一、平台简介
信息域AI赋能平台以任务为主线，融合大模型、动态本体、知识图谱、多模态生成和智能体仿真能力，贯通态势情报获取、行动方案决策、多模态制品生成、仿真推演与复盘分析。平台将分散信息组织为可核验的证据，将研判结论转化为可比较的方案和可审核的成果，并通过推演与复盘持续沉淀知识，为专题研究、风险研判、信息材料制作、方案论证和训练评估提供智能支撑。
二、发展背景与业务需求
（一）多源信息需要形成完整态势
同一事件通常分散在新闻网页、公开社交信息、专题资料和内部知识库中，来源、格式和时间不一。业务人员不仅要掌握事件，还需要梳理主体关系、议题演变、传播路径、情绪变化及证据强弱，传统关键词检索和人工汇总难以高效支撑。
（二）信息研判需要连接决策与评估
信息是否充分、来源是否可靠、结论是否一致，会直接影响后续判断和方案选择。因此需要贯通“发现变化—分析研判—方案筹划—效果检验—复盘改进”，减少重复整理和环节割裂。
（三）大模型需要嵌入可管理的业务流程
大模型能够支持检索、提取、分析和生成，但专业业务还需要明确的数据范围、来源引用、版本记录、质量检查和人工确认。平台建设的重点，是把模型能力嵌入具体任务，使成果可核验、可交接、可复用。
针对上述业务问题，平台提供了相应的支撑方案，对照如下：
三、方案概述
平台可概括为：一个统一入口、五大业务系统、数据知识与AI底座、贯穿全程的治理机制。
平台总体流程为：任务建立→目标确认→多源采集→融合研判→专题报告→方案筹划→多模态制品生产→推演评估→复盘沉淀。各阶段以任务状态和成果版本衔接，持续保留目标、数据、证据、报告、方案、制品和评估之间的关系，并在关键节点由专业人员确认。
辰策截图
辰演截图
辰衍截图
四、核心业务能力
（一）态势情报获取
围绕任务接入公开信息和内部知识资源，完成标准化、去重纠错、实体提取、关系建模与置信度处理。从区域、对象、议题、传播、情绪和风险六个维度形成态势结论，并通过地图、趋势、图谱、风险矩阵和时间线展示。
主要成果：专题信息集、实体关系、态势视图、风险线索和带证据引用的研判报告。
（二）行动方案决策
综合任务目标、态势结论和约束条件，辅助完成目标拆解、策略筹划、资源梳理和候选方案编制，并从有效性、可行性、风险与合规性等维度进行比较。
主要成果：策略建议、候选方案、方案对比结果和交接材料。
（三）多模态制品生成
根据已确认的任务与方案，组织受众、渠道、体裁、风格和素材要求，支持从需求适配、素材选择、智能生成到质量检查和版本入库的全过程管理。制品覆盖图文、视频脚本、配音文本和结构化文档等，具体范围取决于项目接入的模型与工具。
主要成果：图文材料、视频脚本、配音文本、结构化文档和素材包。
（四）仿真推演
将场景、参与方、事件、规则和指标组织为可执行推演方案，模拟物理事件、信息流动与认知状态的关联变化。平台支持规则、概率和大模型三类智能体，以及多种对抗模式、视角切换、事件注入、过程回放和多方案比较。评估结果反映设定数据、参数和规则条件下的模拟表现，实际应用时需结合专业判断和现实验证。
主要成果：场景想定、推演方案、运行记录、指标对比和评估报告。
（五）复盘分析
按时间线还原采集、研判、决策、生产和推演过程，关联关键节点的数据、证据、版本、确认记录与输出结果。经确认的经验、问题和优化建议可回写资源库，用于后续检索、训练和方案编制。
主要成果：复盘报告、典型案例、经验条目和改进建议。
五、核心优势与亮点
（一）任务驱动的完整业务闭环
以任务统一组织数据、状态和成果，将信息处理、方案编制、成果生产、仿真评估和经验沉淀连接起来，降低跨部门、跨环节的交接成本。
（二）大模型与知识图谱协同
将大模型的语义理解能力与实体、关系、事件等结构化表达结合，通过主题分析、多跳挖掘和图谱拓展，形成可阅读、可检查、可延展的专题知识网络。
（三）证据与版本支撑成果核验
保留信息来源、处理批次、证据关系和阶段版本，支持回溯结论依据、识别信息冲突并明确引用范围。置信度和模型评分作为专业判断的辅助信息。
（四）多模态生产与三域仿真
前端贯通素材、生成、质检和版本管理，形成可审核的信息制品；后端通过物理域、信息域和认知域关联建模，结合异构智能体、过程回放和指标对比，支持方案研讨与训练评估。
（五）人机协同与产学研支撑
AI负责信息处理和初稿生成，专业人员在任务范围、数据快照、关键结论、方案和成果发布节点进行确认。角色权限、审计和模型管理保障过程可控。
中科雨辰与北京理工大学已共建联合认知实验室，将多模态大模型等前沿研究与业务场景、平台工程和成果转化结合，持续支撑模型、数据、评测和平台能力迭代。
