变化持续优化。 动态风险知识库构建 运用事件抽取技术从全球灾害数据库 中自动提取灾害成因、处置措施等要 素，形成结构化案例库支持类比推理。 灾害案例挖掘 知识图谱自进化 多粒度检索系统 推演仿真引擎 专家经验数字化 协同标注平台 通过在线学习机制持续吸收最新科研 成果和应急报告，自动扩展实体关系 网络，保持知识库的前沿性和完备性。 支持从宏观政策到具体操作指南的多 层级知识检索，如同时查询 层级知识检索，如同时查询 " 地震应 急预案 " 和 " 狭小空间救援装备使用 规范 " 。 内置基于物理规则的灾害推演模块， 可模拟不同应急策略的实施效果，为 预案优化提供量化依据。 采用认知计算技术将领域专家的隐性 知识转化为可计算的决策规则，例如 将灾情分级标准编码为机器学习特征。 提供众包式知识标注工具，允许多地 应急管理部门共同维护和验证知识条 目，确保知识的实用性和权威性。 以深化“人工智能 计、蒙特卡洛树等算法帮助进行灾 害根本原因分析、趋势预测、隐患 排查 深度学习： 通过神经网络对大数据样本进行无 监督学习，找到灾害原因和结果之 间的关联，并用于预测隐患 知识图谱： 建立应急知识图谱和专家系统，协 助选择预案，辅助专家会商决策 AI 大模型赋能应急指挥中心：协同处置响应应急事件的中枢 设备数据 传感数据 视频数据 语音数据 管理要求 业务数据 …… 指挥团队 单兵 app AI 协同决策中心

多模态能力：支持文本、图像、音频等多种数据类型的生成与 处理。  灵活性：根据具体需求进行调整，能够针对不同的应用场景提 供解决方案。  高效性：在某些情况下，生成的内容能够达到或超过人类专家 的水平，提高效率并降低误诊率。  个性化：能够根据用户特定的需求或者特征提供量身定制的内 容或建议。 通过这些特点，AI 生成式大模型在医疗场景中的应用展现出广 泛的潜力，能够大幅提升诊断的精确度、治疗的针对性以及医疗服 可以在相对较少的标签数据的情况下，依然能够应用于疾 病预测和临床决策支持系统。 4. fine-tuning 技术的成熟：使得在特定领域（如医学）中进行 模型微调成为可能，从而提高了模型在具体医疗场景中的表 现。这种技术允许临床专家利用小规模医疗数据集对预训练模 型进行调整，使其能够更好地适应特定医疗需求。 5. 伦理和安全性的关注：在医疗应用中，AI 生成式模型的伦理 和安全性受到越来越多的重视。目前，已经有多项研究开始探 度，也对治疗的有效性产生了积极影响。 此外，在提高医疗效率方面，AI 生成式大模型能够在多个环节 中优化流程。例如，在预约挂号、问诊初步筛查流程中，可以通过 模型自动处理患者的描述-症状匹配，从而安排合适的专家进行进 一步诊疗。这不仅减少了患者的等待时间，也提高了医生的工作效 率。 为了更具体地体现医疗场景的需求分析，可以列出以下几个关 键需求： 1. 数据智能整理与分析 2. 个性化诊疗方案制定

全场景落地：万全异构智算平台 3.0 携四大技术创新破局―― AI 推理加速算 法集实现 5-10 倍性能跃 升， 编译优化器降低 15% 训练成本，慢节点自愈系统达成万卡十分钟 级故障 恢复，专家并行算法削减 3 倍推理延迟。这一技术底座更通过联 想万全 AI 一体机实现端到端落地：基于联想自研的联想万全异构智算 平台管理 软件，深度适配问天 WA7785a G3 等服务器硬件，凭借调度层、算子层、 推理加速算法集，可帮助 AI 推 理性能提升 5-10 倍；AI 编译优化器，使得训练和推理计算成本至少降低 15%；AI 训推 慢节点故障预测与自愈系统，实现百卡秒级、千卡分钟级、万卡十分钟级故障自愈；专家 并行通信算法，将推理延迟降低至少 3 倍。 ※ 多维智能算力匹配技术 时代 26 ※ 专家并行通信算法 09 针对专家模型架构进行深度优化。在专家模型训练中，存 在 All to All 和 All Reduce 等 通信操作，该算法通过创新技术提高通信效率。例如，在专家并行架构中优化通信模式， 减少通

性能突破。多头潜在注意力 (MLA) 通过低秩联合压缩技术，大幅削减了注意力键 (keys) 和值 (values) 的存储空间，显著降低了内存需求。 DeepSeekMoE 架构采用 了更为精细粒度的专家设置，能够更加灵活且高效地调配资源，进一步提升了整体的运行效率和表现。 DeepSeek 模型对跨节点的全对全通信机制进行优化，充分 利用 InfiniBand 和 NVLink 提供的高带宽。创新性提出了 色，有力地保障了模型运行的流畅性。 l DeepSeekMoE 架构：该架构采用了更为精细粒度的专家设置，还特别将 部分专家设定为共享专家。在每一个 MoE 层中，都由共享专家和路由专家 协同构成。其中，共享专家负责处理所有 token 的输入信息，为模型提供 基础的处理支撑；而路由专家则依据每个 token 与专家之间的亲和度分数 ( 这一分数 通过 sigmo id 函 数 计算 得 出 ， 即 实现内部高速互联；不同节点间的高效通信则依赖于 InfiniBand （ IB ）网络。 l 创新性提出了 DualPipe 算法，通过优化计算与通信的重叠，有效减少了流水线中的空闲时间。对于 DeepSeek-V3 而言，由于跨节点专家并行引入的通信开销导 致计算与通信的比例接近 1:1 ，因此提出 DualPipe （双向管道并行）算法，采用一种新的双向流水线方法，在独立的前向和后向处理块中实现了计算与通信的重叠， 从而加速

需要耗费 40%的工作时间在数据清洗与基础核对上，而抽样检查覆 盖率不足 5%的现象普遍存在，隐藏了重大风险盲区。其次，复杂 交易场景（如跨境并购、金融衍生品）的审计依赖专家经验判断， 但资深审计师资源稀缺，全球四大会计师事务所的专家顾问供需缺 口达 37%。最后，实时审计需求与滞后分析能力的矛盾突出，特别 是在区块链、云计算等新技术应用场景中，传统审计方法难以实现 交易链路的全流程穿透。 1.3 DeepSeek 技术简介及其在审计中的潜力 DeepSeek 作为新一代大语言模型（LLM）技术平台，其核心 优势在于多模态数据处理、复杂逻辑推理和行业知识融合能力。该 技术采用混合专家模型（MoE）架构，通过万亿级 token 的审计行 业语料预训练，在会计准则、税务法规、风险识别等垂直领域展现 出超过 85%的准确率。其知识截止 2023 年的特点，确保了在审计 政策时效性方面的可靠性，例如能够准确识别 内。 关键审计判断逻辑采用混合决策机制： 1. 结构化数据规则引 擎：处理税率计算、勾稽关系校验等确定性任务 2. 深度学习模 型：处理关联方识别、异常交易检测等非结构化问题 3. 专家系 统：对重大风险事项启动预设审计程序链 应用层构建审计工作台界面，集成三大核心功能：智能抽样模 块采用分层贝叶斯方法，在 95%置信水平下将抽样量降低 40%； 底稿自动生成模块支持按证监会各板块要求一键生成差异化的审计

硬件基础设施的采购与搭建； - 模型的商业化推广与运营； - 知识库的长期维护与更新。 1.4 项目团队及职责分工 本项目的团队由项目经理、数据工程师、算法工程师、AI 模型 训练师、质量保证专家和产品经理组成，确保项目在各个环节都能 高效推进并达到预期目标。项目经理负责整体项目的规划、进度管 理和资源协调，确保项目按时交付并符合预算要求。数据工程师负 责数据的采集、清洗和预处理，确保数据的完整性和质量，同时开 算法工程师负责设计和优化算法，解决数据处理和模型训练中的技 术难题，确保算法的高效性和可扩展性。AI 模型训练师负责模型的 训练、调优和验证，选择合适的模型架构和超参数，确保模型在性 能、准确性和泛化能力上达到最优。质量保证专家负责对项目各个 环节进行质量监控和测试，确保数据处理和模型训练的准确性和稳 定性，制定并执行测试计划，及时发现并解决潜在问题。产品经理 负责与业务方沟通，明确需求并将业务需求转化为技术实现方案， 模型训练中的技术难题，确保算法的高效性和可扩展性。  AI 模型训练师：负责模型的训练、调优和验证，选择合适的 模型架构和超参数，确保模型在性能、准确性和泛化能力上达 到最优。  质量保证专家：负责质量监控和测试，制定测试计划，执行测 试用例，及时发现并解决潜在问题。  产品经理：负责与业务方沟通，明确需求并将业务需求转化为 技术实现方案，确保项目输出的成果能够满足业务需求。

67 6.1.1 文章与视频内容.........................................................................68 6.1.2 专家讲座与问答.........................................................................70 6.2 社区支持......... 。历史直播内容按主题分类存档，支持关键词检索。 建立用户互助社区，实施分级激励机制： - 基础互动：分享饮 食日志获积分，可兑换专业分析服务 - 进阶互动：组建 3 人营养目 标小组，连续 7 天打卡解锁专家咨询优惠 - 高阶互动：优质内容创 “ ” 作者获得 营养达人 认证，参与平台内容共创 行为改变工具包包含以下可操作组件： 1. 智能购物清单生成 器：扫描历史饮食记录，自动推荐需补充食材 天内整合到相关文章中。 视频内容 以 3-5 ” 分钟短视频为主，采用 理论+ ” 实景演示 模式： - 烹饪技巧类 视频需标注精确时间节点（如蔬菜焯水 30 秒营养保留率对比） - 专家访谈视频插入实时字幕与关键点时间戳 - 实验演示类内容（如 糖分测定实验）需标注实验条件与设备型号 互动增强设计： - ” 在视频中嵌入选择题弹幕（如 本次演示使用 的橄榄油每日建议量是？A

动保 险行业从科技赋能向科技引领的转变。同时，我们也呼吁行业同仁和合作伙伴加强交流与 合作，共同推动科技保险和数字保险的发展，共创保险行业的美好未来！ 最后，我们要诚挚感谢所有参与白皮书编写的专家学者、行业同仁和技术伙伴。正是大 家的共同努力和无私奉献，才使得这本白皮书得以顺利问世。我们将继续秉持开放、合作、 创新的精神，与各界携手共进，共同书写保险行业智能化转型的新篇章！ � CONTENTS 为算力提升提供了强有力的保障；多模态模型的突破性进展，打破了传统人工智能（AI）技 术界限，实现了信息处理能力的全面升级；视频生成模型的显著进步，更是让创意与想象 在数字世界中自由翱翔；而混合专家系统（MoE）架构的广泛应用，则进一步提升了模型的 灵活性与效率。此外，开源模型的不断涌现，不仅加速了技术的普及与应用，也为全球开发 者共同推动AI技术的进步搭建了广阔的舞台。 1.引言 1 的文本内容。GPT-4o近乎实时的语音和视频交互体验，标志着人机交互迎来了新的变革。 （3）MoE架构 混合专家系统（Mixture of Experts, MoE）架构是一种新颖的深度学习模型架构，它通 过将多个“专家”子模型集成在一起来处理更大规模的数据和更复杂的任务。每个专家子 模型都是一个小型的神经网络，擅长处理任务的某一方面。过去一年中，MoE架构在大规 模语言模型和其他复杂任

要将其应用到私有系统中，必然需要大量标注数据。 Performance Upgrading Fixing bugs New features （ 1 ）传统日志分析算法只输出“告警 / 正常”，对于异常日志无反馈，需要专家阅 读相关日志模板，人力整理生成分析报告，费时费力。 （ 2 ）只给出预测结果，对于报假警、漏报等情况不能很快地排除，需要结合原始 LogPrompt 依赖于任务数据，专家标注耗时耗力， 自适应性差 智慧有限，可解释性差，直接输出告 警结论，无法实现告警事件分析 • 以思维链提示引擎激发大语言模型的领域文本分析能力和根因推理 能 力，在告警日志纷杂的信息中梳理思维链逻辑， 根据用户需求描述，以多轮对话的方式灵活地提供告警查询、定位、 分析服务。 无需训练资源，可灵活迁移至不同设备应用 • 依托大模型预训练阶段内生通用知识，不再单独进行领域微调 • 基于 Prompt 策略注入领域专家对齐信息，快速灵活迁移 增强分析结果的可解释性、可交互性 LLM 作为运维智慧体的潜力与挑战 : 大模型有强语言泛化与 解释 能力，但是对 Prompt 敏感 Unlike existing

的工程师和量化分析师组成，能够快速响应并解决用户在使用过程 中遇到的技术问题。 此外，我们还设立了专门的用户社区，用户可以在社区中交流 经验、分享策略和讨论市场动态。社区定期举办线上研讨会和专家 讲座，邀请业内专家为用户提供最新的市场洞察和策略建议。 以下是我们提供的培训与支持服务的详细列表：  多层次培训课程：初级、中级、高级  教材与实战案例：详细的操作指南和实例分析  模拟环境：提供模拟交易平台进行实践操作 模拟环境：提供模拟交易平台进行实践操作  在线问答与实时辅导：即时反馈与问题解决  考核与认证：通过考核获得使用资格认证  **7*24 小时技术支持**：全天候的技术支持服务  用户社区：经验交流、策略分享与专家讲座 通过上述措施，我们能够确保用户不仅能够快速上手 DeepSeek 应用方案，还能在不断的学习与实践中提升其量化交易 技能，最终实现更高效、更智能的投资决策。 12.1 用户培训计划 为了确保用户能够熟练掌握 功能并提升实战 能力。 定制化培训则根据用户的具体需求进行个性化设计，内容可能 包括特定行业的数据分析、定制策略的开发与优化、以及与其他金 融工具的集成等。培训将由 DeepSeek 的技术专家一对一指导，确 保用户能够解决实际问题并最大化利用平台的功能。 培训结束后，用户将获得一份详细的培训手册和操作指南，并 可以通过平台的在线支持系统随时获取技术帮助。此 外，DeepSeek