三方的registry无法提供完全的 MCP Server 集合 2. MCP Server的维护者需要在多 个平台维护自己的MCP Server的 元信息 3. MCP 客户端需要一个可信来源 的的MCP Server的安装和使用说 明 不会解决的问题 1. 源代码的托管 2. 高级搜索，排序，过滤等能力 3. 对私有部署的支持 Part 2 Nacos MCP Registry Registry 协 议 标 准 和 Official MCP Registry 为何需要私有化的 MCP Registry 三方 MCP Registry 不可信 三方 MCP Registry 提供的MCP Server 来源不一定可信，MCP Server 可能存在安全隐患。 1. MCP Server 相关信息可能被 投毒，例如包含暴力，隐私获 取等prompt。 2. MCP

overall helpful and readable content considered by experienced log analysts. 实验 : LogPrompt 生成了可信、详细、相关的分析过程 ， 可以增强日志分析的解释性 • A Novel Evaluating Task of Log Interpretation • “I appreciate the the purported anomaly, thereby reducing the time spent on subsequent actions.” 实验 : LogPrompt 生成了可信、详细、相关的分析 过程 ， 可以增强日志分析的解释性 • Feedbacks from Practitioners

中泰证券股份有限公司（以下简称“本公司”）具有中国证券监督管理委员会许可的证券投资咨询业务资格。 本报 告仅供本公司的客户使用。本公司不会因接收人收到本报告而视其为客户。 n 本报告基于本公司及其研究人员认为可信的公开资料或实地调研资料，反映了作者的研究观点，力求独立、客 观和公正，结论不受任何第三方的授意或影响。本公司力求但不保证这些信息的准确性和完整性，且本报告中 的资料、意见

视频智能挖掘应用的成功实施。通过充分考虑这些非功能需求，可 以为构建一个高效、可靠且安全的公共安全视频分析系统奠定坚实 的基础。 2.2.1 安全性 在公共安全引入 AI 大模型视频智能挖掘应用方案中，安全性 是确保系统稳健与可信赖的核心要素。系统安全性不仅仅涵盖数据 的保密性、完整性和可用性，还包括对用户隐私的保护、系统的抗 攻击能力以及故障发生后的恢复能力等多个方面。为实现这些目 标，需要在系统设计和实施中考虑以下几个方面： 最后，定期开展数据隐私与安全的培训与宣传，增强员工的隐 私保护意识，确保其遵循相关政策和操作流程。通过多方面的措 施，确保在推广 AI 大模型视频智能挖掘方案的同时，减少数据隐 私与安全的风险，构建可信赖的公共安全环境。 5.1 法律法规遵从 在公共安全引入 AI 大模型视频智能挖掘应用方案中，数据隐 私与安全的法律法规遵从是确保系统合法合规运行的基础。随着人 工智能技术的迅速发展，特别是在视频监控和数据分析领域，合规 审核及问责机 制 定期评估合规性并确保违规问责 通过实施上述政策和措施，公共安全领域在引入 AI 大模型视 频智能挖掘技术时，可以有效降低对个人隐私的风险，确保数据的 合法使用，并为公众建立可信任的监控环境，从而促进技术的可持 续发展和社会的和谐安全。 5.2 数据加密与存储安全 在公共安全领域引入 AI 大模型进行视频智能挖掘时，数据隐 私与安全的保障至关重要。数据加密与存储安全是确保敏感信息不

训练效率。 为了进一步提高模型的可解释性和实用性，DeepSeek-R1 还 集成了可解释性模块。该模块通过可视化注意力权重和图结构特征， 帮助用户理解模型的决策过程，并提供可信的解释。这不仅增强了 模型的可信度，还为工程造价领域的专业人士提供了更加直观和实 用的工具。 在性能优化方面，DeepSeek-R1 采用了分布式训练和混合精 度计算技术，以加速训练过程并降低计算成本。通过将训练任务分 措施。通过定期检查系统的安全配置、识别潜在的安全漏洞，并采 取相应的修复措施，可以有效降低数据泄露的风险。为了确保审计 的全面性，可以引入第三方安全机构进行独立评估，以提高审计的 公正性和可信度。 在响应数据安全事件方面，企业应制定详细的数据泄露应急预 案。该预案应包括以下内容： 1. 立即隔离受影响的系统，防止进 一步的数据泄露； 2. 通知相关的监管机构和受影响用户，确保信 息的透明性； 以实时获取施工现场的传感器数据，包括材料消耗、设备状态和环 境条件等，从而实现对工程造价的动态监控和调整。此外，结合区 块链技术，模型的输入数据将更加透明和不可篡改，这不仅提高了 数据的安全性，也增强了模型输出的可信度。 在算法层面，深度学习和强化学习的结合将使 DeepSeek-R1 在处理非线性问题和复杂决策场景时表现出更高的灵活性和智能性。 例如，通过引入强化学习机制，模型可以在不断的项目实践中自我

元宇宙环境下，数字资产交易活跃，银行可探索数字资产托管、交易结算等创新金融服务，抢 占新兴市场。 数字资产金融服务创新 元宇宙中，银行需构建基于区块链的虚拟身份认证体系，确保客户身份安全和交易安全，提升 金融服务可信度。 虚拟身份认证与安全 THANKS 感谢观看

自己所学习的内容  缺乏对真实世界的有效建模方式和全息感知能力  训练数据的局限性：数据质量、重要数据的缺失、不同类型数据的比例 n 如何应对（用户角度）  建议1：建立“大模型结果不一定可信”的认知，根据自己的需要，对 于模型的输出进行不同层次的验证（享受便利，控制风险）  建议2：通过大量使用而加深对一款大模型能力边界的理解：知道什么 情况下模型输出更可靠，什么情况下更容易出现幻觉

2024年3月21日，联合国通过了首个专门针对人工智能的全球决议⸺《抓住安全、可 靠和值得信赖的人工智能系统带来的机遇，促进可持续发展》。这一决议不仅彰显了国际 社会对于人工智能治理的高度重视，还明确提出了构建安全、可靠、可信赖AI系统的核心 原则：以人为本、可靠性、可解释性、道德性、包容性，并强调了对人权、国际法、隐私及可持 续发展的尊重与保护。联合国的这一行动为全球范围内的AI治理提供了方向性的指导，促 进了国 侵犯知识产权等违法违规或有害信息，或是数据来源缺乏广泛的代表性，将直接导致模型 输出违法、不良或极端化的信息。此外，训练数据还面临被攻击者恶意篡改、注入错误或误 导性信息的“投毒”风险，这会“污染”模型的概率分布，进而削弱其准确性和可信度。 （4）训练数据质量欠佳或多样性缺失。训练数据集中如果存在错误数据或噪声数据， 将直接影响模型训练成效。同时，若数据来源、特征和分布过于单一，未能充分覆盖保险业 务中的多样应用场景，将限制 决 策和风险评估结果，增加客户的不满和投诉风险。 （5）被窃取、篡改的风险。大模型的核心信息如参数、结构和功能面临被逆向攻击窃 取、修改甚至嵌入后门的风险，这可能导致知识产权被侵犯、推理过程不可信、决策输出错 误甚至运行故障。在保险行业中，这种风险可能导致敏感信息的泄露和系统的安全漏洞。 （6）对抗攻击威胁。攻击者可能构造出高度隐蔽的对抗样本数据，通过巧妙设计误导、 影响乃至完全操控大

保留数值模糊化 ±5%随机浮动 企业名称 保留首字符+** 不显示行业后缀 系统部署采用混合云架构，关键组件部署逻辑如下： 数据处理过程中实施三重防护机制：首先在内存计算阶段启用 Intel SGX 可信执行环境，确保数据处理过程不可观测；其次建立 数据血缘追踪系统，记录所有数据的访问、修改、流转记录；最后 部署动态数据遮蔽技术，在屏幕展示、日志记录等环节自动替换敏 感信息。所有操作日志通过区块链存证，确保防篡改且可追溯至具 98%以上。 10.2 与其他技术的融合可能性 随着审计智能化进程的加速，DeepSeek 智能体与其他前沿技 术的融合将显著拓展应用场景并提升效率。以下是具有明确实施路 径的融合方向： 区块链技术的可信数据锚定 通过将 DeepSeek 的审计分析模块与区块链智能合约对接，可实现 审计证据的自动上链存证。具体实施中需建立标准化数据接口，例 如采用 Hyperledger Fabric 的链下计算框架，关键审计指标（如 从行业生态看，该技术将推动审计服务从劳动密集型向知识密 集型转型。中小型事务所可通过智能体快速获得头部机构的分析能 力，而大型机构则能释放资源投入咨询等高附加值业务。未来随着 智能体与区块链技术的结合，审计结果的可信度与可验证性将进一 步增强，为行业构建更透明的信任基础设施。

性保障。 端到端安全防护 随着云部署成为主流，企业和用户对数据安全性的要求不断提升。英特尔早在第四代至强 ® 处理器 中就引入了英特尔 ® 信任域扩展技术 （英特尔 ® TDX），它基于硬件的可信执行环境，通过创建硬件 隔离的虚拟机（信任域）来保护敏感数据和应用程序，防止未经授权的访问。异构系统的广泛应用，数 据安全需求也延伸至 GPU 等加速器。为应对这一挑战，英特尔在至强 ®6 处理器中推出了