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 者，于2023年初率先启动了“阳光正言GPT大模型战略工程”，旨在通过大模型技术的深度 应用，推动保险业务模式的重塑与升级。 经过一年的实践与沉淀，可以看到，2024年是大模型技术在各行各业的应用落地之 年。这一年，我们见证了大模型技术从理论探索走向实际应用，从概念验证进入规模化部 、模型评测等关键环节的技 术要点和注意事项，为行业同仁提供理论指导和操作建议。除此之外，成功的落地应用需要 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、 s还具备 高度的灵活性，能够轻松转换为纯文本语料库或图像文本对的形式，以满足不同领域研究 与应用的多元化需求。 1.1.2 算力：单芯片算力达新高，国产化初具规模 �� （3）量子计算的探索 虽然量子计算在商业应用中还处于早期阶段，但其在某些特定任务上展现出的巨大 潜力已经开始引起关注。量子计算机具有超快的计算速度和巨大的并行处理能力，在处理 复杂数学问题上具有天然的优势，这使得

........................................................................ 29 图 46 AppAgent 的 App 探索学习阶段 ....................................................................... 30 图 47 AppAgent 的实际部署阶段 行业研究〃信息服务行业 请务必阅读正文之后的信息披露和法律声明 19 各行业用户正积极探索生成式 AI 的应用场景，开发数字化产品和服务，挖掘数据要 素的潜在价值，并尝试智能化商业模式。根据 IDC 的数据，软件和信息服务、银行以及 通讯行业在人工智能方面的投资最为突出，预计到 2027 回 复，从而提高用户参与度和效率，开发能够理解和响应各种库存相关查询的人工智能模 型。2）动态数据可视化：结合了先进的图形工具，设计了动态数据可视化功能，用户 能通过热图和散点图等可视化工具来直观地探索和理解复杂的库存数据。3）聚类分析： 设计聚类分析功能涉及创建算法，根据购买模式和行为的相似性对产品或客户进行分组， 为不同的细分市场量身定制库存策略。 图27 ShopSpot 用户界面展示

杭州银行 知识问答、办公助手 n 在生成式人工智能落地应用中大行发力更早。六大国有银行大力投入大模型技术体系研发的同时多场景探索大模型应用， 实现客服、办公、研发、运营等多个业务领域的应用创新。中小银行则多以单场景切入， 探索智能客服、智慧办公等通 用场景下的更多应用，如探索智慧办公场景下的宣传文案、智能周报、文章翻译、会议纪要等细分场景。 n 我们认为，随着 DeepSeek 开源降本， 建设银行 技术落地：总行完成 DeepSeek 定制化训练，全集团推进生成式 AI 体系化应用。子公司通过总行平台按需调用模型，严禁自行接入外部模型，保障技术 可 控性 应用场景：建信理财率先探索资产配置优化、风险预警等理财场景，同时通过金融语义框架将“抵押率”“偿债覆盖率”等术语转化为业务逻辑，应用于 合同 解析与风险建模 邮储银行 技术落地：依托自有大模型“邮智”，本地部署并集成 DeepSeek-V3

以直接用于具身智能对环境的理解, 并通过提示词 使之输出结构化内容如控制代码、任务分解等指令. 2 自 动 化 学 报 51 卷 Wang 等[25] 探索了使用 GPT-4V 赋能的具身 智能任务规划的可能性, 作者提出一个基于 GPT- 4V 的框架, 用于通过结合自然语言指令和机器人 视觉感知来增强具身任务规划. 框架使用视频数据 的初始帧和对应的文本指令作为输入 并在使用工具解决问题的过程中考虑各类约束, 以合适的方式完成任务. 预训练模型通过大规模文本预训练, 具备了丰 富的世界知识, 能够回答与视觉场景相关的常识性 问题. 文献 [114−116] 最早探索了将基础模型用于 对机器人任务进行规范的方法, 随后 Affordan- ceLLM[94] 将大模型的世界知识与 3D 几何信息相结 合, 通过视觉语言模型 (Vision language model 段, MOKA 根据当前观察到的环境图像, 提出关键 点和路径候选, 并通过视觉提问的方式让 VLM 从 候选中选择正确的关键点和路径点, 进而生成可执 行的基于点的运动计划. ViLA[30] 也探索了视觉提 示的使用, 作者发现在某些任务中, 使用一幅表示 期望结果的图片来指导机器人比仅依赖口头指令更 有效. 例如, 要指示机器人整理桌面, 提供一张按期 望方式排列好的桌面照片可能更有效率.

分龙头企业通过ERP的实施落地，在当时已具 备线上化、自动化能力，从而推动企业向数字 化供应链的探索。高科技电子行业及快消零售 行业的数字化变革已经初具成效，AI算法嵌入 流程辅助决策；伴随DeepSeek等生成式AI技 术的普惠，数字化的领头羊们已开始加速规划 自主化能力与落地探索。 10 实现自主智能供应链 11 End to end supply chain activities 和棕榈仁油领域实施“后向整合”项目，节约了物料成本并提升了采购效率。 预测算法和优化器等AI工具能够提供精准的市场价格预测和基于AI的采购情景分析，从而 进一步提升了采购效率。 采购：自主智能化的初步探索 地管理供应商关系，优化数字化成本核算与按成 本设计，并赋能备件采购。例如，通过从旧的用户 手册中检索规格参数，以支持维护、修理和运营相 关的商谈。随着AI智能体的日益普及，它们将通过 促 家领先的运动技术公司已成功打造了一项概念验 证，运用实体AI和机器人技术来创建更自主、更 高效的运营模式，同时全面提升员工能力。 通过与微软、Agility Robotics和英伟达等 合作伙伴携手，该公司正在探索AI辅助的创新应 用，如规划理想的厂房设施。利用预先模拟并确 定设施的最佳布局，缩短调试时间，并为每个设 施确定合适的自动化程度。 另一项应用是基于NVIDIA Omniverse蓝图 打

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 TI 平台价值 内置全系模型，一键部署 免费体验，快速验证效果 服务部署 蒸馏精调 启动阶段 业务量变化，服务调整难度大

资源 管理 中心 BI 开发 套 件 智能投顾 金融咨讯 智能客服 探索式分析 预测分析 沙 盒 服 务 算法 解析 服务 DC 集群 管理 容器 服务 测试 服务 自劢 化 标签集成服务 元数据管理 插件管理 数据质量管理 数据关联服务 离线计算模块 流计算模块 路由负载 探索分析引擎 建模服务 API 可视化 API 数据访问 API 知识管理服务 知识管理服务 机器人问答服务 语义分析服务 规则管理 服务监控 流程管理 API 服务探索 产品洞察 Row DB Column DB Fastar-Base HDFS 私有数据 公共信息 互联网信 BI Suits SMMC UAAP CSMC BDMP CSEC 息 1. 2. 3. 客户画像 投资产品分析 资产配置建议 1. 完善投资理财 8 大规划

DeepSeek影响：门槛全面降低，千行百业加速融AI DS作为一款现象级应用，对全社会开展了一次人工智能科普再教育，DS C端应用人人装，人人感受人工 智能，政府、企业管理者认识到人工智能战略意义，由探索尝试，升级为战略布局，市场进入爆发期 DS上线20日，日活超4000万，已达到ChatGPT 74%，成为 C端现象级应用。微信、钉钉等头部应用纷纷接入 截至2月15日，全国10省省委书记将人工智能作为 在北京西城区公安局试点，提供以特征搜特征的大模型视觉分析能力，解决小模型无法识 别的复杂场景  7月，该试点实验室进展收到了公安部领导的肯定，对取得的成果进行充分肯定，希望在中 国联通元景大模型的加持下，探索视频侦查新技术提高案件查办效率  利用以图搜图、以文搜图提升检索效率，可服务平安城市、雪亮工程、平安乡村等场景 利用以图搜图、以文搜图，检索监控内容，提升办案效率 -24- 大模型赋能医疗智能应用 大模型医疗应用服务平台：提供模型微调、测评、推理加速等全链路工具箱，为医院管理、临床、教学、科研等工作提供新范式。 -25- 大模型赋能船舶设计 n 联通数智公司、上海联通与中船海舟联合挂牌成立联合实验室，探索大模型落地中船海舟船舶设计等应用场景  针对大模型处理公式计算和图表理解的不准确问题，使用5万条增量 数据对元景70B大模型微调训练，提升基础大模型计算的准确率；  针对上万页造船规范知识中的复杂问题，运用元景RAG技术中级联

problem. So that the model is encouraged to follow the thinking style in the example. LogPrompt 探索 : 将 CoT prompt 的思想引入日志分析任 务 In manual log analysis, practitioners also engage in a series of reasoning The LLM then predicts on new logs, using the context from the sample logs. LogPrompt 探索 : 其他可以在日志分析任务中应 用的 Prompt 策 略 • In our primary experiments, the underlying LLM is accessed via

9.2.1 与其他技术结合.......................................................................136 9.2.2 新兴功能探索...........................................................................137 10. 总结............. 益显现。许多建设于上世纪 90 年代和 2000 年代初的地铁线路，面 临着设备老化、技术不足等问题。系统的老化不仅会导致故障频 发，还可能对乘客的安全隐患造成威胁。 为了应对这些挑战，各城市正在积极探索和应用新技术。其 中，人工智能（AI）作为现代科技的代表，对提高城市轨道交通的 管理效率和服务水平具有极大的潜力。AI 技术能够实现对客流预 测、设备监测、线路优化等多方面的智能化管理，有望在降低运营 利用以前 的试验结果，逐步更新对超参数空间的知识，从而在寻优过程中更 加高效。 其次，针对模型的特定需求，建议关注以下常见超参数并进行 调优：  学习率：影响模型权重更新的速度，通常需要探索不同的学习 率以找到最佳点。过大会导致发散，过小则会收敛过慢。  批量大小：影响模型的训练稳定性和收敛速度，较大的批量大 小能提升计算效率，但可能导致模型泛化能力下降。  正则化参数：用于防止模型过拟合，常见形式有