的 路线图，助力您在这场关键的重塑中把握先机。 实现自主智能供应链 5 挑战 催生变革， 供应链 亟待重塑 企业正逐渐意识到，传统商业增效策略的回 报日益递减，无论是规模经济、全球化，还是精益 生产和六西格玛TM，这些都催生出了对开辟新价 值来源的迫切需求。 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 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 化供应链的探索。高科技电子行业及快消零售

管理，降低 运营成本。 商务 AI 智能体的核心功能包括： 1. 自然语言处理：通过语义理解和生成，实现人机交互，提升 沟通效率。 2. 机器学习：通过分析历史数据，自动优化算法，提升决策精 度。 3. 数据分析：通过大数据分析，提供商业洞察，支持战略决 策。 4. 自动化流程：通过自动化工具，减少人工干预，提高运营效 率。 在设计商务 AI 智能体时，需要充分考虑企业的具体需求和业 。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 AI 技术，政府和公共服务部门可以优化行政审批流 程、提升公共服务质量，甚至在某些领域实现智能化决策支持。 为了更清晰地展示目标客户群体及其需求，以下表格总结了不 同客户群体的主要需求和对应的商务 情景模拟与决策优化：模块支持用户输入不同假设条件，进行 情景模拟分析。例如，在市场营销领域，用户可以通过模拟不 同预算分配方案，评估其对销售目标的影响。  方案对比与推荐：模块能够生成多个备选方案，并从成本、收 益、风险等维度进行对比分析，最终推荐最优方案。 此外，决策支持模块还需具备动态更新的能力。随着市场环境 和业务需求的变化，模块能够自动调整模型参数，确保决策建议的 时效性和准确性。同时，模块支持人机交互功能，决策者可以根据

DeepSeek，银行不仅能够提升业务处理效率，还能在复杂的市场 环境中做出更为精准的决策，从而显著降低运营成本，增强风险抵 御能力。  风险控制：DeepSeek 通过实时监控和分析交易数据，能够精 准识别异常行为和潜在风险点，为银行提供及时的风险预警和 应对策略。  客户管理：借助 DeepSeek 的智能分析能力，银行可以深入 挖掘客户需求，提供个性化的金融服务，提升客户满意度和忠 的技术手段 和灵活的部署方式，能够为金融机构提供全方位的智能支持，推动 行业向更加高效、智能的方向发展。 1.2 金融银行业务挑战 在金融银行业务中，随着全球经济的快速发展和客户需求的日 益多样化，金融机构面临着前所未有的挑战。首先，市场竞争的加 剧迫使银行不断提升服务质量以吸引和保留客户。传统的业务模式 已无法满足现代消费者的期望，尤其是在数字化和个性化服务方 面。其次，监管环境 技术创新 的快速迭代对银行的技术基础设施提出了更高要求，如何有效整合 新兴技术如人工智能、区块链和大数据分析，成为银行提升运营效 率和竞争力的关键。最后，客户数据的隐私保护和安全性问题也日 益突出，银行需要建立更加严密的防护机制，防止数据泄露和欺诈 行为的发生。以下是金融银行业务的具体挑战：  市场竞争：如何在激烈的市场竞争中脱颖而出，提供差异化的 产品和服务。  监管合规：应

归属净利润同 比增长(%) 摊薄净资产收 益率(%) 实际税率(%) 应收账款周转 天数(天) 预收款/营业收 入 流动比率 每股经营现金 流(元) 毛利率(%) 流动负债/总负 债(%) 速动比率 摊薄总资产收 益率(%) 营业总收入滚 动环比增长(%) 扣非净利润滚 动环比增长(%) 加权净资产收 益率(%) 基本每股收益 (元) 净利率(%)

服务管理 应用场景 大模型 广场 大模型精调 解决方案 腾讯云精调知识大模型 DeepSeek 系 列 模 型 DeepSeek 系 列 模 型 一键发起模型训练 模型训练 内置 DS 全系模 型 客户专属模型 客户专属模型 混元系列模型 混元系列模型 TI 平 台 模型服务 腾讯云 TI 平 台 大模型模型训练和推理开发平台，灵活精调和部署私有 DeepSeek 训练 部署 公有云自带容器底座 TKE u 私有化自带容器底座 TCS 腾讯云 TI 平台产品核心能力 面向实战的一站式大模型精调部署解决方案 AI 建模部署 大模型精调 u 快速试一试： 零代码一键部署大模型，网页问答体验推理效果 u 精调训练： 低代码、灵活自定义两种精调模式自由选择 多种训练工具：具备周期调度能力的可视化建模，低门槛深度学习场景化 工具，交互式代码开发工具，专业的通用任务调度工具 jupyter 的高效自定义镜像制作工具 训练指标监控：丰富的指标监控及告警，覆盖网络及 GPU 算力 内置训练加速：全新升级 Angel 训练框架加速能力，性能提升 30% 精调数据配比训练： 内置 100+ 任务类型精调配比数据 AI 框架 u Pyspark ， pytorch, vllm ， megatron 等 通用训练框架 u triton, vllm, sg lang,

上传活动材料 / 心得分享 平台功能  微课随学：微课形式体现，通过碎片化时间学 习，让学习党课无时无刻。  学而致用：每个课时学习完成都有匹配课时内 容的考试，时刻了解党员学习成果。  寓益于学：信息展示、交流互动，帮助党员收 获更高价值，多维度的排行榜机制，促进创新 争优。 平台功能 党校及教育学习  权威、专业、丰富、生动的教育资源  支持课程定制和学习，满足专项培训需求

能 力，能够精确捕捉细节并生成高保真的模型。 2. 三维建模软件：例如 AutoCAD、SketchUp、Blender 等，这 类软件适合对点云数据进行后期处理和建模，能够进行模型的 细节精修、材质贴图及渲染。 3. GIS 软件：ArcGIS、QGIS 等地理信息系统软件用于处理和分 析空间数据，能够为建模提供必要的地理参考和数据集成，确 保模型与实际地理环境的高度一致。 4. 数据进行整合，以形成更为全面的模型基础。 合并后的数据将通过基于深度学习的算法进行特征提取和分 类，识别出铁路沿线的各类物体和环境特征，例如铁路轨道、桥 梁、隧道、信号设施及周边环境等。这一过程兼顾了实时性与高精 度，有助于形成完整的铁路环境三维模型。 在数据处理阶段，采用的技术流程如下： 1. 数据采集 o 使用无人机进行航拍，获取影像数据。 o 应用激光雷达完成三维点云数据的实时记录。 o 利用列车上的传感器获取动态环境数据。 AI 大模型构建提供 坚实的基础支持。 3.1.1 航拍与地面采集相结合 在铁路沿线实景三维 AI 大模型的应用中，现场数据的采集是 基础性工作，而有效的采集方案直接影响到后续模型的构建和精 度。因此，采用航拍与地面采集相结合的方式，将充分发挥两种技 术的优势，确保获取全面、精准的数据。 航拍技术将通过无人机搭载高清摄像设备，在规定的航线和高 度上进行定点巡航，实施大范围、高效率的数据采集。无人机可以

到万亿级，预训练大模型数量迅速增长，技术迭代进一步加快。 综合算力指数 9 大模型技术不断创新，推动应用场景加速向千行百业与垂直场 景渗透延伸，人工智能与实体经济持续深度融合，其催生的经济效 益与社会价值日益凸显。在金融领域，通过大模型技术实现精准分 析海量数据，助力金融机构优化风险评估、提升决策效率，降低运 营成本的同时，为客户提供更个性化的服务体验。在医疗行业，大 模型技术通过深度 省、 湖北省，具体情况详见图 19。北京生态能力全国领先，作为全国科 技创新中心，拥有众多科研机构、高校和科技企业，为模型生态的 发展提供了丰富的资源和良好的环境。广东生态能力优势明显，得 益于其发达的经济、完善的产业配套以及良好的创新创业环境，吸 引众多企业参与模型的应用和生态建设，形成了较为完善的模型生 态环境。 综合算力指数 31 来源：中国信息通信研究院 图 19 省级行政区模力分指数-模型生态

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 （3）透明度不足风险。大模型的复杂性可能导致决策过程不透明，客户难以理解保费 计算或理赔决策的依据。这可能影响客户信任度，并引发投诉和纠纷。 （4）合规性风险。大模型的应用可能涉及多个法律法规领域，如《保险法》、 《消费者权 益保护法》等。如果处理不当，可能违反相关法规，导致法律诉讼和罚款。 （5）责任归属风险。当大模型做出错误决策时，确定责任方可能变得复杂。例如，在自 动核保过程中，如果模型拒绝了一个本应被接受的保单，责任应由谁承担？这可能引发内 据，则可以基于私有化开源模型和专属向量知识库进行大模型技术的安全应用。 智能知识库分析：大模型结合向量数据库的方式为让其具备领域级知识理解能力提 供了可能性，平台通过灵活的知识库分析框架，支持文本向量分段、大模型QA拆分、QA精 准导入等多种知识录入方式；同时通过“向量+全文+重排”的方式进一步提高了答案的召 回率和准确性，适应问答、阅读、生成等不同场景。 任务可视化编排：目前的企业业务需求千差万别，想让大模型完全自主地规划与完成

全性和可控性，同时利用公有云 的弹性资源应对突发的高计算需 求。 结合资源使用监控和成本分析工 具，优化算力资源配置策略，在 满足业务需求的同时，降低硬件 和云服务成本，提升整体经济效 益。 高性能算力资源配置与弹性扩展方案 05 数据治理与知识图谱构建 多源异构数据清洗与标准化处理 数据源整合：银行系统中存在大量多源异构数据，包括结 构化数据（如交易记录、客户信息）和非结构化数据（如