公司背景与业务模式 - 友达数位科技服务（苏州）有限公司为友达光电旗下子公司，专注于智能制造和数字化转型解决方案，已为10余个国家的1000多家制造业企业提供服务，覆盖电子、医疗、汽车等34个行业 [1] - 公司核心策略包括输出友达光电的制造管理经验，并通过双循环模式反哺自身技术升级，同时践行ESG理念 [2] - 业务模式从咨询服务升级为"数字人"技术应用，结合大模型能力解决专家资源稀缺问题，并推出nuva女娲数字底座平台实现模块化解决方案 [3][4] 数字化转型方法论 - 提出"最小要素数字化"理念，将复杂场景解耦为通用模块（如员工训练、岗位管理），通过"数字积木"组合满足个性化需求并降低成本 [1][3][4] - 研发投入5年打造nuva女娲平台，支持客户按需选取功能模块，快速实现经验复制 [4] - 客户分层服务策略：0-10亿元营收企业采用托管模式，10-50亿元提供护航服务，50-200亿元补充升级，200亿元以上共创未来工厂 [5] 未来工厂技术架构 - 定义未来工厂需具备三大智能要素：自主智能（人机协同）、具身智能（AI赋能的机器对话）、空间智能（隐性能力显性化） [6] - 关键技术能力包括知识模型、数字模型和嵌入式模型，形成AI时代工厂的核心支撑 [6] - 目标客户需具备三大特质：海量专家资源、具身智能应用能力、流程改造能力，且需企业高层深度参与创新 [6] 行业应用与案例数据 - 服务覆盖全球34个行业，典型案例显示数字化改造可提升生产效率并降低人力成本 [1][2] - 通过"数字人"技术实现24小时无间断服务，突破物理和语言限制，已应用于多国企业 [3]

背景与挑战 - 当前信息爆炸时代需要智能体具备深度信息挖掘和多步推理能力，但面临任务复杂度高、泛化能力弱等挑战[4] - 自主信息检索智能体构建的两大难题：高质量训练数据稀缺（如GAIA仅466样本、WebWalkerQA仅680样本）和开放环境训练复杂性[5][11] - WebDancer需具备看懂网页、多步决策、适应动态环境、自主提问/行动/修正等核心能力[7] 数据创新 - 采用CRAWLQA（模拟人类浏览权威网站）和E2HQA（逐步增强问题复杂度）构建海量高质量问答对[16] - 通过三阶段数据过滤（有效性控制、正确性验证、质量评估）确保数据质量[15][17] - 使用ReAct框架进行思维链蒸馏，内化agentic能力至模型[13][14] 训练策略 - 两阶段训练：监督微调（SFT）实现冷启动，强化学习（RL）优化决策能力[21][22] - 采用DAPO算法动态采样未被充分利用数据对，提升数据效率[23][24] - 通过并行计算等技术降低RL阶段计算成本，每次回滚时间减少25%[25] 性能表现 - GAIA测试：WebDancer在Level 1/2/3任务分别达56.4%、48.1%、25%，平均46.6%，超越GPT-4o基线34.6%[32][33] - WebWalkerQA测试：中等/高难度任务提升显著，平均分达43.2%[30][32] - BrowseComp测试：英文任务达5.0分，中文任务达22.2分，显著优于GPT-4o的1.9分和6.2分[34][35] 未来方向 - 计划集成浏览器建模、Python沙盒等工具扩展能力边界[41] - 从短答案检索向开放域长文本写作任务扩展[42] - 通过6k条长思维链数据即可在GAIA实现高效训练，验证"数据贵精不贵多"[47] 技术定位 - 聚焦从头训练具备agentic能力的开源模型，而非依赖闭源模型提示工程[44] - 采用原生ReAct框架实现自主规划、自我反思和行动执行等涌现能力[45]

ChatGPT的技术突破与行业影响 - ChatGPT成为历史上最快突破1亿用户的科技应用，两个月内实现这一里程碑 [3] - ChatGPT基于GPT-3.5优化，语言能力显著超越GPT-3，首次通过图灵测试 [1][4] - 生成式AI领域出现技术质变，ChatGPT标志着AI从垂直工具向通用智能体的跃升 [4][6] 大模型驱动的IT行业结构重塑 - 新IT架构分为四层：算力基石层、IaaS层、基础模型层(MaaS)、垂直模型层(VFM)+SaaS层 [9] - 垂直基础模型层和SaaS层是创新风口，边缘计算领域存在大量机会 [11] - 企业可通过精调训练(Fine Tuning)和提示工程(Prompt Engineering)降低开发成本 [12] 中国AI产业的发展机遇 - 中文大模型需多语种训练数据，非中文数据不会成为瓶颈 [15][16] - 国内技术差距集中在高端芯片、算法系统和平台级技术，但追赶潜力大 [17] - 垂直领域(如医疗、边缘智能)是主要机会点，"百模大战"加速市场活力 [18][19] AI大模型的五大发展方向 - 多模态智能：整合文字、图像、视频、生物信息等跨模态数据 [32] - 边缘智能：部署轻量化模型到终端设备，实现低延时处理 [33] - 物理智能与生物智能：推动自动驾驶、机器人及医疗领域突破 [33] 生成式AI的未来技术路线 - 基础大模型+垂直模型+边缘模型构成技术底座，生态规模将超移动互联网10倍 [34] - 统一标识(Tokenisation)和规模定律(Scaling Law)是核心要素 [34] - 5年内可能在Transformer等主流框架外出现颠覆性新技术 [34][35]