暂行办法》，则为中国大模型技术的健康发展提供了坚实的政策保障和合规框架。 在保险行业，这一技术革命同样引发了深刻的变革。国内外众多保险公司和保险科技 公司，如阳光、人保、平安、国寿、泰康、瑞再、安盛、安联等，纷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 等方面的挑战，更为开发出更加健壮、可靠且公平的大模型奠定了坚实基础。具体而言，合 成数据尤其适用于那些数据稀缺或难以直接获取的特定领域。此外，合成数据还能根据具 体需求进行定制化设计，如确保不同类别数据的平衡表示，进一步提升模型的泛化能力。 同时，合成数据还有助于缓解数据隐私保护的压力，通过创建匿名化或去标识化的数据 集，为数据的安全共享与高效利用提供了保障。 1.1.1 数据：多措并举缓解短缺状态 �� 然而，值得 ryCorpus、Tele-AI 以及MAP-CC等，这些数据集广泛覆盖了网页、书籍、官方媒体等多种信息源，经过不同程 度的清洗与去重处理，为中文语言模型的训练提供了数据基础。今年6月，智源研究院推出 的IndustryCorpus 1.0多行业中英双语数据集及InfinityInstruct千万级指令微调数据集， 强化了预训练模型的基础能力与对话交互能力。 与开源文本数据集比较，当前开

要标尺，相关研究工作意义深远。 随着 AI 在千行百业加速渗透，算力赋能数字经济社会的效能，不仅仅取决 于算力、存力、运力以及发展环境本身，模型能力也成为决定人工智能深度赋 能的关键。因此，中国信通院研究团队持续优化综合算力指标体系，在往年基 础上，增加模型能力的呈现，从算力、存力、运力、模力、环境多个维度，更 加准确剖析我国算力产业发展态势。 《2025 综合算力指数》为我们提供了一个全面而系统的视角来洞察我国算 策提供科学依据，为产业的技术创新和投资方向提供“指南”。 展望未来，我国算力发展之路机遇与挑战并存。我坚信，在全国各界的共 同努力下，我国算力产业必将实现量的稳步增长与质的显著提升，加速高质量 发展的新征程！ 邬贺铨 中国工程院原副院长 算力产业发展方阵指导委员会主任委员 综合算力指数 前 言 近年来，AI 快速发展。算力、存力、运力以及模型能力的协同 发展水平成为衡量地区数字竞争力的关键。算力支撑数据处理与计 了有力支撑；三是运力基建稳步推进，调度机制逐步完善，有效提 升了算力资源的调配效率；此外，模型技术与产业应用的双轮驱动， 进一步加速了算力向现实生产力的转化。 结合算力产业发展现状、趋势和重要影响因素，中国信通院进 一步完善综合算力指数体系，新增“模力”分指数，优化评价指标。 整体上，从算力、存力、运力、模力、环境等维度衡量我国各省级 行政区的综合算力发展情况，并通过算力分指数评估全国各城市的 算力发展水平。

设计一个目标和身份，以及需要使用的工具。配上更为复杂的 Prompt， AI 能自主进行任务拆分，使用工具并结束任务。用户只负责设立目标、提供资源、监督 结果。 图1 人类与 AI 的交互模式 资料来源：腾讯研究院，海通证券研究所 以 LLM 为核心，四模块铸造 AI Agent。从 OpenAI 的定义来看，智能体以大语言模 型为核心，其拥有长期和短期记忆、自主规划能力、能自动化执行复杂任务、能够使用 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 7 [Table_PicPe] 图2 AI Agent 智能体工作原理 资料来源：腾讯研究院，海通证券研究所 1.2 单智能体 vs 多智能体 单智能体与多智能体各具优势，适配于不同垂直领域。单智能体的强化学习原理是 基于马尔可夫决策来完成的，简单来说可以分为状态集 S、行动集 A、奖励 刻的状态和奖励只与上一时刻的行动有关，与更早之前的状态无关。其模型原理就是让 智能体用试错的方式来学习，若某个策略能得到奖赏，则智能体产生该行为的策略就会 加强。其目的就是在单一环境中行动，尽可能得到最大的奖励。应用领域目前也较为广 泛，例如赛车游戏中连续动作的训练：控制方向盘、油门、刹车等动作，可由 DDPG、 A3C、PPO 算法来决策。一些离散动作的训练例如围棋智能体 AlphaGo，可通过 Q-Learning 等算法决策。

等开源多模态模型有望进一步提升应用能 力 理解金融应用的“降本增效 - 价值创 造 - 决策赋能”三个层次 2 n 我们认为金融行业人工智能的应用价值大体可以分为三个层次： 降本增效，价值创造与决策赋能。其中当下应用最广 泛的是降本增效， 即 AI 对简单人力的替代，具体场景可能包括智能客服、简单的办公文件问答与内容生成等。随着模 型能力提升将展现真正的价值创造能力，即 AI 对高价值人力的赋能， 具体场景可能包括办公 中小银行有望加速部署应用，快速追赶与大行之间差距。 资料来源：信通院、中泰证券研究所 21 落地进展：大行发力早，中小银行推进更快 50% 40% 30% 20% 10% 0% -10% -20% 2022 金融科技投入（亿元） 2023 金融科技投入（亿元） 同比增幅 300 250 200 150 100 50 0 资料来源：信通院、中泰证券研究所 图表：十二家上市银行金融科技投入 多模态模型和 R1 推理模型 成效展示：合同质检准确率达 96% ，自动化估值对账场景日均节省 9.68 小时人工工作量，风险预警响应速度提升 20% DeepSeek 应用进展 数据来源：中电金信研究院公众号，中泰证券研究所

高效性：在某些情况下，生成的内容能够达到或超过人类专家 的水平，提高效率并降低误诊率。  个性化：能够根据用户特定的需求或者特征提供量身定制的内 容或建议。 通过这些特点，AI 生成式大模型在医疗场景中的应用展现出广 泛的潜力，能够大幅提升诊断的精确度、治疗的针对性以及医疗服 务的效率。这些特征也使得生成式大模型成为未来医学发展的重要 工具。 2.1.1 生成式模型概念 生成式模型是一类能够通过学习数据分布生成新样本的机器学 形式的信息。这对于医疗图像分析和报告生成等应用具有重要 价值，如通过 AI 分析医学影像并自动生成影像报告。 3. 自监督学习的利用：自监督学习方法允许模型在未标注数据上 进行训练，促进了模型的泛化能力和知识的融入。这意味着 AI 可以在相对较少的标签数据的情况下，依然能够应用于疾 病预测和临床决策支持系统。 4. fine-tuning 技术的成熟：使得在特定领域（如医学）中进行 模 150 30% 临床决策支持系 统 120 25% 药物研发 100 20% 患者管理与教育 80 15% 其他 50 10% 这些应用案例的汇总显示出 AI 生成式大模型在医疗行业的广 泛应用与迅猛发展。在过去几年中，随着数据的积累和计算能力的 提升，医疗场景中的 AI 技术不仅带来了效率的提升，也为患者提 供了更为精确的医疗服务。在未来，随着技术的持续进步和优化， 预计还会涌现

张雨浓 1 郑伟诗 1 孙富春 2 摘 要 得益于近期具有世界知识的大规模预训练模型的迅速发展, 基于大模型的具身智能在各类任务中取得了良好的 效果, 展现出强大的泛化能力与在各领域内广阔的应用前景. 鉴于此, 对基于大模型的具身智能的工作进行了综述, 首先, 介绍大模型在具身智能系统中起到的感知与理解作用; 其次, 对大模型在具身智能中参与的需求级、任务级、规划级和动作 且可以与物理环境进行信 息、能量交换的智能系统[2]. 虽然在过去的几十年 间, 离身智能取得了令人瞩目的成就, 但对于解决 真实世界的问题来说, “具身”的实现仍然是必要的, 与强调从经验中学习并泛化的离身智能方法相比, 具身智能更强调与环境的交互, 只有拥有物理身体 才能与世界进行互动, 更好地解决现实问题[3]. 当 前, 随着机器人技术和计算机科学的发展, 具身智 能受到更多的关注, 逐渐从概念走向实际应用 年 1 月 ACTA AUTOMATICA SINICA January, 2025 数更新或微调的情况下, 仅通过文本交互来指定任 务和少样本示例就能很好地完成各类任务. 在此之 后, 具有优秀泛化能力与丰富常识的基础模型在计 算机视觉、自然语言处理等领域都展现出令人瞩目 的效果. GPT-4[5]、LLaMA[6]、LLaMA2[7]、Gemini[8]、 Gemini1.5[9] 等大语言模型能与人类进行流畅的对

化需求。项目通过对多源异构数据的采集、清洗、标注和结构化处 理，打造高质量的知识库，为后续的 AI 模型训练提供坚实的基 础。同时，结合先进的深度学习技术和规模化计算资源，设计高效 的模型训练流程，确保模型在准确性、泛化能力和计算效率方面达 到预期目标。项目的实施将涵盖以下关键步骤：  数据采集与整合：从内部系统、公开数据集以及第三方数据源 中获取数据，确保数据的多样性和覆盖度。  数据清洗与预处理：通过去重、缺失值填充、异常值处理等操 最终，该方案将广泛应用于金融、医疗、教育等多个行业，推动人 工智能技术的深入应用和创新发展。 1.2 项目目标 本项目的核心目标在于构建一个高效、精准的知识库数据处理 系统，并基于该数据处理结果，训练出一个具备强大泛化能力和智 能化水平的 AI 大模型。通过系统的数据处理和模型训练，最终实 现从海量异构数据中提取有价值的信息，并将其转化为可支持决策 和创新的知识资产。具体目标包括以下几个方面： 首先，实现 模型提供丰富的上下文信息。知识图谱的关键性能指标包括： - 实 体识别准确率达到 95% 以上 - 关系抽取准确率达到 90% 以上 - 知识 图谱覆盖率达到 80%以上 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

过本项目的实施，将 建立起一套科学、规范、高效的人工智能数据训练考评体系，为 AI 技术的进一步发展提供有力支撑。 1.1 项目背景 随着人工智能技术的迅猛发展，其在各行各业的应用日益广 泛，尤其在数据驱动的决策支持、自动化流程优化以及智能分析等 领域表现尤为突出。然而，人工智能系统的性能和效果高度依赖于 其训练数据的质量和模型训练的精准度。在当前的技术实践中，数 据训练的效果评估 练参数和策略。 在数据考评方面，系统需要构建一套完整的考评指标体系，以 确保模型训练的有效性和科学性。考评指标应涵盖模型精度、泛化 能力、训练效率等多个维度，并结合实际应用场景进行动态调整。 例如：  模型精度：准确率、召回率、F1-score 等  泛化能力：测试集表现、过拟合检测等  训练效率：单次训练耗时、资源利用率等 系统应支持自动化考评工具的开发与应用，减少人工干预，提 CSV、JSON、图像、视频等），并提供数据清洗、归一化、特征工 程等预处理模块，确保训练数据的高质量。系统还应具备数据增强 功能，特别是针对图像和文本数据，支持随机裁剪、翻转、旋转、 噪声添加等操作，以提升模型的泛化能力。在训练过程中，系统需 实时监控训练状态，包括损失函数值、准确率、学习率等指标，并 提供可视化工具，如 TensorBoard 集成，帮助用户直观分析训练 效果。 为了提高训练效率，系统应支持断点续训功能，允许用户在训

训练过程中的参数调整也非常关键。我们可以通过下列步骤优 化训练效果：  超参数调优：使用网格搜索或随机搜索优化学习率、批大小、 层数等超参数。  交叉验证：利用 K 折交叉验证提高模型的泛化能力，避免过 拟合问题。  模型集成：可以考虑使用简易集成方法（如 Bagging 和 Boosting），结合多个模型的优势，提升最终预测准确度。 对于训练数据的监控与反馈机制，建议建立实时监测系统，对  超参数调优：利用网格搜索或贝叶斯优化方法对超参数（如学 习率、批量大小等）进行系统搜索，以寻找到最优的训练配 置。  模型评估与验证：定期根据交叉验证结果调整模型结构，确保 模型的泛化能力，防止出现过拟合。 综上所述，设计深度学习模型时需充分考虑数据的多样性与复 杂性，通过合理的网络结构和有效的训练策略，能够显著提升城市 轨道交通行业引入 AI 技术后的智能化水平和运营效率。 模型训练阶段是关键，首先通过对数据集进行划分，建立训练 集、验证集和测试集。随后，将训练集用于训练模型，利用反向传 播算法和优化器（如 Adam 或 SGD）更新模型参数。在这一过程 中，可以运用数据增强技术来提升模型的泛化能力。此外，使用早 停（Early Stopping）策略可以防止模型过拟合，通过对验证集的 表现来调整训练过程。 在训练过程中，可运用交叉验证来进一步评估模型的稳定性和 可靠性，确保模型在

信息，为后续的造价预测提供更加全面和准确的数据支持。 在模型训练过程中，DeepSeek-R1 采用了多任务学习策略， 通过联合训练多个相关任务，如成本预测、进度预测和风险分析， 来提高模型的泛化能力和鲁棒性。每个任务都有独立的损失函数， 并通过权重调整来平衡不同任务的学习效果。此外，模型还引入了 自适应学习率调整和正则化技术，以防止过拟合和提高训练效率。 为了进一步提高模型的可解释性和实用性，DeepSeek-R1 采用了分布式训练技术，利用 大规模的 GPU 集群加速模型训练与推理。同时，模型引入了动态 学习率调整策略和自适应优化算法（如 AdamW），以确保在训练 过程中快速收敛并避免过拟合。为了进一步提高模型的泛化能力， 训练数据经过了严格的预处理和数据增强，包括缺失值填充、异常 值检测、以及数据归一化等步骤。 在工程造价的具体应用中，DeepSeek-R1 的深度学习算法表 现出了以下优势：  大模型的训练与优化过程中，采用了分布式 训练架构，结合大规模的工程造价数据集进行迭代训练。数据集涵 盖了建筑、市政、交通等多个领域的实际工程案例，包括工程量清 单、材料价格、人工成本等关键信息。为了提高模型的泛化能力， 训练数据经过严格的清洗和标注，确保其准确性与一致性。训练过 程中，采用了混合精度计算技术，显著提高了训练效率，同时降低 了硬件资源消耗。 模型的优化主要基于梯度下降算法，结合自适应学习率调整策