R1 671B 的应用效果，有望进一步催生银行落地应用。 n 我们认为金融行业人工智能的应用价值大体可以分为三个层次： 降本增效，价值创造与决策赋能。在实际银行落地应用 中，可能包括： 1 ）降本增效：智能客服、信贷审批、合同质检； 2 ）价值创造： AI 编程、智能风控、智能营销等； 3 ） 决 策赋能： 深度分析和决策辅助。 n 从实际落地应用情况看， 大行发力更早， 中 - 决策赋能”三个层次 2 n 我们认为金融行业人工智能的应用价值大体可以分为三个层次： 降本增效，价值创造与决策赋能。其中当下应用最广 泛的是降本增效， 即 AI 对简单人力的替代，具体场景可能包括智能客服、简单的办公文件问答与内容生成等。随着模 型能力提升将展现真正的价值创造能力，即 AI 对高价值人力的赋能， 具体场景可能包括办公 Agent 、营销、 Coding 等； 随着 AI 分析能力进一步提升，将能够为决策层直接赋能，提升决策效率和精确度。 图表：金融行业 AI 应用的三个层次 金融行业人工智能的三层价值创造 资料来源：中泰证券研究所 13 n 降本增效场景通常基于大模型的生成能力，进行人力替代或赋能，在银行业 AI 应用场景中落地最早。 n 商业银行主要通过人工客服和智能客服两种方式为客户提供咨询服务。人工客服工作强度高、处理和响应时间相对较长，

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 透明度。若缺乏端到端的可视性，即使是最先进 的AI系统也难以创造真正的价值。对于诸如自主 化AI（agentic AI）这类新兴系统而言，这一点尤为 关键，因为它们并非简单遵循固定指令，而是需要 统筹协调复杂的任务流程。 其二，简化流程。那些善于精简运营、标准化 速地适应变革，并加速AI的学习周期。在当今的市 场格局中，这些无疑是一种核心的竞争优势。 我们对全球1000名企业高管的调研进一步 印证了这些关键战略举措的必要性。调研表明， 自主智能供应链正是价值创造的新高地。近三分 之二的受访企业计划在未来十年内大幅提升供应 链的自主化水平。 由此产生的财务效益十分可观。本次调研的 受访企业预计，息税及摊销前利润（EBITA）有望 增长5%，已动用资本回报率则有望提高7%。在运 手，待方案验证有效后再进行规模化推广。最后， 重塑人与技术的协作模式，推动人的角色从执行 例行工作转变为战略性指导与统筹监督。 在自主智能供应链的转型浪潮中，未来的分 界已然清晰可见：那些积极拥抱自主智能供应链 的企业，将创造出前所未有的商业价值，并构建起 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

•保险公司必须采取合适的战略，来更好地管理人力资源； •保险公司应该改变现有工作方式，包括采用 RPA(机器人流程自动化)以及智 能决策支持系统； 2 •保险公司要允许人工智能在整个价值链中创造性地利用数据，挖掘所有数据 集中隐藏的价值。 AI 三大应用场景：人力资源+流程管理+数据分析 “人工智能”一词包含许多不同的技术和能力。我们可以将人工智能定义为：能 够感知 的能力，使之远远超出了它们各自工作时的能力。 而人工智能的实际应用则要更进一步，它意味着结合智能技术和人类智慧， 并应用于商业的每一个流程，帮助企业解决最复杂的挑战，开辟新市场或者 创造全新的收入来源。 如果保险公司将人工智能重点应用于人力资源、工作流程和数据管理方面， 那么他们将从中获得最大效益。 在保险公司面临巨大压力之际，人工智能领域正在取得飞速进展。竞争变得 动化和数据分析实现 产品创新，保险公司才可以借助人工智能实现效益最大化。 5 人力资源——利用人工智能，让员工合理分配时间，提高他们的工作效率。 通过 20%的非例行工作，创造出 80%的价值。 流程管理——重新审视商业模式和工作流程。通过智能机器不断审查端到端 流程，并应用“智能自动化”来改进和优化现有流程。 数据分析——保险公司将利用人工智能，来增强大数据分析能力，通过事务

emehed DeepSeek 横空出世，各项指标逼近或超越 ChatGPT o1 9/80 口核心意义：打破 AI 垄断，带来 AI 平权，尤其是中文 Al 普惠，激发大众创造力 多 源 数 据 深 度 挖 掘 融合建筑领域各类数据，联动设备 运行指标 、能耗信息及环境监测， 实现精细用户画像，助力科学调度 与资源配置 智 能 故 障 识 别 与 诊 断 结合人工智能算法，自动提 Eh 文 人的智力 工业 3.0 应用电子信息技术， 进一步提高自动化 水平 电力 工业 2.0 将人类带入分工明 确、大批量生产的 流水线模式和“电 热力 工业 1.0 创造了机器工 厂的“蒸汽时 代 ” 1970 年代 初 20 世纪 初 18 世纪 末 能楼 字 新范式的本质：替代了人类专家的角色，把人从开发链条中移出 25/30 口 未 11 月 27 日，王坚《无尽的计算： Al 和研究范式变革》的演讲： “ 我们目前已经进入计算科学时代，云计算在未来的研究中可以发挥重要作用。未来通过计算能力， 我们可以利用 Al 扩展人类的创造力，进一步探索世界。 " 新时代的核心动力： · 算力： 提 供 强大的计算能力，推动算法复杂性提升 · 算 法 ：更加精准、高效的智能算法，支持决策优化 · 数据： 数据规模和质量驱动模型训练与性能优化

涌 现 某 些 能 力（emergent abili⁃ ties）[5]，不仅能够理解和生成自然语言，还具有抽象 和推理的能力[6]，能在艺术创作、代码编写、科学研 究等多个领域展现出类似人类水平的创造力。这些 能力的涌现，使得知识创新不再受限于个体的认知 和经验，能够打破学科和专业的壁垒，加速知识的 融合和创新，预示着知识生产方式正在经历一场深 刻的变革，将引领我们进入了一个人机协作的知识 生产新模式 无法快速识别并积极应对潜在的风险和应急需求。 虽然也引入了一些模型和算法解决一些特定场景的 问题，但整体而言仍属于打补丁式的被动应对，缺 乏系统的、持续的学习机制来增强应变能力。 2.4 人机协作不足 人的优势包括创造力、认知力、价值判断等，机 器的优势在于计算能力、存储能力等，系统智能的 提升在于将人的能力与机器的能力有效整合[18]。系 统中人机协作的效率和效果仍然受到人机协作的自 然度、信息处理能力、交互系统智能水平、工作流程 management by large language models 3 基于大语言模型的智慧应急大脑概念框架 3.1 基于大语言模型的应急知识管理模式 应急管理知识是一个更广阔的、跨学科的社会和 经济情境中创造出来的，涉及到自然灾害、事故灾 难、公共卫生、社会安全等多个领域，覆盖了从突发 事件预防、准备、响应到恢复的全过程[24]，既包括能 明码表示的显性知识，还包括隐性知识，也称默会知 识，例如，应急管理人员的个人经验、技能等长期实

效果评估：通过关键绩效指标（KPIs）和数据反馈，定期评 估 AI 智能体的应用效果，并进行持续优化。 总之，商务 AI 智能体应用服务方案的设计与实施，不仅能够 帮助企业提升运营效率和决策质量，还能够为企业创造新的商业价 值和竞争优势。通过科学合理的设计和高效的执行，商务 AI 智能 体将成为企业数字化转型的重要推动力量。 1.1 背景与意义 随着全球化进程的加速和数字经济的迅猛发展，企业在日常运 行政审批优化、公共服务提升 智能审批系统、公共服务 AI 支持 通过精准定位这些目标客户群体，商务 AI 智能体能够针对不 同的需求和场景提供切实可行的解决方案，从而提升客户的市场竞 争力并为其创造显著的业务价值。 3.2 核心需求识别 在当前商务环境下，企业对 AI 智能体的需求主要集中在提高 运营效率、降低成本和增强决策能力。首先，企业希望通过 AI 智 能体实现业务流程的自动化，减少人力成本和时间消耗。例如，通 60 0 85 75 此外，性能测试应结合实际的业务场景，模拟用户的真实操作 行为，以确保测试结果的实用性。通过不断的性能测试和优化，可 以显著提升商务 AI 智能体的运行效率和用户体验，为企业创造更 大的商业价值。 9.2 可扩展性设计 在可扩展性设计方面，商务 AI 智能体应用服务方案的核心目 标是确保系统能够根据业务需求的增长或变化进行灵活扩展，同时 保持高性能和稳定性。为了实现这一目标，首先需要在架构设计上

以AlphaGeometry项目为例，该项目通过生成高达一亿个精准合成的数据点，为解决 复杂几何问题提供了强大的数据支撑，展现了合成数据在特定领域应用的巨大潜力。 DeepSeekMath项目则充分利用深度学习技术的优势，创造性地生成了包含多种难度级 别与问题类型的复杂数学题目及其解答。这一举措不仅丰富了合成数据的维度，还显著提 升了模型在处理复杂数学问题时的性能表现，尤其是在深化对数学概念的理解与应用能 力上，更是展现出卓越的成效。 时，还需要强化智能决策和 交互能力，并确保所有的操作都符合安全和合规性要求；此外，还要保证这个系统能够高 效地部署并进行持续的优化。通过这些步骤，大模型才有可能全方位地赋能保险业务，实 现价值创造。 具体来说，首先需要深入理解保险业务的需求，包括各种不同类型的保险产品、服务 以及客户需求等。然后，需要收集和整合各种相关数据，这些数据可能来自公司、客户、市 3.2.1 保险垂直领域模型构建 1 普及全员办公智能化 �� 5.1 大模型优秀应用案例 ‒ 国内篇 阳光保险集团于2023年4月启动了“阳光正言GPT大模型战略工程”，积极布局大模型 建设，全面规划，重点突破，强化价值创造。提出“AI就绪度”概念，从普及全员办公智能化， 到客户服务、产险理赔、线上销售、内容营销等重点应用场景智能化，再到“AI+”模式下的 探索和布局，全面规划，阶段性地推进场景建设。 5.1.1

843 390 155 秘书服务 母婴用品 教育 旅游度假 护肤彩妆 汽车服务 租房售房 法律咨询 珠宝配饰 在重视在线交互的场景中，智能助理能够提升沟通效 率和用户体验，创造商业价值 在 场景示例 线 （非穷尽） 交 互 需 求 度 鞋类箱包 日用百货 食品 家电数码 物业服务 家政维修 家居家纺 闲聊 领域知识专业度

基础节点 实用工具 办公提效 大模型知识引擎“ Agent 模式” ： 自主规划和工具调用 由大模型自主拆解任务和规划路径，模型主动选择和调用工具，并能够主动纠错和反思， 回复效果更灵活。 创造价值，赢在一起！

在具体应用中，生成式模型具有以下几个特点： 1. 高维数据处理：能够处理高维数据，如医学影像等，生成具有 实际临床价值的新图像。 2. 数据增强能力：通过生成样本，解决数据不足的问题，尤其在 医疗数据稀缺的情况下，生成式模型可以创造合成数据提高模 型的训练效果。 3. 隐私保护：在医疗领域，患者数据的隐私性至关重要。生成式 模型可以生成不包含真实患者信息的合成数据，帮助提升研究 和开发能力，同时保护患者隐私。 4. 丰富，大模型必 将在医疗行业中发挥更加重要的作用。 2.2 当前技术发展现状 近年来，AI 生成式大模型在自然语言处理和计算机视觉等领域 取得了显著的进展，这些技术的快速发展为医疗领域的应用创造了 广阔的前景。根据 OpenAI、Google DeepMind 等多家研究机构 的研究，当前生成式大模型在多项任务中展现出优异的性能，特别 是在文本生成、图像合成和多模态学习等方面。 当前，AI 需随之更新。因此，医疗机构和相关开发企业应参与政策的制订与 反馈，促进法律与伦理的不断完善，从而为 AI 生成式大模型在医 疗中的应用提供良好的法律与伦理基础。这样的措施将不仅为技术 应用创造合法合规的环境，同时也能增强患者对 AI 医疗服务的信 任与接受度，推动医疗服务的全面数字化转型。 5.2.1 数据隐私保护 在 AI 生成式大模型的医疗场景应用中，数据隐私保护是法律 与伦