项目编号： AIGC 生成式大模型医疗场景应用可行性 研 究 报 告 目 录 1. 引言...............................................................................................................6 1.1 背景介绍....................... ..................................60 5. 可行性研究.................................................................................................62 5.1 技术可行性............................................ 1.2 模型训练与优化.........................................................................68 5.2 法律与伦理可行性..............................................................................70 5.2.1 数据隐私保护......

McDivitt） 埃森哲供应链与运营董事总经理、自主智能供应链全球主管 斯戴芬·梅尔（Stephen Meyer） 埃森哲商业研究院供应链与运营研究高级总监 实现自主智能供应链 3 目录 挑战催生变革， 供应链亟待重塑 通向自主智能供应链 自主智能供应链的挑战 实现运营绩效的全面突破 何为自主智能供应链？ 引领未来： 开创价值新高地 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 流程的企业，将能更快地规模化应用技术，更迅 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。 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 营层面，企业有望将订单交付周期大幅缩短27%，

口从经济性角度而言，大部分项目支撑不起如此开销 迭代 需求分析 运维算法设计 Al 模型开发 测试 升级 口碎片化 口长链条 口长周期 口难维护 范式破局的关键：如何不再依赖人工去实现能源领域的人工智能 20/80 口 迭代维护难度大 口 知识经验难以传承 口 个 性 化定制开发 化定制开发 口 算法开发难度大 口工作量大成本高 领 域 知 识 经验 人工 梳理 维护 , 人工迭代 以 人 为 中 心 人工 开发 诊 断 软 件 升级 个 性 化 故 验证 障 检 测 诊 断算法 测试 以人工为核心串联开发范式 诊 断 推 理 链 条 人工 构 建 知识库 奔爱 报 告 提 纲 当下 Al 到了哪种程度 … 高 2024 年 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：

大多数保险公司都表示，与两年前相比，它们在人工智能技术上的投资有所 增加，并计划在未来增加投资。保险公司发现，它们最初的投资已经取得了 一定成效，并且意识到人工智能的不断进步将推动更多的技术变革——尤其 是在产品开发、风险管理和客户体验方面。 保险公司正在大力投资人工智能技术，他们预计在未来三年对以下领域进行 投资：深度学习（78%）、嵌入式智能解决方案（81%）、机器学习（81%）、 81%）、 视频分析（71%）、自然语言处理（78%）。 图 1：保险公司 AI 投资方向 4 资料来源：埃森哲 保险科技初创企业也意识到了这些技术的重要性，许多公司都将人工智能作 为战略核心，他们的员工都能熟练使用人工智能工具。埃森哲分析了全球 450 多起保险科技公司的投融资情况，结果显示，2014 至 2016 年间，与人工智 能或智能自动化相关的投资数量增长了大约两倍。 养正确的企业文化和技能基础。 保险公司需要制定策略，以适应新技术的发展并提高员工的工作技能。虚拟 客服和聊天机器人的出现，使日常任务流程自动化，让员工专注于更有价值 的活动，因此有针对性的培训仍是必不可少的。承销和定价等功能也将越来 越依赖于机器学习算法，而不是人类的经验和判断。 企业员工必须明白，技术是强大的推动者，而不是他们工作的替代者。人工 智能将为人类劳动力创

阳光保险集团股份有限公司 清华大学五道口金融学院 中国保险学会 科大讯飞股份有限公司 2024年10月 PREFACE 前 言 � 在人类科技发展的历史洪流中，2023年无疑是大模型技术取得突破性进展的元年。 ChatGPT的问世，如同一颗石子投入平静的湖面，激起了全球科技领域的滔天巨浪。它不 仅深刻改变了人机交互的方式，更预示着一个由大模型引领的智能新时代的到来。比尔· 盖茨的赞誉、马 人类社会发展的深远影响。而国家网信办等七部门联合发布的《生成式人工智能服务管理 暂行办法》，则为中国大模型技术的健康发展提供了坚实的政策保障和合规框架。 在保险行业，这一技术革命同样引发了深刻的变革。国内外众多保险公司和保险科技 公司，如阳光、人保、平安、国寿、泰康、瑞再、安盛、安联等，纷纷投身于大模型技术的研发 与应用，积极探索其在保险业务中的无限可能。阳光保险集团作为行业的先行者和探索 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用场景和显著价值。这些案例涵盖了客户服务、理赔定损、营销推广、 承保核保等多个方面，它们充分证明了大模型技术在提升服务效率、优化客户体验、降低运

基于大模型的企业架构建模助 力银行数字化转型应用方案 目录 CONTENTS • 数字化转型背景与必要性 • 银行数字化转型现状与痛点分析 • 大模型驱动的企业架构建模方法论 • 技术架构设计与模型融合方案 • 数据治理与知识图谱构建 • 智能业务场景应用规划 • 大模型训练与优化策略 目录 CONTENTS • 风险控制与合规管理 • 实施路径与阶段目标 • 标杆案例与同业实践 标杆案例与同业实践 • 预期效益与 ROI 分析 • 组织能力与人才建设 • 未来演进与持续创新 01 数字化转型背景与必要性 银行业面临的竞争压力与市场挑战 国有大行服务下沉 国有大型银行通过下沉服务覆盖更多区域，加剧了中小银行的获客难度，迫使后者加快数 字化转型步伐。 新金融业态冲击 客户需求升级 互联网金融、金融科技公司等新兴业态迅速崛起，凭借灵活的数字化服务模式抢占传统银 个性化的金融服务体验，推 动银行必须转型以满足市场需求。 1 2 3 大模型技术为金融业带来前 所未有的变革机遇，通过提 升数据处理能力、优化决策 流程和创新服务模式，助力 银行实现数字化转型。 大模型能够快速分析海量数据，识别潜在风险，提升 银行风险管理的精准性和效率。 辅助风险管理 通过大模型技术，银行可以更高效地评估客户信用状况， 缩短信贷审批周期，提升客户体验。 优化信贷审批

抢滩接入DeepSeek-R1大模型，并围绕DeepSeek能力开启软件与硬件业务方向的 智能升级、创新，推动行业走向AI原生教育的新生态。 一、教育企业快速拥抱DeepSeek，以其思维链、高性价 比优势掀起新一轮变革 DeepSeek-R1自2025年1月20日正式发布以来，热度快速且持续增长，C端流量爆 发的同时，网易有道、学而思、希沃、中公教育等头部企业先后宣布拥抱 DeepSeek，或将已有 教育企业自研教育大模型，融入DeepSeek 等通用模型能力 以DeepSeek为代表的通用大语言模型为基座，教育垂类大模型为核，以减少通用 大模型应用于教育领域所出现的机器幻觉问题、保障AI教育的专业性与安全性。例 如，松鼠Ai主要依靠自研垂类大模型能力进行智适应教育，同时广泛接入包括 DeepSeek在内的大语言模型，但大语言模型的使用在产品中占比仅约10%。 l 路径二 教育企业直接合作基座大模型发展AI教育产品/服务 内容 制作、客服家校沟通、教育企业内部业务等方向，通过结合通用大模型的能力优势 与垂直数据，突破AI在部分学科/教育场景中的应用瓶颈，赋能降本增效。预计随行 业进入AI深度整合的新阶段，将有更多阶段性原生AI教育软硬件产品涌现，创新教 育模式、重构学习体验。其中，教育智能硬件赛道有望率先得到突破，值得重点关 注。 行业格局方面，在DeepSeek概念火热、用户普遍使用教育行业产品的背景下，对 此

......................................................................................104 6.2.2 合规性检查与审计日志............................................................................................. ....................................................................................129 7.2.1 流程合规性分析.................................................................................................. ...............................................................................191 10.2 与其他技术的融合可能性....................................................................................................

.................................................144 1. 引言 在快速发展的城市化进程中，城市轨道交通作为现代城市交通 的骨干力量，其重要性愈发凸显。如何提升城市轨道交通的运营效 率、增强服务质量、降低运营成本，成为了行业亟需解决的关键问 题。近年来，人工智能（AI）技术的飞速发展为城市轨道交通行业 提供了新的解决方案。AI 大模型的应用不仅可以有效提升决策支持 系统，实时监测 设备运行状态，并对异常情况进行自动报警，提升整体安全 性。 总的来看，AI 大模型在城市轨道交通行业的应用不仅是一种技 术革新，更是推动行业进步的重要力量。通过将 AI 技术与传统轨 道交通运营管理深度融合，可以为提升城市轨道交通的高效性、安 全性和服务质量提供强有力的支持，为城市出行带来革命性的变 化。最终，建设更加智能、高效、便捷的城市轨道交通系统，满足 日益增长的城市出行需求，将是我们努力的方向。 1.1 城市轨道交通行业现状 城市轨道交通行业是现代城市公共交通系统的重要组成部分， 随着城市化进程的加快，城市轨道交通在解决城市交通拥堵、改善 公共运输效率、促进城市可持续发展等方面的重要性日益凸显。目 前，许多城市已构建了较为复杂的轨道交通网络，包括地铁、轻 轨、有轨电车等多种形式。然而，尽管行业发展迅速，仍面临着诸 多挑战。 首先，轨道交通的建设和运营成本高昂。根据行业统计，地铁

、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 [7-8]。 1.1 知识获取 1.1.1 联结主义学习 大语言模型的知识获取基于联结主义的学习观 点，该观点认为智能源于大脑神经元的物理结构和 知识则是临机决策能力提升的关键 [19，21]。然而，知识 管理模式不适用无法言明的、复杂的隐性应急知识， 这类重要的应急知识游离在系统之外，这也是制约 辅助决策功能的客观局限。 2.3 环境适应性挑战 应急管理实践需要应对自然环境、政治经济环 境、社会文化环境以及技术环境等多个方面带来的 对公共安全的威胁和挑战。当前系统缺乏适应外部 环境变化的能力，特别是在监测预警和救援处置应 用中，当面临新的、未知风险时，当处于复杂多变的 机器认知智能的实现通常从学习和理解能力开 始[22]，即围绕对知识的表示、获取、创新和应用等活 动展开，无法仅通过对数据处理的加强来实现。大 语言模型在知识获取、知识共享、知识创新、知识应 用等方面都取得了革命性突破，如图 4所示，需要抓 住大语言模型技术的发展契机，重构应急管理领域 220 www.jc2.org.cn 2期 的知识管理模式，进一步提升系统智能化水平。 图4 大语言模型的知识管理模式