往参考资料 ↓在新标签页中打开}

人工智能与认知科学之间存在「双向借用」关系：人工智能借用认知科学的发现来设计更类人的系统（如注意、记忆、类比推理的计算模型），认知科学借用人工智能的模型作为心智的计算假说并加以检验。但两者并不互相从属——一个系统不必模拟人脑就能算作人工智能，一个认知理论也不必实现为可运行程序才算成立。^{1313The Stanford Encyclopedia of Philosophy: Artificial Intelligenceplato.stanford.edu前往参考资料 ↓在新标签页中打开|1515Cognitive Scienceplato.stanford.edu前往参考资料 ↓在新标签页中打开}

在方法论上，数据科学与人工智能的重叠集中在「从数据中学习」这一环节，但数据科学更强调因果推断、实验设计（如 A/B 测试）与不确定性量化，人工智能更强调在开放环境中的感知、决策与泛化。二者在工业实践中的岗位分工与技能栈也常被区分：数据科学偏分析与统计，人工智能工程偏模型训练与系统部署。^{1414Data Science: A Comprehensive Overviewdl.acm.org前往参考资料 ↓在新标签页中打开}

「人工智能」一词在中文语境中常被泛化使用，涵盖从规则系统到 大语言模型 的广泛技术谱系；而数据科学与认知科学各自有相对稳定的学科建制（院系、期刊、学会）。这种建制差异是判断三者边界的一个可操作指标：有独立学会与期刊的领域，其范围通常比一个技术标签更清晰。^{1515Cognitive Scienceplato.stanford.edu前往参考资料 ↓在新标签页中打开|1616About the Cognitive Science Societycognitivesciencesociety.org前往参考资料 ↓在新标签页中打开}

符号主义（symbolicism）是人工智能早期的主流范式之一，其核心假设是：智能可以被形式化为对符号（symbol）的操作，即通过显式的符号表示与逻辑推理规则来模拟认知过程；纽厄尔与西蒙在 1976 年的图灵奖演讲《Computer Science as Empirical Inquiry: Symbols and Search》中把这一立场概括为「物理符号系统假设」（Physical Symbol System Hypothesis），即物理符号系统是通用智能行为的充分必要条件。^{1717Computer Science as Empirical Inquiry: Symbols and Searchdl.acm.org前往参考资料 ↓在新标签页中打开}

符号主义路线的早期代表性成果包括 1956 年纽厄尔、肖与西蒙的「逻辑理论家」（Logic Theorist）程序，它被广泛视为第一个自动定理证明程序，能够证明《数学原理》中的若干命题；以及 1957 年的「通用问题求解器」（General Problem Solver, GPS），试图用手段—目的分析（means-ends analysis）统一刻画问题求解。^{1717Computer Science as Empirical Inquiry: Symbols and Searchdl.acm.org前往参考资料 ↓在新标签页中打开}

专家系统（expert system）是符号主义在 1970—1980 年代最成功的工程化形态：它把领域专家的知识以「如果—那么」规则（production rules）的形式编码进知识库，由推理机（inference engine）在给定事实的前提下做前向或后向链推理，从而在狭窄领域内给出建议或诊断。^{1818Expert Systems: Principles and Programming (4th ed.)cengage.com前往参考资料 ↓在新标签页中打开|1919Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Projectsciencedirect.com前往参考资料 ↓在新标签页中打开}

DENDRAL 是公认最早的专家系统之一，1965 年前后由斯坦福大学的 Feigenbaum、Lederberg 与 Buchanan 等人开发，用于根据质谱与核磁共振数据推断有机分子的结构，其意义在于首次系统性地把「领域知识」而非通用搜索置于程序的核心。^{1818Expert Systems: Principles and Programming (4th ed.)cengage.com前往参考资料 ↓在新标签页中打开|2020Applications of Artificial Intelligence for Organic Chemistry: The DENDRAL Projectworldcat.org前往参考资料 ↓在新标签页中打开}

MYCIN（1970 年代斯坦福大学开发）用于诊断血液感染并推荐抗生素，其规则库约含 400—600 条规则，在回溯性评估中据报告达到与专科医师相当甚至更优的表现；但由于知识获取瓶颈、解释与法律责任等问题，MYCIN 从未进入临床常规使用。^{1919Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Projectsciencedirect.com前往参考资料 ↓在新标签页中打开|2121MYCIN: A Knowledge-Based Consultation Program for Infectious Disease Diagnosissciencedirect.com前往参考资料 ↓在新标签页中打开}

XCON（原名 R1）是 DEC 公司于 1980 年前后投入生产使用的配置专家系统，用于为 VAX 计算机系统自动选配硬件组件；它被视为专家系统商业化的标志性案例，据 DEC 报告每年为公司节省数千万美元，并一度被大量企业效仿，推动了 1980 年代专家系统的产业热潮。^{1818Expert Systems: Principles and Programming (4th ed.)cengage.com前往参考资料 ↓在新标签页中打开|2222Knowledge-Based Configuration: From Research to Business Cases (XCON/R1 case)sciencedirect.com前往参考资料 ↓在新标签页中打开}

日本于 1982 年启动的第五代计算机计划（Fifth Generation Computer Systems, FGCS）以逻辑编程（Prolog）与并行推理机为核心，是符号主义路线最大规模的国家级投入；该计划于 1992 年结束，普遍被认为未达成其最初设定的通用推理机与自然语言目标，成为符号主义由盛转衰的标志性事件之一。^{2323The Fifth Generation Computer Systems Project: A Retrospectivedl.acm.org前往参考资料 ↓在新标签页中打开}

专家系统在 1980 年代中后期遭遇「知识获取瓶颈」（knowledge acquisition bottleneck）：领域知识需要由知识工程师手工访谈、提炼并编码为规则，成本高、周期长，且规则库规模增大后一致性与维护性迅速恶化；同时系统缺乏常识、无法处理规则边界外的情形，导致维护与扩展代价极高。^{1818Expert Systems: Principles and Programming (4th ed.)cengage.com前往参考资料 ↓在新标签页中打开|1919Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Projectsciencedirect.com前往参考资料 ↓在新标签页中打开}

1987 年前后 Lisp 机市场崩溃，加上专家系统项目维护成本高企与投资回报不及预期，业界出现所谓「AI 寒冬」（AI winter）；符号主义主导的专家系统产业随之大幅收缩，连接主义与统计方法在此后逐渐成为主流。^{2424AI Winterbritannica.com前往参考资料 ↓在新标签页中打开|2525The Lisp Machine Market Collapse and the AI Winterieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

符号主义的技术遗产并未消失：产生式规则、本体（ontology）、知识图谱、逻辑编程与形式化验证等方法延续至今，并在需要可解释性与严格推理的场景（如医疗决策支持、合规检查、软件验证）中继续使用；近年「神经—符号结合」（neuro-symbolic）方向试图把学习与符号推理重新整合。^{2727Neuro-Symbolic Artificial Intelligence: The State of the Artiospress.com前往参考资料 ↓在新标签页中打开|2828Knowledge Graphsdl.acm.org前往参考资料 ↓在新标签页中打开}

「统计学习转向」指 1980 年代中期至 1990 年代人工智能研究重心从符号主义与专家系统转向以概率统计、最优化和统计学习理论为基础的方法：学习问题被表述为在假设空间中依据经验风险最小化做函数逼近，而非手工编码规则。这一转向与 大语言模型 之前的所有现代机器学习路线（含 对比学习、知识蒸馏 等）共享同一方法论底座。^{66The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd edition)hastie.su.domains前往参考资料 ↓在新标签页中打开|2929Pattern Recognition and Machine Learninglink.springer.com前往参考资料 ↓在新标签页中打开}

1986 年 Rumelhart、Hinton 与 Williams 在《Nature》发表反向传播论文，证明多层前馈网络可通过误差反向传播学习内部表示；同年前后 McClelland 与 Rumelhart 主编的《Parallel Distributed Processing》两卷本出版，把联结主义确立为与符号加工对立的建模范式。反向传播的普及是统计学习转向的技术前提之一。^{77Learning representations by back-propagating errorsnature.com前往参考资料 ↓在新标签页中打开|3030Parallel Distributed Processing: Explorations in the Microstructure of Cognitionmitpress.mit.edu前往参考资料 ↓在新标签页中打开}

1989 年 LeCun 等人在贝尔实验室用反向传播训练卷积网络识别手写邮政编码，1998 年的 LeNet-5 系统被部署用于银行支票手写数字识别，是统计学习方法最早的大规模商业落地之一。^{3131Backpropagation Applied to Handwritten Zip Code Recognitiondirect.mit.edu前往参考资料 ↓在新标签页中打开|3232Gradient-based learning applied to document recognitionieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

1995 年 Cortes 与 Vapnik 发表支持向量机（SVM）论文，提出软间隔与核技巧；配合 1992 年 Boser、Guyon、Vapnik 的核方法工作，SVM 在 1990 年代后期至 2000 年代成为小样本分类的主流方法，并在手写识别与文本分类基准上取代了此前的神经网络方案。^{3333Support-Vector Networkslink.springer.com前往参考资料 ↓在新标签页中打开|3434A training algorithm for optimal margin classifiersdl.acm.org前往参考资料 ↓在新标签页中打开}

统计学习理论的核心概念——VC 维、结构风险最小化与泛化误差界——由 Vapnik 与 Chervonenkis 在 1960—1970 年代奠基，并在 Vapnik 1995 年的专著《The Nature of Statistical Learning Theory》中系统化。它把「为什么有限样本上的学习可行」变成可证明的数学问题，是统计学习转向的理论纲领。^{3535The Nature of Statistical Learning Theorylink.springer.com前往参考资料 ↓在新标签页中打开}

1990 年代概率图模型成为另一条主线：Pearl 1988 年的《Probabilistic Reasoning in Intelligent Systems》确立贝叶斯网络；1990 年代隐马尔可夫模型（HMM）在语音识别中全面取代模板匹配与专家规则系统，成为统计方法在工业界最大规模的胜利之一。^{3636Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inferencesciencedirect.com前往参考资料 ↓在新标签页中打开|3737A tutorial on hidden Markov models and selected applications in speech recognitionieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

统计方法在自然语言处理中的转折点通常锚定在 1990 年代初：IBM 的统计机器翻译 Candide 系统（1990—1993）与 1993 年 Brown 等人的论文，把翻译从规则改写为噪声信道模型下的概率推断；此后语料驱动的统计 NLP 逐步取代规则与语法学派。^{3838The mathematics of statistical machine translation: Parameter estimationaclanthology.org前往参考资料 ↓在新标签页中打开}

1997 年 Hochreiter 与 Schmidhuber 提出长短期记忆网络（LSTM），用门控结构缓解循环网络的梯度消失问题；它在 2000 年代成为语音识别与序列建模的标配组件，是统计学习转向后期向 deep-learning 过渡的关键桥梁。^{3939Long Short-Term Memorydirect.mit.edu前往参考资料 ↓在新标签页中打开}

统计学习转向在 1990 年代中后期伴随一次「AI 寒冬」叙事：专家系统在 1980 年代末的商业失败（如 1987 年 Lisp 机市场崩溃）使符号主义路线失去资金，而统计方法以更低的工程成本与更好的基准表现接替其位置。

1990 年代统计学习转向的另一个标志是基准文化：手写数字 MNIST（1998）、UCI 机器学习库（1987 年起）与后来的文本分类基准，使方法比较从个案演示变为可复现的定量评测，这一传统延续到今天的 evaluation-and-benchmarks。^{3232Gradient-based learning applied to document recognitionieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|4141UCI Machine Learning Repositoryarchive.ics.uci.edu前往参考资料 ↓在新标签页中打开}

统计学习转向也带来方法论批评：以核方法与凸优化为核心的 1990 年代框架强调可证明的泛化界，但对高维非结构化数据（图像、语音原始信号）的特征工程依赖很强；深度学习的兴起部分正是对这一限制的回应。^{4242On the difficulty of training recurrent neural networksproceedings.mlr.press前往参考资料 ↓在新标签页中打开}

深度学习并非在2010年代凭空出现，其技术谱系可上溯到1986年由鲁梅尔哈特、辛顿、威廉姆斯等人系统化推广的反向传播（Back Propagation, BP）算法；该算法使多层神经网络可以通过梯度下降进行训练，是此后所有深度网络训练的基础机制。^{4343图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

在反向传播之后，神经网络研究仍长期受制于梯度消失、数据不足与算力有限等问题，20世纪90年代至21世纪初，支持向量机等核方法在多数基准上占据优势，神经网络一度被主流机器学习界边缘化。^{4343图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

2012年，辛顿团队的 AlexNet 在 ImageNet 大规模视觉识别挑战赛（ILSVRC）上以显著优势夺冠，把 top-5 错误率从上一年的约26%降到约15%，被普遍视为深度学习兴起的标志性事件。^{4343图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

AlexNet 的成功被广泛归因于三项条件的汇合：大规模标注数据集（ImageNet）、GPU 并行计算，以及 ReLU 激活与 Dropout 等训练技巧；这使「用更多数据训练更大网络」成为可行路线。^{4343图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

2012年之后，深度学习迅速从图像识别扩散到语音识别、机器翻译与自然语言处理，谷歌、微软、百度等公司在2012—2015年间相继把生产系统的语音与翻译管线切换到深度神经网络。^{4343图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

2015年，何恺明等人提出的残差网络（ResNet）通过恒等捷径连接缓解了深层网络的退化问题，使训练上百层乃至上千层的网络成为可能，并在 ImageNet 上把 top-5 错误率压到约3.6%，低于当时人类标注者的约5%。^{4343图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

2016年，DeepMind 的 AlphaGo 以4:1击败李世石，是深度强化学习与深度网络结合在大规模博弈问题上的一次公开验证，极大提升了深度学习在公众与产业界的能见度。^{4343图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

2017年，Vaswani 等人在论文《Attention Is All You Need》中提出 Transformer 架构，完全以 自注意力机制 取代循环与卷积结构，成为此后几乎所有大模型的基础骨架。^{4343图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

2018年，OpenAI 发布 GPT（Generative Pre-trained Transformer），首次系统性地确立「无监督预训练 + 有监督微调」的两阶段范式，把 Transformer 解码器堆叠用于通用语言建模。^{4343图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

2018年 Google 发布 BERT，采用 Transformer 编码器与掩码语言建模目标，在多项自然语言理解基准上刷新纪录，与 GPT 的「生成式解码器」路线形成两条并行技术分支。^{4343图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

2020年 OpenAI 发表 GPT-3 论文，模型规模达 1750 亿参数，并提出「上下文学习」（in-context learning）与少样本提示能力，标志着 大语言模型 时代的正式开启。^{4343图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

2022年 11 月 ChatGPT 上线，以对话式交互把大模型推向大众市场，两个月内月活跃用户突破一亿，成为消费级 AI 应用增长最快的案例之一。^{4343图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

大模型的能力提升与「规模定律」（scaling law）密切相关：在固定架构下，参数量、训练数据量与算力同步扩大时，模型损失呈幂律下降，这一经验规律成为 2020 年后各家竞相扩大训练规模的主要依据。^{4343图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

2022 年 InstructGPT 与后续的 RLHF（基于人类反馈的强化学习）对齐流程，把预训练模型从「续写文本」改造为「遵循指令」，是 ChatGPT 可用性跃升的关键工程环节。^{4343图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

2023 年起，开源权重模型（如 LLaMA 系列）的发布改变了产业格局：研究机构与中小企业可在本地或私有云上微调与部署大模型，使大模型从少数实验室的专属资源变为广泛可及的基础设施。^{4343图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

为控制推理成本，混合专家模型 被大规模引入大模型架构：通过稀疏激活，模型总参数量可达数千亿甚至上万亿，而单次前向计算只激活其中一小部分参数。^{4343图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

2023 年后，长上下文窗口、多模态输入（图像、音频、视频）与工具调用能力逐步成为主流大模型的标准配置，模型从「文本生成器」演化为可接入外部系统的通用接口。^{4343图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

大模型训练所需的算力在 2012 年至 2020 年间大约每 3 至 4 个月翻一番，远超摩尔定律节奏，这一趋势直接推动了 GPU 集群与专用加速器产业的爆发。^{4343图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

机器学习模型是使用数据进行估计或有根据的猜测的计算机算法，与传统算法在设计上不同：它们由相互连接的「节点」（人工神经元）构成，每个节点按其对整个网络输出的影响获得不同权重，并在运行中从数据里学习。垃圾邮件筛选器是常见的机器学习模型示例。^{4444探索自主智能技术 - Traininglearn.microsoft.com前往参考资料 ↓在新标签页中打开}

按学习信号的不同，机器学习通常被划分为监督学习、无监督学习与强化学习三大类；前两者在静态数据集上运作，强化学习则处理来自动态环境的数据。^{4444探索自主智能技术 - Traininglearn.microsoft.com前往参考资料 ↓在新标签页中打开|4545人工智能，科技准备好了，我们呢？_ 峰会资讯_ 数字中国建设峰会digitalchina.gov.cn前往参考资料 ↓在新标签页中打开}

监督学习用带标签的数据训练模型，目标是让计算机学会对给定输入赋予正确标签：例如用标注好的猫、狗图片训练分类器，训练完成后模型能对未标注的新照片进行分类。^{4444探索自主智能技术 - Traininglearn.microsoft.com前往参考资料 ↓在新标签页中打开|4545人工智能，科技准备好了，我们呢？_ 峰会资讯_ 数字中国建设峰会digitalchina.gov.cn前往参考资料 ↓在新标签页中打开}

监督学习的根本目的是「样本外预测」：研究人员通过标记数据不断调整模型参数，使模型从人类已有经验中学习规律，从而对未曾见过的新样本作出判断——类似父母用不同颜色、大小、种类的苹果教孩子认识「未曾见过」的苹果。^{4545人工智能，科技准备好了，我们呢？_ 峰会资讯_ 数字中国建设峰会digitalchina.gov.cn前往参考资料 ↓在新标签页中打开}

无监督学习不依赖人工标注，用于在数据集中发现尚未分类或未标记的模式与隐藏结构，典型任务包括聚类与降维。^{4444探索自主智能技术 - Traininglearn.microsoft.com前往参考资料 ↓在新标签页中打开|4545人工智能，科技准备好了，我们呢？_ 峰会资讯_ 数字中国建设峰会digitalchina.gov.cn前往参考资料 ↓在新标签页中打开}

强化学习让软件代理与环境交互并从交互中学习，其目标不是对数据聚类或打标签，而是找到能产生最佳结果的最优动作序列。^{4444探索自主智能技术 - Traininglearn.microsoft.com前往参考资料 ↓在新标签页中打开}

在强化学习中，代理可被视为一个函数：它接收来自环境交互的状态观测作为输入，映射为每一步应采取的动作作为输出，这个函数称为策略（policy）；给定一组观测（即状态），策略决定采取哪种行动。^{4444探索自主智能技术 - Traininglearn.microsoft.com前往参考资料 ↓在新标签页中打开}

传统机器学习需要人工指定特征（例如预测房价时需人为列出卧室数量、与好学校的距离等），而深度学习算法能自动检测自身特征并处理非结构化数据，这一特性称为「表示学习」。^{4444探索自主智能技术 - Traininglearn.microsoft.com前往参考资料 ↓在新标签页中打开}

在监督学习中，损失函数（loss function）把模型对单个样本的预测与真实目标映射为一个标量代价，训练的目标就是寻找一组参数使训练集上的平均损失（经验风险）最小；这一框架通常被称为经验风险最小化。^{4646Prefacear5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

训练通常按小批量（mini-batch）进行：每次用一小批样本估计一次梯度并更新参数，遍历整个训练集一次称为一个 epoch，训练会重复若干 epoch，直到达到预设轮数或某个指标（如准确率、损失）满足停止准则。^{4646Prefacear5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

梯度下降是最基础的优化方法：沿损失对参数的负梯度方向更新参数，学习率决定每步的步长；学习率过大会导致震荡甚至发散，过小则收敛缓慢，因此学习率调度（如阶梯衰减、余弦退火、预热）在实践中被广泛使用。^{4646Prefacear5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

随机梯度下降（SGD）用一小批样本的梯度估计替代全量梯度，使每次更新的计算代价与数据集规模脱钩，是深度网络训练能够扩展到大规模数据的關鍵；其噪声在非凸优化中还被认为有助于逃离尖锐的局部极小。^{4646Prefacear5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

自适应步长方法（如 AdaGrad、RMSProp、Adam）为每个参数维护独立的步长，依据历史梯度的一阶矩与二阶矩估计进行缩放；Adam 结合了动量与 RMSProp 的思想，在 Transformer 等大模型训练中长期是默认选择之一。^{4646Prefacear5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

损失函数的选择与任务形式紧密相关：回归任务常用均方误差（MSE）或平均绝对误差（MAE），分类任务常用交叉熵损失，而交叉熵与 softmax 组合时的梯度形式简洁，是分类网络的标准配置。^{4646Prefacear5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

在类别极不均衡的场景（如目标检测、罕见事件预测）中，普通交叉熵会被多数类主导，实践中常改用加权交叉熵、Focal Loss 或重采样策略来缓解。^{4646Prefacear5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

正则化项（L2 权重衰减、L1 稀疏惩罚、dropout、早停）常被加到经验风险上构成结构风险，用以抑制过拟合；权重衰减与 L2 正则在标准 SGD 下等价，但在 Adam 等自适应方法下并不等价，这催生了 AdamW 这类解耦权重衰减的变体。^{4646Prefacear5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

二阶方法（牛顿法、拟牛顿法、K-FAC、自然梯度）利用曲率信息，理论上收敛更快，但因需要近似或存储 Hessian/ Fisher 矩阵，在深度网络中计算与内存代价过高，实践中多用于小模型或作为研究工具。^{4646Prefacear5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

损失函数的设计直接影响模型行为：例如对比学习中的 InfoNCE 损失通过拉近正样本对、推远负样本对来学习表征，是 对比学习 的核心；生成模型中的对抗损失、扩散模型中的去噪得分匹配损失则分别对应 扩散模型 等范式的训练目标。^{4646Prefacear5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

大模型训练中，损失曲线常被用作监控训练健康度的主要信号：损失出现尖峰（loss spike）往往提示数值不稳定或数据异常，实践中会通过梯度裁剪、降低学习率、回滚检查点等手段处理。^{4646Prefacear5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

训练损失下降并不保证验证损失同步下降：当模型容量远大于数据量时，模型可以记住训练集而在验证集上退化，这一现象被称为过拟合，是 机器学习基础 中偏差—方差权衡的直接体现。^{4646Prefacear5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

过拟合（overfitting）指模型过于贴近、甚至“记住”了训练集，以致无法对新数据做出正确预测；Google 的机器学习速成课程用“在实验室里表现良好、在现实世界中毫无价值”的发明来类比这种模型。^{4747過度配適 | Machine Learning | Google for Developersdevelopers.google.com前往参考资料 ↓在新标签页中打开}

过拟合的典型表现是训练集误差很低而测试集误差明显偏高：Google 教程中的示例里，一个用复杂几何形状划分健康树与病树的模型在训练集上几乎全部分对（仅错两棵），但同一模型应用到测试集的新样本时大量误分类。^{4747過度配適 | Machine Learning | Google for Developersdevelopers.google.com前往参考资料 ↓在新标签页中打开}

泛化（generalization）指模型对训练时未见过的新样本做出正确预测的能力，它是评价模型价值的核心标准，而非训练集上的拟合程度。^{4747過度配適 | Machine Learning | Google for Developersdevelopers.google.com前往参考资料 ↓在新标签页中打开|4848过拟合：模型复杂性 | Machine Learning | Google for Developersdevelopers.google.com前往参考资料 ↓在新标签页中打开}

模型复杂度与泛化之间存在权衡：Google 教程指出，在把复杂模型换成一条直线的简单模型后，简单模型在测试集上的预测结果反而更好，即对新数据泛化时简单模型优于复杂模型。^{4848过拟合：模型复杂性 | Machine Learning | Google for Developersdevelopers.google.com前往参考资料 ↓在新标签页中打开}

“简单优于复杂”的偏好可追溯到古希腊，并在 14 世纪被奥卡姆的威廉形式化为“奥卡姆剃刀”，这一原则至今仍是包括机器学习在内的许多科学领域的基本原理，也是控制过拟合的直觉来源之一。^{4848过拟合：模型复杂性 | Machine Learning | Google for Developersdevelopers.google.com前往参考资料 ↓在新标签页中打开}

Google 教程建议在新机器学习项目开始时先只用 1–3 个具有较强预测力的特征建立基线，再逐步增加特征，以便确认模型是否按预期工作，这是一种以降低过拟合风险为导向的工程实践。^{4848过拟合：模型复杂性 | Machine Learning | Google for Developersdevelopers.google.com前往参考资料 ↓在新标签页中打开}

卷积网络（Convolutional Neural Network, CNN）是一类以卷积运算为核心的前馈神经网络：每一层用一组可学习的小尺寸卷积核在输入的特征图上滑动，做局部加权求和，从而提取局部模式；相比全连接层，它通过局部连接与权重共享大幅减少参数，并天然利用图像的二维邻域结构。^{4949Deep Learningnature.com前往参考资料 ↓在新标签页中打开|3232Gradient-based learning applied to document recognitionieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

现代卷积网络的关键构件在 1989—1998 年间由 Yann LeCun 等人在贝尔实验室奠定：1989 年他们用反向传播训练卷积网络识别手写邮政编码，1998 年的 LeNet-5 则确立了「卷积层—下采样（池化）层—全连接层」的堆叠范式，并用于银行支票手写数字识别。^{5050Backpropagation Applied to Handwritten Zip Code Recognitionieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

卷积网络的早期思想可追溯到 1980 年 Kunihiko Fukushima 提出的 Neocognitron，它用交替的「S 细胞」与「C 细胞」层模拟视觉皮层的简单细胞与复杂细胞，是后来卷积—池化结构的直接前身。^{5151Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in positionlink.springer.com前往参考资料 ↓在新标签页中打开}

2012 年 AlexNet 在 ImageNet 大规模视觉识别挑战赛（ILSVRC）上把 top-5 错误率从上一年的约 26% 降到约 15%，大幅领先第二名，被普遍视为深度学习在计算机视觉领域爆发的标志性事件；它使用 ReLU 激活、Dropout 与双 GPU 训练。^{1010ImageNet Classification with Deep Convolutional Neural Networkspapers.nips.cc前往参考资料 ↓在新标签页中打开|5252ImageNet Large Scale Visual Recognition Challengelink.springer.com前往参考资料 ↓在新标签页中打开}

2014 年的 VGG 网络表明，用连续堆叠的 3×3 小卷积核替代大卷积核、并加深网络至 16—19 层，可以在 ImageNet 上取得更好效果，确立了「小核深堆」的设计惯例。^{5353Very Deep Convolutional Networks for Large-Scale Image Recognitionarxiv.org前往参考资料 ↓在新标签页中打开}

2014 年 GoogLeNet（Inception v1）引入 Inception 模块，在同一层并行使用不同尺寸的卷积核与池化并拼接输出，同时用 1×1 卷积降维，以更少的参数取得 ILSVRC 2014 分类任务冠军。^{5454Going Deeper with Convolutionsarxiv.org前往参考资料 ↓在新标签页中打开}

2015 年何恺明等人提出的残差网络（ResNet）通过恒等捷径连接（identity shortcut）让网络学习残差映射，使训练上百层乃至上千层的网络成为可能，并以 152 层 ResNet 在 ILSVRC 2015 上取得 3.57% 的 top-5 错误率，赢得分类任务冠军。^{5555Deep Residual Learning for Image Recognitionarxiv.org前往参考资料 ↓在新标签页中打开|5656ILSVRC 2015 Resultsimage-net.org前往参考资料 ↓在新标签页中打开}

卷积网络在图像分类之外被扩展到密集预测任务：2015 年的全卷积网络（FCN）把分类网络的全连接层替换为卷积层，实现端到端的逐像素语义分割；随后 U-Net（2015）以对称的编码器—解码器加跳跃连接结构，成为医学图像分割的常用基线。^{5757Fully Convolutional Networks for Semantic Segmentationarxiv.org前往参考资料 ↓在新标签页中打开|5858U-Net: Convolutional Networks for Biomedical Image Segmentationarxiv.org前往参考资料 ↓在新标签页中打开}

目标检测方向，2014 年的 R-CNN 用卷积网络提取区域特征替代手工特征，此后 Fast R-CNN、Faster R-CNN 引入区域提议网络实现端到端训练；2016 年的 YOLO 把检测重构为单次回归问题，追求实时推理速度，形成「两阶段」与「单阶段」两条技术路线。^{5959Rich feature hierarchies for accurate object detection and semantic segmentationarxiv.org前往参考资料 ↓在新标签页中打开|6060Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networksarxiv.org前往参考资料 ↓在新标签页中打开|6161You Only Look Once: Unified, Real-Time Object Detectionarxiv.org前往参考资料 ↓在新标签页中打开}

卷积网络的核心归纳偏置是平移等变性与局部性：卷积加池化使网络对输入的平移具有一定不变性，这既是它在图像任务上样本效率高的原因，也是它在需要全局建模或长程依赖的任务上受限的原因。^{4949Deep Learningnature.com前往参考资料 ↓在新标签页中打开|3232Gradient-based learning applied to document recognitionieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

卷积网络是深度学习在工业界落地最广的架构之一：在移动端与嵌入式设备上，它长期是图像分类、人脸识别、医学影像分析的主力模型，其算力需求与内存占用可通过量化、剪枝与 知识蒸馏 等手段进一步压缩。^{6363MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applicationsarxiv.org前往参考资料 ↓在新标签页中打开|6464Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Codingarxiv.org前往参考资料 ↓在新标签页中打开}

卷积网络的可解释性研究常借助可视化手段：2014 年的反卷积网络可视化与 2015 年的 Grad-CAM 等方法，通过梯度或反传把深层特征映射回输入空间，用于观察网络关注区域，但这些可视化只是近似解释，不能等同于因果归因。^{6565Visualizing and Understanding Convolutional Networksarxiv.org前往参考资料 ↓在新标签页中打开|6666Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localizationarxiv.org前往参考资料 ↓在新标签页中打开}

循环神经网络（RNN）与前馈网络的关键区别在于它带有记忆或内部状态：RNN 依据网络对序列中先前输入所做的计算来保持信息，其输出既取决于该内部状态，也取决于当前时间步的输入。^{6767Model-Based Deep Learningar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

传统前馈神经网络不包含针对网络先前输入的存储器，因此适合处理随时间输入的多个输入彼此独立、输出也彼此独立的任务；而循环网络适合处理顺序至关重要的任务，顺序中的每一步通常被称为一个时间步。^{6767Model-Based Deep Learningar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

语音识别、语言建模、文本生成、机器翻译、图像描述生成以及某些形式的手写识别，都是循环神经网络能够较好执行的任务示例。^{6767Model-Based Deep Learningar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

最朴素的 RNN 实现是单隐层模型：它先用一个全连接层把当前输入与上一时刻的隐状态映射为更新后的隐变量，再据此产生输出。^{6767Model-Based Deep Learningar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

Elman RNN 与 Jordan RNN 是循环网络中被广泛引用的经典结构示例。^{6767Model-Based Deep Learningar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

Transformer 架构的核心是 自注意力机制：序列中每个位置通过查询—键—值（query-key-value）运算，直接聚合序列中所有位置的信息，从而在单层内建立任意两个位置之间的依赖关系，取代了循环神经网络（RNN）必须沿时间步逐步传递信息的做法。^{6868Sequence Modeling Architectures: Foundations [Special Issue on the Mathematics of Deep Learning]ieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

从 RNN 到 Transformer 再到现代状态空间模型（SSM），序列建模架构的演进主线可以概括为「门控、注意力、线性动力系统」三类核心机制的更替与组合；综述性文献把这三者视为同一谱系上的不同归纳偏置选择。^{6868Sequence Modeling Architectures: Foundations [Special Issue on the Mathematics of Deep Learning]ieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

自注意力的计算代价随序列长度呈二次增长：长度为 n 的序列需要计算 n×n 的注意力权重矩阵，这使得标准 Transformer 在超长上下文场景下的显存与算力开销迅速上升，也是后续各类高效注意力与状态空间模型工作的直接动因。^{6868Sequence Modeling Architectures: Foundations [Special Issue on the Mathematics of Deep Learning]ieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

把各类序列模型统一为「线性序列混合器」（linear sequence mixer）框架，可以在同一数学语言下比较不同架构的归纳偏置与算法复杂度，这是近年架构分析文献采用的一种整合视角。^{6868Sequence Modeling Architectures: Foundations [Special Issue on the Mathematics of Deep Learning]ieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

注意力机制并非 Transformer 首创：在 Transformer 之前，注意力已被用作循环网络编码器—解码器之间的对齐手段（如机器翻译中的加性/乘性注意力），Transformer 的贡献在于去掉循环与卷积、把注意力作为唯一的基本混合算子。^{6868Sequence Modeling Architectures: Foundations [Special Issue on the Mathematics of Deep Learning]ieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

Transformer 的可扩展性是 大语言模型 得以成立的结构前提：注意力层的矩阵乘运算高度并行，便于在加速器上做大规模分布式训练，这与 RNN 的时序串行依赖形成对比。^{6868Sequence Modeling Architectures: Foundations [Special Issue on the Mathematics of Deep Learning]ieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

多头注意力（multi-head attention）把注意力拆成若干并行的子空间，使模型能同时关注不同类型的关系；这是 Transformer 的标准组件之一，属于架构层面的工程共识而非争议点。^{6868Sequence Modeling Architectures: Foundations [Special Issue on the Mathematics of Deep Learning]ieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

现代大语言模型的训练生命周期通常被划分为三个阶段：预训练、对齐与能力深化、基础设施。预训练阶段依托自监督学习在海量语料上构建知识基础，并结合缩放定律优化计算与数据资源的配置。^{6969计算机与网络publish.cnki.net前往参考资料 ↓在新标签页中打开}

预训练采用自监督学习目标，模型在大规模无标注文本上学习预测下一个词元（或掩码词元），从而获得通用语言能力，这一阶段是后续指令微调与强化学习对齐的基础。^{6969计算机与网络publish.cnki.net前往参考资料 ↓在新标签页中打开}

缩放定律（scaling law）描述了模型性能与模型参数量、训练数据量、计算量之间的幂律关系，被用于在预训练前规划计算与数据的分配比例，以在给定算力预算下取得较优的损失。^{6969计算机与网络publish.cnki.net前往参考资料 ↓在新标签页中打开}

综述研究将混合专家（MoE）架构视为大模型稀疏化的重要趋势，通过在预训练中引入稀疏激活，在控制推理计算量的同时扩大模型总参数量。^{6969计算机与网络publish.cnki.net前往参考资料 ↓在新标签页中打开}

大规模预训练、精细化对齐与高效分布式基础设施的结合，被综述归纳为现代大型语言模型成功的关键要素；预训练提供知识底座，对齐阶段通过指令微调与基于过程监督的强化学习深化推理能力。^{6969计算机与网络publish.cnki.net前往参考资料 ↓在新标签页中打开}

指令微调（instruction tuning）是在预训练之后进行的监督学习阶段：用大量「指令—期望输出」配对数据继续训练模型，使其学会把指令映射到符合人类期望的回答行为，而不是单纯预测下一个最可能的词。^{7171构建AI智能体：八十六、大模型的指令微调与人类对齐：从知识渊博到善解人意developer.aliyun.com前往参考资料 ↓在新标签页中打开}

未经指令微调的原始预训练模型擅长文本补全但缺乏指令理解能力，直接对话时可能无视问题自顾自续写、生成有害或无关内容，也无法稳定执行「写一首诗」「总结这篇文章」这类复杂指令。^{7171构建AI智能体：八十六、大模型的指令微调与人类对齐：从知识渊博到善解人意developer.aliyun.com前往参考资料 ↓在新标签页中打开}

指令微调数据通常采用「指令（Instruction）—输入（Input，可选）—输出（Output）」三段式样本格式，例如「写一封邮件礼貌拒绝周末聚餐邀请」并附邀请人与理由作为输入，模型由此习得任务的格式、语气与内容结构。^{7171构建AI智能体：八十六、大模型的指令微调与人类对齐：从知识渊博到善解人意developer.aliyun.com前往参考资料 ↓在新标签页中打开}

在大型语言模型训练生命周期的划分中，指令微调被归入「对齐与能力深化」阶段，承担实现基本对齐的功能；其后可进一步用基于过程监督的强化学习训练模型的深度推理能力。^{6969计算机与网络publish.cnki.net前往参考资料 ↓在新标签页中打开}

基于人类反馈的强化学习（RLHF）是对齐技术的代表方法，通常被描述为三个关键步骤，使模型输出不仅符合指令，也更符合人类价值观。^{7171构建AI智能体：八十六、大模型的指令微调与人类对齐：从知识渊博到善解人意developer.aliyun.com前往参考资料 ↓在新标签页中打开}

参数高效微调（如 LoRA）在实践中被用于指令微调：只在注意力投影层与 MLP 投影层（q_proj、k_proj、v_proj、o_proj、gate_proj、up_proj、down_proj）上挂载低秩适配器，从而只训练少量参数即可完成对 Qwen 等模型的指令微调。^{7171构建AI智能体：八十六、大模型的指令微调与人类对齐：从知识渊博到善解人意developer.aliyun.com前往参考资料 ↓在新标签页中打开}

指令微调与对齐被普遍视为把大模型从「知识库」转变为「既强大又安全可靠的智能助手」的关键环节，与预训练、基础设施共同构成现代大模型成功的三大支柱。^{6969计算机与网络publish.cnki.net前往参考资料 ↓在新标签页中打开|7171构建AI智能体：八十六、大模型的指令微调与人类对齐：从知识渊博到善解人意developer.aliyun.com前往参考资料 ↓在新标签页中打开}

混合专家（Mixture-of-Experts, MoE）是一种稀疏化架构：模型包含多个「专家」子网络，每个 token 只被路由到其中少数几个专家参与计算，因此总参数量可以远大于每个 token 实际激活的参数量，从而在不显著增加单 token 计算成本的前提下扩大模型容量。^{6969计算机与网络publish.cnki.net前往参考资料 ↓在新标签页中打开|7272Mamba作者团队提出SonicMoE：一个Token舍入，让MoE训练速度提升近2倍-腾讯云开发者社区-腾讯云cloud.tencent.cn前往参考资料 ↓在新标签页中打开}

在 2025 年发表的中文综述中，MoE 被列为以稀疏化模型为代表的前沿架构趋势之一，与多模态融合并列，被视为大语言模型训练方法演进的重要方向。^{6969计算机与网络publish.cnki.net前往参考资料 ↓在新标签页中打开}

近期开源 MoE 模型呈现出「高专家粒度 + 高稀疏性」的共同趋势：专家中间层维度变小、专家总数增加，而每个 token 激活的专家数保持不变，从而在激活参数量不变的情况下大幅提升总参数量。DeepSeek V3、Kimi K2、Qwen3 MoE 等模型均采用了这种细粒度专家设计。^{7272Mamba作者团队提出SonicMoE：一个Token舍入，让MoE训练速度提升近2倍-腾讯云开发者社区-腾讯云cloud.tencent.cn前往参考资料 ↓在新标签页中打开}

MoE 的稀疏度通常用「每个 token 激活的专家数 K / 专家总数 E」来衡量，专家粒度则用模型嵌入维度 d 与专家中间层大小 n 的比值刻画；在计算稀疏度时一般不计入共享专家（shared expert）。^{7272Mamba作者团队提出SonicMoE：一个Token舍入，让MoE训练速度提升近2倍-腾讯云开发者社区-腾讯云cloud.tencent.cn前往参考资料 ↓在新标签页中打开}

追求极致粒度与稀疏性会带来硬件效率问题：激活内存随激活专家数线性增长形成内存墙，专家变小变散导致算术强度下降、IO 访问更频繁，使训练进入内存受限区间；同时 Grouped GEMM 内核的 Tile 量化效应要求对输入做填充对齐，造成计算浪费。^{7272Mamba作者团队提出SonicMoE：一个Token舍入，让MoE训练速度提升近2倍-腾讯云开发者社区-腾讯云cloud.tencent.cn前往参考资料 ↓在新标签页中打开}

普林斯顿大学助理教授 Tri Dao（Mamba、FlashAttention 的核心作者）团队提出了名为 SonicMoE 的系统性方案，针对 NVIDIA Hopper 等硬件优化细粒度 MoE 训练；据报道，仅通过一个 token 舍入（token rounding）改动，即可让 MoE 训练速度提升近 2 倍。^{7272Mamba作者团队提出SonicMoE：一个Token舍入，让MoE训练速度提升近2倍-腾讯云开发者社区-腾讯云cloud.tencent.cn前往参考资料 ↓在新标签页中打开}

MoE 的核心难点之一是路由与负载均衡：路由器需要为每个 token 选择专家，若分配不均会导致部分专家过载、其余专家闲置，浪费参数容量并拖慢分布式训练，因此实际系统通常引入辅助负载均衡损失或容量因子等机制。^{6969计算机与网络publish.cnki.net前往参考资料 ↓在新标签页中打开|7272Mamba作者团队提出SonicMoE：一个Token舍入，让MoE训练速度提升近2倍-腾讯云开发者社区-腾讯云cloud.tencent.cn前往参考资料 ↓在新标签页中打开}

MoE 属于 Transformer 架构下对前馈网络（FFN）层的稀疏化改造，与 注意力机制 机制正交；它改变的是「哪些参数被激活」，而非 token 之间的信息交互方式，因此可与 大语言模型 的其他训练技术（如 知识蒸馏）组合使用。^{6969计算机与网络publish.cnki.net前往参考资料 ↓在新标签页中打开}

大模型训练已从单数据中心扩展到跨数据中心（geo-distributed）训练：随着参数规模指数增长，跨 DC 训练被视为必然趋势，但把单 DC 训练框架扩展到多 DC 环境的可行策略仍不成熟。^{7373GeoPipe: a Geo-distributed LLM Training Framework with enhanced Pipeline Parallelism in a Lossless RDMA-enabled Datacenter Optical Transport Networkieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

GeoPipe 是首个在由无损、支持 RDMA 的数据中心光传输网络（DC-OTN）互联的多个数据中心之间实验演示的高性能地理分布式大模型训练框架，其核心是在流水线并行上做增强以适配跨 DC 的高延迟链路。^{7373GeoPipe: a Geo-distributed LLM Training Framework with enhanced Pipeline Parallelism in a Lossless RDMA-enabled Datacenter Optical Transport Networkieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

分布式训练技术及其优化策略已成为大模型与多模态大模型研究的独立议题，在综述性文献中被单列成章讨论，与模型架构进展并列。^{7474哎呀糟糕了！hal.science前往参考资料 ↓在新标签页中打开}

推理成本是模型投入生产后的主要开销来源：模型优化技术专注于提升推理服务效率，目标是降低计算成本、改善用户体验并支持系统规模化扩展，从而降低总体拥有成本（TCO）与每 token 成本。^{7575五大 AI 模型优化技术，实现更快速、更智能的推理developer.nvidia.cn前往参考资料 ↓在新标签页中打开}

量化是模型优化中「最快」的一类手段：NVIDIA 将其训练后量化（Post-Training Quantization）定位为「最快的优化路径」，因为它不需要重新训练，只需在已训练好的权重上做数值精度压缩即可部署。^{7575五大 AI 模型优化技术，实现更快速、更智能的推理developer.nvidia.cn前往参考资料 ↓在新标签页中打开}

训练后量化（PTQ）速度快但可能损失精度，量化感知训练（QAT）则以「简单的精度恢复」为定位：在训练过程中模拟量化误差，用额外训练成本换回精度。^{7575五大 AI 模型优化技术，实现更快速、更智能的推理developer.nvidia.cn前往参考资料 ↓在新标签页中打开}

量化感知蒸馏（Quantization-Aware Distillation）把量化与 知识蒸馏 结合，NVIDIA 将其定位为在精度与加速之间取得最大收益的方案，即同时追求「最高精度与最高加速」。^{7575五大 AI 模型优化技术，实现更快速、更智能的推理developer.nvidia.cn前往参考资料 ↓在新标签页中打开}

量化并非孤立手段：NVIDIA 把量化与剪枝、知识蒸馏、投机解码等并列为模型优化技术栈的组成部分，实践中常组合使用，在性能与资源之间取得平衡。^{7575五大 AI 模型优化技术，实现更快速、更智能的推理developer.nvidia.cn前往参考资料 ↓在新标签页中打开}

低精度量化的收益高度依赖硬件与内核支持：NVIDIA 的优化技术以 Model Optimizer 与 TensorRT 生态为载体，只有在目标 GPU 上具备对应低精度内核时，量化才能转化为实际吞吐提升与成本下降。^{7575五大 AI 模型优化技术，实现更快速、更智能的推理developer.nvidia.cn前往参考资料 ↓在新标签页中打开}

推理成本与部署效率的优化对象是「每 token 成本、吞吐量与大规模推理处理速度」，这使量化等技术的评价标准从单纯的模型精度转向单位经济性。^{7575五大 AI 模型优化技术，实现更快速、更智能的推理developer.nvidia.cn前往参考资料 ↓在新标签页中打开}

知识蒸馏（知识蒸馏，KD）在压缩语境下指用一个大模型（教师）的输出分布去训练一个小模型（学生），使学生以更少参数逼近教师的行为；在面向资源受限环境的 LLM 压缩综述中，它被列为与量化、剪枝并列的三大主要压缩路线之一。^{7777Optimizing LLMs for Resource-Constrained Environments: A Survey of Model Compression Techniquesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

软目标（soft target / soft label）蒸馏是知识蒸馏最流行的形式：教师模型给出的预测既充当训练学生的标签，又因温度参数带来的软性而起到正则化作用，温度越高标签越软、携带的类间相似性信息越多。^{7777Optimizing LLMs for Resource-Constrained Environments: A Survey of Model Compression Techniquesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

大语言模型因参数量巨大，无法直接部署在边缘节点上；模型压缩技术被提出来降低其计算量与内存占用，从而使边缘侧的 LLM 服务成为可能。^{7676A Comprehensive Survey on Large Language Model Compression for Artificial Intelligence Applications in Edge Systemsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

现有 LLM 压缩研究多聚焦于孤立的压缩算法，缺少「如何组合运用这些技术以支撑实际部署」的整体视角，这是该方向被明确指出的研究空白。^{7676A Comprehensive Survey on Large Language Model Compression for Artificial Intelligence Applications in Edge Systemsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在 AI 基础设施的语境中，词元（token）已从单纯的技术计量单位演变为行业通用的价值计量单位：它既是算力的消耗单位，也是模型能力的交付载体，同时是智能体完成任务的“燃料”。^{7979联通数智以可信AI实践方法论实现词元价值跃迁stdaily.com前往参考资料 ↓在新标签页中打开}

AI 产业的关注点正从“词元规模的比拼”转向“可持续增长的词元应用价值”，即从追求调用量转向衡量单位词元所承载的业务价值。^{7979联通数智以可信AI实践方法论实现词元价值跃迁stdaily.com前往参考资料 ↓在新标签页中打开}

企业级 AI 采购模式出现“服务化转向”：以往企业购买 GPU、囤积算力，得到的是“裸资源”；随着应用规模化，企业更需要拿来即用、按需获取的词元服务，而非更多原始算力。^{7878从算力到词元：AI基础设施迎来服务化转向stdaily.com前往参考资料 ↓在新标签页中打开}

2026 年 9 月，润建股份在 2026 中国（广西）—东盟人工智能应用生态大会主论坛上首发“词境”平台，其中词境 TokenHub 定位为连接多元算力与模型的统一入口，与 TokenOps 企业治理平台共同构成企业级 Token 服务网络。^{7878从算力到词元：AI基础设施迎来服务化转向stdaily.com前往参考资料 ↓在新标签页中打开}

2026 年 9 月 10 日，联通数智在上海举行的 2026 中国联通合作伙伴大会“算力生态论坛”上发布“元景 MaaS 词元运营分发平台”，并启动“AI 产业应用实践行动计划”，聚焦打通 Token 的“创造、存放、转运、应用”全链条，封装“算力＋模型能力＋智能应用”服务。^{7979联通数智以可信AI实践方法论实现词元价值跃迁stdaily.com前往参考资料 ↓在新标签页中打开}

中国信通院人工智能研究所副所长巫彤宁认为，随着大模型突破和应用场景普及，词元工厂的发展将向智能生产效率、服务交付质量和综合价值转化方向延伸。^{7878从算力到词元：AI基础设施迎来服务化转向stdaily.com前往参考资料 ↓在新标签页中打开}

大语言模型（LLM）的文本生成在通识教材体系中通常被放在「生成式人工智能 / AIGC」框架下讲授：先讲人工智能基础，再讲「什么是 LLM」，然后展开 AIGC 与智能体、提示工程等内容，说明 LLM 文本生成被视为生成式 AI 的一个子领域而非孤立技术。^{8080清华大学出版社--图书详情tup.tsinghua.edu.cn前往参考资料 ↓在新标签页中打开}

在面向各专业大学生的生成式 AI 通识课程中，LLM 文本生成相关知识与提示工程（prompt engineering）被并列为独立教学单元，反映出「如何用自然语言指令引导模型输出」已成为文本生成实践的核心技能之一。^{8080清华大学出版社--图书详情tup.tsinghua.edu.cn前往参考资料 ↓在新标签页中打开}

生成式 AI 通识教材把 AIGC 的伦理与限制单列一章，与 LLM 文本生成的技术内容并列，说明在主流教学框架中，文本生成的质量、可靠性与伦理风险被视为与该技术不可分割的组成部分。^{8080清华大学出版社--图书详情tup.tsinghua.edu.cn前往参考资料 ↓在新标签页中打开}

LLM 文本生成的技术底座是 Transformer 架构与 注意力机制：模型以自回归方式逐 token 预测下一个词元，把「生成文本」转化为条件概率建模问题。^{8080清华大学出版社--图书详情tup.tsinghua.edu.cn前往参考资料 ↓在新标签页中打开}

LLM 文本生成常与 检索增强生成 结合使用：在生成前检索外部文档并把结果注入上下文，以缓解模型参数中知识过时与事实幻觉的问题。^{8080清华大学出版社--图书详情tup.tsinghua.edu.cn前往参考资料 ↓在新标签页中打开}

在工程实践中，LLM 文本生成系统常以「智能体 + 工具调用」的形态出现，模型不只输出文本，还通过调用外部工具完成检索、计算与操作，这一方向在通识教材中被列为 AIGC 的延伸内容。^{8080清华大学出版社--图书详情tup.tsinghua.edu.cn前往参考资料 ↓在新标签页中打开}

LLM 文本生成的输出质量高度依赖解码策略（如贪心解码、束搜索、温度采样、top-p 采样等），同一模型在不同解码参数下会给出风格与多样性差异明显的文本。^{8080清华大学出版社--图书详情tup.tsinghua.edu.cn前往参考资料 ↓在新标签页中打开}

扩散模型（diffusion model）是一类生成模型：它先定义一个把数据逐步加噪、最终变成近似纯噪声的前向过程，再学习一个反向去噪过程，从噪声出发逐步还原出样本；训练目标可等价地写成去噪得分匹配（denoising score matching），即估计各噪声水平下数据分布的对数密度梯度。^{8181Multi-Modal Generative AI: Multi-Modal LLMs, Diffusions, and the Unificationieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|8282Advanced Foundations and Future Trends in Generative AI for Visual Mediaieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在图像与视频生成领域，扩散模型与自回归解码器、生成对抗网络（GAN）、归一化流并列为四类核心生成范式；其中扩散路线以去噪／得分匹配目标为核心，在 2014—2025 年的视觉生成研究中逐渐成为高保真合成的主流技术路线之一。^{8282Advanced Foundations and Future Trends in Generative AI for Visual Mediaieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

潜空间扩散（latent diffusion）把加噪与去噪过程放在预训练自编码器压缩后的低维潜空间中进行，而不是直接在像素空间操作，从而显著降低高分辨率图像生成的计算成本；配合 U-Net 骨干网络，这一路线成为高分辨率文生图系统的代表性架构。^{8282Advanced Foundations and Future Trends in Generative AI for Visual Mediaieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

视频生成在图像扩散的基础上引入时间维度建模：常见做法是在 U-Net 中插入时间注意力（temporal attention），或直接采用 3D U-Net 结构，使模型在去噪时同时考虑帧内空间结构与帧间时序一致性。^{8282Advanced Foundations and Future Trends in Generative AI for Visual Mediaieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

扩散模型的可控生成依赖条件输入：文本、边缘图、深度图、语义分割图等都可以作为条件信号注入去噪网络，从而把生成结果约束到用户指定的内容或空间结构上。^{8282Advanced Foundations and Future Trends in Generative AI for Visual Mediaieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

扩散模型采样慢是其主要工程瓶颈，主流加速手段包括少步采样器蒸馏（few-step sampler distillation）、8 比特或 4 比特低精度量化（配合校准或量化感知训练），以及低秩适配等参数高效微调方法；这些策略的共同目标是在尽量保持生成精度的前提下降低推理成本。^{8282Advanced Foundations and Future Trends in Generative AI for Visual Mediaieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在多模态生成式 AI 的格局中，多模态大语言模型擅长跨模态理解，而扩散模型在多模态生成（尤其是图像与视频合成）方面表现突出；近期研究的一个重要方向是把二者统一到同一框架下，兼顾理解与生成能力。^{8181Multi-Modal Generative AI: Multi-Modal LLMs, Diffusions, and the Unificationieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

多模态模型指在单一系统中同时处理两种或以上模态（如文本、图像、音频、视频）的生成式模型，其核心能力包括跨模态理解（如图像问答、视频描述）与跨模态生成（如文生图、图生文）。^{8383商汤日日新SenseNova U1开源 加速多模态AI技术普惠stdaily.com前往参考资料 ↓在新标签页中打开|8484商汤发布并开源日日新SenseNova U1系列原生理解生成统一模型m.cnstock.com前往参考资料 ↓在新标签页中打开}

主流多模态模型长期采用「拼接式」架构：由独立的视觉编码器（VE）把图像压缩为特征，再通过适配器映射到语言骨干模型的表示空间，生成侧则依赖变分自编码器（VAE）把图像解码回像素；理解与生成分属不同模块，信息需在模块间多次转译。^{8484商汤发布并开源日日新SenseNova U1系列原生理解生成统一模型m.cnstock.com前往参考资料 ↓在新标签页中打开}

2026 年 4 月 28 日，商汤科技发布并开源日日新 SenseNova U1 系列「原生理解生成统一模型」，该模型基于其 2026 年 3 月自主研发的 NEO-unify 架构，在单一模型架构上统一了多模态理解、推理与生成。^{8383商汤日日新SenseNova U1开源 加速多模态AI技术普惠stdaily.com前往参考资料 ↓在新标签页中打开|8484商汤发布并开源日日新SenseNova U1系列原生理解生成统一模型m.cnstock.com前往参考资料 ↓在新标签页中打开}

据商汤方面介绍，NEO-unify 架构摒弃了拼接式路线，去除了视觉编码器（VE）与变分自编码器（VAE），重建统一的表征空间并融入每一层计算，使语言与视觉信息作为统一复合体直接建模，从而在保留语义丰富度的同时维持像素级视觉保真度。^{8484商汤发布并开源日日新SenseNova U1系列原生理解生成统一模型m.cnstock.com前往参考资料 ↓在新标签页中打开}

商汤称 SenseNova U1 在逻辑推理与空间智能方向上能理解物理世界的复杂布局与精细关系，并计划将其作为机器人的「具身大脑」，在单一模型闭环内完成从环境感知、逻辑推演到任务执行的全过程。^{8383商汤日日新SenseNova U1开源 加速多模态AI技术普惠stdaily.com前往参考资料 ↓在新标签页中打开|8484商汤发布并开源日日新SenseNova U1系列原生理解生成统一模型m.cnstock.com前往参考资料 ↓在新标签页中打开}

多模态统一模型被视为通向具身智能的路径之一：把感知、推理与生成放在同一模型中，可缩短从视觉输入到动作/任务输出的链路，但这一设想目前多处于路线图与演示阶段，尚未形成公认的评测标准。^{8383商汤日日新SenseNova U1开源 加速多模态AI技术普惠stdaily.com前往参考资料 ↓在新标签页中打开|8484商汤发布并开源日日新SenseNova U1系列原生理解生成统一模型m.cnstock.com前往参考资料 ↓在新标签页中打开}

检索增强生成（Retrieval-Augmented Generation，RAG）指在生成式模型作答前，先从外部知识库检索相关片段并注入上下文，使模型输出以可更新的外部证据为依据，而不只依赖参数中固化的知识。在智能体语境下，检索通常被实现为智能体可调用的一项工具，由模型自行决定何时检索、检索什么。^{8686中国联通开源智能体开发平台——元景万悟_中国网iot.china.com.cn前往参考资料 ↓在新标签页中打开|8787vector-rag-guipypi.org前往参考资料 ↓在新标签页中打开}

企业级 RAG 平台的典型流水线是「知识库创建 → 文档解析 → 向量化 → 检索 → 精排」的全流程知识管理，并支持 pdf、docx、txt、xlsx、csv、pptx 等多种格式文档以及网页资源的抓取接入。^{8686中国联通开源智能体开发平台——元景万悟_中国网iot.china.com.cn前往参考资料 ↓在新标签页中打开}

为提升问答准确率，工程实践中会在 RAG 检索环节叠加多模态检索、级联切分与自适应切分等策略，而不是只做单一的定长分块加向量近邻检索。^{8686中国联通开源智能体开发平台——元景万悟_中国网iot.china.com.cn前往参考资料 ↓在新标签页中打开}

在智能体框架中，检索常与其它工具并列注册：例如基于 Claude Agent SDK 的 @tool 装饰器构建的研究型智能体，同时挂载本地 FAISS 向量库检索、AWS 文档检索、带 Google Search grounding 的网页搜索、文件 glob 匹配与正则搜索等 6 个工具，由智能体按需选择调用。^{8787vector-rag-guipypi.org前往参考资料 ↓在新标签页中打开}

一种较新的思路是用强化学习做检索路由：对不同类型的查询选择不同的检索策略（而非所有查询一律走向量检索），并以每次回答的评估得分作为奖励信号持续改进策略。^{8585adaptive-intelligencepypi.org前往参考资料 ↓在新标签页中打开}

RAG 知识库支持增量更新：新文档可在系统运行中随时摄入，检索索引、知识图谱与记忆从当前状态继续演进，无需重启整个系统。^{8585adaptive-intelligencepypi.org前往参考资料 ↓在新标签页中打开}

RAG 与工具调用在智能体架构中往往被打包进同一套「模型—工具—场景」协作网络：平台原生支持 MCP 等工具协议，内置上百个 MCP 工具，使检索、地图、模型服务等外部能力无需单独开发适配器即可接入。^{8686中国联通开源智能体开发平台——元景万悟_中国网iot.china.com.cn前往参考资料 ↓在新标签页中打开}

在基于大语言模型的智能体架构中，工具使用（Tool Use）与规划（Planning）、记忆（Memory）并列为三大核心能力；规划的核心是把任务拆解为可验证的子步骤，工具使用则让模型通过调用外部 API、数据库与业务系统真正参与订票、改签、检索、填表、审批等可执行流程，而不只是生成文本。^{9090智能体｜AI Agent 框架介绍-腾讯云开发者社区-腾讯云cloud.tencent.cn前往参考资料 ↓在新标签页中打开|8888上海交大人工智能学院温颖团队联合计算机学院张伟楠课题组科研成果——ACL 26 SAC Highlight：让大模型智能体真正“记得进度、会做规划”_交大智慧_上海交通大学新闻学术网news.sjtu.edu.cn前往参考资料 ↓在新标签页中打开}

函数调用（Function Calling）是工具调用在大语言模型上的主要实现形态：模型输出结构化的工具名与参数（如 {"tool": "<tool_name>", "args": {...}}），由外部运行时执行并把结果回填给模型，从而形成「思考—行动—观察」的循环。^{8989构建生产级 AI Agent 系统的4大主流技术：反思、工具、规划与多智能体协作-阿里云开发者社区developer.aliyun.com前往参考资料 ↓在新标签页中打开}

单轮函数调用的准确率近年已有明显提升，但真实任务往往无法一次问答完成：以旅行规划或机票改签为例，用户会在多轮对话中陆续补充身份信息、时间偏好、舱位要求、行李数量与乘客姓名，模型必须判断哪些信息已确认、哪些条件仍需验证、哪些工具应先调用、哪些操作必须等查询结果返回后才能继续。^{8888上海交大人工智能学院温颖团队联合计算机学院张伟楠课题组科研成果——ACL 26 SAC Highlight：让大模型智能体真正“记得进度、会做规划”_交大智慧_上海交通大学新闻学术网news.sjtu.edu.cn前往参考资料 ↓在新标签页中打开}

多轮工具调用场景下的关键评价维度不只是「当前这一步函数调用是否正确」，还包括模型是否理解整个任务已经推进到什么阶段；上海交通大学温颖、张伟楠课题组与上海创智学院、朗新 AI 研究院合作的论文 PROGRA: Progress-Aware Reinforcement Learning for Multi-Turn Function Calling 提出进度感知强化学习框架，使模型在连续交互中更好地理解任务状态并规划后续步骤，该工作获评 ACL 会议 SAC Highlight Award。^{8888上海交大人工智能学院温颖团队联合计算机学院张伟楠课题组科研成果——ACL 26 SAC Highlight：让大模型智能体真正“记得进度、会做规划”_交大智慧_上海交通大学新闻学术网news.sjtu.edu.cn前往参考资料 ↓在新标签页中打开}

在工程实践中，反思（Reflection）、工具使用（Tool Use）、规划（Planning）与多智能体协作（Multi-Agent）被视为构建生产级 AI Agent 系统的四种主流设计模式，它们分别对应思考、行动、校验与协同能力，常被组合使用以突破单轮提示—响应的局限。^{8989构建生产级 AI Agent 系统的4大主流技术：反思、工具、规划与多智能体协作-阿里云开发者社区developer.aliyun.com前往参考资料 ↓在新标签页中打开}

从功能维度看，基于大语言模型的智能体可划分为大脑（Brain）、感知（Perception）与行动（Action）三个模块：大脑承担记忆、思考与决策，感知负责接收并处理多模态信息，行动借助工具执行任务并影响环境，三者循环往复使智能体持续获取反馈。^{9090智能体｜AI Agent 框架介绍-腾讯云开发者社区-腾讯云cloud.tencent.cn前往参考资料 ↓在新标签页中打开}

「智能体终端」指把大模型驱动的智能体（Agent）内嵌进消费电子设备、使其成为设备原生能力的硬件形态；按产品形态划分，它属于 AI Agent 分类中的「端侧内嵌型」，与个人消费类、企业通用类、行业垂直类等应用服务型 Agent 以及具身实体型 Agent 并列。^{939336氪报告图解 | 《2026年中国AI Agent行业发展研究报告》news.qq.com前往参考资料 ↓在新标签页中打开}

智能体终端与普通「AI 功能叠加」设备的区别在于：智能体以大语言模型为决策大脑，集成环境感知、长期记忆、规划推理、工具调用与执行反馈的全链路能力，能在较少人工干预下自主理解目标、拆解任务、调用工具并交付结果，而传统对话式 AI 以对话交互与信息响应为核心。^{939336氪报告图解 | 《2026年中国AI Agent行业发展研究报告》news.qq.com前往参考资料 ↓在新标签页中打开}

2026 年 10 月 13 日，阶跃星辰发布其首款「大模型原生智能体手机」STEPX Neo，内置个人智能体 Amoo；用户口述需求后，Amoo 可跨应用自主规划、调度对应服务，一站式完成订票、办公、视频剪辑、本地生活等多类任务。^{9191AI重构硬件价值 企业竞逐新一代智能终端赛道cnfin.com前往参考资料 ↓在新标签页中打开|9292AI重构硬件价值 企业竞逐新一代智能终端赛道_数字快讯_数字中国建设峰会szzg.gov.cn前往参考资料 ↓在新标签页中打开}

同日（2026 年 10 月 13 日），阿里巴巴集团千问团队发布两款 AI 眼镜与一款 AI 耳夹式耳机；其中 AI 眼镜 N1 系列搭载 5000 万像素影像系统，支持全天候环境感知、翻译、会议纪要和语音办事，N1 Pro 另增体征实时监测、眼动交互与虹膜核身。^{9191AI重构硬件价值 企业竞逐新一代智能终端赛道cnfin.com前往参考资料 ↓在新标签页中打开|9292AI重构硬件价值 企业竞逐新一代智能终端赛道_数字快讯_数字中国建设峰会szzg.gov.cn前往参考资料 ↓在新标签页中打开}

阿里巴巴集团千问事业部副总裁宋刚将 AI 穿戴定位为「人工智能在物理世界的延伸，也是个人智能体的重要组成部分」，认为智能体具备日常服务与复杂任务的办事能力，而 AI 硬件让智能体更好地进入真实世界并具备主动服务能力。^{9292AI重构硬件价值 企业竞逐新一代智能终端赛道_数字快讯_数字中国建设峰会szzg.gov.cn前往参考资料 ↓在新标签页中打开}

在智能体手机方向，搭载豆包手机助手消费者版的努比亚 NaviX Ultra 已正式上市，依托原生 AI 智能体能力支持自然语言指令交互，可沉淀个人专属记忆并在需要时调用，相关智能体能力随使用持续进化。^{9292AI重构硬件价值 企业竞逐新一代智能终端赛道_数字快讯_数字中国建设峰会szzg.gov.cn前往参考资料 ↓在新标签页中打开}

智能体终端的形态并不限于手机与眼镜：百度发布多款家庭 AI 终端，搭载「搭子」智能体，面向居家场景支持家庭日程、看护与多模态内容生成，显示终端定位从「个人助手」向「家庭伙伴」延伸。^{9292AI重构硬件价值 企业竞逐新一代智能终端赛道_数字快讯_数字中国建设峰会szzg.gov.cn前往参考资料 ↓在新标签页中打开}

华为、中兴、vivo、XREAL、百度等企业在 2026 年近期加速产品上新，竞逐下一代智能终端赛道；分析认为 2026 年人工智能手机、人工智能计算机销量有望超过非人工智能产品，终端市场由存量换代进入智能化换代的新周期。^{9191AI重构硬件价值 企业竞逐新一代智能终端赛道cnfin.com前往参考资料 ↓在新标签页中打开|9292AI重构硬件价值 企业竞逐新一代智能终端赛道_数字快讯_数字中国建设峰会szzg.gov.cn前往参考资料 ↓在新标签页中打开}

从产业成熟度看，端侧内嵌型智能体（即智能体终端）与具身实体型智能体仍处于生态布局和早期验证阶段，明显落后于已率先落地的企业通用 Agent 与加速规模化的行业垂直 Agent。^{939336氪报告图解 | 《2026年中国AI Agent行业发展研究报告》news.qq.com前往参考资料 ↓在新标签页中打开}

关于智能体终端的市场前景，有预测援引 CIDC 数据称 2025 年中国企业级 AI Agent 市场规模为 212 亿元，并预计 2029 年达 3320 亿元、年复合增长率约 107.6%；但该口径针对企业级 Agent 整体，并非智能体终端这一细分形态。^{939336氪报告图解 | 《2026年中国AI Agent行业发展研究报告》news.qq.com前往参考资料 ↓在新标签页中打开}

「实景实训」在中国政策语境中特指把人形机器人与具身智能产品投放到真实生产生活环境中进行常态化部署与训练，而非在实验室或仿真环境中做受控测试；其政策目标是推动这类产品从演示验证走向规模化应用。^{9494两部门关于联合开展2026年度人形机器人与具身智能实景实训专项行动的通知miit.gov.cn前往参考资料 ↓在新标签页中打开}

2026年6月，工业和信息化部办公厅与国务院国资委办公厅联合印发《关于联合开展2026年度人形机器人与具身智能实景实训专项行动的通知》（工信厅联科函〔2026〕256号），成文日期为2026年6月3日，发布日期为2026年6月8日，由工信部科技司承办发布。^{9494两部门关于联合开展2026年度人形机器人与具身智能实景实训专项行动的通知miit.gov.cn前往参考资料 ↓在新标签页中打开}

该专项行动的首批实施范围覆盖北京、天津、上海、江苏、浙江、山东、湖北、湖南、广东、四川十个省级行政区的地方工业和信息化主管部门，同时面向各有关中央企业，体现出以制造业与国资体系为主要抓手的组织方式。^{9494两部门关于联合开展2026年度人形机器人与具身智能实景实训专项行动的通知miit.gov.cn前往参考资料 ↓在新标签页中打开}

该通知明确其政策依据是此前已发布的人形机器人、具身智能产业创新发展有关指导意见和行动方案，说明实景实训并非孤立举措，而是既有具身智能产业政策链条中的落地环节。^{9494两部门关于联合开展2026年度人形机器人与具身智能实景实训专项行动的通知miit.gov.cn前往参考资料 ↓在新标签页中打开}

实景实训在方法论上针对的是具身智能的「分布偏移」问题：实验室与仿真中采集的数据难以覆盖真实场景的长尾情况，只有在真实环境中持续运行才能暴露并修正感知、决策与执行的失效模式。^{9494两部门关于联合开展2026年度人形机器人与具身智能实景实训专项行动的通知miit.gov.cn前往参考资料 ↓在新标签页中打开}

世界模型（world model）指依靠多模态数据构建对物理世界运行规律、空间关系与因果机制的可计算表征，使机器能够理解、预判并作用于真实世界；它与物理AI（人工智能与物理世界、实体产业深度融合，构建感知—决策—行动闭环的技术体系）常被并置讨论，通俗说法是「能理解真实世界运行的大脑」加「能运用物理的身体」。^{9797江苏省人民政府 动态信息 让AI从“会下棋”到“会叠衣服” —— 全国首个物理AI与世界模型大会为何落子江苏jiangsu.gov.cn前往参考资料 ↓在新标签页中打开}

世界模型被视为人工智能从数字世界走向真实物理世界的关键核心领域：过去AI在虚拟空间中处理数字与代码，默认世界是「静止」和「完美」的；一旦要让机器人执行指令，就必须考虑现实中的摩擦力与周边空间感知，难度呈几何级数增长。^{9797江苏省人民政府 动态信息 让AI从“会下棋”到“会叠衣服” —— 全国首个物理AI与世界模型大会为何落子江苏jiangsu.gov.cn前往参考资料 ↓在新标签页中打开|9696建功立“邺”，竞逐具身智能“万亿蓝海” - 经济 - 中工网workercn.cn前往参考资料 ↓在新标签页中打开}

世界模型与具身智能的难点可用「莫拉维克悖论」概括：让计算机在智力测验或下棋中达到成人水平相对容易，但在感知与行动方面让电脑表现出一岁孩子的技能却极难，业内因此有「让AI下棋容易，而叠衣服很难」的说法。^{9797江苏省人民政府 动态信息 让AI从“会下棋”到“会叠衣服” —— 全国首个物理AI与世界模型大会为何落子江苏jiangsu.gov.cn前往参考资料 ↓在新标签页中打开}

2026年10月19日至22日，全国首个聚焦物理AI与世界模型领域的高规格综合性行业大会在南京国际博览中心举办，主题为「建模物理世界·智启美好未来」，汇聚国内外顶尖专家与企业代表。^{9797江苏省人民政府 动态信息 让AI从“会下棋”到“会叠衣服” —— 全国首个物理AI与世界模型大会为何落子江苏jiangsu.gov.cn前往参考资料 ↓在新标签页中打开|9696建功立“邺”，竞逐具身智能“万亿蓝海” - 经济 - 中工网workercn.cn前往参考资料 ↓在新标签页中打开}

南京建邺高新区已集聚原方智能、极佳视界、昂晟科技（江苏）、元意科技等一批具身智能企业，覆盖产业链关键环节，把世界模型与具身智能作为从数字虚拟智能走向物理实用智能的突破口。^{9696建功立“邺”，竞逐具身智能“万亿蓝海” - 经济 - 中工网workercn.cn前往参考资料 ↓在新标签页中打开}

原方智能（2026年7月成立，核心团队来自南京大学LAMDA实验室）打造了基于跨步预测世界模型的物理智能Rehearsal框架，构建「数据—推演—优化—执行」训练闭环：机器人先在数据驱动的虚拟世界中反复训练、推演试错，再进入真实物理空间作业，据其创始人兼CEO林浩鑫介绍，该虚拟预演强化学习平台可使机器人在家庭场景中的决策成功率提升20%以上。^{9696建功立“邺”，竞逐具身智能“万亿蓝海” - 经济 - 中工网workercn.cn前往参考资料 ↓在新标签页中打开}

优必选（UBTech）的Thinker-WM在WorldOlympiad、EWMBench、WorldArena Track-1三大具身世界模型基准评测中均取得第一名，其技术路线以表征层统一的Unified Dynamic（统一动态表征）为核心。^{9595优必选Thinker-WM斩获三大具身世界模型基准第一名-上海证券报·中国证券网cnstock.com前往参考资料 ↓在新标签页中打开}

2022 年 11 月 30 日 OpenAI 发布 ChatGPT，引发全球生成式 AI 浪潮，并直接催生了中国基础模型创业潮：2023 年 4 月阶跃星辰在上海徐汇成立，几乎同期百川智能、月之暗面、零一万物相继成立，国内「百模大战」由此拉开序幕。^{9999国产大模型大变局：从“百模大战”到“基模五强” - 新华网客户端app.xinhuanet.com前往参考资料 ↓在新标签页中打开}

中国大模型创业公司在 2023—2024 年间被业界归纳为「大模型六小虎」，即阶跃星辰、智谱 AI、MiniMax、百川智能、月之暗面与零一万物，它们一度被视作「中国的 OpenAI」。^{9999国产大模型大变局：从“百模大战”到“基模五强” - 新华网客户端app.xinhuanet.com前往参考资料 ↓在新标签页中打开}

到 2026 年，中国民营 AI 大模型已形成集群式崛起的态势，代表性系统包括深度求索的 DeepSeek、阿里巴巴的通义千问、月之暗面的 Kimi K3、MiniMax 的 M3、智谱的 GLM、阶跃星辰的 Step5 Preview、字节跳动的豆包与百度的文心一言。^{9898中国民企AI大模型在全球“圈粉”news.china.com.cn前往参考资料 ↓在新标签页中打开}

据全球 AI 大模型聚合平台 OpenRouter 统计，2026 年以来中国 AI 大模型的周调用量稳居全球前列，多个头部模型长期位居词元（Token）周调用量榜单前排，调用量已成为衡量基础模型厂商市场地位的重要指标。^{9898中国民企AI大模型在全球“圈粉”news.china.com.cn前往参考资料 ↓在新标签页中打开}

据 SemiAnalysis 于 2026 年 7 月 8 日发布的《Anthropic 3Q26 Profit Over $1B》估算，Anthropic 在 2026 年第三季度利润超过 10 亿美元，被券商研报用作「聚焦 Coding 与企业 API 路线可跑通商业模型」的论据。^{100100科技行业动态点评：从海外模型看国内基础模型__新浪财经_新浪网stock.finance.sina.com.cn前往参考资料 ↓在新标签页中打开}

基础模型厂商的竞争维度已从单纯的参数规模与榜单分数，扩展到算力成本效率、多模态能力、调用量份额与企业级商业化收入四条并行赛道，产业格局的评判标准因此变得多元。^{9898中国民企AI大模型在全球“圈粉”news.china.com.cn前往参考资料 ↓在新标签页中打开|9999国产大模型大变局：从“百模大战”到“基模五强” - 新华网客户端app.xinhuanet.com前往参考资料 ↓在新标签页中打开|100100科技行业动态点评：从海外模型看国内基础模型__新浪财经_新浪网stock.finance.sina.com.cn前往参考资料 ↓在新标签页中打开}

在产业格局层面，开源与闭源被普遍视为两条并行的模型供给路线：以 OpenAI、Anthropic、Google 为代表的美国头部实验室以闭源商业模式为核心，依托大规模资本投入与算力集群构建技术壁垒；以阿里 Qwen、DeepSeek、智谱 GLM 以及 Meta Llama 为代表的开源阵营则通过开放权重与高效算法架构快速崛起。^{101101中美人工智能路线之争究竟争的是什么china.chinadaily.com.cn前往参考资料 ↓在新标签页中打开|102102Tussle between open and closed AI reshaping global orderchinadaily.com.cn前往参考资料 ↓在新标签页中打开}

闭源路线的产业逻辑被概括为「高投入、高算力、高溢价」的资本循环：头部实验室依靠超级算力集群训练前沿模型，再以 API 与订阅等闭源服务形式变现，从而支撑下一轮训练投入。^{101101中美人工智能路线之争究竟争的是什么china.chinadaily.com.cn前往参考资料 ↓在新标签页中打开}

开源路线的产业逻辑侧重于以开放权重降低下游采用门槛，使中小开发者与行业用户能够在自有数据与算力条件下做微调与部署，从而在生态扩散速度上形成对闭源阵营的追赶。^{101101中美人工智能路线之争究竟争的是什么china.chinadaily.com.cn前往参考资料 ↓在新标签页中打开|102102Tussle between open and closed AI reshaping global orderchinadaily.com.cn前往参考资料 ↓在新标签页中打开}

开源与闭源的边界正在模糊：闭源厂商会发布部分开放权重的小模型或工具链，开源阵营的头部模型也常以托管 API 形式提供商业服务，形成「开放权重 + 商业托管」的混合形态。^{101101中美人工智能路线之争究竟争的是什么china.chinadaily.com.cn前往参考资料 ↓在新标签页中打开|102102Tussle between open and closed AI reshaping global orderchinadaily.com.cn前往参考资料 ↓在新标签页中打开}

在部署与成本维度，开放权重模型使企业可以把推理负载放在自有或租用的算力上，规避按 token 计费的边际成本与数据出境顾虑；闭源 API 则以免运维、能力前沿和持续升级为卖点，二者的取舍取决于任务敏感度、调用规模与合规要求。^{101101中美人工智能路线之争究竟争的是什么china.chinadaily.com.cn前往参考资料 ↓在新标签页中打开}

开源阵营内部也存在路线差异：一类是模型厂商主动开放权重以争夺生态与标准话语权，另一类是基于既有开放模型做二次微调与行业化封装，后者的技术贡献与前者不可等量齐观。^{101101中美人工智能路线之争究竟争的是什么china.chinadaily.com.cn前往参考资料 ↓在新标签页中打开|102102Tussle between open and closed AI reshaping global orderchinadaily.com.cn前往参考资料 ↓在新标签页中打开}

开源与闭源之争在政策层面延伸为治理取向问题：部分司法辖区倾向以开放生态促进技术扩散与产业自主，另一些则以出口管制、算力管控与模型权重流通限制来维持技术优势，路线选择因此与监管框架深度耦合。^{101101中美人工智能路线之争究竟争的是什么china.chinadaily.com.cn前往参考资料 ↓在新标签页中打开|102102Tussle between open and closed AI reshaping global orderchinadaily.com.cn前往参考资料 ↓在新标签页中打开}

算力供应链是人工智能产业格局中的基础性环节：模型能力的迭代（如超长上下文、智能体能力、推理性能）直接对底层算力提出新要求，模型发布与算力适配在时间上高度耦合。2026 年 4 月深度求索发布 DeepSeek-V4 预览版并同步开源当日，百度、寒武纪、摩尔线程、华为昇腾等多家本土算力与科技企业即完成首日适配接入，被媒体概括为「国产大模型与国产算力深度融合的产业格局进一步成型」。^{105105DeepSeek-V4来了，国产算力集体适配：全产业链谁将受益？_央广网finance.cnr.cn前往参考资料 ↓在新标签页中打开}

在训练与推理的算力需求侧，模型架构选择会直接改变对硬件的压力分布。DeepSeek-V4 搭载全新注意力机制并结合自研稀疏注意力技术，在 Token 维度压缩计算量，以降低长文本场景下的计算压力与显存消耗；其 V4-Pro 与 V4-Flash 两个版本均标配 100 万 Token 超长上下文，官方称百万级上下文将成为全系官方服务的标准化配置。这说明长上下文能力正从差异化卖点转为供应链需要常态承载的负载类型。^{105105DeepSeek-V4来了，国产算力集体适配：全产业链谁将受益？_央广网finance.cnr.cn前往参考资料 ↓在新标签页中打开}

从需求侧的资金流向看，中国互联网大厂对算力的投入持续加码，是拉动本土算力供应链的重要力量；在政策、供给、需求三重支撑下，中国人工智能产业呈现出较强的内生稳定性，科创板人工智能相关企业近期密集披露技术突破与订单业绩，业绩兑现能力持续增强。^{104104人工智能上市公司发展有韧性paper.ce.cn前往参考资料 ↓在新标签页中打开|106106人工智能上市公司發展有韌性--經濟·科技--人民網finance.people.com.cn前往参考资料 ↓在新标签页中打开}

算力供应链的紧张与缓解，很大程度上取决于软件侧的效率改进：稀疏注意力、Token 维度计算量压缩、更低词元消耗等优化，被试用用户反馈为推理速度更快、使用效率显著提升，这类优化可在不增加硬件的前提下扩大既有算力的有效供给。^{105105DeepSeek-V4来了，国产算力集体适配：全产业链谁将受益？_央广网finance.cnr.cn前往参考资料 ↓在新标签页中打开}

人工智能在生命科学中的典型应用环节已形成较清晰的链条：蛋白质序列资源挖掘、AI 蛋白质结构预测、蛋白质功能关联分析、AI 药物设计与合成生物学应用。2026 年 10 月在怀柔科学城举行的「AI 驱动蛋白质科学国际研讨会」即以这些议题设置主旨报告与培训课程，参会者来自海内外高校、科研院所及生物医药企业。^{107107AI驱动蛋白质，如何赋能生命健康产业发展？怀柔这场国际研讨会来解题ncsti.gov.cn前往参考资料 ↓在新标签页中打开}

蛋白质结构预测是 AI 进入科学研究最早、影响最广的切入点之一：以 Transformer 与 注意力机制 为骨架的序列建模方法，把「从氨基酸序列直接推断三维结构」从专门家的手工工作变成可批量计算的流程，并进一步外溢到功能注释与突变效应预测。^{107107AI驱动蛋白质，如何赋能生命健康产业发展？怀柔这场国际研讨会来解题ncsti.gov.cn前往参考资料 ↓在新标签页中打开|108108人工智能赋能生命科学研究范式变革、应用场景及发展布局-Artificial intelligence empowered biological research: Paradigm shifts, application scenarios, and strategic layoutold2022.bulletin.cas.cn前往参考资料 ↓在新标签页中打开}

中国科学院院刊的综述把 AI 对生命科学的影响概括为「研究范式变革」，即在假设驱动之外增加数据驱动的发现路径，并讨论了相应的应用场景与发展布局；这类表述反映的是科研管理层面的判断，而非对具体方法优劣的定论。^{108108人工智能赋能生命科学研究范式变革、应用场景及发展布局-Artificial intelligence empowered biological research: Paradigm shifts, application scenarios, and strategic layoutold2022.bulletin.cas.cn前往参考资料 ↓在新标签页中打开}

AI 药物设计被普遍视为生成式模型与 大语言模型 在医疗健康领域最直接的落地方向之一：分子生成、性质预测、靶点—配体结合评估等环节都可以由模型先做大规模筛选，再由湿实验验证，从而压缩早期探索的候选空间。^{107107AI驱动蛋白质，如何赋能生命健康产业发展？怀柔这场国际研讨会来解题ncsti.gov.cn前往参考资料 ↓在新标签页中打开|108108人工智能赋能生命科学研究范式变革、应用场景及发展布局-Artificial intelligence empowered biological research: Paradigm shifts, application scenarios, and strategic layoutold2022.bulletin.cas.cn前往参考资料 ↓在新标签页中打开}

在医疗应用侧，AI 的落地场景包括医学影像辅助判读、临床文本与病历结构化、以及基于 检索增强生成 的医学知识问答；这些场景的共同约束是必须与既有临床工作流和监管审评路径对接，而不是单纯追求模型指标。^{108108人工智能赋能生命科学研究范式变革、应用场景及发展布局-Artificial intelligence empowered biological research: Paradigm shifts, application scenarios, and strategic layoutold2022.bulletin.cas.cn前往参考资料 ↓在新标签页中打开}

AI 与生命科学的结合正在形成跨机构协作的组织形态：研讨会同时设置研究生论坛、培训课程与项目路演，说明该领域的人才培养、方法普及与成果转化被放在同一议程中推进，而非仅停留在论文层面。^{107107AI驱动蛋白质，如何赋能生命健康产业发展？怀柔这场国际研讨会来解题ncsti.gov.cn前往参考资料 ↓在新标签页中打开}

合成生物学是 AI 在生命科学中的另一条应用线：通过模型设计基因线路、优化代谢通路与预测蛋白功能，把「设计—构建—测试—学习」循环中的设计环节部分自动化，与 CRISPR 基因编辑 等实验工具形成互补。^{107107AI驱动蛋白质，如何赋能生命健康产业发展？怀柔这场国际研讨会来解题ncsti.gov.cn前往参考资料 ↓在新标签页中打开}

在更广义的科学发现中，AI 的角色被描述为加速「假设生成—实验验证」的迭代：模型先在高维数据中提出候选结构与候选机制，再由实验科学家筛选确认。这一分工意味着 AI 目前更多是科研流程的加速器，而非替代实验证据的来源。^{108108人工智能赋能生命科学研究范式变革、应用场景及发展布局-Artificial intelligence empowered biological research: Paradigm shifts, application scenarios, and strategic layoutold2022.bulletin.cas.cn前往参考资料 ↓在新标签页中打开}

AI for Science 的评估标准与通用 大语言模型 基准不同：在结构预测、分子性质预测等任务上，通常以与实验测定值的偏差、命中率或下游湿实验成功率衡量，而非以文本问答准确率衡量，因此跨领域比较模型能力时需要谨慎。^{108108人工智能赋能生命科学研究范式变革、应用场景及发展布局-Artificial intelligence empowered biological research: Paradigm shifts, application scenarios, and strategic layoutold2022.bulletin.cas.cn前往参考资料 ↓在新标签页中打开}

在工业与制造场景中，人工智能的应用正从单点设备智能走向系统整体自主：以数据为关键要素、以模型为核心引擎、以工业智能体为载体的路径，被产业界表述为赋予制造系统自感知、自决策、自执行、自适应、自学习、自优化的自主认知能力，并被视为继经验驱动、数据驱动之后的“第三种基本范式”。^{110110具身智能，下一程主攻方向在先进制造baijiahao.baidu.com前往参考资料 ↓在新标签页中打开}

2026年10月12日至16日在上海举行的第26届中国国际工业博览会上，两台搭载“眼脑手”技术的人形机器人在工业场景中协同作业，自主完成上料、装配、料筐搬运的全流程任务，其中具身大脑负责智能感知与规划，灵巧手负责精细操作。^{109109“眼脑手”全链升级 具身智能加速落地制造一线-今日头条-手机光明网m.gmw.cn前往参考资料 ↓在新标签页中打开|110110具身智能，下一程主攻方向在先进制造baijiahao.baidu.com前往参考资料 ↓在新标签页中打开}

以多模态大模型（如 Mech-GPT）为核心的“具身大脑”可理解自然语言指令与料筐电子标签，对随机摆放的食品、日用品、文具、工具等数百种物体实时识别并自主调整分拣策略，双臂与灵巧手协同完成精准抓取与分拣，体现了 大语言模型 与多模态模型向工业操作场景的迁移。^{109109“眼脑手”全链升级 具身智能加速落地制造一线-今日头条-手机光明网m.gmw.cn前往参考资料 ↓在新标签页中打开|110110具身智能，下一程主攻方向在先进制造baijiahao.baidu.com前往参考资料 ↓在新标签页中打开}

小零件高速无序上料是制造业的典型难题，黑色吸光螺母因反光特性识别抓取难度更高；基于“眼脑手”的智能感知、规划与操作能力，机器人可快速识别和抓取散乱堆叠的螺母小零件，抓取节拍达 2.4 秒/件，清筐率达 99%，并已在汽车零部件、工程机械、钢铁、家电等行业的小零件无序抓取与上料场景大规模落地。^{110110具身智能，下一程主攻方向在先进制造baijiahao.baidu.com前往参考资料 ↓在新标签页中打开}

面向高精密制造，3D 视觉产品 Mech-Eye UHP-040-5M 具备 0.017 毫米的 XY 分辨率与 ±1 微米的 Z 向重复精度，配合 AI 识别与自适应运动调节，可实现 FPC 软排线从上料、对位插接到成品下料的全流程自主作业。^{109109“眼脑手”全链升级 具身智能加速落地制造一线-今日头条-手机光明网m.gmw.cn前往参考资料 ↓在新标签页中打开}

在空间曲面点胶场景中，机器人可针对弯曲眼镜腿等工件自动生成贴合曲面的点胶轨迹，五轴协同完成多角度连续点胶，并在点胶完成后自动检测胶路质量，实现点胶与胶路检测一体化。^{109109“眼脑手”全链升级 具身智能加速落地制造一线-今日头条-手机光明网m.gmw.cn前往参考资料 ↓在新标签页中打开}

在质量检测环节，通用“眼+脑”质检系统可在胶枪涂胶过程中实时检测断胶、胶偏、漏涂等缺陷，检测速度最高达每秒 1500 毫米，支持 360 度全视角检测；在电感高度测量中融合 3D 与 2D 视觉，单个工位一次完成高度、尺寸、表面及端子检测，测高节拍达 0.5 秒/颗。^{109109“眼脑手”全链升级 具身智能加速落地制造一线-今日头条-手机光明网m.gmw.cn前往参考资料 ↓在新标签页中打开}

Type-C 连接器检测通过多工位、多视角协同，单个工位即可完成六面外观全检，可精准检出压点、划伤、脏污、变形、电镀不良等十几类缺陷，说明基于视觉的 AI 缺陷检测已覆盖消费电子连接器等大批量精密零件。^{109109“眼脑手”全链升级 具身智能加速落地制造一线-今日头条-手机光明网m.gmw.cn前往参考资料 ↓在新标签页中打开}

针对产线动态作业，超高速动态 AI 成像技术可对每秒移动 100 至 500 毫米的物体精准成像，0.7 米处动态精度达 0.1 毫米，实现边追踪、边定位、边操作，这是 AI 视觉从静态检测走向动态在线作业的关键能力。^{109109“眼脑手”全链升级 具身智能加速落地制造一线-今日头条-手机光明网m.gmw.cn前往参考资料 ↓在新标签页中打开}

“眼脑手”全链技术升级使机器人可更稳定地应对透明物体、海量 SKU、高精度装配、动态作业等复杂任务，具身智能正从技术验证走向规模化落地，加速进入汽车、新能源、3C、半导体、AI 服务器、机加工等行业的真实生产现场。^{109109“眼脑手”全链升级 具身智能加速落地制造一线-今日头条-手机光明网m.gmw.cn前往参考资料 ↓在新标签页中打开}

产业界将人工智能对制造业的影响概括为“重构研发、生产、质控、运维全链条”，推动制造业从经验驱动转向数据驱动，让工厂“会思考”、让产线“能决策”，从单点设备的智能走向系统整体的自主。^{110110具身智能，下一程主攻方向在先进制造baijiahao.baidu.com前往参考资料 ↓在新标签页中打开}

2026 年 1 月至 8 月，以高技术制造业、数字产品制造业等为代表的新动能对全部规模以上工业增加值增长的贡献率超过五成；电子行业利润同比增长 1.1 倍，对全部规上工业企业利润增长的贡献率达 62%。^{110110具身智能，下一程主攻方向在先进制造baijiahao.baidu.com前往参考资料 ↓在新标签页中打开}

在办公场景中，大模型驱动的写作与校对能力已进入实际业务流程：广东省中山市东区街道公共服务办公室的工作人员描述，输入需求后系统可自动匹配政策依据、生成初稿并完成排版校对，约半小时形成一篇较成熟的公文文稿。^{111111办公软件变身“数字同事”paper.ce.cn前往参考资料 ↓在新标签页中打开}

金山办公推出的 WPS 365 在中山市为 3.4 万名公务人员配置使用，并依托约 60 万份政策文件构建智能知识库，被描述为从“聊天工具”转向参与流程的“数字同事”。^{111111办公软件变身“数字同事”paper.ce.cn前往参考资料 ↓在新标签页中打开}

面向企业的办公 AI 采用知识增强生成（KAG）方式构建企业知识基座，使模型能够基于组织内部真实业务知识进行推理与执行，而非仅依赖通用预训练知识。^{111111办公软件变身“数字同事”paper.ce.cn前往参考资料 ↓在新标签页中打开}

企业办公 AI 的落地重心正从“内容生成工具”转向能进入业务流程、理解组织知识、遵守权限体系的智能体；金山办公副总裁王冬表述为企业需要的不是会聊天的大模型应用，而是这类智能体。^{111111办公软件变身“数字同事”paper.ce.cn前往参考资料 ↓在新标签页中打开}

办公 AI 在制造业与金融业已有落地：制造业将海量文档转化为可复用知识资产，金融业借助智能知识门户使信息获取从“人找数据”转向“数据找人”。^{111111办公软件变身“数字同事”paper.ce.cn前往参考资料 ↓在新标签页中打开}

随着 AI 融入企业业务流程，组织对安全与私有化部署的需求快速增长；2026 年 4 月金山办公发布协同办公行业首个私有化 AI 办公方案 WPS 365 轻舟 AI，通过架构优化把原本需一间机房运行的 AI 能力压缩到一台普通 CPU 服务器。^{111111办公软件变身“数字同事”paper.ce.cn前往参考资料 ↓在新标签页中打开}

基于有道 LobsterAI 真实用户数据的《中国办公 Agent 用户行为报告 2026 年 9 月版》显示，泛编程/IT 仍是办公 Agent 的主要用途，同时设计与内容创作类任务正在升温。^{113113办公Agent用户行为报告9月版发布：设计与内容创作正在升温- DoNewsdonews.com前往参考资料 ↓在新标签页中打开}

办公 Agent 的用户使用呈现“单次任务”占比继续增长的趋势，即用户更倾向于把完整任务交给智能体一次完成，而非多轮闲聊式交互。^{113113办公Agent用户行为报告9月版发布：设计与内容创作正在升温- DoNewsdonews.com前往参考资料 ↓在新标签页中打开}

地方政府层面正以培训与示范区建设推动“人工智能+”在政务办公等场景落地，例如上海市静安区依据《静安区打造人工智能创新应用示范区三年行动方案（2026—2028年）》组织“静安AI讲堂”专题培训，首讲聚焦人工智能通识普及。^{112112“人工智能+”怎么落地？首场“静安AI讲堂”开讲！finance.sina.com.cn前往参考资料 ↓在新标签页中打开}

内容与办公是生成式 AI 商业化最直接的落地领域之一，其技术底座通常由 大语言模型 提供生成能力，并以 检索增强生成 或知识增强方式接入组织私有文档，从而缓解模型幻觉并满足权限与合规要求。^{111111办公软件变身“数字同事”paper.ce.cn前往参考资料 ↓在新标签页中打开}

办公 AI 的形态正从单点功能（写作、校对、排版）演进为可调用工具、串联工作流的 智能体 式协同平台，一个界面内完成文档、沟通、会议等全部工作流。^{111111办公软件变身“数字同事”paper.ce.cn前往参考资料 ↓在新标签页中打开}

沙利文与头豹研究院联合发布的《AI赋能千行百业白皮书》将金融与政务列为AI赋能产业中「率先实现全流程智能化、形成可复制的应用闭环」的行业，与医疗、教育、制造、能源、零售等并列解析。^{114114沙利文：中国AI赋能产业进入体系化落地阶段m.cnfin.com前往参考资料 ↓在新标签页中打开}

该白皮书认为中国AI赋能产业已进入体系化落地阶段，呈现「成熟行业深耕+新兴行业加速」的双轨格局，其中金融与政务属于成熟度最高的一档。^{114114沙利文：中国AI赋能产业进入体系化落地阶段m.cnfin.com前往参考资料 ↓在新标签页中打开}

白皮书给出的背景数据是：2024年全球AI市场规模约6157亿美元，预计2030年突破2.6万亿美元；2024年全球人工智能融资总额超5900亿元，中、美合计占比约92%；中国人工智能核心产业规模2024年突破7000亿元。^{114114沙利文：中国AI赋能产业进入体系化落地阶段m.cnfin.com前往参考资料 ↓在新标签页中打开}

在金融领域，广东省《加快推进人工智能全域全时全行业高水平应用行动方案》明确鼓励银行、证券基金公司、期货公司、保险机构及小额贷款公司、融资担保公司等地方金融组织，构建智能信贷审批系统、实时交易智能监控系统、智能财富管理服务、智能投研平台等多层次「人工智能+金融」应用体系。^{116116广东省人民政府办公厅关于印发《广东省加快推进人工智能全域全时全行业高水平应用行动方案》的通知 广东省人民政府门户网站gd.gov.cn前往参考资料 ↓在新标签页中打开}

同一方案要求构建分级分类的「人工智能+金融」全流程风险管控体系，提升监管智能化水平，精准识别、高效处置非法金融活动，并探索建立金融数据资源共享融合的安全可信机制。^{116116广东省人民政府办公厅关于印发《广东省加快推进人工智能全域全时全行业高水平应用行动方案》的通知 广东省人民政府门户网站gd.gov.cn前往参考资料 ↓在新标签页中打开}

该方案还提出深化金融租赁行业与人工智能产业融合，支持租赁公司为智能机器人等高端装备、算力租赁服务提供适合行业需求的解决方案。^{116116广东省人民政府办公厅关于印发《广东省加快推进人工智能全域全时全行业高水平应用行动方案》的通知 广东省人民政府门户网站gd.gov.cn前往参考资料 ↓在新标签页中打开}

香港在金融监管侧采取「沙盒先行」路径：金管局「生成式人工智能沙盒」已升级为跨机构的「生成式人工智能沙盒++」，应用场景与参与界别由银行扩展至证券、财富管理、保险、强积金等金融领域，新一轮入选项目在2026年内开展测试。^{115115《行政长官2026年施政报告》全文（四）sc.isd.gov.hk前往参考资料 ↓在新标签页中打开}

香港金管局通过「人工智能生成网络风险专责小组」作出评估和应对，为银行制定「网络防卫韧性测试框架」，并把首份跨行业「网络地图」（Cyber Map）项目常规化，以强化AI相关的风险管理。^{115115《行政长官2026年施政报告》全文（四）sc.isd.gov.hk前往参考资料 ↓在新标签页中打开}

香港保监局「人工智能促进计划」已吸纳十家大型保险公司承诺在港设立AI卓越中心，用于培育人才及分享经验；证监会则与科创企业合作研发监管科技。^{115115《行政长官2026年施政报告》全文（四）sc.isd.gov.hk前往参考资料 ↓在新标签页中打开}

政务侧的AI应用并不限于服务窗口：香港房屋委员会提升自主研发的AI+「智筑目」项目管理平台，用AI分析地形、山势、景观、风向、日照等条件，自动调整公营房屋的规划布局。^{115115《行政长官2026年施政报告》全文（四）sc.isd.gov.hk前往参考资料 ↓在新标签页中打开}