c) 认识到与人工智能服务交互的信息可能存在隐私泄漏风险。 d) 关注人工智能发展，关注安全动态。 6 安全使用指引 用户在使用人工智能服务过程中，需要树立并持续强化安全使用 意识，其安全使用指引主要包括： a) 查看用户协议和隐私协议，了解以下信息并进行相应处置： 1） 会被收集的个人信息以及使用方式等，特别关注个人信息 是否会被共享等； 4 注：个人信息收集、使用的要求，可参见 息，防 止信息泄漏或被窃取；如必须提供敏感个人信息或隐私数据， 优先考虑进行脱敏处理。 c) 关注人工智能服务申请的访问权限（如麦克风、相册等），关 闭非必要的授权。 d) 对于人工智能生成的结果进行核验，注意甄别其中是否存在 幻觉、偏见、歧视等风险，并根据情况进行处置。 e) 关注开发者提供的安全更新、补丁等，并在必要时进行安装 和升级。 f) 个人权益受损时及时向主管部门或机构进行咨询求助或举报。 良信息或一天内累计输入违法不良信息达到一定次数时,可能会被暂 停服务。 5 b) 不恶意发送大量复杂请求耗尽服务资源（如超长文本、循环 提问等）导致系统瘫痪。 c) 在使用人工智能服务生成合成内容时： 1）关注服务输出内容是否具备生成合成内容标识，不恶意 裁剪、删除标识； 注：生成合成内容标识的样式可参考 GB 45438-2025 第 5 章的要求。 2）如发现生成内容存在准确性、科学性问题，或包含违法

多家头 部科技大厂纷纷将自身模型开源，加速 AI 平权进程，且不断推进多模态技术的 进展，AI 应用有望迎来全新发展机遇。 建议重点关注： 国产 AI 算力：1）芯片设计：重点关注寒武纪、海光信息等 AI 芯片龙头。2）先 进晶圆制造：重点关注以中芯国际为代表领军企业。3）国产 AI 算力液冷：高澜 股份、英维克等。 AI 应用：1）编程：卓易信息、普元信息等。2）办公：金山办公、合合信息、福 信息多地子公 司也在列。另一份文件将 42 家中国公司、19 家巴基斯坦公司及其他多国公司纳 入，还以 “支持中国量子技术发展” 为由制裁部分企业，以 “涉军” 为由把数十家 中国公司列入出口关注清单。 表1：美国 2025 年 3 月 25 日发布的“实体清单”中的部分公司 涉及领域 部分相关公司 AI 大模型开发、服务器及超 级计算机产业 浪潮（北京）电子信息产业有限公司 求的提升。同时，多家头部科技大厂纷纷将自身模型开源，加速 AI 平权进程，且 不断推进多模态技术的进展，AI 应用有望迎来全新发展机遇。 建议重点关注： 国产 AI 算力：1）芯片设计：重点关注寒武纪、海光信息等 AI 芯片龙头。2） 先进晶圆制造：重点关注以中芯国际为代表领军企业。3）国产 AI 算力液冷：高澜 股份、英维克等。 AI 应用：1）编程：卓易信息、普元信息等。2）办公：金山办公、合合信息、

服务，降低技术门槛，实现智能 化转型；金融机构和医疗健康行业则需要依赖大模型提升风控、数 据分析与决策支持能力；而教育和电商行业则借助人工智能优化用 户体验及个性化推荐。 市场竞争态势同样值得关注。目前，市场上已经出现了一批成 熟的竞争者，提供多种基于大模型的应用服务。例如，OpenAI 和 Google 等大型科技公司在大模型领域占据了重要市场份额，为企 业客户提供 API 接入服务。与此同时，市场上还涌现出许多初创企 、中小型企业 （SMB）、教育和研究机构以及政府和公共部门。每一个细分市场 都有其独特的需求和应用场景。大型企业通常需要强大的 AI 能力 来提升运营效率、支持决策和推动创新，而中小型企业则更关注成 本效益、可用性以及易用性，以便于快速部署和应用。 以下是主要目标市场的特征：  大型企业 大型企业在数据处理、客户关系管理、预测分析等方面对 AI 应用的依赖度越来越高。它们倾向于选择定制化的解决方案， 提供了重要的依据。 其次，按照企业规模进行细分，我们可以将市场分为大型企 业、中小型企业和初创公司。大型企业一般具有更为丰富的数据资 源和资金支持，可能倾向于定制化的解决方案；而中小型企业可能 更关注成本效益，希望通过通用型产品来提高效率。初创公司则可 能寻求灵活性和创新性，以适应快速变化的市场。 再次，按照技术应用的不同，市场可以细分为：  自然语言处理：适用于聊天机器人、文本分析、语音识别等应

务的效率。这些特征也使得生成式大模型成为未来医学发展的重要 工具。 2.1.1 生成式模型概念 生成式模型是一类能够通过学习数据分布生成新样本的机器学 习模型。与判别式模型不同，生成式模型不仅关注于数据的标签， 而是试图建模数据的生成过程。这些模型能够捕捉到输入数据的结 构和特性，进而生成具有相似特征的新样本。在医疗领域，生成式 模型的应用前景广阔，包括图像生成、数据增强、合成病例生成 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 讨如何在保证患者隐私和数据安全的情况下，合理应用生成式 AI。 基于上述技术发展现状，AI 生成式大模型在医疗场景的潜在应 这种方法在图像 生成、图像修复以及风格转换等领域有着广泛应用。例 如，StyleGAN 就是一种高质量图像生成的 GAN 变体，它能够生成 极为真实的面孔图像，且在医疗图像处理中的应用日益受到关注。 此外，变分自编码器（VAE）也是一种重要的生成模型，其通 过编码器和解码器的组合，学习潜在变量的分布。VAE 在生成任务 中具有良好的表达能力，并且能够有效进行数据的重构或插值。在 医疗数据的生成和去噪方面，VAE

化策略、双维度评价体系、结构化训练范式三个维度。 DeepSeek-R1 采用分阶段强化学习架构演进，包括冷启动阶段、面向推理的强化学习、拒绝采样与监督式微 调、全场景强化学习等。 l AI 应用爆发在即，算力需求持续攀升，关注 ASIC 及服务器产业链。 Scaling Law 与“涌现”能力是大模型训练遵循的重要法则，随着 ChatGPT 引领全球 AI 浪潮， 国内外科技公司纷纷发布 AI 大模型，截至 24 年 7 服务器渗透率提升低于预期、 AI 监管政策收紧。 请务必阅读正文之后的免责声明及其项下所有内容 Deep Seek 发展突 飞猛进 ，领跑开源大模型技术 与生态 A I 应用爆发在 即 ，算力 需求持续攀升 ， 关注 AS IC 及服务器产 业链 风险提示 目录 请务必阅读正文之后的免责声明及其项下所有内容 02 01 03 DeepSeek 发展突飞猛进，领跑开源大模型技术与生 态 请 DeepSee k -V3 最大 思维链 长度 最大 输 出长 度 上下文 长度 0.5 元 64K 模 型 8 元 2 元 8K - AI 应用爆发在即，算力需求持续攀升，关注 ASIC 及服务器产业 链 请务必阅读正文之后的免责声明及其项下所有内容 l Scaling Law ：模型效果随模型规模指数增加而线性提高。据 OpenAI 发布的论文《 Scaling laws

（Isolation Forest）和局部离群因子（LOF）等，自动识别 数据中的异常点。这些方法通过学习数据的整体结构，来判断 哪些点是离群的，并能够处理高维特征的数据。 在实施异常值检测时，不仅需要关注 abnormal points 本 身，还要考虑其潜在原因，确保标记为异常值的数据是否真的有问 题。例如，城市轨道交通中的传感器数据可能由于设备故障而产生 不合理的读数，但在某些情况下，这些读数也可能反映了系统的真 这样的架构设计不仅具备灵活性和扩展性，同时还有助于日后 模型的优化与升级。通过不断的反馈与改进，模型能够适应城市轨 道交通行业的变化，实现智能化、自动化的管理。 在总结上述内容时，模型架构设计需关注以下几点要素：  模块化设计，以应对不同应用场景  充分利用历史数据和实时数据  灵活选择模型，以达到最佳表现  建立反馈机制，实现模型自我进化 通过以上设计思路和实施方案，城市轨道交通行业能够有效推 案。模型架构的设计需要考虑到数据的特性、计算资源的限制以及 应用场景的需求。以下是对深度学习模型架构设计的具体方案，包 括模型选择、网络结构、训练方法和优化策略。 在选择深度学习模型时，我们主要关注于卷积神经网络 （CNN）和循环神经网络（RNN）。CNN 适合于图像和空间数据 处理，而 RNN 则擅长于时间序列数据分析。考虑到城市轨道交通 的数据类型，我们通常会将这两种模型结合，以实现对复杂信号和

。 其次，许多地方的生态监测网络尚不健全，数据收集范围和力 度不足，关键生态环境的变化往往无法及时被发现。例如，水体污 染、空气质量恶化和生物多样性减少等情况，往往在出现明显迹象 时才会引起关注，错失了最佳的治理时机。 再者，环保政策的执行力度和公众参与程度有限。尽管国家和 地方政府已经出台一系列环保政策，但落实情况往往不尽如人意。 环境保护的重视程度受经济利益的驱动，有时导致短视的行为。此 -40-85°C ±0.5°C 气候变化监测 通过以上对传感器选择与部署的详细分析，可以确保在生态环 保智慧诊断系统中的数据采集环节高效、可靠，进而支持后续的数 据分析和决策制定。在部署实施过程中，应时刻关注技术的迭代与 升级，持续优化传感器系统，以提高整体监测效能。 4.1.2 数据采集的频率与规范 在生态环保智慧诊断的实施过程中，数据采集的频率与规范是 确保系统有效性的关键因素。合理的采集频率既能保证数据的时效 制确保了及时响应和干预措施的实施，从而降低了环境破坏的风 险。 在治理决策支持方面，多模态 AI 通过整合来自社交媒体、新 闻报道、科学文献和环境监测数据的信息，能够帮助政策制定者更 全面地了解公众的环保关注点及反馈。这一应用不仅能够提高环境 政策的透明度与公众参与感，还能够通过数据挖掘发现治理中的问 题与挑战。 此外，在生态恢复过程中，多模态 AI 能够提供优化方案。利 用图像分析技术对受损生态区域进行评估，结合气候数据和土壤状

· · · · · · · · · · · · · 141 6.2.3 分阶段实施与长期持续优化· · · · · · · · · · · · · · · · · · · · 142 6.2.4 关注政策导向与合规要求· · · · · · · · · · · · · · · · · · · · · 143 6.2.6 强化技术合作与生态建设· · · · · · · · · · · · · · 与应用的多元化需求。 1.1.2 算力：单芯片算力达新高，国产化初具规模 �� （3）量子计算的探索 虽然量子计算在商业应用中还处于早期阶段，但其在某些特定任务上展现出的巨大 潜力已经开始引起关注。量子计算机具有超快的计算速度和巨大的并行处理能力，在处理 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 战，保险公司可以采取以下策略：一是合理规划技术投资预算，确保资金的有效利用；二是 加强与科研机构和高校的合作与交流，引入先进技术和人才；三是建立完善的运维管理体 系和应急预案，确保系统的稳定性和可用性。 同时，保险公司还需要关注技术发展趋势和市场动态，及时调整技术策略和投资方向， 以保持技术的先进性和竞争力。 大模型技术在保险行业的初步应用已显现出效率提升、客户体验优化及风险管理能 力增强的显著优势。然而，要全面释放

用分层抽样或随机抽样的方法，确保评估结果的代表性。  准确率：适用于类别平衡的数据集，但对于类别不平衡的数据 集，准确率可能无法真实反映模型性能。  精确率与召回率：适用于类别不平衡的数据集，精确率关注模 型预测为正类的样本中有多少是真正的正类，召回率关注真正 的正类中有多少被模型正确预测。  F1 分数：精确率和召回率的调和平均数，适用于需要平衡精 确率和召回率的场景。  AUC-ROC 曲线：通过绘制真正类率（TPR）和假正类率 监控系统资源使用情况，确保 GPU 和 CPU 负载在合理范围 内。 通过以上步骤，部署环境搭建完成，后续可进入模型推理服务 的开发与优化阶段。 4.2.2 服务性能优化 在模型推理服务的性能优化过程中，首先需要关注的是硬件资 源的合理配置。对于 AI 模型推理，GPU 通常是最关键的资源。根 据模型的复杂度和预期的请求量，选择合适的 GPU 型号和数量。 例如，对于处理高并发请求的场景，建议使用多卡并行推理，通过 准确性、一致性和可靠性的关键环节。首先，当新数据进入系统 时，系统会自动进行初步的格式校验和逻辑校验。格式校验包括检 查数据字段是否符合预设的标准（如字符串长度、数值范围、日期 格式等），而逻辑校验则重点关注数据的合理性（如时间顺序、数 值范围是否在业务逻辑允许的范围内）。通过自动化工具，这些校 验可以在几秒内完成，确保数据的初步质量。 “ ” 对于通过初步校验的数据，系统会将其标记为 待审核 ，并发

...............................................................................136 3. 数据安全与合规性成为核心关注点..........................................................................137 4. 跨部门协作与 AI 智能体的无缝集成 数据分析：通过大数据分析，提供商业洞察，支持战略决 策。 4. 自动化流程：通过自动化工具，减少人工干预，提高运营效 率。 在设计商务 AI 智能体时，需要充分考虑企业的具体需求和业 务场景。以下是设计过程中需要关注的几个关键点：  需求分析：明确企业需求，确定智能体的功能范围和目标。  数据准备：确保数据的质量和完整性，为智能体提供可靠的 数据支持。  技术选型：选择适合的技术平台和工具，确保智能体的性能 成本是许多企业望而 却步的主要原因。根据《2023 年 AI 应用成本分析》，超过 60% 的企业表示他们在部署 AI 技术时遇到了预算超支或技术瓶颈的问 题。其次，数据隐私和安全问题也是企业关注的焦点。企业在使用 AI 智能体处理敏感数据时，必须确保数据的保密性和合规性，以避 免潜在的法律风险。 针对这些挑战，商务 AI 智能体应用服务方案在设计时充分考 虑了企业的实际需求和痛点。通过模块化设计和灵活的部署方式，