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
如果无法正常显示，请先停止浏览器的去广告插件。
1. 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
浙江大学人工智能教育教学研究中心
2025.03 杭州
2. 提纲
• 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
3. 大模型推理能力快速提升
4. 快速回望历史——大模型的产生
ChatGPT所能实现的人类意图，来自于机器学习、神经网络以及Transformer模型的多种技术模型积累
基于模板和
规则的前深
度学习阶段
根据一定范
围的数据进
行参数分类
开始模仿人
脑进行大量
数据的标记
和训练
对人脑学习
过程进行重
点关注
神经网络
基于规则
的少量数
据处理
Machine
Learning
CNN
RNN
Transformer
GAN
1950年开始
1980年开始
1990年开始；
2006年获得突破
进行海量数据学习训练，人类的反馈信息成
为模型学习的内容
ChatGPT
2018年 2019年 2020年 GPT-1 GPT-2 GPT-3 Instruct
GPT
T5 BART M2m-
100 BigBird
BERT RoBERTa XLM ALBERT
2017年
ChatGPT经过多类技术积累，最终形成针对人类反馈信息学习的大规模预训练语言模型
2022年
ELECTRA
5. 里程碑：ChatGPT的成功
OpenAI 公司于 2022 年 11 月发布 ChatGPT ，短短三个月内日活跃用户从
零增长至超过 3000 万，标志着对话式 AI 进入大众应用阶段
三阶段训练技术构建GPT 3.5
ChatGPT 日活量（2022.11-2023.02）
6. 里程碑：ChatGPT的成功
AI 1.0时代
AI 2.0时代
辨别式AI
生成式AI
对现有内容进行分析、分类、判断、预测
分类
图像分类
文本分类
信用评估
回归 聚类
房价预测 客户分群
销量预测
客户流失预测
新闻聚类
广告定向
社区发现
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
自动生成开放的文本、图像、音频、视频等内容
文本生成 语音生成 图像生成
文章报告 语音与对话 人像写真
问答内容 影视与广告 广告图片
视频生成 代码生成 多模态生成
样例代码
测试用例 文生图
文生视频
短视频片段
广告视频
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
7. 大模型能力不断增长
大模型在知识问答、数学、编程等能力上达到新的高度，多种任务上
的表现超过人类水平。
Multi-task Language Understanding on MMLU
1000 Billion
10 Billion
Source: https://lifearchitect.ai/timeline/
大模型发展迅速，参数量从百亿到万亿规模
Source: https://paperswithcode.com/sota/multi-task-
language-understanding-on-mmlu
大模型能力涌现，多个任务上性能超越人类水平
8. 早期大模型在推理能力上存在明显短板
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
谁是第一个登
上月球的人
尤里·加加林是第一
个登上月球的人。
请告诉我独角兽
的历史起源
独角兽被记载在大
约公元前10000年漫
游亚特兰蒂斯平原，
它们经常与皇室联
系在一起。
模型的回答与事实不符， 模型的回答是虚构的，因
为没有经过验证的现实世
因为尼尔·阿姆斯特朗
才是第一个登上月球的 界证据支持独角兽在亚特
兰蒂斯的存在，特别是与
人，而尤里·加加林是
第一个进入太空的人。 皇室的关联。
违反事实，专业知识不足
https://www.lakera.ai/blog/guide-to-hallucinations-in-
large-language-models
事实性幻觉问题
9.11>9.9? 简单数值比较错误
多步推理错误
9. 早期大模型在推理能力上存在明显短板
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
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
10. 怀疑论
Yann LeCun 的批判观点：对纯粹扩大规模方法的根本质疑
Mehrdad Farajtabar ： "LLM 本质上是统计模式匹配工具，而非真正的推
理系统 " 、 " 下一个词预测框架不足以产生真正的理解 "
Yann LeCun：自回归大型语言模型没有前途
Apple提出LLM并非真正的推理系统
11. 横空出世：OpenAI o1/o3、DeepSeek-R1等
2023-2024 年，推理能力突破性进展：
•
OpenAI o1/o3 在数学和代码推理任务上的卓越表现
•
开源大模型 DeepSeek-R1 在 MATH 基准上达到 87.2% 的准确率
o1在数学和代码问题上的水平大幅提升，超越人类专家
开源大模型DeepSeek R1匹敌OpenAI o1
12. 横空出世：OpenAI o1/o3、DeepSeek-R1等
2023-2024 年，推理能力突破性进展：
•
OpenAI o1/o3 在数学和代码推理任务上的卓越表现
•
开源大模型 DeepSeek-R1 在 MATH 基准上达到 87.2% 的准确率
DeepSeek的 “aha moment”
这种深度推理能力是如何实现的？是单纯的规模扩展结果，还是有其他关键因素？
13. 小结一：
1. 早期的大模型推理能力不足
2. OpenAI-o系列模型和DeepSeek-R1等胜在推理能力较强
14. 推理模型和思维链 (Chain of Thought, CoT)
15. 推理大模型的发展
推理大模型：通过测试时拓展（Test-Time Scaling）、强化学习、蒸馏
等技术，大模型的推理能力不断增强。
QwQ 由通义千问
开发，QwQ 能通
过思考与疑问解决
一些复杂的问题。
2024.09
2024.11
OpenAI o1 是专注于复杂推理任务，
通过深度思考和策略优化来解决问题。
Gemini 2.0 Flash
Thinking 经过训
练后，可以生成模
型在回答问题时
经历的思考过程。
DeepSeek-R1与
Kimi1.5都采用RL来进
行推理能力的增强
2025.1
o3 通过模拟推理技术，能够暂停并反思自
身内部的思考过程，从而在回答问题前进
行更深入的推理，类似于人类的思考方式。
2025.2
2025.2
Claude3.7是首
个混合推理模
型，集普通语
言模型和推理
模型于一体的
混合模型。
16. OpenAI-o系列推理模型
o1/o3 在回答问题之前先Reasoning，生成一个详细的内部思维链，模
拟人类的深思熟虑，逐步分解复杂的问题，提高答案的准确性和深度。
相较于GPT-4o o1大幅提升
逐步思考，并分解复杂的问题
17. 什么是思维链 (CoT)
从浙大玉泉校区到紫金港校区如何最快出行？
要知道从玉泉校区到紫金港校区如何最快出行，首先得
知道有几种交通路线：
地铁10号线黄龙体育中心站->文三路-> 1. 89路公交车，共17站，需步行2分钟，共用时50分钟
学院路（转2号线）->古翠路->丰潭路- 2. 地铁10号线转2号线，这样就是2站+5站，共7站，需
>文新路->三坝->虾龙圩->步行…
步行20分钟，共用时43分钟
3. 地铁3号线转7149路公交车，这样就是3站+11站，共
14站，需步行11分钟，共用时50分钟
4. 还可以……
这样综合看起来，最快的交通方案应该2，共用时43分钟
18. 什么是思维链 (CoT)
• 有些问题，人也很难快速写出思维链，比如：
桌子上放着50 根火柴，丁丁、
田田二人轮流每次取走1~3
根。规定谁取走最后一根火
柴谁输。如果双方采用最佳
方法，丁丁先取，那么谁将
获胜?
依靠大模型自己生成思维链并求解
19. DeepSeek-R1的推理过程
求是小学组织去距离90公里的博
物馆春游，全班同学8:00从学校
坐大巴车出发。班主任老师因为
有事情，8:10自己自驾小车以大
巴车快1/3的速度追赶，结果比大
巴车提前20分钟到。问：
（1）大巴和小车的速度各是多少？
（2）班主任老师追上大巴的地点
距离博物馆还有多远？
首个将思维链显式展示的开源模型
20. 如何低成本实现推理模型？
s1通过在一个精心构建的小规模数据集上（1000条数据）进行微调，
并结合预算强制技术，实现了强大的推理能力和测试时计算扩展性
21. 如何低成本实现推理模型？
LIMO通过817个训练样本（题目难度高，覆盖知识面广，解题步骤精
细），模型就能在复杂的数学推理任务中取得有益的表现
Less Is More for Reasoning
LIMO假说：在预训练阶段已经充分
编码领域知识的基础模型中，复杂
的推理能力可以通过最少但精确编
排的认知过程演示来涌现：
• 模型具备丰富预训练知识
• 高质量的推理链示范
22. 小结二：
1. 自动化思维链 (CoT) 的实现是新一代大模型的精髓之一
2. 经过精心设计的少量高质量样本即可实现适用于某个专业领域
的高性能低成本推理模型
23. 智能体 (AI Agent) 是什么？
24. 灵魂发问
• 大模型除了可以和我聊天、回答问题，到底还能干什么？
25. 灵魂发问
• ChatGPT的回答
26. 用大模型写邮件
• 如果你只有一个大模型，使用它回复邮件的过程大致如下：
① 用户打开邮箱，手动拷贝邮件内容
② 用户将邮件内容拷贝到大模型运行界
有没有更加智能或者自动化
的工具来协助我们完成这些
手动操作呢？
面的对话框，写提示词：请基于以下
邮件内容帮我草拟一封回复
只有这个步骤是大模型自动
③ 大模型根据提示词自动生成回复邮件 完成，其余步骤均需要用户
④ 用户将大模型生成的回复邮件拷贝至 自行手动操作
邮箱
⑤ 用户填写地址、邮件标题，点击发送
27. 智能体 (AI Agent)
大语言模型（ LLM ）可以接受输入，可以分析&推理、规划任务、输
出文字\代码\媒体。然而，其无法像人类一样，拥有运用各种工具与物
理世界互动，以及拥有人类的记忆能力。
• LLM：接受输入、思考、规划任务、输出
•人类：LLM（接受输入、思考、规划任务、输出）+ 记忆 + 工具
Long-term memory
Short-term memory
Calendar()
Calculator()
CodeInterpreter()
Search()
...more
记忆
工具
智能体
行动
Reflection
规划
Self-critics
Chain of thoughts
Subgoal decomposition
28. 一个具体的例子
• 撰写调研报告：调研特斯拉 FSD 和华为 ADS 这两个自动驾驶系统
第一步：智能体进行任务拆解，首先调用CollectLinks工具从搜索引擎进行搜索并获取Url地址列表
https://cloud.tencent.com/developer/article/2422923
29. 一个具体的例子
• 撰写调研报告：调研特斯拉 FSD 和华为 ADS 这两个自动驾驶系统
第二步：调用WebBrowseAndSummarize工具浏览网页并总结网页内容（此工具调用了LLM）
第三步：调用ConductResearch工具生成调研报告（此工具调用了LLM）
30. 一个具体的例子
• 撰写调研报告：调研特斯拉 FSD 和华为 ADS 这两个自动驾驶系统
类
型
名称 说明
Researcher 调研员智能体，从网络进行搜索并总结报告。通过LLM提示工程(Prompt Engineering)，让LLM以
调研员的角色去规划和拆分任务，使用提供的工具，完成调研过程，生成调研报告。在定义角色
时，会为其注册下面列出的各项工具
工
具 CollectLinks 问题拆解，从搜索引擎进行搜索，并获取URL地址列表。该工具基于LLM提示工程和搜索引擎实
现，其功能如下：（1）将问题拆分成多个适合搜索的子问题（基于LLM提示工程）;（2）通过搜
索引擎搜索子问题;（3）筛选出与调研问题有关的URL，并根据网站可靠性对URL列表进行排序
（基于LLM提示工程）
工
具 WebBrowseAndSummarize 浏览网页并总结网页内容。由两个工具组成：浏览网页和总结网络内容。（1）浏览网页是通过封
装的 WebBrowserEngine 工具访问搜索引擎实现的;（2）总结搜索结果是通过LLM提示工程实现。
工
具 ConductResearch 生成调研报告。基于LLM提示工程的工具，该工具会整合WebBrowseAndSummarize 的输出给到
LLM，让LLM生成调研报告
记
忆 Short-term memory 短期记忆能力，metaGPT框架封装了短期记忆的能力，用于在任务执行周期内保存和检索上下文
记忆，如CollectLinks和WebBrowseAndSummarize等工具的执行结果。
角
色
31. 自动发邮件
32. The growth trend on the field of LLM-based autonomous agents
A Survey on Large Language Model based Autonomous Agents, 2023.8
33. Agent System 五层基石理论
Models，也就是我们熟悉的调
用大模型API。
Prompt Templates，在提示词中
引入变量以适应用户输入的提
示模版。
Chains，对模型的链式调用，
以上一个输出为下一个输入的
一部分。
Agent，能自主执行链式调用，
以及访问外部工具。
Multi-Agent，多个Agent共享一
部分记忆，自主分工相互协作。
34. The Framework of LLM-powered Agents
Brain
Memory
Multi-modal Perception
Decision Making
Brain
Time
Image & Video
Retrieve
Summary
Observation
Reflection
Short-term &
Long-term
Speech Code
Science data Stock data
Construction
Planning
User behavior
Reasoning
Environment
Memory & Decision Making
Agent
Broader Action Spaces
Multimodal Output
Embodiment
Action
Text & Speech
LLM-powered Agents are artificial entities that
enhance LLMs with essential capabilities, enabling
them to sense their environment, make decisions, and
take actions.
Images
Robots; Arm; …
Tools
Autonomous car
Calling APIs: calculator, task-specific
models, web searching …
35. 更复杂的任务：大小模型协作的生成式智能体
• ChatGPT: 具有强大的任务规划和工具调用能力
• Hugging Face: 最大的AI模型社区，每个模型都有详细的功能描述
ML community / Tool Library / API
LLMs
Language
…
HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in Hugging Face, Yongliang Shen, Kaitao Song, Xu Tan, Dongsheng Li, Weiming Lu, Yueting Zhuang. NeurIPS 2023
36. HuggingGPT：大小模型协作的生成式智能体
• 工作流程: 大语言模型负责规划和决策，AI小模型负责任务执行
• Task Planning Model Selection Task Execution Response Generation
37. HuggingGPT：大小模型协作的生成式智能体
• 大小模型协作AI Agent：大语言模型负责规划和决策，AI小模型负责任务执行
HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in Hugging Face, Yongliang Shen, Kaitao Song, Xu Tan, Dongsheng Li, Weiming Lu, Yueting Zhuang. NeurIPS 2023
38. HuggingGPT
• 学术界、开源社区和工业界影响力：
Bengio Y, Hinton G, et al. Managing
ai risks in an era of rapid progress[J]
• 图灵奖获得者Bengio和Hinton一作论文引用：
Many of these risks could soon be amplified, and new risks
created, as companies are developing autonomous AI:
systems that can plan, act in the world, and pursue goals [1]
• 获得斯坦福客座教授吴恩达、英伟达GEAR Lab主任Jim
Fan、OpenAI研究员等科学家的博文推荐；
图灵奖获得者一作论文的引用评价
英伟达GEAR Lab主任
Jim Fan的推荐和解读
• 论文一年被引600余次，获得WAIC青年优秀论文奖；
• 开源仓库获得2万多次收藏，获得国际测试委员会颁发
的2022-2023百大开源成就奖，Demo系统获得Hugging
Face Space Top 10；
• 工 业 界 影 响 ： 受 到 Hugging Face 、 Langchain 、
ModelScope 等 团 队 关 注 ， 推 出 相 应 的 产 品 和 功 能 ：
Transformers Agent 、 Langchain HuggingGPT 和
ModelScope Agent。
斯坦福大学客座教授吴恩
达的推荐和解读
OpenAI研究员Lilian和
Akhaliq的推荐和解读
39. 大语言模型正在成为人工智能时代的信息系统入口
智能时代一直没有出现像Windows、安卓/iOS这样真正的操作系统——能够为用户提供信息系统入口/界面，同时
可以管理计算资源并支撑应用开发。而大语言模型，正在起到信息系统入口界面作用。
桌面和移动应用
AI应用
服务应用
Chat
办公
浏览
器
图片
编辑
播放
器
科学
计算
各种
服务器
意图识别
QA
情感分析
翻译
文本生成
问答
文本表示
CPU调度
文件系统
内存管理
进程管理
人机交互
网络
作曲
画图
图片生成
图像表示
图表示
安全管控
大语言模型
操作系统
多模态/多领域数据通用接口
硬件虚拟层
Language Models are General-Purpose Interfaces
Yaru Hao Et. al. DOI:arxiv-2206.06336
写
代码
声音生成
…
图生成
40. 小结三：
1. 智能体 (AI Agent) 是大模型 (Brain) 的眼 (Observation) 和手
(Tools)
2. 通过智能体 (AI Agent) 可以基于大模型实现各种较为复杂的智
能应用系统
41. 四链融合产业大脑案例
42. 产业认知决策：国家战略需求
产业竞争从国家间分段互补合作模式转为主导权、制高点和卡脖子的争夺
研发
设计
芯片架构
操作系统等
断链风险
核心
制造
终端
制造
供应风险
晶圆制造
存储器制造
整机组装
终端制造
美国/欧洲 中国台湾/韩国 中国大陆
过去：分段互补合作模式
卡脖子技术识别
制高点
基础软件
关键芯片
主导权
技术标准
核心专利
决定性
产业链控制
基础支撑保障
产业基础
卡脖子
关键性
核心器件
高端设备
创新能力、供应链体系、人才资源
基础性
现在：主导权和卡脖子争夺
产业链自主可控
资源优化配置
如何精准科学地识别并批量形成具有战略意义的"卡脖子"问题清单，是我国实现关
键核心技术突破要解决的首要任务，直接影响国家产业安全战略决策与创新资源配置
43. 产业发展决策：广阔的社会需求
航空航天、轨道交通、新材料、新能源、电子信息等战略产业、未来产业对产
业信息智能分析提出重大需求，呈现广泛、持续增长的发展态势。
政府决策需求
企业创新需求
新兴产业培育 创新体系建设 产业链安全 转型升级需求 市场竞争需求 产业协同需求
产业发展战略规划
新兴产业布局指导
产业能级提升路径
未来产业培育方向 关键核心技术突破
创新链产业链融合
科技创新体系优化
产业创新生态营造 产业链风险预警
供应链韧性提升
产业链补链强链
产业安全保障体系 技术创新路径规划
数字化转型方案
智能制造升级
绿色低碳发展 技术竞争态势分析
市场机遇识别
产品创新方向
竞争优势构建 上下游协同创新
产业资源对接
创新要素匹配
产业生态融入
44. 产业发展决策：广阔的社会需求
各地各行业在布局新兴/未来产业的过程中，由于对前沿技术、技术路线、应
用场景、大规模产业化的时机等方面把握不准，难以做出有效选择。
前沿技术遴选研判
产业技术监测跟踪
产业技术“弱信号”发现
技术演进路径分析
产业发展
方向研判
产业发展趋势预测
产业化应用场景研判
如何精准感知产业技术态势，科学研判产业发展方向，及时布局产业化应用场景培育
新产品，成为未来产业大变局中区域/企业实现竞争突围的关键。
45. AI推动“科技创新”和“产业创新”的深度融合
推动创新链、产业链、资金链、人才链深度融合是解决当前乃至未来较长时间内加强产业创新发展、加快锻
造新质生产力的重要抓手
产业经济面临挑战
产业经济面临机遇
·产业基础能力不足
·市场需求是驱动产业经济发展的关键因素 产业基础能力的不足是一个重要挑战。在核心
全球经济发展，产品和服务的需求不断变化和 技术、装备、原材料等方面，中国与国际先进
水平之间存在明显差距
升级，为产业经济提供了广阔的发展空间
·产业创新生态亟需完善
·技术进步是推动产业经济发展的重要力量
产业的发展依赖于完整的产业体系,中国的基础
新技术、新工艺和新材料的涌现，为产业经济的 设施、技术标准、检测认证和监管体系尚不健
升级和转型提供了强大的动力 全，缺乏统一的战略规划和顶层设计
·人才基础较为薄弱
·政策环境对产业经济的发展具有重要影响
中国在基础研究和应用研究人才的比例较低，尤
在政策的引导下，一些具有战略意义的新兴产业
其缺少跨界型、复合型人才。以智能制造领域例，
和领域将得到重点扶持，从而加速其发展和壮大
预计到2025年人才需求将达到900万人，面临高
达450万人的人才缺口，中国亟需加强未来产业
产业网链大模型
情报服务
行业知识更深
知识问答
招商服务
技术分析
相关领域的人才培养和引进
报告生成
产业研究
业务流程更深
46. 产业网链大模型
面向产业创新领域，以通用中文大模型为基座，注入数十亿海量产业数据和数百个产业链知识图谱，结合工具集、
知识库和指令微调训练得到产业网链大模型。
• 底层拥有强大的产业数据和知识图谱数据，避免产业基础能力不足；
• 实现智能化、精细化的产业治理模式，推动产业创新与发展，加强产业创新生态完善；
• 具备强大的自动化处理产业信息能力、智能分析与预测，提升服务效率，降低人力成本。
产业网链大模型训练过程
47. 海量数据资源
通用产业数据
科技数据
数据描述 数量 数据描述 数量
企业库 1.9亿+ 专利 1.5亿+
人才库 3000万+ 论文 1.2亿+
专家库 3万+ 书籍 291万
全球海关 20亿+ 百科 410万
大宗商品交易行情 15亿+ 政策 590万+ 资讯 4000万+ 招投标 14亿+
数据来源：
数据来源：
行业数据
数据描述
行业舆情
风险信息
数据来源：
数量
1.3亿+
200万+
48. 海量数据资源
最具权威的产业链、供应链数据资源
• 产业链图谱数据：构建了10万级产业节点标准库，形成了100+产业链知识图谱，
• 进出口贸易数据：全球海关50亿条进出口记录，覆盖全球150多个国家、80%以上贸易量
• 招投标事件数据：汇聚了全国重大项目招采数据14亿+、招投标项目300万+、金额2.2万亿元+
• 产品供应链数据：整理了28大类通用零配件、10万件标准件模型、供应商数字产品1.9亿件
国家工业互联网大数据中心
14亿+ 36万+
招标采购公告 招投标主体
1.9亿+ 6000万+
法人社会组织 高管信息
23万+ 42万+
每日招采公告 标的数据
工信部采购中心
浙大CCAI产业链大数据中心
49. 四链融合知识计算引擎
SupXmind基础平台：充分融合大模型+知识图谱的前沿技术，贯穿从“大数据”到
“大知识”到“大模型”全流程，构建人机共生认知决策链路，帮助用户打造智能决
策系统。
50. 产业垂域大模型iChainGPT
• iChainGPT是以通用大模型为基座，面向产业创新咨询服务场景，注入数十亿海量产业数据和
数百个产业链知识图谱，结合工具集、知识库和指令微调训练得到产业垂域大模型，提供产业
文档解读、产业链图认知、产业主体画像、产业实体匹配、产业发展预测、产业数据探索、产
业报告生成等7个方向的特色能力。
51. 产业网链大模型构成及服务框架
产业网链大模型使用海量产业数据和知识图谱训练，创新性地引入了 “ 大小模型协同 ” 的智能体框架，面向产业
创新业务场景，提供了包括产业知识问答、产业报告生成、产业技术分析、产业文档理解等能力，向上为企业、
园区、政府等产业认知决策需求机构提供专业产业知识服务。客户可私有化部署，也可根据需求替换模型基座和
场景数据，快速输出定制化模型能力，此外可根据客户应用场景需求提供组件能力封装和应用系统集成。
任
务
规
划
产业网链
大模型
工
具
模
块
记忆模块
“大小模型协同”的智能体框架
52. 典型应用场景
53. 省级四链融合决策应用实践：浙江省产业一链通
浙江省产业一链通从“产业链治理现代化”重大改革出发，着眼解决标志性产业
链“优势不突出、链条不完整、循环不畅通、转移非正常”等问题，形成强链、补
链、畅链、固链四大业务举措。
• 企业用户6.3万家
• 累计访问量288.5万次
• 累计解决企业各类诉求9.8万个
• 挽回直接经济损失246亿元
• 获得部省领导批示5件
• 央视《新闻联播》点赞
• 工信部优秀案例，全国推广
54. 应用实例：市域四链融合决策应用实践
宁波市产业链智能创新平台
特色
创新
技术模式创新：首个产业链垂域大模型
iChainGPT为产业智能化服务开辟新模式
服务模式创新： 通过线上线下相结合的方
式，提供产学研精准合作一站式服务，打
绍兴市创谱数字化应用平台
特色
创新
• 构建四链融合指数
• 构建企业成长模块
• 构建四链融合精准对接模型
通了四链融合落地最后一公里
56
55. 应用实例：市域四链融合决策应用实践
南平市绿色产业创新平台
特色
创新
• 绿色创新指数 • 科技招商模型
• 关键技术挖掘 • 投资决策模型
• 强补固拓模型 • 创新主体评价
杭州市成果转移转化服务平台
特色
创新
• 成果转化大模型
• 企业需求预测模型
• 报告智能生成模型 • 成果需求推荐模型
• 企业转化能力评价模型
57
56. 产业集群四链融合决策应用实践：中国视谷产业大脑
围绕“政府精准治理、产业生态培育、企业创新服务”的需求，运用知识计算、大数据等技
术建设中国视谷产业大脑，驱动政府、园区、企业、人才等多元创新主体共谋产业发展
57. 产业集群四链融合决策应用实践：萧山机器人产业大脑
以夯实基础、高效上线、打造亮点为任务，以机器人产业面临的问题为导向，基于萧山机器人产业发展基础和规
划，结合建设运营方已有的产品和经验，选取机器人产业链招商为切入点，建设全球机器人产业知识中心和产业
链精准合作平台
58. 产业集群四链融合决策应用实践
慈溪智能家电科技大脑
特色
创新
• 家电知识问答大模型
• 用户决策树构建模型
• 赛道甄选5A模型
• 企业创新力评价模型
宁波市高新区新材云创新材料科创大脑
特色
创新
• 建立数字化产业监管模式
• 构建综合资源服务体系
• 构建线上产业交流平台
60
59. 总结：
1. 新一代大模型的推理能力正在不断增强
2. 基于高质量小数据集即可训练得到某个专业领域的高性能低成本
推理模型
3. 通过智能体 (AI Agent) 可以基于大模型实现各种较为复杂的智
能应用系统
4. “推理大模型 + 知识图谱（知识库） + 智能体”是否会成为未
来AI系统开发和应用的范式？
60. 致天下之治者在人才，成天下之才者在教化，教化之所本者在学校
使能技术、赋能社会：人工智能是引领这一轮科技革命、产业变
革和社会发展的战略性技术，具有溢出带动性很强的头雁效应，
其作始也简，其将毕也必巨
61. 谢谢！
肖俊 博士、教授、博士生导师
浙江大学计算机学院人工智能研究所
电子邮件：junx@zju.edu.cn
手机：13867424906