大模型是人工智能发展的重要方向，在遥感智能解译领域，大模型在多模态和多任务的通用性上仍存在许多技术难点。中科院空天院与华为深度合作，牵头研制了首个面向跨模态遥感数据的生成式预训练大模型“空天·灵眸”，并基于昇腾AI基础软硬件平台，联合打造了灵活易用的自监督预训练通用套件，可高效支撑大模型并行训练及下游任务的开发。目前，该大模型已在多个领域开展试用，在遥感智能解译多项任务准确率达90%以上。报告将为大家介绍如何结合遥感多模态数据特点开展空天信息预训练模型的研究与应用。

环境的复杂性成为制约特定场景群体智能技术发展的关键因素。鉴于此，本报告引入复杂场景多智能体网络的概念。在此基础上，引入“软件定义网络”技术，重构复杂场景多智能体网络的基础架构。然后，结合本团队的研究成果，介绍如何利用软件定义网络技术，重构复杂场景多智能体网络的数据路由架构、编队航行架构以及自主学习决策架构。本报告旨在提供一种研究思路，重新审视复杂场景多智能体系统的协同控制机制，构建“软件定义智慧应用”。

随着卫星、航空飞行器、物联网的空天地感知手段的快速发展，多模态多粒度高频次的海量时空信息为构建地球现实世界的孪生镜像提供了“数据外衣”，时空信息的智能感知能力直接影响孪生镜像构建的精确度、实时模拟和分折预测的运行效果。报告围绕时空数据的智能感知、数据治理、动态模拟方面的数字孪生构建需求，介绍了基于航天宏图自研的PIE-engine时空云服务平台及相关关键技术，并对其在智慧城市的监控和风险预警等行业中的应用实践情况进行了全面说明。

基于卷积神经网络的人工智能算法越来越多地出现在人们的日常生活中, 在辅助驾驶、无人超市、智慧医疗、工业机器人等领域得到了广泛应用。然而, 卷积神经网络取得优异性能的同时, 计算量和参数量相比传统算法显著增加。在此背景下, 轻量级卷积神经网络模型被提出并广泛应用在电源和散热条件都极其有限的边缘计算场景。然而, 基于CPU 的通用计算平台无法满足卷积神经网络对算力的需求, GPU 平台更适合高并行的传统网络模型, 部署轻量级神经网络时的效率较低, FPGA 得益于其高性能、高能效、高灵活性的特点, 正在成为部署神经网络的重要平台。 本报告着眼于设计并优化基于FPGA的高能效轻量级卷积神经网络加速器, 从算法、电路和系统三个层面进行了探索。在算法层面, 结合硬件对算法的需求优化了用于轻量级神经网络的量化算法; 在电路层面, 设计了高效的轻量级神经网络加速器以及面向FPGA 加速器的自适应电压频率调整平台; 在系统层面, 将电路层面的神经网络加速器与自适应电压频率调整结合, 探索了自适应电压频率调整对加速器性能、功耗和精度的影响。

体积小、质量轻、成本低是小卫星的显著特点，随着卫星技术的发展，小卫星综合性越来越强，星载计算机对处理性能的要求也越来越高。高可靠、高性能和低成本在设计和研制角度又不是一个范畴内的，如何解决这个痛点？ 采用双备份非抗辐射级 ARM 处理器作为系统处理器，同时采用抗辐射级单片机来监测系统处理器的工作状态，在监测到主处理器发生故障时进行切机操作，提高了系统可靠性，避免了采用多模冗余结构，结构精简，同时降低了成本。 该系统十分适用于体积、质量十分受限的小卫星。

由于具有完备的标准和开放的生态，TSN被认为是在航天装备中具有广泛应用前景的宽带总线技术。与目前航天领域使用的时间触发以太网（TTE）相比，TSN在可靠性和容错方面还有较大差距。如何提升TSN可靠性和容错能力是TSN研究的热点之一。报告首先分析当前TSN标准在可靠和容错方面与TTE的差距，然后详细介绍了为弥补这一差距，学术界和工业界在多域时间同步、容错在线配置、COM/MON完整性保证、以及无缝冗余数据传输等方面的最新研究进展，最后探讨了基于OpenTSN开源平台开展TSN可靠和容错研究和验证的方法。