智能。随后⼤家意识到，数据线的 输⼊是有限的，这就是所谓的数据瓶颈问题，下⼀代
AI
需要拔掉数据线，做到只要源源不断地输⼊电 ⼒，就能源源不断地输出智能。 这两个核⼼问题导致在第三层有巨⼤的空间，包括
long-context、不同模态的⽣成、模型多步规划的 能⼒、指令遵循的能⼒、各种
agent
的功能等。
这些上层的东西都会有巨⼤的差异化，因为中间存在两个重要的技术变量。我认为这是我们的机会。 ⾼的
efficiency，多出来的
efficiency
就是各⾃的优势。
现在很多⼈觉得做出
MoE
就可以实现
GPT-4。我觉得这是⽚⾯的说法，最终更实质的可能还是如何有 ⼀个统⼀的表⽰空间以及可规模化的数据⽣产。


海外独⻆兽：如果算⼒⾜够，会有⼈想做⼀个万亿参数的
dense
model
吗？
杨植麟：取决于推理成本的下降速度，但我觉得肯定会有。现在⼤家是因为推理成本太⾼，所以都在 看可能性的话，今天的⼀切都会变化。这么多语⾔被训练到⼀起，对⽂化、价值观都有影响。⼈的时 间分配可能也会产⽣很多变化，真正为了钱⼯作的⼈可能会变少，更多时间可能花在精神世界⾥⾯， 最后可能会有⼀个巨⼤的虚拟的精神空间。要实现
Metaverse，可能其实是要先实现
AI。
另外，我相信
AGI
最终是全球化的。

海外独⻆兽：但是现在我们判断领先的模型⼜强⼜便宜，会有很强的⻢太效应，最后格局还是很收 敛。

表格、列表生成（如日程安排、菜谱） 代码注释、文档撰写 结构化生成 文章/故事/诗歌写作 营销文案、广告语生成 社交媒体内容（如推文、帖子） 剧本或对话设计 文本创作 长文本摘要（论文、报告） 文本简化（降低复杂度） 多语言翻译与本地化 摘要与改写 02 01 03 文本生成 自然语言理解与分析 知识推理 知识推理 逻辑问题解答（数学、常识推 理） 因果分析（事件关联性） 语义分析 增长趋势与政策关联性； ② 预测2025年市占率，需使用ARIMA模型并解释参数 选择依据。" �实战技巧： 执行需求 �实战技巧： "将以下C语言代码转换为Python，要求： ① 保持时间复杂度不变； ② 使用numpy优化数组操作； ③ 输出带时间测试案例的完整代码。" 创造性需求 "设计一款智能家居产品，要求： ① 解决独居老人安全问题； ② 结合传感器网络和AI预警； 设计清晰、精确的提示语结构 创意引导能力 设计能激发AI创新思维的提示语 利用类比、反向思考等技巧拓展AI输出的可能性 巧妙结合不同领域概念，产生跨界创新 结果优化能力 分析AI输出，识别改进空间 通过迭代调整提示语，优化输出质量 设计评估标准，量化提示语效果 跨域整合能力 将专业领域知识转化为有效的提示语 利用提示语桥接不同学科和AI能力 创造跨领域的创新解决方案 系统思维

表格、列表生成（如日程安排、菜谱） 代码注释、文档撰写 结构化生成 文章/故事/诗歌写作 营销文案、广告语生成 社交媒体内容（如推文、帖子） 剧本或对话设计 文本创作 长文本摘要（论文、报告） 文本简化（降低复杂度） 多语言翻译与本地化 摘要与改写 02 01 03 文本生成 自然语言理解与分析 知识推理 知识推理 逻辑问题解答（数学、常识推 理） 因果分析（事件关联性） 语义分析 增长趋势与政策关联性； ② 预测2025年市占率，需使用ARIMA模型并解释参数 选择依据。" �实战技巧： 执行需求 �实战技巧： "将以下C语言代码转换为Python，要求： ① 保持时间复杂度不变； ② 使用numpy优化数组操作； ③ 输出带时间测试案例的完整代码。" 创造性需求 "设计一款智能家居产品，要求： ① 解决独居老人安全问题； ② 结合传感器网络和AI预警； 设计清晰、精确的提示语结构 创意引导能力 设计能激发AI创新思维的提示语 利用类比、反向思考等技巧拓展AI输出的可能性 巧妙结合不同领域概念，产生跨界创新 结果优化能力 分析AI输出，识别改进空间 通过迭代调整提示语，优化输出质量 设计评估标准，量化提示语效果 跨域整合能力 将专业领域知识转化为有效的提示语 利用提示语桥接不同学科和AI能力 创造跨领域的创新解决方案 系统思维

l 文本创作 文章/故事/诗歌写作 营销文案 、广告语生成 社交媒体内容（如推文 、帖子） 剧本或对话设计 l 摘要与改写 长文本摘要（论文 、报告） 文本简化（降低复杂度） 多语言翻译与本地化 l 结构化生成 表格 、列表生成（如日程安排 、 菜谱） 代码注释 、文档撰写 文本生成 文本生成 03 02 01 语义分析 • 语义解析 • 情感分析(评论、反馈) 你已经预料到会被问到婚姻 问题。七大姑八大姨们纷纷关心你的婚恋状况，问题接二连三地抛来，让你感到压力重重。 目标：在不伤害长辈感情的情况下，妥善处理亲戚的催婚问题，维护家庭和谐，同时保护自己的个人空间和选择。 对话技巧 p 使用“我”语句：如“我感到…”，避免指责。 p 运用幽默：如“现在我还是专心工作，等以后有了 对象再来麻烦您操心！” p 避免冲突：寻找共同点，如“您说得对，婚姻很重 p 坦诚交流，表达立场 示例：温和地说明，“我现在在工作上有些目标想要实 现，婚姻大事需要时间和精准的选择。” p 设定界限，明确底线 示例：礼貌但坚定地说，“我会认真考虑，但希望能有 自己的空间去选择。” p 转移话题，缓解气氛 示例：主动询问，“您最近有什么新鲜事吗？我听说您 最近在学习摄影？” p 寻求家长支持 示例：私下对父母说，“我知道大家都很关心我，但我 希望能有时间去寻找合适的伴侣，希望您能理解和支持

先别急。大 模型底层框架还存在底层路线之争。 32 / 111 我们知道，Transformer 架构呈现了 O(n²)的理论计算复杂度，这里的 n 指的是大模型输入 序列的 token 数量，但其前任语言模型担当 RNN 只有 O(n)的理论计算复杂度。 最近，以 Mamba、RWKV 为代表的类 RNN 结构死灰复燃，公开挑战 transformer 地位。 更有最新研究【13】从理论上表明，RNN 一个世界领先的通用大模型加上 RAG（搜索增强生成）行业知识库，做出的专业模型效果往往 超过开源模型加上一些垂直领域数据微调得到的行业模型。因此，专业模型虽然训练、推理成本 都较高，但考虑到较高的溢价空间，投入是值得的。 由于通用大模型的通用性，难以建立差异化壁垒，也难以形成网络效应，因此基础模型公司 的竞争将非常激烈，算力将成为长期竞争力的关键。 对于大公司而言，能否集中算力、数据和人才，保持组织高效很关键。创业公司需要更多的 的强推理能力模型也不一定需要很 大，未来将成为个人模型的标配，经常算错数的模型将被淘汰。 手机、PC 和空间计算设备的端侧个人模型将足够满足大多数日常需求，智能汽车可能成为 家庭计算中心。云端模型将作为端侧模型的补充，用于处理较复杂的任务和处理大量数据。模型 的多模态能力将使 AR/VR 等空间计算设备成为更自然的人机交互入口。推理能力将使得模型可 38 / 111 以可靠处理复杂任务，真正

流设备的全覆盖。除南向支持多样设备，北向覆盖应用场景外，openEuler还通过分布式套件与OpenHarmony系统互通，从而提 供更全面、更丰富的解决方案。这种融合不仅有助于促进用户之间的无缝交互，也为开发者提供了更多的创新空间和灵活性。 来源：根据专家访谈、公开资料，由艾瑞咨询研究院自主研究及绘制。 openEuler连接全景图 主流场景100%支持 | 含3.5W+主流应用 + + 工业控制 云原生 大数据 CDN www.iresearch.com.cn 中国开源数据库图谱 来源：根据专家访谈、公开资料，由艾瑞咨询研究院自主研究及绘制。 关系型数据库 时序数据库 图数据库 键值数据库 向量及空间数据库 数据库 内核 中国开源数据库 多数基于国外成 熟的数据库内 核，仅少部分厂 商自研 24 ©2023.11 iResearch Inc. PingCAP 兼具开源与商 业发行版数据 库 openGauss 华为 传统行业中最 重要的开源数 据库厂商，数 据库为集中 式，注重安全 稳定 互联网行业开源已成主流；国产化替代趋势下，传统行业市场空间巨大 互联网开源数据库对传统行业的渗透：  传统行业逐步互联网化，一些C端业务 可以适用开源数据库  鼓励国产化替代，降低传统行业对海外 数据库（Oracle、DB2等）的依赖  受限于行业差异，渗透势头不大

pretty_writing_to_this_dir”选项添加到 封装库表条目的“选项”设置中。 此选项是“库路径”，用于本地存储从 GitHub 存储库读取的修改过的封装副本。 保存到此路径的占用空间与 GitHub 存储库 的只读部分组合以创建封装库。 如果缺少此选项，则 GitHub 库是只读的。 如 果 GitHub 库存在该选项，则对该混合库的任何写入都将转到本地“*.pretty”目 录。 需要时始终可用。 这样做的缺点是您可能需要搜索大量的库来查找您正在寻找的足迹。 您可以根据项目特定定义所有库。 这样做的好处在于你仅需要定义你在某个项目中需要用到的封装，这将 大大减小搜索的复杂度。 缺点是您始终需要记住为每个项目添加所需的每个封装库。 您还可以在全局和项目中专门定义封装库。 一种用法模式是全局定义最常用的库，而库只需要项目特定库表中的项目。 您如何定义库没有限制。 修改PCB项目中的封装 PCB。 这也意味着您可以单独编辑 PCB 上的封装，而不会影响相同封装的其他实例 （在同一 PCB 或其他 PCB 上）。 但是，如果修改库占用空间，则下次放置实例时，它将与现有的同名封装不匹 配。 提示 通常的做法是将您使用的所有占用空间复制到单独的版本控制位置， 以便此项目不会因系统或用户库的更改而意外受到影响。 此外，它确 保用于 PCB 的所有封装资源都可以轻松地与 PCB 文件一起分发。

_pretty_writing_to_this_dir”选项添加到封装库表条目的“选项”设 置中。此选项是“库路径”，用于本地存储从 GitHub 存储库读取的修改过的封装副本。保存到此路径的占用空间与 GitHub 存储库的只读部分组合以创建封装库。如果缺少此选项，则 GitHub 库是只读的。如果 GitHub 库存在该选 项，则对该混合库的任何写入都将转到本地“*.pretty”目录。 可用。 – 这样做的缺点是您可能需要搜索大量的库来查找您正在寻找的足迹。 • 您可以根据项目特定定义所有库。 – 这样做的好处在于你仅需要定义你在某个项目中需要用到的封装，这将大大减小搜索的复杂度。 – 缺点是您始终需要记住为每个项目添加所需的每个封装库。 • 您还可以在全局和项目中专门定义封装库。 一种用法模式是全局定义最常用的库，而库只需要项目特定库表中的项目。您如何定义库没有限制。 响 PCB。 这也意味着您可以单独编辑 PCB 上的封装，而不会影响相同封装的其他实例（在同一 PCB 或其他 PCB 上）。 但是，如果修改库占用空间，则下次放置实例时，它将与现有的同名封装不匹配。 Tip 通常的做法是将您使用的所有占用空间复制到单独的版本控制位置，以便此项目不会因系统或用户库的更改而意外 受到影响。此外，它确保用于 PCB 的所有封装资源都可以轻松地与 PCB 文件一起分发。

码补全 7B - RAM: 8-10GB - GPU: GTX 1680（4-bit量 化） - 存储: 8GB - 内存: 16GB（M2 Pro/M3） - 存储: 8GB 中等复杂度问答、代码 调试 14B - RAM: 24GB - GPU: RTX 3090（24GB VRAM） - 存储: 20GB - 内存: 32GB（M3 Max） - 存储: 20GB 下载并合并模型分⽚： 3. 安装Ollama： 4. 创建Modelfile： 5. 运⾏模型： 4. 性能调优与测试 GPU利⽤率低：升级⾼带宽内存（如DDR5 5600+）。 扩展交换空间： 六、注意事项与⻛险提示 1. 成本警示： 70B模型：需3张以上80G显存显卡（如RTX A6000），单卡⽤户不可⾏。 671B模型：需8xH100集群，仅限超算中⼼部署。 2. 替代⽅案：

家机制，解决了专家模块工作量不平 衡的问题。 混合专家（MoE）架构 通过低秩压缩减少推理时的内存占用， 同时保持与传统多头注意力（MHA） 相当的性能。MLA在训练中减少了 内存和计算开销，在推理中降低了 KV缓存占用空间。 多头潜在注意力（MLA）机制 通过序列化预测未来多个令牌，增强 模型的上下文建模能力，并支持推测 解码加速推理。MTP在特定场景下同 时预测多个令牌，提高信号密度，减 少上下文漂移和逻辑连贯性问题。 蒸 馏 后 的 模 型 参 数 量 大 幅 减 少 ， 例 如 DeepSeek-R1-Distill-Qwen-7B的参数量仅为7B，相比原始 的DeepSeek-R1（671B参数），计算复杂度显著降低。 • 性能优化：在代码和数学基准测试中，蒸馏技术显著提升了模 型性能。例如，在基准测试中，蒸馏后的DeepSeek-V2.5模 型在Pass@1和Length指标上均显著优于基线模型。 芯片、 云平台、操作系统等产业的发展。 技术深化：突破局限，能力提升 DeepSeek R1展示了强化学习技术和算法创新在 AI 领域的巨大潜力，但其仍然处于发展阶段，存在一定局限性和优化 空间。未来，随着技术的不断进步和创新，DeepSeek R1 可能会在以下几个方面实现进一步的突破： 通用能力提升 解决语言混杂问题 目前，DeepSeek R1在函数调用、多轮 对话、复杂角色扮演和