认识大模型的局限性：算力消耗大 n 模型训练：算力消耗大  大模型庞大的参数量：通常包含数十亿到数千亿个参数  训练数据：通常包含数万亿到十几万亿token  训练时间：通常几个月 n 模型推理：算力消耗大，实时性差，支持的并发低  大模型庞大的参数量：通常包含数十亿到数千亿个参数  当前神经网络推理方式的特点：大量的矩阵乘法操作  Transformer推理阶段的“按token依次输出”机制：生成每个

线上渠道拓展：建立或优化官方网站、移动APP、社交媒体等线上销售渠道，提供便捷 的保险购买、咨询和理赔服务。同时，与第三方平台合作，拓宽销售渠道，覆盖更多潜在客 户。中国人保移动销售平台“人保e通”实现保费收入过千亿，推动了车生活、家生活、健康 管理等多品类客户服务线上化。 智能化客户服务：引入智能客服机器人，实现24小时不间断的客户服务。通过自然语 言处理技术，机器人能够理解客户需求，提供准确的解答和建议，提升客户满意度。 拟人化程度。具体包括：可以识别同业保 单、能够听懂方言、说话自然、友好的数字人和硬件机器人形象等。 3.2.1.1 多层次大模型构建 �� 不同尺寸的大模型具有不同的性能及成本。相对来说，千亿级模型具备卓越性能，但 成本及数据需求高；百亿级模型则在保持较高性能的同时，成本更为可控；而更小尺寸的 模型则适用于特定任务，部署灵活且成本最低。因此，在具体应用选型时，保险公司应根据 自身实 为满足内部多样化场景的需求，阳光正言GPT的建设采用了多尺寸大模型构建的 思路。 （1）千亿级大模型建设采用采购商业大模型和基于开源大模型自研两种方案，根据具 体业务场景择优选择。考虑到千亿级大模型训练需要的算力和数据巨大，主要研发推理加 速技术，以提高模型响应速度、并发并降低硬件成本。利用提示词、检索增强生成和智能体 等技术充分激活千亿级大模型的理解、推理和规划等高级能力，赋能办公文秘、应用开发、 车险全

9%，为大模型研发和应用提供了强大硬件支持。同时， 国内企业推出多款高性能处理器和加速器，硬件设备在算力、能效 等方面性能表现不断提升。大模型技术的快速演进推动人工智能开 发门槛大幅降低，行业应用快速兴起，大模型参数量从千亿级发展 到万亿级，预训练大模型数量迅速增长，技术迭代进一步加快。 综合算力指数 9 大模型技术不断创新，推动应用场景加速向千行百业与垂直场 景渗透延伸，人工智能与实体经济持续深度融合，其催生的经济效

需求指向了 AI 技术在医疗场景中应用的广阔前景，为技术的落地 提供了坚实的基础。 根据市场调研数据，医疗行业对于 AI 技术的投入持续增长， 预计在未来的五年内，医疗 AI 市场规模将达到千亿元，年均增长 率超过 30%。这一市场趋势进一步证明了我们对 AI 生成式大模型 在医疗应用领域的可行性分析是非常及时和必要的。 通过对这些需求的全面分析，我们明确了 AI 生成式大模型在