线展开。 越来越多的企业核心数据正在向云数据中心迁移，计算密集型任务处理能力与弹性资源供给能力 正成为云服务商的核心竞争力。面对企业客户的数字化转型需求，减少延迟和工作负载可移植性 将是客户的关键优先事项，为垂直特定数据类型提供量身定制的云服务将创造有利的竞争优势。 云提供商须为跨行业数据采集、存储和计算需求的大幅增长做好准备。 在AI高速发展和在线业务快速膨胀的时代，企业用户对云基础设施的性能、成本、稳定性、安全 全 性等方面提出了全新的要求。为适应企业创新、降本增效以及业务出海等需要，云服务商不断通 过协同创新升级全栈服务品质，同时也利用自身融合发展的经验优势，助力企业积极开展国际化 布局。 �� 1.1 技术全面升级，为复杂的企业在线业务提供保障 企业在线业务的受众范围和功能复杂度在快速增加，在金融交易、电商直播、实时游戏等场景 下，服务端动辄需要支持百万级并发连接和毫秒级响应要求，应对海量的网络协议处理、页面加 务的需要，云服务仍将 持续提升单核、单实例性能。 多技术融合提升连接性能：云服务商综合利用内存/缓存、PCle、RDMA、IP网、EIP、VPC 等一系列技术升级和软硬件融合优化成果，大幅提升云、边、端不同位置服务之间的协同效 率，这对于保障在线业务的体验至关重要。 存储方案升级应对大数据量冲击：云服务商通过采用更高性能的存储设备和更高效的存储架 构，结合对数据布局的优化，提供贴合不同

用户无需下载和安装软件，只需通过浏览器或应用程序访问就可以 使用。这一模式使得企业能够迅速获取所需的软件工具，降低了 IT 基础设施的投资和管理成本。SaaS 平台通常在云端运行，由服务 提供商负责维护、更新和安全性保障，用户则可以集中精力于核心 业务。 相较于传统软件部署方式，SaaS 平台具备多项显著优势。首 先，SaaS 平台显著降低了企业的初始投资成本。通过按需付费的 订阅模 作，提高了工作效率和沟通效果。 为了进一步对比传统软件和 SaaS 平台的优劣，以下是一个简 单的表格，列出了一些关键的对比要素： 对比要素 传统软件 SaaS 平台 初始投资 高 低 更新维护 用户自主管理 供应商负责 可扩展性 限制多 灵活调整 数据访问 设备绑定 随时随地可访问 协作功能 限制多 实时在线协作 通过以上分析可以看出，SaaS 平台在当今数字化转型的背景 下，为企业提供了更高的灵活性、便利性与经济性，是实现人工智 在 AI 行业中，大模型 SaaS 平台的目标客户主要包括但不限于 中小企业、金融机构、医疗健康、教育和电商等各类行业。中小企 业希望通过成本相对较低的 SaaS 服务，降低技术门槛，实现智能 化转型；金融机构和医疗健康行业则需要依赖大模型提升风控、数 据分析与决策支持能力；而教育和电商行业则借助人工智能优化用 户体验及个性化推荐。 市场竞争态势同样值得关注。目前，市场上已经出现了一批成

个性化服务与客户体验优化：商务 AI 智能体能够根据客户的 个性化需求提供定制化服务，如个性化推荐、定制化报价等。 通过深度学习和自然语言处理技术，智能体可以与客户进行自 然交互，提升客户体验。例如，在电商平台上，智能体可以根 据客户的浏览和购买记录，推荐符合其偏好的商品。 4. 跨平台与集成能力：商务 AI 智能体通常具备跨平台操作的能 力，能够与企业现有的 ERP、CRM、SCM 等系统无缝集成， 商务 AI 智 能体的核心应用之一。通过自然语言处理（NLP）技术，AI 智能体 可以实现智能客服，自动响应客户咨询，解决常见问题，甚至通过 情感分析了解客户情绪，提供更加个性化的服务。例如，电商平台 可以利用 AI 智能体实时处理大量客户查询，减少人工客服的工作负 担，同时提高客户满意度。 在销售和市场营销方面，AI 智能体能够通过数据分析预测客户 需求，制定精准的营销策略。例如，智能推荐系统可以根据用户的 CRM（客户关系管理）系统、自动化营销工具以及 智能客服解决方案，帮助其在有限的资源下实现高效运营。 此外，初创企业和高科技公司也是商务 AI 智能体的潜在客 户。这类企业通常处于快速成长期，对信息化的需求尤为迫切。商 务 AI 智能体可以帮助初创企业快速搭建智能化业务系统，尤其是 在项目管理和市场分析方面提供支持，助力其快速响应市场变化。 最后，政府机构和公共服务部门也可以从商务 AI 智能体中受 益。通过引入

古算力发展成效显著，算力分指数分别提升 6 名、8 名。浙江数字经 济发达，算力需求旺盛，建成并投运多个智算中心项目，推动算力 规模持续扩大，算力业务收入多，规模与质效均衡发展。内蒙古土 地、风电等能源资源丰富，算力中心建设成本低，智算中心集群化 发展，规模快速增长，算力分指数提升。 北京算力分指数有所下降，一是政策引导算力需求向周边及西 部迁移；二是由于土地资源、电力能源紧张，大规模建设算力基础 是加强细化场景适配，精准区分数据的温冷热属性，科学规划不同 类型算力中心在枢纽节点的布局与功能定位；鼓励业务场景按“时延 敏感度”分级施策：强实时、低延时任务需求就近部署，可离线、并 行型任务优先通过“运数据”部署在绿电富集区，推动“算随电走、数 随算流”的高效协同。三是畅通网络联接，大幅提升网络带宽和可靠 性，降低传输时延。四是政策激励协同，建立“发放-使用-评估-优化” 的闭环管理机制，保障政策精准有效落地；同步构建动态调整、分 管控，严格控制新建大型算 力中心 PUE，提升设备能效，推广应用高效 IT 设备、高效电源模块、 热回收技术等；推进老旧算力中心节能改造。二是优化能源结构， 加大算力中心使用绿电的比例，推动东、西部绿电资源与算力需求 匹配，鼓励算力中心参与绿电交易、碳交易机制，鼓励“源网荷储” 一体化数据中心园区建设。三是推广 AI 节能，利用人工智能技术优 化算力中心制冷、电力分配和负载调度，实现精细化管理节能。

2.1.2 地方与行业政策 生成式AI行业发展至今，北京市、上海市、浙江省、广东省、吉林省、湖南省等省市纷纷 出台人工智能政策，包括鼓励平台企业运用生成式人工智能，将生成式AI技术充分应用于 电商领域、长视频领域、医疗领域等。举例来说，北京设立1亿元支持AI发展，上海推进高质 量计算基础设施建设，深圳设立1000亿元AI基金等，各地形成了激烈的“政策竞赛”。 2.2.1.2.1 地方政策 （3）市场策略的调整 客户细分与精准营销：保险公司通过对客户数据的深入分析，将客户细分为不同的群 体，以实现精准营销和提高转化率。 合作与生态构建：保险公司与科技公司、医疗机构和其他服务提供商建立合作关系， 共同构建保险生态系统，提供一站式解决方案。 国际化与跨境服务：随着全球化的推进，保险公司开始探索跨境保险服务，为跨国企 业和旅行者提供保障。 综上所述，保险行业的数字化转型是一 地。 3.保险业落地实践篇 3.1 大模型落地路线 3.1.1 落地路线方法论 在保险企业寻求解决业务问题的过程中，直接采购已经训练好的大模型成为一种越 来越受欢迎的策略。众多模型服务商不仅提供将自家模型部署在客户环境中的能力，而且 与云平台的紧密合作，使得大模型服务可以通过云托管的方式提供，这种灵活的使用模式 进一步降低了保险企业使用大模型的门槛。 采用直接使用大模型服务的方

度上赋能所有这些活动（见图5）。目前，大多 数能力仍处于较低的自动化和决策自主化水平， 但在诸如“生产制造”“质量与生产控制”以 及“客户与现场支持”等集群中存在特例。在 这些领域，自动化已展现出强劲势头。例如，汽 车制造商依赖机器人装配线，利用AI驱动的精 准控制来提高生产速度并减少错误。 回顾国内供应链近十年的发展历程，大部 分龙头企业通过ERP的实施落地，在当时已具 备线上化、自动化能力，从而推动企业向数字 按相似特征划分的 活动集群 20. 21. 生产控制 质量控制 设计、研发与战略采购 1. 创意构思/创新 2. 新产品/新服务的设计、测试与验证 3. 采购寻源、供应商选择及合同磋商 4. 供应商发展与关系管理 计划与排程 5. 供需集成计划 6. 生产排程/物料需求计划（MRP） 7. 运输计划 8. 维修与备件计划 运输 9. 10. 11. 预警、风险、改进 17. 18. 19. 产业化（初始设备设置、规模扩大） 切换（包括清洁） 维修 22. 23. 供应商合同签订 采购到付款 24. 25. 26. 异常或风险检测及预警 评估与根因分析 内部及与供应商共同执行改进计划 27. 28. 29. 客户支持 现场服务 订单到回款 客户与现场支持 图3 端到端供应链活动被划分为2

块。 某试点项目数据显示，该方案使应收账款函证程序的耗时缩短 57%，同时将异常交易检出率提升 31%。这种提升不仅来自算法优 势，更源于对审计工作流的深度重构—— 例如将函证地址验证与工 商登记数据库实时对接，自动标记异常注册地。 值得注意的是，审计智能体的部署必须遵循严格的质控标准。 我们设计了双重校验机制：所有 AI 生成的分析结论都需通过独立 ” 规则引擎验证，关键审计判断则保留人工复核接口。这种 在保持审计证据链完整性的前提下，实现技术赋能的实质性突破。 流程自动化（RPA）的局部应用虽能提升基础核对效率，但在 面对非结构化数据（如合同文本、邮件通信）时仍显乏力。某上市 公司审计案例显示，其采购循环审计中仍有 62%的供应商资质验证 需要人工复核扫描件，这类场景亟需具备多模态处理能力的智能体 支持。同时，审计质量控制的最后一公里问题突出，现有系统缺乏 对审计底稿逻辑完备性的自动校验能力，导致约 28%的监管问询源 - 时序特征提取：生 成周期性波动分析所需的移动平均序列 归集阶段输出符合审计分析要求的数据立方（Data Cube）， 其维度设计如下： 维度类别 要素示例 处理要求 实体维度 客户/供应商/项目编码 主数据一致性校验 时间维度 会计期间/凭证日期 按审计期间自动切片 指标维度 金额/数量/汇率 单位统一与精度控制 审计属性维度 修改痕迹/审批流程状态 元数据完整性验证 模块实施

优化工程量清单的编制流程。例如，模型可以根据项目的规模和性 质，自动匹配最合适的清单模板，并根据历史项目数据，推荐合理 的工程量预估范围。对于特殊材料或工艺，模型还可以提供市场价 格趋势和供应商信息，为决策提供支持。 为提高清单编制的透明度和可追溯性，建议采用以下工作流程： 1. 模型初步生成清单并提交给项目团队。 2. 团队进行复核和调整， 重点检查异常数据。 3. 模型根据复核结果进行二次优化，并生成 际发生的成本数据， 并与预算进行对比分析。一旦发现成本偏差，模型能够快速生成预 警信息，并提出相应的调整建议。例如，当某一分项工程的成本超 支时，模型可以分析原因并提供替代方案，如调整材料供应商或优 化施工流程，以控制成本的进一步增加。 此外，DeepSeek-R1 还支持多维度的成本分析。通过对不同 项目、不同时间段的成本数据进行横向和纵向比较，模型能够识别 成本变化的趋势和规律。以下是一些常见的成本分析维度： 项目名称 工程量 单价(元) 总价(元) 审核结果 修正建议 混凝土浇筑 500 m³ 800 400,000 正常 无 钢筋安装 100 t 10,000 1,000,000 单价偏高 建议更换供应商 模板工程 2,000 m² 200 400,000 正常 无 通过以上流程和工具，DeepSeek-R1 在预算编制与审核中的 应用不仅提高了工作效率，还确保了预算的准确性和合理性，为工 程项目的顺利实施提供了有力保障。

和自动数据传输获得技术数据。这种方法确保数据的实时性和 准确性。 2. 数据集成平台：建设一个集成平台，汇集各类数据源如车载系 统、用户应用、环境监测设备等，确保数据的集中管理与分 析。 3. 与第三方数据服务商合作：借助外部数据服务商，获取更广泛 的用户行为和环境数据，降低数据获取成本。 4. 用户参与：通过应用程序和服务激励用户主动分享乘车行为数 据，如提供积分、优惠等，以此增加数据收集的广度和深度。 5. 化的出行建议和最佳换乘方案。这种服务不仅提升了乘客的满意 度，也增强了全网的运营效率。我们可以通过建立一套基于乘客数 据分析的智能出行服务平台，来实现对乘客需求的精准对接。 此外，深圳作为国内城市轨道交通的创新典范，其在无轨电 车、移动支付以及绿色出行等方面的探索也是值得借鉴的。通过以 用户为中心的设计理念，深圳的城市轨道交通系统不断提升服务能 力，推动了地铁与其他交通方式的无缝衔接。融合多种交通方式的 信息平台， 逐步展开以下方案： 1. 建立集中化的数据管理平台，整合运营、维护、安全等各类数 据，确保数据实时更新与可用性。 2. 开展小规模试点项目，通过监测与评估推动模型的不断迭代与 完善。 3. 加强与技术供应商的合作，借助专业团队的技术支持，快速搭 建和优化 AI 应用。 4. 关注政策与标准的制定，确保技术应用符合行业规定，从而提 升公众信任。 最后，随着技术的不断发展，AI 大模型将在城市轨道交通行业