...........................................................................................17 2.2 传统审计方法的局限性........................................................................................... ....................................................203 1. 引言 近年来，随着企业财务数据规模的指数级增长和审计合规要求 的日益复杂，传统审计模式面临巨大挑战。审计人员需要处理海量 结构化与非结构化数据，同时应对不断变化的会计准则和监管框 架，人工分析效率低下且容易遗漏风险点。以某国际会计师事务所 的实践为例，其 2023 年内部评估显示，在金融资产减值测试项目 凭证，又能处理 Excel 底稿和数据库日志；最后是可追溯的推理链 条，每个审计结论都必须具备可验证的逻辑路径。以下为审计智能 体与传统工具的对比差异： 能力维度 传统审计软件 DeepSeek 智能体方案 准则更新响应速度 季度级人工更新 实时在线同步 能力维度 传统审计软件 DeepSeek 智能体方案 异常检测覆盖率 预设规则覆盖 65%场 景 机器学习识别 92%场景 工作底稿生成效率

智能运维演进趋势是从任务数据驱动到自适应运维智慧体 (1) 日志是机器语言：大规模网络、软件系统在运行过程中每天会产生 PB 级别的日志，这些日志是一些类自然语言的文本，实时描述了设备 的运行状态、异常情况。 (2) 传统网络运维是机器语言的人工翻译过程：为了维护网络的稳定，运维人员会持续监控设备的运行状态，希望准确、及时地检测异常和 突发事件。网络日志是设备运行维护最重要的数据源，运维人员通常会通过解 自适应智慧体在运维领域面临的 Gap ： 传统自动运维模型既没法“自适应”，也仅是有限“智慧” Gap1: 传统智能运维算法依赖于任务标注数据，仅仅是拟 合 数据，对于新领域无法自适应 10 在线场景下， 由于频繁的软件更新、第三方插件等， 大 部分产生的日志都是模型未见过的，难以获得足量 的历 史标注数据，需求模型有自适应能力。 当任务训练数据减少时，传统方法普遍出现了预测精度下降。因此， 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

4. Predict 1. Embed 2. Encode • 将每个词或字映射为向 量 深度学习的应用：意 图识别 l 基于深度学习，完全数据驱动，无需特征工程 l 效果明显优于传统机器学习模型 l 在 20 多个领域下准确率可达 96% Softmax Attention LSTM LSTM 100% 95% 90% 85% 80% 75% 70% 65% 60% 意图识别准确率 传统机器学习 Accuracy 意图识别结果 来也深度学习 输入文本 传统基于规则 意图识别结果 t CRF 输入文本 - LSTM - LSTM LSTM ■ 深度学习的应用 ：实体抽 取 l 基于深度学习，完全数据驱 动，无需特征工程 l 方法通用，适用于多种领域 不同类型的实体抽取 l 效果明显好于传统方法 l 从非结构化的对话中挖掘结构化的知识 l 将知识进行沉淀和统一维护 l 提高客服效率和质量，提升用户体验 l 知识点数量庞大，无监督的聚类方法效果很差 l 词向量不适合表示句子语义

............132 1. 引言 在当今数字化和智能化迅速发展的背景下，工程造价行业面临 着前所未有的机遇与挑战。传统的工程造价方法依赖大量的人工计 算和经验判断，不仅耗时费力，还存在一定的主观性和误差率。随 着建筑项目的复杂性和规模不断增加，传统方法已难以满足高效、 精准的造价需求。因此，引入先进的人工智能技术，特别是大模型 技术，成为提升工程造价效率和精度的关键路径。 解决方案。通过将先进的人工智能技术与传统工程造价方法相结合， 我们有信心推动工程造价行业迈向更加智能化、精细化的未来。 1.1 项目背景 随着建筑行业的快速发展，工程造价管理在项目全生命周期中 的重要性日益凸显。传统的造价管理方法主要依赖于人工经验和历 史数据，存在效率低下、误差率高、适应性差等问题。尤其是在当 前建筑项目规模日益扩大、复杂度不断提升的背景下，传统方法已 难以满足精细化、智能化的管理需求。近年来，人工智能技术的迅 数据量大且复杂：建筑项目涉及的数据类型繁多，包括设计图纸、 材料价格、人工成本、施工进度等，传统方法难以高效处理。 - 动 态变化快：市场材料价格、人工成本等因素波动频繁，传统的静态 分析方法无法及时响应变化。 - 跨专业协作难度高：造价管理需要 与设计、施工、采购等多个专业部门协同工作，信息流通不畅容易 导致误差和延误。 - 风险管理不足：传统方法在风险预测和应对措 施上较为薄弱，难以提前识别潜在的成本超支或工期延误风险。

在线业务面临性能与效率的极限挑战 �.� AI数据处理与计算协同的复杂度激增 2.3 国际化进程中的全球布局、合规与质量一致性难题 2.4 安全、稳定与成本的多元保障要求 解决方案 03 3.1 打造极致性能体验，为传统计算业务打开新空间 3.2 技术和架构创新，提升AI时代的向量数据处理和协同计算效率 3.3 强化硬件安全设计，持续增强安全保障能力 3.4 全球一致的云服务能力体系，全面助力企业国际化战略 ��Gbps）、高速临时存储等。 1.2 软硬一体协同优化，应对AI时代激增的数据冲击 AI预训练和推理过程需要存储和预处理海量的多模态数据，数据向量化趋势也非常显著，为保障 AI应用特别是中小模型推理和传统AI搜推场景的实时响应，云基础设施也在架构层面做出了持续 的优化创新。 图2 全球企业认为未来2年对业务成果最重要的IT事项 应用可用性 整体安全 风险管理 应用性能 灾难恢复和备份 低成本。例如，在强 化弹性伸缩能力时，综合运用编排调度（例如Kubernetes）、服务监控、服务治理以及相关 的配置管理等云原生能力。 �� �.� AI数据处理与计算协同的复杂度激增 传统的云存储和处理架构难以高效应对，存储和传输成本也非常高昂。同时，AI算力需求持续高速 增长，为保障AI系统的实时响应，云基础设施需要在架构层面做出创新，以应对多种类型的挑战。 数据处理挑战：除A

10-16 实现自主智能供应链 4 前言 克里斯·蒂默曼斯（Kris Timmermans） 埃森哲全球供应链与运营业务主管 传统的供应链模式如今正迅速过时。地缘政 治波动与多变的贸易环境正在重塑全球格局；与 此同时，气候压力日益加剧，消费者期待持续高 涨，传统增效策略所带来的回报却日渐式微。当 下，供应链重塑的关键在于两项关键议题。 其一，打破职能孤岛。自主决策需要在各职能 部门、流程及上下游协同关系中实现前所未有的 强大的运营韧性；而那些固守传统、不愿革新的企 业，则将面临日益严峻的生存挑战，甚至可能被市 场无情淘汰。面对这场席卷而来的自主化变革，是 选择引领未来，还是被动等待？这已是企业决策 者亟需厘清的议题。本篇洞察报告将提供清晰的 路线图，助力您在这场关键的重塑中把握先机。 实现自主智能供应链 5 挑战 催生变革， 供应链 亟待重塑 企业正逐渐意识到，传统商业增效策略的回 报日益递减，无论是规模经济、全球化，还是精益 些在迈向自主智能化系统的过程中践行了其 中一项或多项的企业而言，初步成效已经显 现。我们将在后面的章节中详细阐述每一项 举措。 实现自主智能供应链 8 何为自主 智�供应链？ 供应链的完全自主化不单单指孤岛式的自 动化。传统的自动化系统遵循预设指令，且需要 人工监督。以普通汽车的定速巡航控制功能为 例，它能自动保持设定速度，但仍需人工干预转 向和刹车。 相较之下，自主化系统虽包含一定程度的自 动化，但其内涵远不止于此。它们由自主化AI驱

突破。合成数据的应用，有效克服了现实世界数据在获取难度、规模限制及多样性不足等 方面的挑战；图形处理单元（GPU）和张量处理单元（TPU）等高性能计算硬件的飞速发展， 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 复杂数学问题上具有天然的优势，这使得量子计算在未来有可能成为大模型训练的重要 工具，有望为大模型的训练提供新的解决方案。例如，IBM和Google等公司已经在量子计 算领域取得了一些初步的成果，展示了量子计算机在特定算法上超越传统计算机的潜力。 （4）云计算资源的扩展 云计算平台如AWS、Azure和Google Cloud不断扩展其计算资源，提供了更灵活、更 强大的计算服务。这些平台的支持使得研究人员和企业能够更容易地访问到高性能的计 供强大的AI推理性能和便捷的接入方式。 （5）端侧算力发展 端侧大模型定义为运行在设备端的大规模人工智能模型，这些模型通常部署在本地 设备上，如智能手机、物联网设备（IoT）、个人电脑（PC）、机器人、车机等设备。与传统的云 端大模型相比，端侧大模型的参数量更小，因此可以在设备端直接使用端侧算力进行运行， 无需依赖云端算力。端侧大模型在成本、能耗、可靠性、隐私和个性化方面相比云端推理具 有显著优势，并能够以低

浙江大学能源学院制冷与低温研究所 2025.2.14 报 告 提 纲 临近奇点： AGI 将带来颠 覆 结论和展望 DeepSeek 等带来的新范 式 大语言模型应用的科研案例 能源领域传统 Al 发展困 境 当下 Al 到了哪种程 度 John J.Hopfield Geoffrey E.Hinton "for foundational discoveries 对行业带来的新技术思路 ( 部分 ) 11/80 DeepSeek 赋能 建 筑能源领域 11 报 告 提 纲 当下 Al 到了哪种程度 能源领域传统 AI 发展困境 … … … … DeepSeek 等带来的新范式 大语言模型应用的科研案例 · 临近奇点： AGI 将带来颠覆 理 链 条 人工 构 建 知识库 奔爱 报 告 提 纲 当下 Al 到了哪种程度 … … · 能源领域传统 Al 发展困境 … … DeepSeek 等带来的新范式 大语言模型应用的科研案例 …

的模拟可以通过构建大量简单计算单元组成的大规 模 网 络 ，并 不 断 调 整 网 络 单 元 间 连 接 权 重 来 实 现[9-10]。优势在于从数据中学习的能力，善于处理复 杂的、模糊的问题。 1.1.2 主动学习 与传统结构化的知识获取方式相比，大模型采 用自监督学习方法，主动捕捉训练文本中更深层次 的特征和规律，而非在预设知识结构下的信息抽 取[11]，从而具有突破已有认知局限实现创新的潜能。 1.1.3 数值计算过程 较难被机器获取和理解。应急管理知识属于典型的 跨学科知识，为解决应用情境中的问题而生，因此， 其知识默会的部分要比能言明的部分更为重要[25]。 传统知识管理模式是建立在知识的结构化符号 表示之上[11]，这也导致当前信息系统的知识库主要 关注那些可以编码的显性知识，而隐性知识因无法 符号化表示则难以建模。如表 1 所示，与传统模式 相比，大语言模型提供了一种全新的知识管理模式， 利用大语言模型技术重塑应急系统的知识获取、知 识共享、知识创新、知识应用等关键环节，突破系统 识共享、知识创新、知识应用等关键环节，突破系统 智能化发展的困境，更好发挥应急知识管理的效能。 3.1.1 知识获取 在基于大语言模型技术的知识获取中，应急知 识内化于模型的海量参数中，能够处理传统知识管 理模式下无法处理的默会知识，获取这类应急管理 实践中极其宝贵的经验知识、技能知识、部门知识 等，能极大丰富应急管理系统的知识体系，从而加 强系统应对复杂灾难情境的能力。同时，知识的内 化依赖于模型的自监督学习机制通过对海量数据训

MoE 架构的基础上， 通过多头潜注意力机制（ Multi-Head Latent Attention ， MLA ）进行优化；在后训练阶段采用冷启动 + 大规模强化学习 方 式，不再使用传统 SFT 做大规模监督微调， 甚至绕过了一些 CUDA ，采用 PTX 汇编来提升能力；在推理场景下通过 大规模 跨节点专家并行（ Expert Parallelism ， EP ）来优化通信开销，尽可能实现负载均衡。 Test time Scaling n DeepSeek 可以通过 API 接口或者数据中台架构，实现与传统银行技术系统的数据交互，从而实现各类业务高效高质的无 缝对接，有望释放海量私域数据价值。 Post-Train 阶段大规模强化学习的训练方法使模型拥有了更强的自主推理能力， 不 再依赖传统提示工程。根据 DeepSeek 的官方使用指南， 在使用模型时不建议添加系统提示（ system prompt 合，实现基于实 时通话向坐席人员主动推送答复话术或知识的能力。 图表：苏商银行大模型客服助手 资料来源：苏商银行、中泰证券研究所 14 降本增效场景之一：大模型承担智能客服角色 n 在传统银行信贷审批过程中，贷前调查、审批、放款以及贷后管理等诸多环节，均高度依赖人工操作，导致整个流程 十分复杂且效率低下。 DeepSeek 为银行信贷审批注入新动力， 助力审批流程实现智能化与自动化。