成文档编辑、邮件 回复、日程安排等重复性工作。 嵌入式软件是指专门为运行在嵌入式系统上的应用设计的软件，它集成了人工智能算法与技术，以实现特定设备或系统的智能化操作。这 类软件通常被优化以适应有限的硬件资源，如处理器性能、内存和功耗限制，同时提供诸如自动控制、数据采集与分析、故障预测及自我 修复等功能。嵌入式智能软件广泛应用于物联网（IoT）设备、智能家居、工业自动化、汽车电子以及医疗仪器等领域，能够增强产品的功 深圳市科敏传感器有限公司 英伟达芯片科技有限公司 上海韦尔半导体股份有限公司 深圳市腾云芯片技术有限公司 北京奕斯伟计算技术股份有限公司 光谷云计算武汉有限公司 北京云尔计算科技有限公司 深圳市海思半导体有限公司 SK海力士半导体（中国）有限公司 江西兆驰半导体有限公司 品牌端 智能软件研发与开发 中游厂商 中国软件与技术服务股份有限公司 用友网络科技股份有限公司 北京金山办公软件股份有限公司 上海宝信软件股份有限公司 上海宝信软件股份有限公司 北京超图软件股份有限公司 东华软件股份公司 金蝶软件（中国）有限公司 邦正科技股份有限公司 科大讯飞股份有限公司 渠道端及终端客户 应用与服务 渠道端 上游分析 数据存储需求的增长正驱动存储技术的革新。 预计到2030年，全球每年数据增量将达到惊人的1YB，其中约50ZB的数据具备存储价值。与2020年相比，数据量将激增23倍，预计未 来十年的年复合增长率

User Dialog Act • 每一个状态都对应一个系统动作 • 状态之间的跳转以用户当前输入为条件 • 通过有限状态机将 ( 当前状态 , 用户输入 ) 映射到下一 状态 • 只适合特定的对话类型 • 状态太多时难以维护 基于有限状态机（ Finite State Machine ） 的对话管理 [Pilson 2014] • Frame 是槽位（

com/LogAIBox 观点 2 ：智能运维演进趋势： 从任务数据驱动到自适应运维智慧体 PART 02 自适应智慧体在运维领域面临的 Gap ： 传统自动运维模型既没法“自适应”，也仅是有限“智慧” Gap1: 传统智能运维算法依赖于任务标注数据，仅仅是拟 合 数据，对于新领域无法自适应 10 在线场景下， 由于频繁的软件更新、第三方插件等， 大 部分产生的日志都是模型未见过的，难以获得足量 LogPrompt 依赖于任务数据，专家标注耗时耗力， 自适应性差 智慧有限，可解释性差，直接输出告 警结论，无法实现告警事件分析 • 以思维链提示引擎激发大语言模型的领域文本分析能力和根因推理 能 力，在告警日志纷杂的信息中梳理思维链逻辑， AI 模型端到端生

领域， 可能导致了人才的激烈争夺，存在技术研发投入不断攀升，市场 同质化竞争加重的风险。 n 报告信息更新不及时的风险。存在信息更新不及时的风险。 24 风险提示 n 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 券并进行交易，并可能为这些公司正在提供或争取提供投资银行、财务顾问和金融产品等各种金融服务。本公 司及其本公司的关联机构或个人可能在本报告公开发布之前已经使用或了解其中的信息。 n 本报告版权归“中泰证券股份有限公司”所有。事先未经本公司书面授权，任何机构和个人，不得对本报告进 行任 何形式的翻版、发布、复制、转载、刊登、篡改， 且不得对本报告进行有悖原意的删节或修改。 25 重要声明

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 上下游： 1. 分析师：华魏 上下游：碧水源拥有污水处理技术人才及产品研发优势，双方属水处理产 业链上下游关系。 股 质押给恒丰银行无锡分行 2 、江苏阳光以法人股 3500 万股向中国 农 业银行江阴市支行贷款 4200 万元， 并向 江阴支行提供质押担保 3 、江苏阳光为控股子公司宁夏阳光硅业 有限公司提供担保 4 、海润光伏用价值 1000 万元房产为江 苏 阳光向中国银行江苏分行提供连带责 任担 保 案例：某国有银行企业风险预警  担保关系 担保关系识别 用智慧发现信息价值 Discover

段，尽管研究成果丰富，但 实际应用有限，尤其难以突破落地应用的瓶颈 期待发展趋势 — - 现有发展趋势 口主要解决数据采集和信息展示，停 留在“展示大屏”阶段 口学术发表算法成果很多，实际应用 极少，落地“最后一公里”很难 智个 能 化 程 度 → 时 间 范式困境主要原因一：场景多、碎片化、个性化，定制化开发成本高 口有限的人力、物力和财力去应对复杂而多变的需求，最终的平衡点大多位于信息化阶段

大模型技术 深度赋能保险行业白皮书 （2024） 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 需求来实现同样的智能水平。 （4）端侧模型 端侧大模型作为人工智能领域的重要分支，其核心优势在于能够直接部署于智能手 机、个人电脑等终端设备之上，为用户提供高度个性化且即时响应的智能服务体验。鉴于 端侧环境的资源有限性，模型的设计与训练阶段需深度融合模型压缩与优化策略，以应对 性能与效率之间的挑战。通过先进的知识蒸馏、模型剪枝与量化技术，端侧大模型得以在 不牺牲显著性能的前提下，大幅度削减参数量，进而提升在资源受限设备上的运行效率。 模型应用解决方案，如智能客服、信息检索、代码生成等，这不仅提升了大模型的使用效果， 3.1.1.1 直接使用大模型服务 �� 也极大丰富了用户体验。 这种直接使用大模型服务的方式，特别适合于成本预算有限、技术能力相对欠缺的中 小微企业。随着基础模型能力的不断提升，结合提示词工程、检索增强生成等工程化适配 方法，云端API调用的方式正日益受到企业的青睐。这种方式不仅提供了灵活性和可扩展 性，还

��� ��� ��� ��� ���� ���� ���� ���� ���� ���� Capacity(ZB) Growth Rate �� 对算力密度的极致追求：企业希望利用有限的物理空间输出更强大的算力。这一方面体现在 一些高端的云服务实例可以提供数百、数千甚至数万数量级的CPU、GPU核服务能力；另一 方面，为满足大数据、数据库、3D视频处理在内的一些单核敏感型业务的需要，云服务仍将 智能调度降本增效：通过采用任务触发弹性 + Spot 实例策略，微帧科技在非实时任务处理上 成本最多能实现降低 60%，资源利用率可提升至 85%。 �� 4.3嘎嘎射击 厦门真有趣信息科技有限公司，专注于移动游戏研发、全球化发行及原创 IP 孵化，累计服务超 2 亿全 球玩家。其多人竞技射击手游作品嘎嘎射击融合了快节奏动作与视觉，推出即登上热门游戏榜单。 业务痛点： 并发性能瓶颈：

。开发团 队需评估现有技术栈、硬件资源以及开发周期的限制，确保项目在 规定的时间内高质量交付。例如，如果智能体需要在边缘设备上运 行，则需考虑模型的轻量化设计以及离线处理能力；如果项目预算 有限，则需在功能和性能之间做出权衡。 以下是一个简单的需求优先级评估示例： 需求类别 具体需求 优先 级 备注 功能性需求 自然语言处理 高 支持多语言、深度语义理 解 非功能性需求 系统响应时间≤500ms 多语言支持、用户个性化设置、高级数据分析 可以有的 社交分享功能、交互界面美化 不会有的 超前的技术实现、与产品目标不符的功能 通过以上方法，我们能够清晰地将需求进行优先级排序，确保 开发团队在有限的资源下，最大化地实现产品价值。同时，这种分 类方法也为后续的迭代开发和功能扩展提供了明确的方向。 3. 技术选型 在技术选型部分，我们需要综合考虑系统性能、开发效率、可 维护性以及未来的扩 处理非结构化数据时效率 较低 Mong oDB 日志、行为数据、 非结构化数据 高吞吐量、灵活数据模型、 易扩展 事务支持相对较弱，复杂 查询能力有限 Redis 缓存、实时数据处 理 高并发、低延迟、数据结构 丰富 数据持久化能力有限，存 储容量受限 数据库架构设计时，还需考虑数据备份、灾难恢复、监控和优 化等运维需求。通过合理的数据库选型和架构设计，能够为 DeepSeek

再次，设计并训练一个具备强泛化能力的 AI 大模型。基于处 理后的数据，采用预训练-微调的技术路线，训练一个能够适应多 场景任务的 AI 模型。模型的训练过程将注重优化参数效率和数据 利用率，确保模型在有限资源下仍能保持高性能。模型训练的关键 目标包括： - 模型参数量控制在 100 亿以内 - 训练时间不超过 30 天 - 模型在基准测试中的准确率不低于 90% 最后，实现知识库与 生成类任务（如知识库补全），优先选择 GPT 系列；如果是理解 类任务（如知识库检索），优先选择 BERT 系列。 - 资源约束： GPT 系列模型需要更强大的计算资源和存储能力，而 BERT 系列在 资源有限的情况下更具可行性。 为优化模型选择，建议采用以下方法： - 预训练模型微调：基 于开源预训练模型（如 Hugging Face 提供的模型），在特定数据 集上进行微调，以快速适应业务需求。 生成类任务（如文本生成）| 上下文理解强、生成多样性高 | 计算资源需求高、训练成本高 | | BERT 系列 | 理解类任务（如文 本分类）| 语义捕捉能力强、训练效率高 | 生成能力有限 | 最终，模型类型的选择应结合具体业务场景、数据特性和资源 条件，通过实验和评估确定最优方案。 3.1.2 模型架构设计 在模型架构设计阶段，首先需要明确模型的核心任务和目标。 基于知识