图表：闭源模型与开源模型的差距正在缩小 资料来源： Epoch AI ，中泰证券研究 所 资料来源： AI 产品榜，中泰证券研究 所 图表： DeepSeek DAU 快速增 长 6 n DeepSeek 理论成本利润率极高，成本还有优化空间。通过优化， 能够在白天负荷高的时候，用所有节点部署推理服务。 晚上负荷低的时候，减少推理节点，以用来做研究和训练。以 2025 年 2 月 27-28 日数据为例， tokens 全部按照 DeepSeek R1 的定价计算，理论 上一天的总收入 为 $562,027 ，成本利润率 545% 。 图表： DeepSeek 服务负荷统计 图表： DeepSeek R1 成本与理论收入 成本： DeepSeek 低价策略下理论成本利润率依旧可达 545% ，部署成本极 低 资料来源：

的应用案例及其效果，为本方案提供了实践基础。 2. 王五, 赵六. (2021).《基于深度学习的实时视频分析技术》. 计 算机科学与技术. 本文介绍了多种深度学习模型在视频数据分 析中的应用，为本方案选择合适的模型提供了理论支持。 3. 刘七. (2022).《智能视频内容分析技术现状与未来发展》. 信 息安全与技术. 该研究评述了市场上现存的智能视频分析技术 及其发展趋势，为本方案的前瞻性规划提供了参考。 4 中对安全技术的重视，是本方案政策背景的重要参考。 7. 李八, 林九. (2019).《前沿人工智能技术在公共安全中的应用 展望》. 公共安全期刊. 文章着重分析了 AI 在公共安全领域各 个方面的应用，为本方案提供了理论支持。 8. 李十, 周十一. (2021).《视频监控及其在社会安全中的角色》. 社会学评论. 文章讨论了视频监控的社会影响，为本方案的社 会适应性提供了数据支持。 9. 陈十二. (2023) 实施的理解。以下是几本在这一领域具有参考价值的书籍。 首先，理解公共安全的基本概念和背景至关重要。《公共安全 管理（第二版）》提供了公共安全管理的基本框架和理论，包括风 险评估、应急响应及资源配置等内容。该书不仅为理解公共安全政 策提供了基础，而且为后续 AI 技术的引入奠定了理论基础。 其次，《人工智能在公共安全中的应用》则详细讲述了 AI 技 术，尤其是大数据和机器学习如何在公共安全领域被应用。该书涵 盖

Journal of Sys⁃ tem & Management, 2013, 22（5）: 708-714.（in Chinese） [20] 蔡立辉, 唐攀, 李伟权, 等 . 推进应急能力现代化的理论与 路径 [J]. 中国应急管理, 2022（7）: 24-31. CAI L H, TANG P, LI W Q, et al. Theories and paths for fa⁃ cilitating latest advances, challenges, and future[J]. Intelligent Computing, 2023, 3（2）: 1-45. [24] 柯平 . 应急知识管理: 理论基础、研究领域与应用前景 [J]. 信息资源管理学报, 2021, 11（1）: 8-16. KE P. Knowledge management in emergency management: theories

录、性能监控和反馈机制，实时跟踪算法的运行状态。如果发现问 题，开发者应及时进行调整和优化，以确保智能体能够长期稳定运 行。 总之，智能体算法开发是一个系统化、迭代化的过程，需要开 发者在理论与实践之间不断平衡与优化。通过科学的方法和严谨的 态度，开发者能够构建出高效、可靠的智能体算法，为智能体的实 际应用提供强有力的支持。 9.1 算法选择与设计 在 DeepSeek 智能体开发过程中，算法选择与设计是确保智能 DeepSeek 智能体的理解、操作熟练度以及在特定场景中的 应用能力。培训计划应分为几个阶段，包括基础培训、进阶培训和 实战演练。基础培训主要涵盖智能体的基本功能、系统架构和操作 流程，通过理论讲解和演示视频让用户快速入门。进阶培训则深入 探讨智能体的高级功能、定制化配置和性能优化，结合实际案例进 行模拟操作。实战演练阶段，用户将在真实环境中使用智能体解决 问题，通过实践巩固所学知识。 容应模块化设计，每个模块包含明确的学习目标、教学材料和评估 标准。例如，基础培训模块可包括：  智能体的系统架构与工作原理  基本操作与命令使用  常见问题的排查与解决 评估方式应多样化，包括理论测试、操作考核和项目实战表 现。培训结束后，需收集用户反馈，分析培训效果，并根据反馈优 化后续培训计划。此外，还应提供持续的学习资源，如在线文档、 常见问题解答和技术支持，帮助用户在日常使用中不断提升技能。

数 据的一致性、完整性和可用性，支持业务决策和运 营。 应用架构 描述企业应用的组成、交互和部署，确保应用系统 能够高效支持业务流程，提升业务敏捷性和响应速 度。 企业架构（ EA ）理论与分层模型解析 自动化建模 大模型通过自然语言处理和机器学 习技术，自动解析业务需求，生成 业务模型，减少人工干预，提升建 模效率。 大模型能够根据不同业务场景，动 态调整业务模型，支持个性化业务

污水废水余热 余热驱动制冷 热电联产 16/80 范式困境主要原因二：多学科交叉、技术门槛高、木桶理论效应凸显 17/80 口多学科交叉人才极其稀缺，而且非常昂贵 口 普通人才天花板效应明显，最不靠谱的人 / 环节是整个项目的天花板 2025 年 2 月，麻省理工学院何凯明指出： Al 正在

应用、数据输入输出管理以及如何利用模型优化业务流程。管理层 的培训则更侧重于战略层面的理解，包括模型对业务的价值、风险 管理以及长期发展规划。 为了确保培训效果，培训内容将采用理论与实践相结合的方 式，包括但不限于： - 理论课程：通过在线或线下的方式，系统讲解模型的基本原理、 应用场景以及操作规范。 - 实操演练：通过模拟银行实际业务场景，让参训人员亲自操作模 型，熟悉其工作流程。 - 划将分为三个阶段：基础培训、专项培训和持续提升培训。基础培 训面向所有相关岗位人员，重点介绍大模型的基本原理、核心功能 以及在银行业务中的潜在应用场景。培训形式包括线上课程、线下 研讨会和案例分析，确保理论与实践相结合。专项培训则针对技术 团队和业务骨干，深入讲解模型的部署流程、调试方法、数据管理 及安全策略。技术团队需掌握模型的架构设计、性能优化和故障排 除，而业务骨干则需学习如何利用模型优化业务流程、提升客户体 （如模型部署、性能调优）和业务模块（如客户画像、风险控 制）。 - 持续提升培训：每季度一次，每次 1 天，邀请行业专家分 享前沿技术及应用案例。 培训效果的评估将采用多维度考核机制，包括理论知识测试、 实操演练评分和业务场景模拟测试。考核结果将作为后续培训调整 和技术支持的重要依据。同时，为保障培训的可持续性，将建立内 部知识库和在线学习平台，提供培训资料、操作手册和技术文档，

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 署的关键阶段。因此，本年度《大模型技术深度赋能保险行业白皮书》的编写，不仅是对过 去一年技术发展的总结与回顾，更是对未来应用前景的展望与规划，旨在为保险行业的智 能化转型提供技术参考和实践建议。 白皮书基于阳光保险的大模型落地实践经验，深入剖析了大模型技术在保险行业的落 地应用路线。我们详细阐述了数据准备、模型精调、工程化适配、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 开源模型的深度定制，以 满足保险企业特定的业务需求。这一过程包括模型设计、数据准备、环境搭建、训练、评估 和优化等多个环节，每一步都至关重要。 通过深度定制，保险企业能够针对特定场景进行优化，理论上能够更精确地解决特定 问题，从而实现更优的性能表现。此外，保险企业在研发过程中能够深入掌握模型的技术 3.1.1.3 深度研发大模型 �� 细节，这不仅提升了自主性，也减少了对外部供应商的依赖。

系统的利用率和用户的满意度。培训内容将根据用户角色的不同进 行定制化设计，分为管理员、数据分析师和普通用户三个层次。 首先，管理员培训将重点关注系统的配置、权限管理、数据备 份与恢复等核心管理功能。培训将通过理论与实践相结合的方式进 行，管理员将参与模拟场景操作，例如用户权限分配、数据导入导 出、系统日志分析等。此外，培训还将涵盖异常情况的处理流程， 如系统故障排查与应急响应，确保管理员能够在系统出现问题时迅 户应对系统更新与业务需求变化带来的挑战。 以下是培训计划的时间安排与人员分配： 培训对象 培训内容 培训时 长 培训方式 考核方式 管理员 系统配置、权限管理、应急响 应 4 小时 理论+实操 实操测试 数据分析 师 数据处理、模型训练与评估 6 小时 案例分析+实 操 案例分析与实 操 普通用户 基本操作、常见问题解决 3 小时 实例演示+互 动 操作测试 通 特性 和数据变化频率，划分为日更新、周更新和月更新三个层级。对于 时效性较强的内容，如法律法规、行业动态等，实行每日监控和更 新；对于技术标准、操作规范等内容，采用每周审核和更新；对于 基础理论和静态数据，则安排每月全面检查。 更新流程应包括以下关键步骤：信息采集、内容审核、版本控 制、更新部署和质量验证。信息采集阶段，通过自动化爬虫、RSS 订阅、API 接口等方式，从权威来源获取最新数据。内容审核环

velopment.) 郑伟诗 教育部“长江学者奖励计划” 特聘教授, 国家自然科学基金优秀青 年科学基金获得者, 英国皇家学会牛 顿高级学者, IAPR Fellow. 主要研究 方向为协同与交互分析理论与方法, 解决人体建模和人工智能机器人学习 的视觉计算问题. E-mail: zhwshi@mail.sysu.edu.cn (ZHENG Wei-Shi Cheung Kong scholar distin-