從大模型、智能體到復雜AI應(yīng)用系統(tǒng)的構(gòu)建-以產(chǎn)業(yè)大腦為例

從大模型、智能體到復雜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進行海量數(shù)據(jù)學習訓練，人類的反饋信息成為模型學習的內(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)則的前深度學習階段根據(jù)一定范圍的數(shù)據(jù)進行參數(shù)分類開始模仿人腦進行大量數(shù)據(jù)的標記和訓練對人腦學習過程進行重點關(guān)注ChatGPT所能實現(xiàn)的人類意圖，來自于機器學習、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習的大規(guī)模預(yù)訓練語言模型Transformer里程碑：ChatGPT的成功OpenAI公司于2022年11月發(fā)布ChatGPT，短短三個月內(nèi)日活躍用戶從零增長至超過3000萬，標志著對話式AI

進入大眾應(yīng)用階段三階段訓練技術(shù)構(gòu)建GPT

3.5ChatGPT

日活量（2022.11-2023.02）里程碑：ChatGPT的成功AI

1.0時代AI

2.0時代辨別式AI對現(xiàn)有內(nèi)容進行分析、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，每個模型完成特定智能任務(wù)解決特定的智能問題文章報告問答內(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大模型解決多個問題自適應(yīng)地應(yīng)對復雜外界環(huán)境的挑戰(zhàn)房價預(yù)測銷量預(yù)測大模型能力不斷增長大模型在知識問答、數(shù)學、編程等能力上達到新的高度，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)學推理方面表現(xiàn)在推理能力嚴重不足，體現(xiàn)在簡單數(shù)值比較錯誤、多步推理能力弱、推理不一致等誰是第一個登上月球的人請告訴我獨角獸的歷史起源獨角獸被記載在大尤里·加加林是第一個登上月球的人。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。模型的回答與事實不符，模型的回答是虛構(gòu)的，因因為尼爾·阿姆斯特朗為沒有經(jīng)過驗證的現(xiàn)實世才是第一個登上月球的界證據(jù)支持獨角獸在亞特人，而尤里·加加林是蘭蒂斯的存在，特別是與第一個進入太空的人?；适业年P(guān)聯(lián)。事實性幻覺問題違反事實，專業(yè)知識不足https://www.lakera.ai/blog/guide-to-hallucinations-in-

large-language-models9.11>9.9?

簡單數(shù)值比較錯誤多步推理錯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)學推理方面表現(xiàn)在推理能力嚴重不足，體現(xiàn)在簡單數(shù)值比較錯誤、多步推理能力弱、推理不一致等無法在復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：對純粹擴大規(guī)模方法的根本質(zhì)疑MehrdadFarajtabar："LLM本質(zhì)上是統(tǒng)計模式匹配工具，而非真正的推理系統(tǒng)"、"下一個詞預(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，推理能力突破性進展：??OpenAI

o1/o3在數(shù)學和代碼推理任務(wù)上的卓越表現(xiàn)開源大模型DeepSeek-R1在MATH基準上達到87.2%的準確率o1在數(shù)學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，推理能力突破性進展：??OpenAI

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

moment”這種深度推理能力是如何實現(xiàn)的？是單純的規(guī)模擴展結(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雜的問題。OpenAIo1

是專注于復雜推理任務(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來進行推理能力的增強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

行更深入的推理，類似于人類的思考方式。Claude3.7是首個混合推理模型，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)過訓練后，可以生成模型在回答問題時

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

在回答問題之前先Reasoning，生成一個詳細的內(nèi)部思維鏈，模

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

o1大幅提升逐步思考，并分解復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43分鐘地鐵10號線黃龍體育中心站->文三路->學院路（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組織去距離90公里的博物館春游，全班同學8:00從學校坐大巴車出發(fā)。班主任老師因為有事情，8:10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距離博物館還有多遠？首個將思維鏈顯式展示的開源模型如何低成本實現(xiàn)推理模型？s1通過在一個精心構(gòu)建的小規(guī)模數(shù)據(jù)集上（1000條數(shù)據(jù)）進行微調(diào)，并結(jié)合預(yù)算強制技術(shù)，實現(xiàn)了強大的推理能力和測試時計算擴展性如何低成本實現(xiàn)推理模型？LIMO假說：在預(yù)訓練階段已經(jīng)充分編碼領(lǐng)域知識的基礎(chǔ)模型中，復雜的推理能力可以通過最少但精確編排的認知過程演示來涌現(xiàn)：模型具備豐富預(yù)訓練知識高質(zhì)量的推理鏈示范LIMO通過817個訓練樣本（題目難度高，覆蓋知識面廣，解題步驟精細），模型就能在復雜的數(shù)學推理任務(wù)中取得有益的表現(xiàn)Less

Is

More

for

Reasoning小結(jié)二：自動化思維鏈(CoT)的實現(xiàn)是新一代大模型的精髓之一經(jīng)過精心設(shè)計的少量高質(zhì)量樣本即可實現(xiàn)適用于某個專業(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大模型，使用它回復郵件的過程大致如下：①用戶打開郵箱，手動拷貝郵件內(nèi)容②用戶將郵件內(nèi)容拷貝到大模型運行界面的對話框，寫提示詞：請基于以下郵件內(nèi)容幫我草擬一封回復③大模型根據(jù)提示詞自動生成回復郵件④用戶將大模型生成的回復郵件拷貝至郵箱⑤用戶填寫地址、郵件標題，點擊發(fā)送只有這個步驟是大模型自動完成，其余步驟均需要用戶自行手動操作有沒有更加智能或者自動化的工具來協(xié)助我們完成這些手動操作呢？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，擁有運用各種工具與物理世界互動，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行動工具Calculator()CodeInterpreter()Search()...moreCalendar()規(guī)劃一個具體的例子撰寫調(diào)研報告：調(diào)研特斯拉FSD

和華為ADS

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

和華為ADS

這兩個自動駕駛系統(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)研報告（此工具調(diào)用了LLM）一個具體的例子撰寫調(diào)研報告：調(diào)研特斯拉FSD

和華為ADS

這兩個自動駕駛系統(tǒng)類型名稱說明角色Researcher調(diào)研員智能體，從網(wǎng)絡(luò)進行搜索并總結(jié)報告。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)研報告。在定義角色時，會為其注冊下面列出的各項工具工具CollectLinks問題拆解，從搜索引擎進行搜索，并獲取URL地址列表。該工具基于LLM提示工程和搜索引擎實現(xiàn)，其功能如下：（1）將問題拆分成多個適合搜索的子問題（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現(xiàn)的;（2）總結(jié)搜索結(jié)果是通過LLM提示工程實現(xiàn)。工具ConductResearch生成調(diào)研報告?；贚LM提示工程的工具，該工具會整合WebBrowseAndSummarize

的輸出給到LLM，讓LLM生成調(diào)研報告記憶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，對模型的鏈式調(diào)用，以上一個輸出為下一個輸入的一部分。Agent，能自主執(zhí)行鏈式調(diào)用，以及訪問外部工具。Multi-Agent，多個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.更復雜的任務(wù)：大小模型協(xié)作的生成式智能體ChatGPT:具有強大的任務(wù)規(guī)劃和工具調(diào)用能力Hugging

Face:

最大的AI模型社區(qū)，每個模型都有詳細的功能描述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:大語言模型負責規(guī)劃和決策，AI小模型負責任務(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：大語言模型負責規(guī)劃和決策，AI小模型負責任務(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學術(shù)界、開源社區(qū)和工業(yè)界影響力：圖靈獎獲得者Bengio和Hinton一作論文引用：獲得斯坦?？妥淌趨嵌鬟_、英偉達GEAR

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

Space

Top10；工業(yè)界影響：受到Hugging

Face

、Langchain

、ModelScope

等團隊關(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GEAR

Lab主任

JimFan的推薦和解讀斯坦福大學客座教授吳恩達的推薦和解讀OpenAI研究員Lilian和Akhaliq的推薦和解讀圖靈獎獲得者一作論文的引用評價大語言模型正在成為人工智能時代的信息系統(tǒng)入口智能時代一直沒有出現(xiàn)像Windows、安卓/iOS這樣真正的操作系統(tǒng)——能夠為用戶提供信息系統(tǒng)入口/界面，同時可以管理計算資源并支撐應(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)存管理進程管理人機交互網(wǎng)絡(luò)安全管控CPU調(diào)度辦公大語言模型意圖識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

科學器

計算QA翻譯AI應(yīng)用作曲畫圖桌面和移動應(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)

可以基于大模型實現(xiàn)各種較為復雜的智能應(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)計晶圓制造

存儲器制造中國臺灣/韓國核心制造整機組裝終端制造中國大陸終端制造過去：分段互補合作模式制高點現(xiàn)在：主導權(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、人才資源主導權(quán)技術(shù)標準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)斷鏈風險供應(yīng)風險產(chǎn)業(yè)鏈自主可控卡脖子技術(shù)識別資源優(yōu)化配置產(chǎn)業(yè)競爭從國家間分段互補合作模式轉(zhuǎn)為主導權(quán)、制高點和卡脖子的爭奪如何精準科學地識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)鏈風險預(yù)警新興產(chǎn)業(yè)布局指導創(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)鏈補鏈強鏈未來產(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

市場機遇識別

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)化的時機等方面把握不準，難以做出有效選擇。如何精準感知產(chǎn)業(yè)技術(shù)態(tài)勢，科學研判產(chǎn)業(yè)發(fā)展方向，及時布局產(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)實現(xiàn)競爭突圍的關(guān)鍵。AI推動“科技創(chuàng)新”和“產(chǎn)業(yè)創(chuàng)新”的深度融合產(chǎn)業(yè)經(jīng)濟面臨機遇·市場需求是驅(qū)動產(chǎn)業(yè)經(jīng)濟發(fā)展的關(guān)鍵因素全球經(jīng)濟發(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)濟提供了廣闊的發(fā)展空間·技術(shù)進步是推動產(chǎn)業(yè)經(jīng)濟發(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)濟的升級和轉(zhuǎn)型提供了強大的動力·政策環(huán)境對產(chǎn)業(yè)經(jīng)濟的發(fā)展具有重要影響在政策的引導下，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扶持，從而加速其發(fā)展和壯大推動創(chuàng)新鏈、產(chǎn)業(yè)鏈、資金鏈、人才鏈深度融合是解決當前乃至未來較長時間內(nèi)加強產(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)標準、檢測認證和監(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·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、復合型人才。以智能制造領(lǐng)域例，預(yù)計到2025年人才需求將達到900萬人，面臨高達450萬人的人才缺口，中國亟需加強未來產(chǎn)業(yè)相關(guān)領(lǐng)域的人才培養(yǎng)和引進業(yè)務(wù)流程更深行業(yè)知識更深情報服務(wù)知識問答招商服務(wù)技術(shù)分析報告生成產(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)百個產(chǎn)業(yè)鏈知識圖譜，結(jié)合工具集、知識庫和指令微調(diào)訓練得到產(chǎn)業(yè)網(wǎng)鏈大模型。底層擁有強大的產(chǎn)業(yè)數(shù)據(jù)和知識圖譜數(shù)據(jù)，避免產(chǎn)業(yè)基礎(chǔ)能力不足；

實現(xiàn)智能化、精細化的產(chǎn)業(yè)治理模式，推動產(chǎn)業(yè)創(chuàng)新與發(fā)展，加強產(chǎn)業(yè)創(chuàng)新生態(tài)完善；

具備強大的自動化處理產(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+風險信息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采購公告招投標主體14億+

36萬+法人社會組織1.9億+高管信息6000萬+23萬+每日招采公告標的數(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)點標準庫，形成了100+產(chǎn)業(yè)鏈知識圖譜，進出口貿(mào)易數(shù)據(jù)：全球海關(guān)50億條進出口記錄，覆蓋全球150多個國家、80%以上貿(mào)易量招投標事件數(shù)據(jù)：匯聚了全國重大項目招采數(shù)據(jù)14億+、招投標項目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、10萬件標準件模型、供應(yīng)商數(shù)字產(chǎn)品1.9億件四鏈融合知識計算引擎SupXmind基礎(chǔ)平臺：充分融合大模型+知識圖譜的前沿技術(shù)，貫穿從“大數(shù)據(jù)”到

“大知識”到“大模型”全流程，構(gòu)建人機共生認知決策鏈路，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)百個產(chǎn)業(yè)鏈知識圖譜，結(jié)合工具集、知識庫和指令微調(diào)訓練得到產(chǎn)業(yè)垂域大模型，提供產(chǎn)業(yè)文檔解讀、產(chǎn)業(yè)鏈圖認知、產(chǎn)業(yè)主體畫像、產(chǎn)業(yè)實體匹配、產(chǎn)業(yè)發(fā)展預(yù)測、產(chǎn)業(yè)數(shù)據(jù)探索、產(chǎn)業(yè)報告生成等7個方向的特色能力。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)和知識圖譜訓練，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)知識問答、產(chǎn)業(yè)報告生成、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)認知決策需求機構(gòu)提供專業(yè)產(chǎn)業(yè)知