去中心化物理基础设施网络是未来数字社会不可或缺的基石，它将传统依赖于集中式控制和管理的物理设施转变为由社区驱动且自主治理的新型基础设施网络，而区块链与人工智能（artificial intelligence，AI）技术的深度融合在其中起到了关键的赋能作用。为此，首先强调有机结合“AI赋能区块链”与“区块链赋能AI”，形成协同增效的双向闭环回路，以构建真正意义上的智能区块链，从而实现区块链智能新范式。其次，提出智能区块链的新型技术架构：一方面，将智能性内嵌至传统区块链架构的每一层，以培育从基础智能到基础设施智能再到应用智能的区块链智能生态；另一方面，为实际智能区块链构建与之对应的人工的智能区块链，并通过二者的虚实反馈与平行执行，形成从静态规则导向到动态适应演进的区块链智能生态。然后，从智慧合约、去中心化身份、知识管理、自主治理等角度辨析区块链智能的核心智能属性。最后，概述区块链智能的典型应用场景及面临的关键挑战。积极推进智能区块链与区块链智能技术的研究与发展，有助于构筑未来数字时代的核心基础设施。

具身智能突破了传统人工智能的界限，强调了机器与物理世界交互的重要性，旨在通过促进软硬件一体化智能体的环境适应性学习和智能行为的演化，解决更多智能系统在现实应用中的问题。在这一理念的启发下，提出了具身智能驾驶的概念与框架，将具身智能思想融入自动驾驶汽车的开发与应用中，通过物理智能体、虚拟智能体和真实交通场景之间的持续交互，实现智能系统在复杂交通场景中的精准感知、高效执行、自主进化，提升自动驾驶车辆对复杂开放交通环境的长期适应能力。基于提出的具身智能驾驶框架，进一步总结了其中涉及的核心技术，并剖析了相关技术的发展现状与存在问题。此外，通过探索虚实互动数据智能、基础模型与基础智能、持续学习与平行智能在其中的重要作用和应用潜力，提出了对这一领域的思考与展望。旨在推进具身智能驾驶的系列创新性研究和自动驾驶技术在更广泛场景的应用落地，并为智能车辆等移动机器人系统的发展，提供新的思路和解决方案。

概述了人工智能（artificial intelligence，AI）大模型研究的焦点、发展趋势及其技术本质，分析了国家层面的人工智能发展战略、国防领域的紧迫需求以及船舶领域应用的基础。从智能绿色船舶的发展、防务装备体系的革新、管控体系的建设以及知识密集产业的转型等方面，探讨了将人工智能大模型技术应用于船舶领域的广阔前景。人工智能大模型技术与“平行系统”“知识工厂”和“数字员工”等理念相结合，能够催生“AI设计”+“数字工厂”+“平行验证”等新型设计、研发和验证手段。此外，人工智能大模型技术可以从船体设计、船舶建造、航运管理、节能减排等方面为船舶行业注入智能和绿色元素，优化船舶各项功能，提高企业运营的效率，提升经济性和环保性。与新能源、新材料、先进制造和电子信息等战略新兴产业结合后，人工智能大模型技术能够基于新理念和新形态塑造未来海洋防务装备体系。同时，人工智能大模型技术能够赋能船舶管控体系的建设，优化规划计划、助力科技创新、提高管理效率和改善用装质效等。特别是随着船舶领域知识工厂的建立、数字人员工的培训、工业机器人的推广以及对深远海领域的拓展，人工智能大模型技术将能够推动船舶领域“自然人”“机器人”和“数字人”的有机结合和密切协同，加速船舶行业向知识密集型和智能密集型升级，使产业生态和价值创造模式向高端化、智能化和绿色化转变，实现更注重质量和效率的发展方式。

大模型技术的发展为融合生物人、数字人和机器人的平行人系统构建提供了崭新思路和智能基础。但是，在面临复杂系统的管控任务时，仍然存在着知识更新受限、专用能力不足以及信息隐私泄露等问题。为此，提出了检索增强生成驱动的平行人与平行智能框架——RAG-PHI，打造了开放式数据平台，为平行人系统接入实时知识、行业知识及私有知识；构建动态路由检索，进行上下文抓取和平行人能力重组；引入上下文提示学习增强思维与行为能力。进一步，面向平行人的组织管理、培训评估和运营生产模式，提出了基于RAG-PHI架构的平行人社区、平行人学校和平行人工厂架构，形成了检索增强生成和基础大模型协同驱动下的平行人生态，促进智业时代的生产力提升。

在数字化浪潮中，为了应对医疗资源配置不平衡问题，满足医院管理优化的需求，亟须引入数字化和平行智能技术。平行医疗系统能够利用人工智能方法，充分发挥数据价值，通过虚实互动来优化解决方案。该系统由分布式可信数据库、医疗操作系统、医疗场景工程和医疗大模型组成，通过数据的收集和流通，强化数据赋能，从而促进医院运营的跨维度优化。为了更好地展现数据在医院运营中的价值，基于平行医疗系统提出了量化数据价值的方法，并借助数值实验进行展示。实验结果表明，平行医疗系统可以提升医院社会效益47.45%、经济效益13.82%和运行效率21.90%，为决策者提供全局视野。

纵向联邦学习（vertical federated learning，VFL）常用于高风险场景中的跨领域数据共享，用户需要理解并信任模型决策以推动模型应用。现有研究主要关注VFL中可解释性与隐私之间的权衡，未充分满足用户对模型建立信任及调优的需求。为此，提出了一种基于人在回路（human-in-the-loop，HITL）的纵向联邦学习解释方法（explainable vertical federated learning based on human-in-the-loop，XVFL-HITL），通过构建分布式HITL结构将用户反馈纳入VFL的基于Shapley值的解释方法中，利用各参与方的知识校正训练数据来提高模型性能。进一步，考虑到隐私问题，基于Shapley值的可加性原理，将非当前参与方的特征贡献值整合为一个整体展示，从而有效保护了各参与方的特征隐私。实验结果表明，在基准数据上，XVFL-HITL的解释结果具有有效性，并保护了用户的特征隐私；同时，XVFL-HITL对比VFL-Random和直接使用SHAP的VFL-Shapley进行特征选择的方法，模型准确率分别提高了约14%和11%。

针对通用情绪识别模型面对不同个体时的低识别精度问题，提出一种基于集成学习与聚类联合标注的多模态个体情绪识别方法。该方法首先基于公共数据集训练通用情绪识别模型，然后分析公共数据集数据与个体无标签数据的分布差异，建立跨域模型来预测和标注个体数据的伪标签。同时，对个体数据进行加权聚类并标注聚类标签，利用聚类标签与伪标签进行联合标注，筛选高置信度样本进一步训练通用模型，得到个性化情绪识别模型。实验采集3名被试的3种情绪数据并使用该方法标注，最后优化得到的个性化模型对3种情绪的平均识别精度达到80%以上，相比原通用模型，至少提升了35%。

近年来，随着物联网、大语言模型、多模态交互等新一代人工智能技术的迅猛发展，传统的药物研发、生产加工等过程面临着智能化转型的挑战。为此，以平行智能为理念，基于ACP方法和大语言模型提出了虚实交互的平行药物系统，并将三类人（数字人、机器人和生物人）的概念引入系统中，详细阐述了该系统的理论框架与构建方法。平行药物系统涵盖医药产业的全流程，药物研发阶段考虑了药物发现、实验室研究、临床试验等过程；药物生产加工阶段考虑了制药工厂运行、系统分析预测等方面；药物医疗保健阶段考虑了个性化用药咨询、增强现实用药指导、隐私安全等内容。平行药物系统打造了一个数字化的“药物空间”，旨在建立药物系统的新范式，推动智能化药物的革命。

智能手机边框在制造过程中往往存在形变问题，先前的视觉定位方法难以得到精确的边框点胶位置。针对此问题，提出了一种新颖的手机点胶三维轨迹生成方法。首先，使用三维线激光测量仪扫描边框，引入基于位姿图的点云拼接算法解决边框点云的拼接问题。采用基于模板的方法，标注模板点胶轨迹。然后，通过基于变形图的非刚性配准算法将模板与目标边框对齐，得到变换后的轨迹，并提出轨迹优化策略生成精准的目标点胶轨迹。实验证明，所提方法生成的轨迹精度可达0.01 mm以下，且速度可达到在线实时测量效果。