正意义上突破和实现了技术的自主可控。同月，科大讯飞与华为联合发布了国内首个全国产 算力平台“飞星一号”。 为了确保集群训练的长时稳定高效，科大讯飞联合华为攻关团队，从底层基础设施到算 存网，再到 AI 工程化，全方位梳理影响集群长稳的关键指标，并通过流程优化、平台构建、 快速定位解决问题。2024 年初，科大讯飞联合华为智算运维团队对集群稳定性运维进行了 专项研讨，计划打造一套“智算运维黄金指标体系”，以填补智算运维领域标准的空白。从 火大模型的化学类课程专属智能 科教融合系统的开发与创新应用。《化学大模型与智能体：AI for chemistry》、《高等无机 化学》等多门 AI 课程利用大模型将复杂的课程教学内容进行结构化梳理，AI 学伴为学生提 供即时答疑服务；AI 助教为老师提供智能备课辅助，显著提升教学效率。同时，学校以星火 大模型为依托，聚焦师生教研所需，创设功能型 AI 智能体，如“魅力化学大师”“智能机器

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 成事 件分析总结，快速判断漏报、误报，找出根因。 • 根据用户需求描述，以多轮对话的方式灵活地提供告警查询、定位、 分析服务。 无需训练资源，可灵活迁移至不同设备应用

通过企业架构模型，银行能够打通业务与技术的壁垒，实现业务流程与 IT 系统的高效协同。 • 提升业务敏捷性，使银行能够快速响应市场变化和客户需求，增强竞争力。 促进业技融合 • 企业架构建模帮助银行梳理和整合各项业务能力，形成全面的能力地图，为数字化转型提供 清晰的方向和路径。 • 支持资源优化配置，提升运营效率，降低转型成本。 构建全能力地图 02 银行数字化转型现状与痛 点分析

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 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

智能风控与反欺诈：建立智能风控系统，运用机器学习算法对交易数据进行实时监控 和异常检测，及时发现并阻止欺诈行为。同时，通过大数据分析提高风险评估的准确性，降 低赔付风险。 内部流程优化：通过数字化转型，保险公司对内部流程进行梳理和优化，实现业务流 程的标准化、自动化和智能化。这有助于降低运营成本，提高运营效率。 （6）风险管理能力的显著提升 新兴风险评估：针对气候变化、网络安全等新兴风险，保险公司利用大数据和人工智 险 公司在这一领域的积极探索与落地成果。 基于广泛而细致的案例征集与深入调研，我们精选了来自21家国内外知名保险公司 的共计55个典型案例进行深入剖析。下图是对这些典型案例的概览。图中上半区域梳理 了保险行业中各关键环节以及跨领域通用应用的大模型技术案例，旨在展现大模型的多 元应用场景；而下半区域则清晰展示了这些案例与具体保险企业之间的对应关系，便于 读者快速定位并深入了解每一家企业在推动大模型技术应用方面的独特贡献与创新 模型完成了在售保 险产品知识库的构建，涵盖了市场上所有在售产品的详细信息。 知识生产流程：搭建了高效的知识生产流水线，并建立了视频课程销售逻辑提取流水 线，完成了大量课程的抽取及清洗入库，整合梳理了大量业务材料，确保知识库内容的高 效更新和维护。 合规规则库：以合规人员积累的知识内容，如合规手册、风险检视表、历史审核文件等， 整合建立并动态更新合规规则库，确保对高风险内容的实时干预和调整。

者转变为系统决策的指导者与监督者。我们观察 到，这一转变正通过“人机协作”的渐进式发展 在企业中逐步实现，每个阶段都推动着效益提升。 此外，通过将资深团队成员数十年积累的专 业知识和洞察进行系统化梳理与编码标准化，自 主智能供应链有助于确保核心知识的保留，并传 承至下一代员工，即便在资深团队成员陆续退休 的情况下，仍能维持知识体系的可持续性。 实现自主智能供应链 6 我们的调研发现，通过人工监督关键流程节点

解决方案，助力 实现万物互联，提升国际竞争力和自主创新能力。 政策性质 指导性政策 数据来源: 工信部，国务院，科大讯飞，中国软件，用友网络 规模预测发市场规模 智能软件研发行业规模 政策梳理 8 政策名称 《质量强国建设纲要》 颁布主体 中共中央，国务院 生效日期 2023-01-01 影响 7 政策内容 推动制造业高端化、智能化、绿色化发展，大力发展服务型制造。同

心起点，需通过系统化方法明确业务目标、技术路径及落地细节。 本阶段预计耗时 4-6 周，由跨部门团队协作完成，涵盖业务需求调 研、技术可行性验证、数据架构设计三个关键维度。 业务需求调研首先通过高层访谈与业务部门焦点小组，梳理 CRM 现存痛点与 AI 赋能场景优先级。典型场景包括：客户意图识 别（通话/在线聊天记录分析）、商机预测（历史数据建模）、智 能工单分类（NLP 语义理解）。调研输出物为《AI 需求矩阵 名合规专员确保数据脱敏符合 GDPR 要求，特别关注电话号 码、邮箱等 PII 字段的加密存储。 业务适配团队 抽调 3 名资深 CRM 产品经理与 2 名销售运营专家组成联合小组， 重点工作包括： 1. 梳理 22 个高频业务场景的对话路径，优先实现售前咨询（占比 35%）、投诉处理（占比 28%）和订单查询（占比 20%）三类场 景 2. 设计人机协作机制，当模型置信度低于 85%时自动转人工坐席

GPT4 的两倍。 图10 OpenAI 不同模型 tokens 消耗价目表 资料来源：OpenAI，海通证券研究所 在实际测试中，使用搭载 GPT4 的智能体模型查找新闻并进行总结梳理。这部分的 单次消耗是 42000 个 tokens，成本是 1.5 美元。在实际应用中，假设一天需要统计的股 票新闻大约有 120 家公司，则成本为 35.8 美元，按照汇率 1 : 7.14 折合人民币

时间安排。通过确定调研的关键利益相关者，可以确保在后续流程 中获取全面的信息。 接下来，执行以下步骤： 1. 组织初步会议：召集项目相关的利益相关者，明确项目目标， 介绍 AI 大模型的基本概念，梳理他们的期望与关注点。 2. 收集已有数据：通过分析城市轨道交通的历史数据和现有报 告，初步评估当前系统的运作效率和存在的问题。这些数据可 能包括客流量、故障记录、维护成本等。 3. 设计调研 一环，助力城市交通向更高效、更智能的方向迈进。 10.1 关键发现 在城市轨道交通行业，AI 大模型的应用为运营管理、服务优化 和安全提升等方面提供了新的解决方案。通过对现有技术和需求的 梳理，我们得出以下关键发现： 首先，AI 大模型能够显著提升运营效率。通过对历史数据和实 时数据的分析，模型可以预测客流量、优化运行时刻表，从而减少 乘客等待时间，提升列车发车频率和准点率。这种预测能力可以通