近年来，审计行业在全球化与数字化浪潮下面临着前所未有的 变革压力。随着企业业务复杂度提升、数据量呈指数级增长，传统 审计模式在效率、覆盖面和风险识别能力上的局限性日益凸显。根 据国际内部审计师协会（IIA）2023 年报告，78%的审计机构表示 现有技术工具难以应对跨系统数据关联分析需求，而监管机构对审 计时效性与准确性的要求却逐年提高，例如美国公众公司会计监督 委员会（PCAOB）将重大错报风险检测窗口期缩短了 2024 年审计季前完成生 产环境验证。 2.1 审计效率提升的迫切需求 随着企业数字化转型的加速和商业环境的复杂化，传统审计模 式正面临前所未有的效率瓶颈。根据 2023 年国际内部审计师协会 （IIA）的行业报告，78%的审计机构反馈其现有工作流程难以应 对数据量年均 40%的增速，导致项目周期延长 23%以上。具体表 现为三个核心矛盾：首先，海量非结构化数据的处理效率低下，某 系统部署采用容器化方案，基于 Kubernetes 实现计算资源弹 性调度，在年审高峰期可自动扩容至 500+Pod 实例。与现有审计 软件（如鼎信诺）的集成通过标准化中间件实现，数据交换接口通 过中国注册会计师协会发布的 CSI-025 数据规范认证，实施周期可 控制在 2 周内。 3.1.1 数据采集与预处理模块 数据采集与预处理模块是 DeepSeek 智能体与审计业务系统对 接的核心环节，需实现多源异构数据的标准化处理。该模块通过

和云端的无缝切换，满足不同场景下的使用需求。 在人才培养与行业推广方面，未来将加强对工程造价人员的培 训，使其能够熟练运用 DeepSeek-R1 模型进行日常工作的辅助决 策。同时，将通过与行业协会、高校合作，推动模型在行业内的普 及应用，提升整体行业的智能化水平。此外，将建立用户反馈机制， 持续优化模型功能，确保其能够紧跟行业发展需求。 以下为未来发展的关键建议汇总： - 提升模型的智能化水平， 我们可以 获取更多真实的工程案例数据，优化模型的训练与校准，确保其在 复杂项目中的表现更加精准和可靠。 其次，计划拓展国际市场，尤其是一带一路沿线国家和地区的 工程项目。通过与国际工程协会、行业协会的合作，推广 DeepSeek-R1 大模型的应用，帮助中国企业更好地参与国际工程 建设，并提升项目的成本控制与管理效率。为此，我们将开发多语 言版本的系统，并针对不同国家的工程造价标准和规范进行本地化

请务必阅读正文之后的信息披露和法律声明 33 信息披露 分析师声明 [Table_Analysts] 杨林 计算机行业 杨蒙 计算机行业 本人具有中国证券业协会授予的证券投资咨询执业资格，以勤勉的职业态度，独立、客观地出具本报告。本报告所采用的数据和信息 均来自市场公开信息，本人不保证该等信息的准确性或完整性。分析逻辑基于作者的职业理解，清晰准确地反映了作者的研究观点，

③ 协同创新：在保险科技生态圈中，各参与方通过协同创新推动整个行业的进步和发 展。例如，保险公司可以与科研机构合作开展保险科技研究，探索新技术在保险领域的应 �� 用场景和商业模式；也可以与行业协会、监管机构等合作制定行业标准和规范，推动行业 的规范化和健康发展。 （8）合规与监管的强化管理 合规管理系统：建立或升级合规管理系统，确保业务流程和产品符合监管机构的各项 规定。通过实时监控 高校及研究机构：与国内外知名高校、研究机构建立合作关系，共同开展大模型技术 的基础研究和应用研究。通过产学研合作，我们可以获得最新的科研成果和技术趋势，为 公司的技术创新提供源源不断的动力。 行业协会及标准组织：参与或主导相关行业协会、标准组织的活动，推动大模型技术 在保险行业的标准化、规范化发展。这有助于我们与同行建立更紧密的联系，共同推动行 业的进步。 （3）构建开放的技术合作平台 建立技术合作联盟：

网络爬虫获取的公开 信息。公开数据集可从 Kaggle、UCI Machine Learning Repository 等平台获取，确保数据的权威性和广泛性。行业报告和 学术文献可通过与行业协会、研究机构合作或订阅相关数据库（如 CNKI、IEEE Xplore）来采集，以获取高质量的领域专业知识。企 业数据库则包括内部业务数据、用户行为数据等，需通过数据脱敏 和合规性审查后纳入知识库。 性。例如，世界银行、联合国、美国国家统计局等机构提供的经 济、社会、环境等多领域数据，能够为知识库提供丰富的基础信 息。 其次，行业报告和白皮书是另一个重要的外部数据来源。许多 咨询公司、研究机构和行业协会定期发布行业研究报告，涵盖从技 术趋势到市场分析的多维度信息。这些报告通常基于大量调研数 据，能够为知识库提供最新的行业动态和专家视角。通过合法授权 或公开获取的方式，可以将其纳入知识库的范畴。

存储和处理过程中符合相关法律法规和行业标准，建立完善的 数据审计机制。  用户友好性：优化系统界面设计和操作流程，降低用户使用门 槛，提供更直观的数据可视化工具和报告生成功能，提升用户 体验。  生态合作：与行业协会、科研机构和相关企业建立合作关系， 推动数据评估标准的统一化和规范化，促进行业整体发展。 通过以上措施，我们相信人工智能数据训练考评系统将在未来 发挥更加重要的作用，为人工智能技术的进步和应用落地提供强有

另外，充分考虑到安全性与稳定性，AI 在应用过程中必须建立 严格的监督与评估机制。在模型应用的初期，建议通过小范围的试 点项目逐步推广，评估其实际效果及潜在风险，以降低大规模应用 带来的不确定性。 最后，建议行业协会及政府部门积极参与，发挥其在标准制定 和政策支持方面的作用，提供必要的行业指导和政策支持，助力 AI 技术在城市轨道交通行业的全方位应用。 未来，随着技术的不断发展与成熟，AI 大模型在城市轨道交通

不同性别、年龄、种族和社会经济背景的人群数据均有代表性。此 外，可以运用算法审查和偏见检测工具，定期评估 AI 系统的表 现，以消除潜在的偏见。 对于 AI 生成式大模型的监管和标准制定，行业协会和政府机 构应加大投入，建立科学合理的监管框架，以评估和认证 AI 医疗 产品的安全性和有效性。在这方面，可以参考以下措施：  制定医疗 AI 相关的行业标准和最佳实践指南  建立 AI

合作，选择合适的渠道合作伙伴，并构建良好的关系 network 是 关键。 首先，目标合作伙伴包括但不限于：  IT 咨询公司  软件开发公司  数据服务提供商  教育和培训机构  行业内的行业协会和组织 对于这些合作伙伴，我们需要明确各自的角色和价值。例 如，IT 咨询公司可以帮助客户进行系统整合，并提供后续的技术支 持，而软件开发公司则可以将我们的 SaaS 平台嵌入到他们的产品 中，拓宽客户基础。