---
layout: single
title: "2025 年大模型实践总结"
date: 2025-12-31 08:00:00 +0800
categories: [AI 与大模型, 硬件加速]
tags: [总结, 大模型, 智能体, 具身智能, 氛围编程, AI实践, 模型架构, 软件栈]
---
## 具身智能
### Scaling Laws
### 全链路解决方案
#### 1. 动作捕捉
这一阶段负责采集人类的原始动作数据。图中列出了两种主要技术：
* **PN Studio (惯性动捕)：** 利用惯性传感器套件。优点是成本低、易用、环境适应性强。
* **HybridTrack (光学动捕)：** 利用摄像头和标记点。优点是鲁棒性强、精度极高。
#### 2. 数据处理/输出
捕捉到的信号通过 **Axis Studio** 或 **Hybrid Data Server** 进行初步处理。
* **数据类型：** 包括高精度动捕数据、6DOF（六自由度）数据、原始加速度（ACC）和陀螺仪（GYRO）数据，以及同步时间戳。
* **接口类型：** 支持 MocapApi、VRPN 以及专门的 Isaac 插件。
#### 3. 本体映射
这是将人类动作转化为机器人动作的关键步骤。
* **输入格式：** 常见的 3D 动画格式，如 `.FBX`、`.MBX`、`.BVH` 和数据格式 `.CSV`。
* **重定向 (Retargeting)：** 通过算法将人类的骨架运动映射到机器人的 **URDF**（统一机器人描述格式）模型上，确保动作符合机器人的物理结构约束。
#### 4. 工作平台
展示了开发和仿真所使用的核心软件生态：
* **编程语言：** C++ 和 Python。
* **中间件：** **ROS** (Robot Operating System)，用于机器人控制。
* **仿真环境：** **NVIDIA ISAAC**，一个强大的机器人仿真和人工智能训练平台。
#### 5. 本体/产出
最终的应用成果，分为两个方向：
* **硬件执行：** 将动作应用到不同形态的机器人上，包括**人形机器人**、**机械臂**、**灵巧手**以及**仿生机器人**（如四足机器人）。
* **数据资产：** 生成大规模的**机器人训练数据集**，用于后续的机器学习和算法优化。
### GROOT
#### 数据工厂
展示了从人类演示到生成大规模合成训练数据的全过程。
1. **GR00T-Teleop（远程操作集）**：
人类操作员在 **Isaac Lab** 虚拟环境中进行动作演示，系统实时记录控制信号与机器人状态，形成初步的“收集演示数据集”。
2. **GR00T-Mimic（动作模仿与评估）**：
该阶段利用 **Motion Annotator** 对动作进行标注，并通过 **Isaac Lab** 的加速物理引擎进行海量轨迹生成。随后，**Trajectory Evaluator** 会对这些轨迹进行验证，确保动作在物理规律下的可行性，从而产出“验证后的轨迹数据集”。
3. **GR00T-Gen（视频与环境生成）**：
经过验证的 3D 轨迹被导入 **Isaac Sim**，并结合 **Cosmos**（NVIDIA 的世界模型）生成高保真的视频数据。这些逼真的视觉反馈最终用于训练机器人的视觉感知与决策能力。
**Omniverse** 是一个基于 OpenUSD 标准的**工业数字化开发平台**，它像是一个“虚拟世界构建器”，允许开发者将分散的 3D 设计工具连接起来，创建遵循物理定律的数字孪生场景，用于机器人仿真、协同设计和初步的合成数据生成。
**Cosmos** 是一个专为物理 AI 打造的**生成式世界基础模型（World Foundation Model）**，它像是一个“视频生成的超级引擎”，能够理解重力、光影等复杂物理规律，将 Omniverse 中的 3D 草图或简单的视频输入，转化并扩增为极其逼真、具有预测能力的感官训练数据，从而极大提升机器人对现实世界的适应性。
#### 模型架构
### VLA (Vision-Language-Action)
### OpenVLA
### π0
### RoboOS & RoboBrain
## 智能体
### Claude Code 上下文工程
### 构建智能体循环
### 代理能力 (Agency Level)
任何利用大语言模型（LLM）的系统，都会将 LLM 的输出结果整合到实际运行的代码中。**LLM 的输入（即 LLM 接收到的信息或指令）对整个代码执行流程的影响程度，就决定了 LLM 在这个系统中所拥有的“代理能力”水平。**
**简单来说：**
* **LLM 输出会融入代码**：LLM 不仅仅是生成文本，它的输出会直接或间接地被程序使用，成为程序的一部分。
* **LLM 的输入影响代码流程**：LLM 根据其输入来决定做什么。如果这个决定能影响代码接下来怎么运行（比如是执行 A 任务还是 B 任务，是调用哪个工具，甚至是如何循环执行），那么 LLM 就具有了代理能力。
* **代理能力是个程度问题**：这种影响越大，LLM 的代理能力就越强。
* **低代理能力**：例如，LLM 只是生成一段文字供人参考。
* **高代理能力**：如果它能决定调用哪个函数来解决问题，甚至能自己编写和执行代码。
这段话强调了 LLM 不再只是一个被动的信息处理工具，它可以通过其输出来**主动影响和控制程序的行为**，而这种“控制力”就是文档后续深入探讨的“代理能力”。
### OpenAI CUA (Computer-Using Agent)
CUA 被训练为与图形用户界面（GUI）进行交互——这是人们在屏幕上看到的按钮、菜单和文本字段——就像人类一样。这使它能够执行数字任务，而无需使用特定于 OS 或 Web 的 API。
### 字节 UI-TARS
UI-TARS 是一种原生的GUI智能体模型，仅通过感知截图作为输入并执行类似人类的交互（例如键盘和鼠标操作）。
### A2A & MCP
## 氛围编程（Vibe Coding）
### FunASR 实时/离线 语音识别
### FunASR 说活人嵌入向量提取服务
### 火灾安全检测系统
### WallE 人工智能助手
### 智能翻译
### Automator（自动操作）
### RAGFlow MCP Server
### RAGFlow 聊天助手
### 高中单词学习
## AI 实践
### 京东健康核心数据成长 (2020年 - 2025年H1)
| 时间 | 年度活跃用户数 | 非国际财务报告准则盈利 (亿) | 标准盈利 (亿) | 商品收入 (亿) | 服务收入 (亿) | 第三方商户数量 | 日均在线问诊量 |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| **2020年** | 8,980万 | 7.49 | -172.35 | 168 | 26 | > 1.2万 | > 10万 |
| **2021年** | 1.233亿
(↑ 37.3%) | 14.02
(↑ 87.2%) | -10.73
(亏损收窄) | 262
(↑ 56.1%) | 45
(↑ 72.7%) | > 1.8万 | > 19万 |
| **2022年** | 1.543亿
(↑ 25.1%) | 26.16
(↑ 86.6%) | 3.83
(扭亏为盈) | 404
(↑ 54.2%) | 64
(↑ 41.4%) | > 2万 | > 30万 |
| **2023年** | 1.723亿
(↑ 11.7%) | 41.35
(↑ 58.1%) | 21.43
(↑ 459.2%) | 457
(↑ 13.1%) | 79
(↑ 23.7%) | > 5万 | > 45万 |
| **2024年** | 1.836亿
(↑ 6.6%) | 47.92
(↑ 15.9%) | 41.57
(↑ 94.0%) | 488
(↑ 6.9%) | 94
(↑ 18.9%) | > 10万 | > 49万 |
| **2025年H1**| **突破2亿** | 35.70 (半年)
(↑ 35.0%) | 25.91 (半年)
(↑ 27.4%) | 293 (半年)
(↑ 22.7%) | 60 (半年)
(↑ 34.4%) | > 15万 | > 50万 |
* **履约与配送能力**：全国拥有33个药品仓（其中22个为专业冷链仓），即时零售送达时效最快9分钟，平均30分钟送药上门。
* **AI京医赋能**：截至2025年6月30日，“AI京医”智能体累计服务用户数已超过5,000万，实现了健康管理服务的智能化升级。
* **到家快检服务**：2024年居家检测覆盖12个核心城市，到2025年上半年已扩展至23个城市，提供超过160款检测服务。
* **技术与服务闭环**：该履约体系深度融入其“医、检、诊、药”的一站式健康服务中。例如，在线医生开具处方后，药品可通过上述网络快速配送到家。
### 实时语音识别
#### FunASR
#### WhisperLiveKit
### 会议纪要助手（Qwen3-30B-A3B-GGUF）
### DeepSeek-OCR
#### 视觉理解
#### 数学公式识别
#### 表格识别
#### 英文OCR
#### 图像转 Markdown Table
#### 图像转 Markdown
### 图像生成与编辑（Nano Banana）
#### 图像生成
#### 换装
#### 样本生成（绝缘子缺陷）
#### 样本生成（鸟窝）
#### 生成学生证照片
### 根据项目和要求生成申报书（智能体）
### 代码分析生成 Web 应用（Claude Code）
### 从设计稿生成代码（Design2Code）
### 语音智能体
### 智能编码新范式 (cline + DeepSeek) × MCP
## 模型 & 系统架构
### DeepSeek-OCR
### SenseVoice2
### CosyVoice2
### Qwen2.5-VL
### Qwen2.5-Omni
### Deepseek-R1
### WhisperLiveKit
### RAG
### LLM 技术栈
### 企业大模型架构
### 企业级大模型定制解决方案
## 软件栈
### Jetson
### 昇腾
### 海光
### 沐曦
### LLM 压测性能
## AI 工具
### 聊天助手
### 编码助手
### 编码 IDE
### LLM 应用框架
### 智能体框架
### 智能体应用
### AI 网关
### LLM 监控平台
### 代码网关
### LLM 工具
#### 数据集生成
#### 分词器
#### 推理引擎
#### GPU 集群管理器
#### API 调用工具
### MCP Server
#### 聚合平台
#### 调试工具
#### 打包工具
### 网页截图
## Git 开发
## 提示词
### 火灾安全检测系统（Qwen2.5-VL）
### SmolAgents
### Text2SQL
