從大模型、智能體到復(fù)雜AI應(yīng)用系統(tǒng)的構(gòu)建——以產(chǎn)業(yè)大腦為例浙江大學(xué)DeepSeek系列專題線上公開課（第二季）提綱大模型推理能力快速提升推理模型和思維鏈(CoT)智能體是什么？四鏈融合產(chǎn)業(yè)大腦案例大模型推理能力快速提升快速回望歷史——大模型的產(chǎn)生2022年InstructGPT進(jìn)行海量數(shù)據(jù)學(xué)習(xí)訓(xùn)練，人類的反饋信息成為模型學(xué)習(xí)的內(nèi)容ChatGPTBARTM2m-100BigBirdRoBERTaXLMALBERTELECTRAGPT-1GPT-2GPT-3T5BERTMachineLearning基于規(guī)則的少量數(shù)據(jù)處理1950年開始1980年開始1990年開始；2006年獲得突破2017年2018年2019年2020年基于模板和規(guī)則的前深度學(xué)習(xí)階段根據(jù)一定范圍的數(shù)據(jù)進(jìn)行參數(shù)分類開始模仿人腦進(jìn)行大量數(shù)據(jù)的標(biāo)記和訓(xùn)練對人腦學(xué)習(xí)過程進(jìn)行重點(diǎn)關(guān)注ChatGPT所能實(shí)現(xiàn)的人類意圖，來自于機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)以及Transformer模型的多種技術(shù)模型積累神經(jīng)網(wǎng)絡(luò)CNNRNNGANChatGPT經(jīng)過多類技術(shù)積累，最終形成針對人類反饋信息學(xué)習(xí)的大規(guī)模預(yù)訓(xùn)練語言模型Transformer里程碑：ChatGPT的成功OpenAI公司于2022年11月發(fā)布ChatGPT，短短三個(gè)月內(nèi)日活躍用戶從零增長至超過3000萬，標(biāo)志著對話式AI

進(jìn)入大眾應(yīng)用階段三階段訓(xùn)練技術(shù)構(gòu)建GPT

3.5ChatGPT

日活量（2022.11-2023.02）里程碑：ChatGPT的成功AI

1.0時(shí)代AI

2.0時(shí)代辨別式AI對現(xiàn)有內(nèi)容進(jìn)行分析、分類、判斷、預(yù)測分類

回歸

聚類圖像分類文本分類信用評估客戶分群新聞聚類廣告定向社區(qū)發(fā)現(xiàn)客戶流失預(yù)測專用人工智能一事一模型，每個(gè)模型完成特定智能任務(wù)解決特定的智能問題文章報(bào)告問答內(nèi)容視頻生成短視頻片段廣告視頻語音與對話影視與廣告代碼生成樣例代碼測試用例生成式AI自動(dòng)生成開放的文本、圖像、音頻、視頻等內(nèi)容文本生成

語音生成

圖像生成人像寫真廣告圖片多模態(tài)生成文生圖文生視頻相對通用的人工智能一個(gè)大模型解決多個(gè)問題自適應(yīng)地應(yīng)對復(fù)雜外界環(huán)境的挑戰(zhàn)房價(jià)預(yù)測銷量預(yù)測大模型能力不斷增長大模型在知識(shí)問答、數(shù)學(xué)、編程等能力上達(dá)到新的高度，多種任務(wù)上的表現(xiàn)超過人類水平。Source:

https://lifearchitect.ai/timeline/大模型發(fā)展迅速，參數(shù)量從百億到萬億規(guī)模10Billion1000Billion大模型能力涌現(xiàn)，多個(gè)任務(wù)上性能超越人類水平Multi-task

Language

Understanding

on

MMLUSource:

/sota/multi-task-language-understanding-on-mmlu早期大模型在推理能力上存在明顯短板大語言模型易產(chǎn)生幻覺，在數(shù)學(xué)推理方面表現(xiàn)在推理能力嚴(yán)重不足，體現(xiàn)在簡單數(shù)值比較錯(cuò)誤、多步推理能力弱、推理不一致等誰是第一個(gè)登上月球的人請告訴我獨(dú)角獸的歷史起源獨(dú)角獸被記載在大尤里·加加林是第一個(gè)登上月球的人。約公元前10000年漫游亞特蘭蒂斯平原，它們經(jīng)常與皇室聯(lián)系在一起。模型的回答與事實(shí)不符，模型的回答是虛構(gòu)的，因因?yàn)槟釥枴ぐ⒛匪固乩蕿闆]有經(jīng)過驗(yàn)證的現(xiàn)實(shí)世才是第一個(gè)登上月球的界證據(jù)支持獨(dú)角獸在亞特人，而尤里·加加林是蘭蒂斯的存在，特別是與第一個(gè)進(jìn)入太空的人。皇室的關(guān)聯(lián)。事實(shí)性幻覺問題違反事實(shí)，專業(yè)知識(shí)不足https://www.lakera.ai/blog/guide-to-hallucinations-in-

large-language-models9.11>9.9?

簡單數(shù)值比較錯(cuò)誤多步推理錯(cuò)誤早期大模型在推理能力上存在明顯短板大語言模型易產(chǎn)生幻覺，在數(shù)學(xué)推理方面表現(xiàn)在推理能力嚴(yán)重不足，體現(xiàn)在簡單數(shù)值比較錯(cuò)誤、多步推理能力弱、推理不一致等無法在復(fù)雜的思維鏈中保持一致性推理過程和答案不一致懷疑論Yann

LeCun的批判觀點(diǎn)：對純粹擴(kuò)大規(guī)模方法的根本質(zhì)疑MehrdadFarajtabar："LLM本質(zhì)上是統(tǒng)計(jì)模式匹配工具，而非真正的推理系統(tǒng)"、"下一個(gè)詞預(yù)測框架不足以產(chǎn)生真正的理解"Yann

LeCun：自回歸大型語言模型沒有前途Apple提出LLM并非真正的推理系統(tǒng)橫空出世：OpenAI

o1/o3、DeepSeek-R1等2023-2024年，推理能力突破性進(jìn)展：??OpenAI

o1/o3在數(shù)學(xué)和代碼推理任務(wù)上的卓越表現(xiàn)開源大模型DeepSeek-R1在MATH基準(zhǔn)上達(dá)到87.2%的準(zhǔn)確率o1在數(shù)學(xué)和代碼問題上的水平大幅提升，超越人類專家開源大模型DeepSeek

R1匹敵OpenAI

o1橫空出世：OpenAI

o1/o3、DeepSeek-R1等2023-2024年，推理能力突破性進(jìn)展：??OpenAI

o1/o3在數(shù)學(xué)和代碼推理任務(wù)上的卓越表現(xiàn)開源大模型DeepSeek-R1在MATH基準(zhǔn)上達(dá)到87.2%的準(zhǔn)確率DeepSeek的“aha

moment”這種深度推理能力是如何實(shí)現(xiàn)的？是單純的規(guī)模擴(kuò)展結(jié)果，還是有其他關(guān)鍵因素？小結(jié)一：早期的大模型推理能力不足OpenAI-o系列模型和DeepSeek-R1等勝在推理能力較強(qiáng)推理模型和思維鏈(Chain

of

Thought,CoT)推理大模型的發(fā)展2024.112024.092025.12025.22025.2QwQ

由通義千問開發(fā)，QwQ

能通過思考與疑問解決一些復(fù)雜的問題。OpenAIo1

是專注于復(fù)雜推理任務(wù)，

通過深度思考和策略優(yōu)化來解決問題。DeepSeek-R1與Kimi1.5都采用RL來進(jìn)行推理能力的增強(qiáng)o3

通過模擬推理技術(shù)，能夠暫停并反思自身內(nèi)部的思考過程，從而在回答問題前進(jìn)

行更深入的推理，類似于人類的思考方式。Claude3.7是首個(gè)混合推理模型，集普通語言模型和推理模型于一體的混合模型。Gemini

2.0FlashThinking

經(jīng)過訓(xùn)練后，可以生成模型在回答問題時(shí)

經(jīng)歷的思考過程。推理大模型：通過測試時(shí)拓展（Test-TimeScaling）、強(qiáng)化學(xué)習(xí)、蒸餾等技術(shù)，大模型的推理能力不斷增強(qiáng)。OpenAI-o系列推理模型o1/o3

在回答問題之前先Reasoning，生成一個(gè)詳細(xì)的內(nèi)部思維鏈，模

擬人類的深思熟慮，逐步分解復(fù)雜的問題，提高答案的準(zhǔn)確性和深度。相較于GPT-4o

o1大幅提升逐步思考，并分解復(fù)雜的問題什么是思維鏈(CoT)從浙大玉泉校區(qū)到紫金港校區(qū)如何最快出行？要知道從玉泉校區(qū)到紫金港校區(qū)如何最快出行，首先得知道有幾種交通路線：89路公交車，共17站，需步行2分鐘，共用時(shí)50分鐘地鐵10號線轉(zhuǎn)2號線，這樣就是2站+5站，共7站，需步行20分鐘，共用時(shí)43分鐘地鐵3號線轉(zhuǎn)7149路公交車，這樣就是3站+11站，共14站，需步行11分鐘，共用時(shí)50分鐘還可以……這樣綜合看起來，最快的交通方案應(yīng)該2，共用時(shí)43分鐘地鐵10號線黃龍?bào)w育中心站->文三路->學(xué)院路（轉(zhuǎn)2號線）->古翠路->豐潭路->文新路->三壩->蝦龍圩->步行…什么是思維鏈(CoT)有些問題，人也很難快速寫出思維鏈，比如：桌子上放著50

根火柴，丁丁、田田二人輪流每次取走1~3根。規(guī)定誰取走最后一根火柴誰輸。如果雙方采用最佳方法，丁丁先取，那么誰將獲勝?依靠大模型自己生成思維鏈并求解DeepSeek-R1的推理過程求是小學(xué)組織去距離90公里的博物館春游，全班同學(xué)8:00從學(xué)校坐大巴車出發(fā)。班主任老師因?yàn)橛惺虑椋?:10自己自駕小車以大巴車快1/3的速度追趕，結(jié)果比大巴車提前20分鐘到。問：大巴和小車的速度各是多少？班主任老師追上大巴的地點(diǎn)距離博物館還有多遠(yuǎn)？首個(gè)將思維鏈顯式展示的開源模型如何低成本實(shí)現(xiàn)推理模型？s1通過在一個(gè)精心構(gòu)建的小規(guī)模數(shù)據(jù)集上（1000條數(shù)據(jù)）進(jìn)行微調(diào)，并結(jié)合預(yù)算強(qiáng)制技術(shù)，實(shí)現(xiàn)了強(qiáng)大的推理能力和測試時(shí)計(jì)算擴(kuò)展性如何低成本實(shí)現(xiàn)推理模型？LIMO假說：在預(yù)訓(xùn)練階段已經(jīng)充分編碼領(lǐng)域知識(shí)的基礎(chǔ)模型中，復(fù)雜的推理能力可以通過最少但精確編排的認(rèn)知過程演示來涌現(xiàn)：模型具備豐富預(yù)訓(xùn)練知識(shí)高質(zhì)量的推理鏈?zhǔn)痉禠IMO通過817個(gè)訓(xùn)練樣本（題目難度高，覆蓋知識(shí)面廣，解題步驟精細(xì)），模型就能在復(fù)雜的數(shù)學(xué)推理任務(wù)中取得有益的表現(xiàn)Less

Is

More

for

Reasoning小結(jié)二：自動(dòng)化思維鏈(CoT)的實(shí)現(xiàn)是新一代大模型的精髓之一經(jīng)過精心設(shè)計(jì)的少量高質(zhì)量樣本即可實(shí)現(xiàn)適用于某個(gè)專業(yè)領(lǐng)域的高性能低成本推理模型智能體(AI

Agent)是什么？靈魂發(fā)問大模型除了可以和我聊天、回答問題，到底還能干什么？靈魂發(fā)問ChatGPT的回答用大模型寫郵件如果你只有一個(gè)大模型，使用它回復(fù)郵件的過程大致如下：①用戶打開郵箱，手動(dòng)拷貝郵件內(nèi)容②用戶將郵件內(nèi)容拷貝到大模型運(yùn)行界面的對話框，寫提示詞：請基于以下郵件內(nèi)容幫我草擬一封回復(fù)③大模型根據(jù)提示詞自動(dòng)生成回復(fù)郵件④用戶將大模型生成的回復(fù)郵件拷貝至郵箱⑤用戶填寫地址、郵件標(biāo)題，點(diǎn)擊發(fā)送只有這個(gè)步驟是大模型自動(dòng)完成，其余步驟均需要用戶自行手動(dòng)操作有沒有更加智能或者自動(dòng)化的工具來協(xié)助我們完成這些手動(dòng)操作呢？智能體(AI

Agent)大語言模型（

LLM）可以接受輸入，可以分析&推理、規(guī)劃任務(wù)、輸出文字\代碼\媒體。然而，其無法像人類一樣，擁有運(yùn)用各種工具與物理世界互動(dòng)，以及擁有人類的記憶能力。LLM：接受輸入、思考、規(guī)劃任務(wù)、輸出人類：LLM（接受輸入、思考、規(guī)劃任務(wù)、輸出）+記憶+工具智能體記憶Short-term

memoryLong-term

memoryReflectionSelf-criticsChain

of

thoughtsSubgoal

decomposition行動(dòng)工具Calculator()CodeInterpreter()Search()...moreCalendar()規(guī)劃一個(gè)具體的例子撰寫調(diào)研報(bào)告：調(diào)研特斯拉FSD

和華為ADS

這兩個(gè)自動(dòng)駕駛系統(tǒng)第一步：智能體進(jìn)行任務(wù)拆解，首先調(diào)用CollectLinks工具從搜索引擎進(jìn)行搜索并獲取Url地址列表/developer/article/2422923一個(gè)具體的例子撰寫調(diào)研報(bào)告：調(diào)研特斯拉FSD

和華為ADS

這兩個(gè)自動(dòng)駕駛系統(tǒng)第二步：調(diào)用WebBrowseAndSummarize工具瀏覽網(wǎng)頁并總結(jié)網(wǎng)頁內(nèi)容（此工具調(diào)用了LLM）第三步：調(diào)用ConductResearch工具生成調(diào)研報(bào)告（此工具調(diào)用了LLM）一個(gè)具體的例子撰寫調(diào)研報(bào)告：調(diào)研特斯拉FSD

和華為ADS

這兩個(gè)自動(dòng)駕駛系統(tǒng)類型名稱說明角色Researcher調(diào)研員智能體，從網(wǎng)絡(luò)進(jìn)行搜索并總結(jié)報(bào)告。通過LLM提示工程(PromptEngineering)，讓LLM以調(diào)研員的角色去規(guī)劃和拆分任務(wù)，使用提供的工具，完成調(diào)研過程，生成調(diào)研報(bào)告。在定義角色時(shí)，會(huì)為其注冊下面列出的各項(xiàng)工具工具CollectLinks問題拆解，從搜索引擎進(jìn)行搜索，并獲取URL地址列表。該工具基于LLM提示工程和搜索引擎實(shí)現(xiàn)，其功能如下：（1）將問題拆分成多個(gè)適合搜索的子問題（基于LLM提示工程）;（2）通過搜索引擎搜索子問題;（3）篩選出與調(diào)研問題有關(guān)的URL，并根據(jù)網(wǎng)站可靠性對URL列表進(jìn)行排序（基于LLM提示工程）工具WebBrowseAndSummarize瀏覽網(wǎng)頁并總結(jié)網(wǎng)頁內(nèi)容。由兩個(gè)工具組成：瀏覽網(wǎng)頁和總結(jié)網(wǎng)絡(luò)內(nèi)容。（1）瀏覽網(wǎng)頁是通過封裝的WebBrowserEngine

工具訪問搜索引擎實(shí)現(xiàn)的;（2）總結(jié)搜索結(jié)果是通過LLM提示工程實(shí)現(xiàn)。工具ConductResearch生成調(diào)研報(bào)告。基于LLM提示工程的工具，該工具會(huì)整合WebBrowseAndSummarize

的輸出給到LLM，讓LLM生成調(diào)研報(bào)告記憶Short-term

memory短期記憶能力，metaGPT框架封裝了短期記憶的能力，用于在任務(wù)執(zhí)行周期內(nèi)保存和檢索上下文記憶，如CollectLinks和WebBrowseAndSummarize等工具的執(zhí)行結(jié)果。自動(dòng)發(fā)郵件The

growth

trend

on

the

field

of

LLM-based

autonomous

agentsA

Survey

on

Large

Language

Model

based

Autonomous

Agents,

2023.8Agent

System

五層基石理論Models，也就是我們熟悉的調(diào)用大模型API。Prompt

Templates，在提示詞中引入變量以適應(yīng)用戶輸入的提示模版。Chains，對模型的鏈?zhǔn)秸{(diào)用，以上一個(gè)輸出為下一個(gè)輸入的一部分。Agent，能自主執(zhí)行鏈?zhǔn)秸{(diào)用，以及訪問外部工具。Multi-Agent，多個(gè)Agent共享一部分記憶，自主分工相互協(xié)作。The

Framework

of

LLM-powered

AgentsEnvironmentObservationAgentBrainConstructionBroader

Action

SpacesMultimodal

OutputText

&

SpeechImagesToolsCalling

APIs:calculator,

task-specific

models,

web

searching

…Multi-modal

PerceptionImage

&

VideoSpeechUser

behaviorScience

dataStock

dataCodeEmbodimentAutonomous

carRobots;

Arm;

…MemoryShort-term

&

Long-termTimeBrainDecision

MakingReasoningPlanningReflectionRetrieveSummaryMemory

&

Decision

MakingActionLLM-powered

Agents

are

artificial

entities

thatenhance

LLMs

with

essential

capabilities,

enablingthem

to

sense

their

environment,

make

decisions,

andtake

actions.更復(fù)雜的任務(wù)：大小模型協(xié)作的生成式智能體ChatGPT:具有強(qiáng)大的任務(wù)規(guī)劃和工具調(diào)用能力Hugging

Face:

最大的AI模型社區(qū)，每個(gè)模型都有詳細(xì)的功能描述LLMsML

community

/

Tool

Library

/

APILanguage…HuggingGPT:Solving

AI

Tasks

with

ChatGPT

and

its

Friends

in

HuggingFace,

YongliangShen,

Kaitao

Song,

Xu

Tan,

Dongsheng

Li,

WeimingLu,

Yueting

Zhuang.

NeurIPS

2023HuggingGPT：大小模型協(xié)作的生成式智能體工作流程:大語言模型負(fù)責(zé)規(guī)劃和決策，AI小模型負(fù)責(zé)任務(wù)執(zhí)行Task

Planning

Model

Selection

Task

Execution

Response

GenerationHuggingGPT：大小模型協(xié)作的生成式智能體大小模型協(xié)作AI

Agent：大語言模型負(fù)責(zé)規(guī)劃和決策，AI小模型負(fù)責(zé)任務(wù)執(zhí)行HuggingGPT:Solving

AI

Tasks

with

ChatGPT

and

its

Friends

in

HuggingFace,

YongliangShen,

Kaitao

Song,

Xu

Tan,

Dongsheng

Li,

WeimingLu,

Yueting

Zhuang.

NeurIPS

2023HuggingGPT學(xué)術(shù)界、開源社區(qū)和工業(yè)界影響力：圖靈獎(jiǎng)獲得者Bengio和Hinton一作論文引用：獲得斯坦?？妥淌趨嵌鬟_(dá)、英偉達(dá)GEAR

Lab主任JimFan、OpenAI研究員等科學(xué)家的博文推薦；論文一年被引600余次，獲得WAIC青年優(yōu)秀論文獎(jiǎng)；開源倉庫獲得2萬多次收藏，獲得國際測試委員會(huì)頒發(fā)的2022-2023百大開源成就獎(jiǎng)，Demo系統(tǒng)獲得HuggingFace

Space

Top10；工業(yè)界影響：受到Hugging

Face

、Langchain

、ModelScope

等團(tuán)隊(duì)關(guān)注，推出相應(yīng)的產(chǎn)品和功能：

Transformers

Agent

、Langchain

HuggingGPT

和ModelScope

Agent。Many

of

these

risks

could

soon

be

amplified,

and

new

riskscreated,

as

companies

are

developingautonomous

AI:systems

that

can

plan,

act

in

the

world,

and

pursue

goals[1]Bengio

Y,

Hinton

G,etal.Managingairisks

in

an

era

ofrapid

progress[J]英偉達(dá)GEAR

Lab主任

JimFan的推薦和解讀斯坦福大學(xué)客座教授吳恩達(dá)的推薦和解讀OpenAI研究員Lilian和Akhaliq的推薦和解讀圖靈獎(jiǎng)獲得者一作論文的引用評價(jià)大語言模型正在成為人工智能時(shí)代的信息系統(tǒng)入口智能時(shí)代一直沒有出現(xiàn)像Windows、安卓/iOS這樣真正的操作系統(tǒng)——能夠?yàn)橛脩籼峁┬畔⑾到y(tǒng)入口/界面，同時(shí)可以管理計(jì)算資源并支撐應(yīng)用開發(fā)。而大語言模型，正在起到信息系統(tǒng)入口界面作用。操作系統(tǒng)文件系統(tǒng)內(nèi)存管理進(jìn)程管理人機(jī)交互網(wǎng)絡(luò)安全管控CPU調(diào)度辦公大語言模型意圖識(shí)別情感分析圖像表示文本生成文本表示Chat圖表示問答各種服務(wù)器瀏覽 圖片器 編輯播放

科學(xué)器

計(jì)算QA翻譯AI應(yīng)用作曲畫圖桌面和移動(dòng)應(yīng)用 服務(wù)應(yīng)用…寫代碼圖片生成

聲音生成

圖生成硬件虛擬層多模態(tài)/多領(lǐng)域數(shù)據(jù)通用接口Language

Models

are

General-Purpose

InterfacesYaru

Hao

Et.

al.DOI:arxiv-2206.06336小結(jié)三：智能體

(AI

Agent)

是大模型

(Brain)

的眼

(Observation)

和手(Tools)通過智能體

(AI

Agent)

可以基于大模型實(shí)現(xiàn)各種較為復(fù)雜的智能應(yīng)用系統(tǒng)四鏈融合產(chǎn)業(yè)大腦案例產(chǎn)業(yè)認(rèn)知決策：國家戰(zhàn)略需求芯片架構(gòu)操作系統(tǒng)等美國/歐洲研發(fā)設(shè)計(jì)晶圓制造

存儲(chǔ)器制造中國臺(tái)灣/韓國核心制造整機(jī)組裝終端制造中國大陸終端制造過去：分段互補(bǔ)合作模式制高點(diǎn)現(xiàn)在：主導(dǎo)權(quán)和卡脖子爭奪決定性關(guān)鍵性基礎(chǔ)性關(guān)鍵芯片

基礎(chǔ)軟件創(chuàng)新能力、供應(yīng)鏈體系、人才資源主導(dǎo)權(quán)技術(shù)標(biāo)準(zhǔn)核心專利卡脖子核心器件高端設(shè)備產(chǎn)業(yè)鏈控制基礎(chǔ)支撐保障產(chǎn)業(yè)基礎(chǔ)斷鏈風(fēng)險(xiǎn)供應(yīng)風(fēng)險(xiǎn)產(chǎn)業(yè)鏈自主可控卡脖子技術(shù)識(shí)別資源優(yōu)化配置產(chǎn)業(yè)競爭從國家間分段互補(bǔ)合作模式轉(zhuǎn)為主導(dǎo)權(quán)、制高點(diǎn)和卡脖子的爭奪如何精準(zhǔn)科學(xué)地識(shí)別并批量形成具有戰(zhàn)略意義的"卡脖子"問題清單，是我國實(shí)現(xiàn)關(guān)鍵核心技術(shù)突破要解決的首要任務(wù)，直接影響國家產(chǎn)業(yè)安全戰(zhàn)略決策與創(chuàng)新資源配置產(chǎn)業(yè)發(fā)展決策：廣闊的社會(huì)需求政府決策需求新興產(chǎn)業(yè)培育創(chuàng)新體系建設(shè)產(chǎn)業(yè)鏈安全產(chǎn)業(yè)發(fā)展戰(zhàn)略規(guī)劃關(guān)鍵核心技術(shù)突破產(chǎn)業(yè)鏈風(fēng)險(xiǎn)預(yù)警新興產(chǎn)業(yè)布局指導(dǎo)創(chuàng)新鏈產(chǎn)業(yè)鏈融合供應(yīng)鏈韌性提升產(chǎn)業(yè)能級提升路徑科技創(chuàng)新體系優(yōu)化產(chǎn)業(yè)鏈補(bǔ)鏈強(qiáng)鏈未來產(chǎn)業(yè)培育方向產(chǎn)業(yè)創(chuàng)新生態(tài)營造產(chǎn)業(yè)安全保障體系企業(yè)創(chuàng)新需求轉(zhuǎn)型升級需求

市場競爭需求

產(chǎn)業(yè)協(xié)同需求技術(shù)創(chuàng)新路徑規(guī)劃

技術(shù)競爭態(tài)勢分析

上下游協(xié)同創(chuàng)新數(shù)字化轉(zhuǎn)型方案

市場機(jī)遇識(shí)別

產(chǎn)業(yè)資源對接智能制造升級

產(chǎn)品創(chuàng)新方向

創(chuàng)新要素匹配綠色低碳發(fā)展

競爭優(yōu)勢構(gòu)建

產(chǎn)業(yè)生態(tài)融入航空航天、軌道交通、新材料、新能源、電子信息等戰(zhàn)略產(chǎn)業(yè)、未來產(chǎn)業(yè)對產(chǎn)業(yè)信息智能分析提出重大需求，呈現(xiàn)廣泛、持續(xù)增長的發(fā)展態(tài)勢。產(chǎn)業(yè)發(fā)展決策：廣闊的社會(huì)需求產(chǎn)業(yè)發(fā)展方向研判前沿技術(shù)遴選研判產(chǎn)業(yè)技術(shù)監(jiān)測跟蹤產(chǎn)業(yè)化應(yīng)用場景研判技術(shù)演進(jìn)路徑分析產(chǎn)業(yè)發(fā)展趨勢預(yù)測產(chǎn)業(yè)技術(shù)“弱信號”發(fā)現(xiàn)各地各行業(yè)在布局新興/未來產(chǎn)業(yè)的過程中，由于對前沿技術(shù)、技術(shù)路線、應(yīng)用場景、大規(guī)模產(chǎn)業(yè)化的時(shí)機(jī)等方面把握不準(zhǔn)，難以做出有效選擇。如何精準(zhǔn)感知產(chǎn)業(yè)技術(shù)態(tài)勢，科學(xué)研判產(chǎn)業(yè)發(fā)展方向，及時(shí)布局產(chǎn)業(yè)化應(yīng)用場景培育新產(chǎn)品，成為未來產(chǎn)業(yè)大變局中區(qū)域/企業(yè)實(shí)現(xiàn)競爭突圍的關(guān)鍵。AI推動(dòng)“科技創(chuàng)新”和“產(chǎn)業(yè)創(chuàng)新”的深度融合產(chǎn)業(yè)經(jīng)濟(jì)面臨機(jī)遇·市場需求是驅(qū)動(dòng)產(chǎn)業(yè)經(jīng)濟(jì)發(fā)展的關(guān)鍵因素全球經(jīng)濟(jì)發(fā)展，產(chǎn)品和服務(wù)的需求不斷變化和

升級，為產(chǎn)業(yè)經(jīng)濟(jì)提供了廣闊的發(fā)展空間·技術(shù)進(jìn)步是推動(dòng)產(chǎn)業(yè)經(jīng)濟(jì)發(fā)展的重要力量新技術(shù)、新工藝和新材料的涌現(xiàn)，為產(chǎn)業(yè)經(jīng)濟(jì)的升級和轉(zhuǎn)型提供了強(qiáng)大的動(dòng)力·政策環(huán)境對產(chǎn)業(yè)經(jīng)濟(jì)的發(fā)展具有重要影響在政策的引導(dǎo)下，一些具有戰(zhàn)略意義的新興產(chǎn)業(yè)和領(lǐng)域?qū)⒌玫街攸c(diǎn)扶持，從而加速其發(fā)展和壯大推動(dòng)創(chuàng)新鏈、產(chǎn)業(yè)鏈、資金鏈、人才鏈深度融合是解決當(dāng)前乃至未來較長時(shí)間內(nèi)加強(qiáng)產(chǎn)業(yè)創(chuàng)新發(fā)展、加快鍛造新質(zhì)生產(chǎn)力的重要抓手產(chǎn)業(yè)經(jīng)濟(jì)面臨挑戰(zhàn)·產(chǎn)業(yè)基礎(chǔ)能力不足產(chǎn)業(yè)基礎(chǔ)能力的不足是一個(gè)重要挑戰(zhàn)。在核心技術(shù)、裝備、原材料等方面，中國與國際先進(jìn)水平之間存在明顯差距·產(chǎn)業(yè)創(chuàng)新生態(tài)亟需完善產(chǎn)業(yè)的發(fā)展依賴于完整的產(chǎn)業(yè)體系,中國的基礎(chǔ)設(shè)施、技術(shù)標(biāo)準(zhǔn)、檢測認(rèn)證和監(jiān)管體系尚不健全，缺乏統(tǒng)一的戰(zhàn)略規(guī)劃和頂層設(shè)計(jì)·人才基礎(chǔ)較為薄弱中國在基礎(chǔ)研究和應(yīng)用研究人才的比例較低，尤其缺少跨界型、復(fù)合型人才。以智能制造領(lǐng)域例，預(yù)計(jì)到2025年人才需求將達(dá)到900萬人，面臨高達(dá)450萬人的人才缺口，中國亟需加強(qiáng)未來產(chǎn)業(yè)相關(guān)領(lǐng)域的人才培養(yǎng)和引進(jìn)業(yè)務(wù)流程更深行業(yè)知識(shí)更深情報(bào)服務(wù)知識(shí)問答招商服務(wù)技術(shù)分析報(bào)告生成產(chǎn)業(yè)研究產(chǎn)業(yè)網(wǎng)鏈大模型產(chǎn)業(yè)網(wǎng)鏈大模型面向產(chǎn)業(yè)創(chuàng)新領(lǐng)域，以通用中文大模型為基座，注入數(shù)十億海量產(chǎn)業(yè)數(shù)據(jù)和數(shù)百個(gè)產(chǎn)業(yè)鏈知識(shí)圖譜，結(jié)合工具集、知識(shí)庫和指令微調(diào)訓(xùn)練得到產(chǎn)業(yè)網(wǎng)鏈大模型。底層擁有強(qiáng)大的產(chǎn)業(yè)數(shù)據(jù)和知識(shí)圖譜數(shù)據(jù)，避免產(chǎn)業(yè)基礎(chǔ)能力不足；

實(shí)現(xiàn)智能化、精細(xì)化的產(chǎn)業(yè)治理模式，推動(dòng)產(chǎn)業(yè)創(chuàng)新與發(fā)展，加強(qiáng)產(chǎn)業(yè)創(chuàng)新生態(tài)完善；

具備強(qiáng)大的自動(dòng)化處理產(chǎn)業(yè)信息能力、智能分析與預(yù)測，提升服務(wù)效率，降低人力成本。產(chǎn)業(yè)網(wǎng)鏈大模型訓(xùn)練過程海量數(shù)據(jù)資源數(shù)據(jù)描述數(shù)量企業(yè)庫1.9億+人才庫3000萬+專家?guī)?萬+全球海關(guān)20億+大宗商品交易行情15億+政策590萬+資訊4000萬+招投標(biāo)14億+通用產(chǎn)業(yè)數(shù)據(jù)科技數(shù)據(jù)數(shù)據(jù)描述數(shù)量專利1.5億+論文1.2億+書籍291萬百科410萬行業(yè)數(shù)據(jù)數(shù)據(jù)描述數(shù)量行業(yè)輿情1.3億+風(fēng)險(xiǎn)信息200萬+數(shù)據(jù)來源：數(shù)據(jù)來源：數(shù)據(jù)來源：海量數(shù)據(jù)資源最具權(quán)威的產(chǎn)業(yè)鏈、供應(yīng)鏈數(shù)據(jù)資源國家工業(yè)互聯(lián)網(wǎng)大數(shù)據(jù)中心浙大CCAI產(chǎn)業(yè)鏈大數(shù)據(jù)中心工信部采購中心招標(biāo)采購公告招投標(biāo)主體14億+

36萬+法人社會(huì)組織1.9億+高管信息6000萬+23萬+每日招采公告標(biāo)的數(shù)據(jù)42萬+產(chǎn)業(yè)鏈圖譜數(shù)據(jù)：構(gòu)建了10萬級產(chǎn)業(yè)節(jié)點(diǎn)標(biāo)準(zhǔn)庫，形成了100+產(chǎn)業(yè)鏈知識(shí)圖譜，進(jìn)出口貿(mào)易數(shù)據(jù)：全球海關(guān)50億條進(jìn)出口記錄，覆蓋全球150多個(gè)國家、80%以上貿(mào)易量招投標(biāo)事件數(shù)據(jù)：匯聚了全國重大項(xiàng)目招采數(shù)據(jù)14億+、招投標(biāo)項(xiàng)目300萬+、金額2.2萬億元+產(chǎn)品供應(yīng)鏈數(shù)據(jù)：整理了28大類通用零配件、10萬件標(biāo)準(zhǔn)件模型、供應(yīng)商數(shù)字產(chǎn)品1.9億件四鏈融合知識(shí)計(jì)算引擎SupXmind基礎(chǔ)平臺(tái)：充分融合大模型+知識(shí)圖譜的前沿技術(shù)，貫穿從“大數(shù)據(jù)”到

“大知識(shí)”到“大模型”全流程，構(gòu)建人機(jī)共生認(rèn)知決策鏈路，幫助用戶打造智能決策系統(tǒng)。產(chǎn)業(yè)垂域大模型iChainGPTiChainGPT是以通用大模型為基座，面向產(chǎn)業(yè)創(chuàng)新咨詢服務(wù)場景，注入數(shù)十億海量產(chǎn)業(yè)數(shù)據(jù)和數(shù)百個(gè)產(chǎn)業(yè)鏈知識(shí)圖譜，結(jié)合工具集、知識(shí)庫和指令微調(diào)訓(xùn)練得到產(chǎn)業(yè)垂域大模型，提供產(chǎn)業(yè)文檔解讀、產(chǎn)業(yè)鏈圖認(rèn)知、產(chǎn)業(yè)主體畫像、產(chǎn)業(yè)實(shí)體匹配、產(chǎn)業(yè)發(fā)展預(yù)測、產(chǎn)業(yè)數(shù)據(jù)探索、產(chǎn)業(yè)報(bào)告生成等7個(gè)方向的特色能力。產(chǎn)業(yè)網(wǎng)鏈大模型構(gòu)成及服務(wù)框架產(chǎn)業(yè)網(wǎng)鏈大模型使用海量產(chǎn)業(yè)數(shù)據(jù)和知識(shí)圖譜訓(xùn)練，創(chuàng)新性地引入了“大小模型協(xié)同”的智能體框架，面向產(chǎn)業(yè)創(chuàng)新業(yè)務(wù)場景，提供了包括產(chǎn)業(yè)知識(shí)問答、產(chǎn)業(yè)報(bào)告生成、產(chǎn)業(yè)技術(shù)分析、產(chǎn)業(yè)文檔理解等能力，向上為企業(yè)、園區(qū)、政府等產(chǎn)業(yè)認(rèn)知決策需求機(jī)構(gòu)提供專業(yè)產(chǎn)業(yè)知