多时敁、 多类型数据癿获取和收集工具和 手段，实现数据癿全面融合。 数据采集 数据采集范围可定制 用智慧发现信息价值 Discover information 数据范围 数据范围 Discove r 用智慧发现信息价值 information 大数据 公 告 个股 研报 行业 研报 利用人工智能语义分析技术，对投研报告进行自劢分析，提取其中结构化结果。 20 分钟 降为 2 秒 全篇公告： 389 页 收购： 1. 分析师：华魏 是否实施：计划 支付方式：发行股份、支付现金 被收购公司：背景久安建设投资集团有限公司 收购比例： 49.85% --- 研报名称：拟全资控股北京久安，增强公司市政工程实力 业链上下游关系。 --- 研报名称：拟全资控股北京久安，增强公司市政工程实力 政策： 1. 分析师：庞琳琳 政策名称：水十条 ---- 研报名称：尘埃落地，水处理巨头再起航 2. 分析师：庞琳琳 政策名称：国家推广 PPP 的政策 ---- 研报名称：尘埃落地，水处理巨头再起航 新技术： 1. 分析师：庞琳琳 技术名称： MBR+DF 技术 --- 研报名称：尘埃落地，水处理巨头再起航

l 开源与低成本：DeepSeek作为开源大模型，开放模型架构、模型参数、技 术报告等，企业以其为基座可直接进行二次开发。此外，DeepSeek API调用 成本显著低于其他主流商业大模型及自研教育大模型成本，降低教育企业发展 AI业务的门槛。 在以上能力优势之下，DeepSeek为AI教育的突破发展带来了核心推动力。月狐分 析选取学而思、网易有道为代表，进一步分析教育企业基于DeepSeek开展的新一 2月8日至今，学而思先后将AI学习机、学练机等硬件产品接入DeepSeek，以其深 度思考模式升级产品AI能力，已于旗舰机开启灰度测试并将陆续上线免费智能教育 功能；新发布AI学习应用“随时问”，由自研九章大模型与DeepSeek大模型联合 支持，主打一站式智能化教育。围绕DeepSeek，学而思的AI教育布局呈现出双协 同、生态化特点： 1、突破单一模型局限，将教育垂类大模型与DeepSeek深度融合，结合DeepSeek 推理并显化思维路径、理解并输出 多模型内容，从而形成启发式引导思考的能力。 2、布局硬件+软件，以DeepSeek深度思考模式弥补传统教育硬件“重答案轻思 维”的短板，并开发新AI学习应用，集成自研讲解视频与高频AI学习工具，放大自 身专业内容积累和大模型技术优势。此外，学而思表示还在探索DeepSeek在公司 内部业务场景的应用，如推动客服家教沟通、视频脚本制作等场景的降本提效。 通过引入D

S0740520060001 联系人：蒋丹 Email ： jiangdan@zts.com.cn | 证 券 研 究 报 告 | 2 0 2 5 . 03 . 1 3 专 业 ｜ 领 先 ｜ 深 度 ｜ 诚 信 中 泰 证 券 研 究 所 n DeepSeek 开源使金融机构能够轻松获得前沿模型能力，且大幅降低部署成本。其通过对训练方式、算法架构和推理方 DeepSeek ，中泰证券研究所 资料来源：木尧，中泰证券研究所 5 性能： DeepSeek 推理架构优化，可适配银行高并行、高响应的业务场 景 n 以 DeepSeek R1 为代表的优秀开源模型的能力离闭源模型越来越近。行业普遍认为如果开源软件达到闭源 80% 以上能 力，就足以压缩闭源的生存空间。 月，科学家李飞飞团队带领以不到 50 美元的费用训练了一个能力比肩 DeepSeek-R1 的 s1 模型，也展现了蒸馏 模 型的更多应用潜力。 性能：蒸馏小型模型展现 Test-time Scaling ，可支持多项基础业务场 景 资料来源： s1: Simple test-time scaling ，中泰证券研究所 9 模型展现出随推理时间增加准确度增加的 Test time Scaling S1

排名不分先后 图1 大模型产业图谱 �� 大模型训练数据通常来自网络获取数据、外部付费/开源数据集、企业自有数据以及AI 合成数据。大模型训练和微调所需数据量快速增长，真实世界数据将在数年内被用尽。研 究机构Epoch估计，机器学习可能会在2026年前耗尽所有“高质量语言数据”。据Gartner 预测，2024年用于训练AI的数据中有60%将是合成数据。以Meta今年7月发布的 LLaMA3 业带来 了天然的应用优势。尽管医疗数据的互不连通和近乎为零的容错率给医疗大模型的商业 化带来了挑战，但仍有不少企业和研究机构推出了自己的医疗大模型产品，如医联的 MedGPT、腾讯和百度基于自研通用大模型打造的医疗大模型等。这些模型在提升医疗服 务效率、扩大普惠金融覆盖范围等方面发挥了重要作用。 （3）教育行业 教育行业也是大模型应用的重要领域之一。多家科技公司如网易、百度、知乎等相继 得准确的医疗建议。这有助于缓解医疗资源紧张问题，提高医疗服务的可及性和效率。 （2）医院管理 大模型在医院管理方面的应用，包括病历管理、药物管理、医疗质量控制等。通过训练 大模型，可以实现医疗数据的智能化分析和管理，提高医院的管理水平和运营效率。 1.1.4.4 医疗健康进入新时代 �� （3）医学影像 在医学影像领域，大模型被用于辅助医生进行疾病诊断和治疗。通过训练大模型，可 以实现对医学影像的自动分析和诊

基于模型 SFT LEVEL 4 直接调用 大模型产业生态图 大模型产业链上的生态，根据大模型生态上不同企业的定位，分成了四个等级的企业： • 自研大模型结构的企 业 • 不用训练，直接调 用大模型 API 的企业 • 研发预训练模型的企业 • 基于自己数据 SFT 做自己模型的企业 • 基于开源或者基于国内预训练模型结 HCC 高性能服务器，一键纳管 u 私有化服务器，支持 X86+ARM 统一纳 管 自研行业大模型 u 金融 / 汽车 / 医疗，提升垂类任务性能 u 支持知识增强、实时更新知识库 开源大模型 u Deep seek 全 系 u Llama/baichuan/chatglm/Qwen 等 自研混元大模型 u 从零训练自主创新的通用大模型 u 7b 13b 70b 不同参数量级 故障多，无法长时间稳定运行 规模扩大，人 / 物料管理难度高 开源资源分散，准备周期长 解决技术问题，体验效果滞后 工具链易上手，快速验证效果 统一资源纳管，灵活腾挪算力 故障感知修复 + 监控，高可 用 细致的资源级权限管控 稳定期 痛点 稳定期 痛点 探索期 痛点 根据业务量探索资源用量 机型差异大，选型难 验证效果链路长，耗时久 算力空闲情况多， ROI 低 探索期

2024/4 信息服务 海通综指 资料来源：海通证券研究所 相关研究 [Table_ReportInfo] 《计算机行业跟踪周报 350 期：信创操作 系统持续发展，人形机器人落地前景可 期》2024.08.11 《医疗 IT 订单月度数据跟踪系列：7 月中 标订单表现平淡，政策有望加速医疗 IT 需求释放》2024.08.08 《计算机行业 2024 年 8 月研究观点：各 地政府积极布局，低空经济进入加速落地 但随着大模型竞争加快、政策鼓励研发投入、更多企业参与 AI 研究等因素，应用 层面的 AI Agent 推进速度加快。智能体大致可以分为六类，根据他们被设计出的 特点，可以作用在不同的应用领域上。不同类别的智能体给予应用层面上更多研 发方向，像目前关注度较高的自动驾驶技术、智能电网控制、能源管理等都能被 垂类智能体覆盖。结合多模态大模型，自动化和情感需求类智能体已落地。但商 业化智能体仍需考虑成本问题，由于智能体之间的交互过程可能出现错误循环且 4.4 Character AI ：自研大模型，打造智能体社区 ................................................. 23 4.5 星火智能体：布局智能体平台，发布垂类智能体 ............................................. 24 4.6 SkyAgents：自研模型降低成本 .............

加速对玩家行为进行实时分析并提供个性化推荐。 存算分离架构带来网络、存储性能压力：在大数据、数据库场景中，存算分离架构使计算节 点和存储节点之间的数据传输量大幅增加。大数据平台运行时，CPU负载普遍在60%以上， 内存带宽利用率可高达80%以上。高负载情况下，保持算力的平稳输出非常重要，包括性能 的线性度指标以及资源隔离的力度等。特别在是高密度计算环境下，单服务器下的租户更 多，相关租户之间的故障隔离以及缓存、存储等资源的共享访问问题会更加突出，既要确保 I/O 升级和AI 深度优化，以及多场景性能上， 至强® 6性能核处理器均有全面突破。 图3. 英特尔®至强®代际演进 来源: Intel 代际规格 第二代英特尔®至强®可 扩展处理器 第四代英特尔®至强®可 扩展处理器 英特尔®至强®6900 性能核处理器 128 核 60 核 28 核 最高单路 内核数 内存 PCIe AI加速器 AVX-512(VNNI) AMX/TMUL(INT8& 核心数量与时钟频率，以满足特定计算需求 , 例如可以从 120 核改配 到 96 核，以提高单核性能。在线主频变配 + 芯粒化架构缓解资源紧张问题，一台服务器可实现 灵活多档配置，无需重新调度到其他机器或可用区，用户无需担心可用区内新实例资源不足的 问题 。对于运行 7x�� 的云原生业务和关键服务系统，可持续提供 SLA，业务连续性更强，无需 “停机换车”。 QoS 保障：ECS g�i 通过硬件虚拟化、CPU 的资源调度管理等多种优化手段，实现了对存储、

：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 传统模式的局限性： · 靠经验驱动，无法快速适应复杂变化 · 难以扩展，效率低，智能化程度受限 1. 人工智能民主化： Al 技术触手可及 · 简化使用：通过用户友好的界面和预训练模型，大语言模型使得 Al 技术更加易于获取和使用，即 使是没有深厚编程背景的能源专业人士也能轻松应用。 2. 解耦合开发与应用场景 · 灵活性增强： 数字孪生：浙江大学团队自研仿真平台的一点体 会 故障诊断模块 Al 建模 ( 脚本嵌入 ) 边缘控制器 领域知识 deepseek 数据驱动建模 数 字 孪 生 云 平 台 SCADA 群控软 件 现 场 群 控 平 台 简 介 65/80 中心 世界模型 / 数字孪生：浙江大学团队自研仿真平台的一点体会 ，只要持续投入资金， 就 能获得持续且可预测的智能提升； 2. 预测这一趋势的规模定律，在多个数量级上都得到了验证。使用同等水平人工智能的 成 本，大约每 12 个 月 下降 10 倍。价格降低显著促进了使用量的增加。从 2023 年初 GPT-4 的 token 成本，到 2024 年年中 GPT-40 的 token 成本变化中，我们可 以看到 这一点——期间每 token

对全国进行综合算力指数分析，有助于客观全面分析当前我国 综合算力整体发展现状及发展潜力。通过全方位分析发展现状，为 我国制定更加科学合理的策略提供依据，实现有针对性地解决现有 瓶颈、有前瞻性地布局未来，为我国数字经济的可持续、高质量发 展注入持久动能。 综合算力指数 4 （三）产业数字化转型加速，区域发展差距明显 随着算力基础设施不断完善、人工智能等新兴技术持续迭代， 传统产业数字化转型加速，数字化技术正以前所未有的深度和广度 涌现，为算力设 备性能提升奠定坚实基础。计算架构方面，异构计算架构成为主流 模式，多样化、跨体系处理器协同成为提升计算并行度和能效的重 要手段。绿色节能方面，一是我国积极推进绿色节能技术创新，研 发节能技术与设备，如高效能服务器、液冷系统等；二是优化算力 中心布局，充分利用自然冷源与可再生能源，降低算力中心能耗。 人工智能技术方面，算力技术创新与人工智能技术深度融合，在自 然语言处理 综合算力指数 8 程和自动化控制，增强了网络的灵活性和可扩展性。OXC 技术主要 实现光信号的透明、无阻塞交换，降低了功耗，提高了算力中心间 数据传输的效率和可靠性。算间直达链路带宽、时延不断优化，为 全国一体化算力网建设提供重要支撑。 算内网络无损、稳定、高扩展。行业积极推进机间和卡间互联 技术的发展。机间互联方面，探索自研交换机、端网协同协议、集 合通信库等技术以优化网络性能，通过智能调优和负载均衡算法提

改 造 不 仅 仅 是 硬 件 的 更 换 ， 同 时 软 件 服 务 系 统 也 是 在 同 步 跟 进 。 软硬一体化解决方案 全联接、数字化、安全、智慧、绿色 智能运营平台 可视、可控、可管 配 智慧工单 设备监控 智能安防 智能停车场 智能门禁 智能照明 事件监控 决策支持 智能消防 智慧能源 软 硬 兼 施 综合态势 全域、用户行为分析、外部系统接入数据 数据库 实时型、低时频数据刷新 关系型、离散型、全文搜索引擎数据库、大数据文件系统、 ( HDFS 、 Kudu 、 HBase) 布署与运行 本地、可脱上位机运行 本地、异地、云布署、不能脱机运行 集成对象 BAS 、 FAS 、建筑能效监控系统、 一体化设备 BMS 、 OAS 、视频、 一卡通、停车场、梯控、入侵、巡查 后 全域、用户行为分析、外部系统接入数据 数据库 实时型、低时频数据刷新 关系型、离散型、全文搜索引擎数据库、大数据文件系统、 ( HDFS 、 Kudu 、 HBase) 布署与运行 本地、可脱上位机运行 本地、异地、云布署、不能脱机运行 集成对象 BAS 、 FAS 、建筑能效监控系统、 一体化设备 BMS 、 OAS 、视频、 一卡通、停车场、梯控、入侵、巡查 后