地应用路线。我们详细阐述了数据准备、模型精调、工程化适配、模型评测等关键环节的技 术要点和注意事项，为行业同仁提供理论指导和操作建议。除此之外，成功的落地应用需要 保险公司和科技公司紧密合作，共同构建开放、共享、协同的创新生态。这些内容为保险行 业探索大模型技术的应用提供了宝贵的经验和启示。 在优秀案例展示部分，白皮书通过一系列具有代表性的案例，充分展示了大模型技术 在保险行业的广泛应 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 目录 1.引言· 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 1.1 大模型技术近一年的发展演变 资料来源：集微咨询（JW Insights）整理绘制，本图谱仅列举全球典型企业及相关大模型， 排名不分先后

时代，应用为王。为了解当下国内外主流大模型在保险领域应用的成熟度和稳定性，国内领先的保险科技平台——元 保，联合国内保险科技研究机构——分子实验室，共同发布《人工智能大模型保险行业应用评测报告》。报告特邀国内知名 高校专家学者、中国大地财产保险股份有限公司、众惠财产相互保险社等共同调研并撰写完成。 《报告》通过保险、法律、医疗等相关领域常规知识问题，测试大模型的基础能力，同时针对部分主要典型的应用能力设计 社会保险具有社会保障性质 , 旨在维护社会稳定、保障劳动者基本生活和促进经济发展 , 属于非营利性、公益性事业。商业保险则以盈利为目 的 , 属于市场化经营行为。 3. 保费负担者 : 社会保险的保费由用人单位和劳动者共同承担 ( 灵活就业社保由个人承担保费 ), 具有强制性。商业保险的保费则由投保人个人承担 , 自愿购 买。 4.保障程度和灵活性 : 社会保险的保障程度相对较低 , 但覆盖面广 , 适用于大多数 社会保险通常只提供基本的保障 , 如养老保险、医疗保险、失业保险等 , 而商业保险可以提供更广泛的保障 , 如人寿保险、意外险、健康险 等。 3. 保费来源不同 : 社会保险的保费通常由雇主和雇员共同承担 , 而商业保险的保费则由投保人自行承担。 4. 保障程度不同 : 社会保险的保障程度通常较低 , 而商业保险的保障程度可以根据投保人的需求和保险合同的条款而有所不同。 5.保险目的不同 :

力。 5. 利用大数据与人工智能技术：引入 AI 和大数据技术，对环境 监测数据进行综合分析，实时跟踪污染源头，精准制定治理方 案，提升环境治理的科学性和效率。 以上措施需要政府、企业、公众共同合作，通过多方协同形成 合力，才能有效应对当前严峻的环境污染问题，推动生态环境的持 续改善与可持续发展。 2.2 生态破坏的原因 生态破坏的原因主要可以归结为以下几个方面，旨在深入分析 生 监测手段如采样、实验室分析等步骤时间较长，无法实时反映环境 变化。随着环境问题的复杂性增加，及时获取和处理数据的能力显 得尤为重要。 另外，传统方法往往缺乏对多种环境要素的综合考虑。环境问 题通常是由多个因素共同作用的结果，传统诊断方法往往只能针对 单一变量进行分析，无法全面评估生态系统的健康状况。这种片面 的分析方式容易导致环保措施效果不佳，甚至引发次生环境问题。 此外，在技术装备上，传统技术的落后也限制了诊断能力的提 如，某地区在实施该方案后，发现土壤中某类重金属浓度超标，通 过及时的监控与治理措施，污染源得以控制，土壤质量有了显著改 善。 此方案的实施需要政府的支持、企业的配合以及科研机构的参 与，相信在多方的共同努力下，可以为生态环保的可持续发展打下 坚实基础。 5.4 生物多样性监测 在生态环境保护中，生物多样性监测是重要的组成部分。生物 多样性的监测能够为生态系统健康评估、物种保护、资源管理提供

力资源；加速算 力与产业深度融合，全方位驱动产业数字化转型进程，催生新业态、 新模式；缩小区域间发展差距，促进我国算力产业协调发展，推动 产业数字化在均衡发展中实现质的跃升，实现我国数字经济的共同 繁荣。 综合算力指数 5 二、我国综合算力总体进展 （一）算力结构优化与技术创新并进 在结构优化与技术创新的双重驱动下，算力水平正实现质与量 的提升。一方面，结构优化助力算力水平提升。我国积极推动全国 Top10 呈现以东部地区为主导，中西部地区存力 发展水平提升的态势。经济实力雄厚的省份在存力规模上拥有明显 优势。东部地区企业与人口密集，数据生成与存储需求庞大，数字 化应用场景丰富多元，这些因素共同推动存力规模持续提升。其中， 广东、河北的存储总体容量处于全国领先地位，均达到 166 EB，能 够满足海量数据的存储需求。江苏、北京、上海的存储总体容量也 较为可观，均超过了 100 EB。江苏制造业的数智化催生了热数据处 开展基于算力的新业务、新模式创新，如智能制造、智慧医疗、智 能交通等，提升各行业生产效率与服务质量，培育行业示范性应用。 四是培育繁荣生态，鼓励产学研用紧密合作，支持开源社区建设， 吸引多方力量共同参与算力基础设施的建设、运营和应用创新；积 极搭建企业交流平台，充分利用“算力产业发展方阵”、中国算力 平台、“华彩杯”算力创新应用大赛、“智算生态圈”等多元化渠道， 广泛汇聚产学研用各方力量，加强产业链上下游企业间的深度对接

2. 持续学习机制：引入持续学习功能，使模型在使用过程中能够 不断适应新来的病例，并更新其分析能力。 3. 人工智能与放射学结合：建立多学科团队，结合人工智能技术 与放射学专家的专业知识，共同制定出适合临床实际应用的影 像分析协议。 4. 临床决策支持系统：将 AI 生成的影像分析结果整合到临床决 策支持系统中，为医生提供基于证据的诊断和治疗建议，提高 疾病管理的科学性和精确性。 需与开发方协作，进行模型不断迭代和数据质量管理。 此外，建立有效的用户反馈和循环改进机制也是关键。通过收 集医生在使用中的反馈，能够更快识别问题和优化模型。建议每季 度举办一次使用总结会议，以便医疗团队和技术团队共同分析使用 中遇到的问题，并探讨解决方案。 最终，为了提高系统的整体可用性和安全性，医疗机构还应考 虑引入多重监控机制。在整个使用过程中，设立自动警报系统，实 时监测使用行为和结果，及时发现并通报异常情况，例如： 失败原因分析 在分析 AI 生成式大模型在医疗应用中的失败案例时，识别其 失败原因是至关重要的一步。通过对具体案例的深入分析，可以总 结出一些普遍性的问题和潜在的改进方向。 首先，许多失败案例的一个共同原因是数据质量不足。在医疗 领域，数据的准确性、完整性和时效性直接影响到 AI 模型的训练 和推理过程。例如，如果训练数据中包含错误的诊断记录或缺失的 病历信息，生成的模型可能会导致错误的医疗建议或决策。在许多

提升交互效率和用户体验，促成用户与应急大脑在 知识层面的交流，包括应急管理相关部门、研究机 构、企业和公众等各方用户不仅仅是知识的使用者， 更是知识的共同生产者。在人机交互的推动下，应 急知识库是一个开放、共创的知识系统，各方的知 识和经验将汇聚到应急大脑中，共同丰富和完善应 急知识体系，实现应急知识的协同创新。 大语言模型应急大脑是一个集成知识管理、感 知、思维、人机通信的智能系统，具有如下特点：1）

高速发展期 2001-01-01~2021-01-01 2001年，来自极限编程、Scrum、DSDM、自适应软件开发、水晶方法、特征驱动开发、实效编程等领域的17位软件开发领域的教授 和推动者共同签署了《敏捷软件开发宣言》。 2005年，中国上网用户总数达1.11亿，其中宽带上网用户激增至6430万，这一数据标 志着中国互联网用户规模跃升至全新高度。 二十一世纪初，互联网普及与计算能力的显著增强，智能软件已广泛渗透至诸如智能家 合作维权：头豹已获得发布方的授权，如果任何第三方侵犯了发布方相关的权利，发布方或将授权头豹或其指定的代理人代表头豹自身或发布方对该第三方提出警告、投诉、发起 诉讼、进行上诉，或谈判和解，或在认为必要的情况下参与共同维权。 完整性：以上声明和本页内容以及本平台所有内容（包括但不限于文字、图片、图表、视频、数据）构成不可分割的部分，在未详细阅读并认可本声明所有条款的前提下，请勿对 本页面以及头豹所有内容做任何形式的浏览、点击、引用或下载。

维、计算使能和优 化、辅助运营等方面。发挥极致集群算力，需要构建智算服务产业共识，持续 推进智算服务产业升维。 我们期望通过本案例集的发布，能够进一步促进行业内各方的深度交流 与协同创新，共同推动智算服务发展与应用推广，为构建高效、绿色、智能的 未来计算环境贡献智慧和力量。 全球计算联盟 智能产业发展委员会 2025 年 11 月 2 数据助手，为相关部门提供客流分析、业态趋势研判和应急 预警，助力实现科学化治理与可持续发展，目前已经在利川、秦皇岛开展落地应用。 为了进一步赋能发挥城市文旅产业特色、提高本地服务水平、实现区域内的共同繁荣， 紧密结合本地丰富的文旅数据资源，发挥人工智能技术其深度学习和跨界融合的技术特性， 为文旅行业实现数智化转型提供技术基础，讯飞文旅大模型在以下几点进行技术创新。 （一）创新技术赋能，打造本地化知识引擎

亿美元，全球人 工智能市场规模 2025 年超 6 万亿美元。海外以美国为例，相关政策出台时间较早， 人工智能领域发展更加成熟，许多智能体应用已在服务各类企业。并且美国有意 与人工智能强国组成战略伙伴，共同发展 AI 科技。智能体发展能推动政府、金融、 制造、能源、医疗、零售等行业的智能化应用向多模态和跨模态转变。  投资建议：我们认为未来智能体（AI Agent）的前景十分广阔，随着大模型的发展， 亿美元，全球人工智能市场规模 2025 年超 6 万亿美元。海外以美国为例， 相关政策出台时间较早，人工智能领域发展更加成熟，许多智能体应用已在服务各类企 业。并且美国有意与人工智能强国组成战略伙伴，共同发展 AI 科技。 多模态大模型利用异构数据提升应用效率，促进 AI Agent 发展。将智能体赋能于图 片+语音的多模态大模型中，可以减少使用工具和交互的过程，使智能体完成更多复杂 任务，解

场需求。这些企业在专业领域内具有较强的竞争力，能够提供深度 定制化的服务。然而，由于资源有限，它们的市场推广和客户支持 可能相对较弱。我们可以通过与这些企业合作，形成互补的战略联 盟，以便在各自的领域共同发展。 第三类是新兴的 AI SaaS 平台供应商，这些公司通常专注于特 定的应用场景，如自然语言处理、图像识别等。这些以单一功能为 主打的产品虽然在市场上占有一席之地，但缺乏整体解决方案的整 文件存储：基于云存储方案（如 AWS S3 或阿里云 OSS）管理 模型文件和用户上传的数据。  数据安全策略：采取加密存储和访问控制等措施以保护用户数 据的安全。 综上所述，平台架构的各个层次相互依赖，共同构建一个高 效、可靠的人工智能大模型 SaaS 平台。每个层次的设计均需考虑 系统的可扩展性和可维护性，以应对未来可能的业务增长和技术变 革。为了便于理解，以下是平台架构的基本结构图： 通过 保透明度和用户的控制权。 首先，各国的隐私保护法规存在差异，主要包括欧洲的《通用 数据保护条例》（GDPR）、美国的加州消费者隐私法（CCPA）以 及中国的《个人信息保护法》（PIPL）。这些法规都有一些共同的 原则，例如数据最小化、目的限定和用户同意等。企业在设计 SaaS 平台时，需要确保平台的架构和数据处理流程与这些法规相 符。 对于企业来说，实施隐私保护的具体措施可以从以下几个方面 考虑：