过程进行重 点关注 Transformer 2017 年 ChatGPT 2022 年 Instruct GPT BigBird ALBERT ELECTRA 基于模板和 规则的前深 度学习阶段 基于规则 的少量数 据处理 1950 年开始 根据一定范 围的数据进 行参数分类 Machine Learning 1980 年开始 n ChatGPT 所 一些具有战略意义的新兴产业 和领域将得到重点扶持，从而加速其发展和壮大 AI 推动“科技创新”和“产业创新”的深度融 合 推 动 创 新 链 、 产 业 链 、 资 金 链 、 人 才 链 深 度 融 合 是 解 决 当 前 乃 至 未 来 较 长 时 间 内 加 强 产 业 创 新 发 展 、 加 快 锻 造 新 质 生 产 力 的 重 要 抓手 行业知识更深 业务流程更深 产业网链大模型

开展的新一 轮AI教育革新。 二、学而思：DeepSeek为基座，融合九章大模型能力， 实现双协同、生态化布局 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Deep

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 法 的工程化优化大幅降低了部署成本。近期采用大规模

度，实现精准和高效的生态环保治理。 在环境监测中，传统的方法依赖于单一的数据源，如气象数据 或水质监测，而多模态 AI 大模型可以融合来自多个数据源的信 息，例如遥感影像、传感器数据、社交媒体信息等，实现数据的深 度理解和分析。这种多模态信息的整合，能够为环境保护提供更全 面的视角，识别出潜在的环境风险，并对其进行有效评估与预测。 应用方案可以概括为以下几点： 1. 数据整合与处理：通过构建统一的数据平台，整合来自不同源 理提供 重要数据支持。借助于多模态 AI 技术，生物多样性监测将实现更 高效、全面的动态监控。多模态 AI 能够整合不同类型的数据源， 包括图像、声音、文本及空间数据，以实现对生态系统多样性的深 度理解和实时监测。 首先，图像处理技术可以通过无人机、地面摄像头等设备获取 生物种群的影像数据。通过深度学习算法，对获取的图像进行分 析，以识别和分类不同的物种。AI 模型可以训练以识别特定物种的 量、土壤情况、水质监测指标等。为保证数据的及时性和准确性， 数据采集周期设定为每小时，同时支持实时流数据传输。 应用层是整个系统的核心，主要实现数据处理和智能分析功 能。通过多模态 AI 大模型，应用层能够对不同种类的数据进行深 度学习和模式识别，识别潜在的环境问题。在此层中，运用自然语 言处理和计算机视觉等技术，分析与生成环境报告，并提供决策支 持。 展示层则负责将分析结果以用户友好的方式展现。利用可视化 技术，

DeepSeek 横空出世，各项指标逼近或超越 ChatGPT o1 9/80 口核心意义：打破 AI 垄断，带来 AI 平权，尤其是中文 Al 普惠，激发大众创造力 多 源 数 据 深 度 挖 掘 融合建筑领域各类数据，联动设备 运行指标 、能耗信息及环境监测， 实现精细用户画像，助力科学调度 与资源配置 智 能 故 障 识 别 与 诊 断 结合人工智能算法，自动提 取设备

和推理的能力[6]，能在艺术创作、代码编写、科学研 究等多个领域展现出类似人类水平的创造力。这些 能力的涌现，使得知识创新不再受限于个体的认知 和经验，能够打破学科和专业的壁垒，加速知识的 融合和创新，预示着知识生产方式正在经历一场深 刻的变革，将引领我们进入了一个人机协作的知识 生产新模式 [7-8]。 1.1 知识获取 1.1.1 联结主义学习 大语言模型的知识获取基于联结主义的学习观 点，该观点认为智能源于大脑神经元的物理结构和

与此同时，线上消费交易额急剧攀升，供应链 所承受的压力也与日俱增。过去三年间，全球消费 者线上支出增长了30%1，这不仅催生了众多新兴 渠道，也带来了产品个性化定制的新需求。气候变 化、公共卫生危机以及汽车行业等特定领域的深 刻变革，均对企业的敏捷性提出了前所未有的要 求。突发且不可预测的地缘政治变局以及持续变 化的贸易环境，正迫使首席供应链官们迅速调整 其运营网络。更为复杂的是，劳动力老龄化、员工 在职年限的缩短以及技能短缺，正导致宝贵的组

包括但不限于智能制造、财务管理、供应链管理等领域的智能化解决方案，帮助企业实现业务在线、数据 驱动以及智能运营的能力进阶，成就数智企业，推动社会商业进步。用友还推出了企业服务大模型YonGPT，作为深懂企业服务的垂类大模型，为企业提供智 能助理、虚拟员工等百余项场景化的智能服务，助力企业在新质生产力时代下加速推进数智化进程。 用友网络科技股份有限公司 2015 2016 2017 2018 2019

项目目标定义 本项目的主要目标是通过引入 DeepSeek 技术，优化和提升股 票量化交易系统的智能化水平，以实现更高效的交易决策和风险管 理。首先，DeepSeek 将通过机器学习算法对海量历史数据进行深 度挖掘，识别出潜在的交易模式和趋势，为交易策略的制定提供数 据支持。其次，DeepSeek 将实时监控市场动态，结合宏观经济指 标、行业新闻和公司公告等多维度信息，辅助交易系统做出更加精 准的买卖决策。此外，DeepSeek 心目标， 即通过历史数据和市场规律，构建能够预测股票价格走势的数学模 型。DeepSeek 作为一款先进的深度学习框架，能够有效处理高 维、非线性的金融数据，因此在模型选择上，我们优先考虑基于深 度学习的模型结构。具体而言，LSTM（长短期记忆网络）和 Transformer 模型在时间序列预测任务中表现优异，适合捕捉股票 市场中的长期依赖关系和复杂模式。此外，考虑到股票市场的高波 风险管理 在股票量化交易中，风险管理的核心目标是控制损失并最大化 收益。通过引入 DeepSeek 技术，我们可以实现更精准的风险评估 和动态调整策略，从而有效降低不确定性。首先，DeepSeek 的深 度学习模型能够实时分析市场数据，识别潜在的风险信号，例如价 格异常波动、流动性不足或宏观经济事件的影响。这些信号将被纳 入风险模型，生成多维度的风险评分，帮助交易系统及时采取应对 措施。 为了量化风险，我们采用

一个巨大的技术挑战。智算集群对稳定性与可靠性要求极高，AI 训练任务通常需要连续运 行数天甚至数周，任何硬件故障或网络波动都可能导致任务失败，造成巨大经济损失和时 间成本；智算集群的软硬件耦合深，故障定界困难。从芯片、服务器到集群网络、调度系 统、AI 框架，任何一个环节出问题都可能导致服务不可用，因此对运维团队的技术深度和 广度要求极高。 在运营与优化阶段，仅仅提供裸算力是远远不够的。用户需要的是开箱即用的模型服