项目编号： 审计领域接入 DeepSeek AI 大模型构建 Agent 智能体提效 设 计 方 案 目 录 1. 引言................................................................................................................................ .....................................................................................18 2.3 构建智能体提效方案的核心目标............................................................................................. 42%的工作时间用于数据清洗和基础分 析，而高风险领域的识别准确率仅为 68%。这种现状迫切需要通过 智能化工具实现效率突破。 DeepSeek 等大语言模型技术的成熟为审计变革提供了新的可 能性。相较于通用 AI 模型，审计智能体需要具备三个核心能力维 度：首先是领域知识的深度适配，包括国际财务报告准则 （IFRS）、美国通用会计准则（GAAP）等超过 2000 项条款的准 确解析；其次是多模态数据处理能力，既能解析

大模型技术 深度赋能保险行业白皮书 （2024） 阳光保险集团股份有限公司 清华大学五道口金融学院 中国保险学会 科大讯飞股份有限公司 2024年10月 PREFACE 前 言 � 在人类科技发展的历史洪流中，2023年无疑是大模型技术取得突破性进展的元年。 ChatGPT的问世，如同一颗石子投入平静的湖面，激起了全球科技领域的滔天巨浪。它不 仅深刻改变了人机交互的方式，更预 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 为国民经济的重 要支柱和风险管理的重要力量，必须紧跟时代步伐，把握科技革命的历史机遇。我们希望通 过本白皮书的发布，为保险业做好科技金融和数字金融两篇大文章提供有力支持，推动保 险行业从科技赋能向科技引领的转变。同时，我们也呼吁行业同仁和合作伙伴加强交流与 合作，共同推动科技保险和数字保险的发展，共创保险行业的美好未来！ 最后，我们要诚挚感谢所有参与白皮书编写的专家学者、行业同仁和技术伙伴。正是大

1 埃森哲报告：AI 赋能保险，三大应用场 景如何重构价值链？ 人工智能(AI)使机器能够模拟和增强人类智能，它的出现正值保险和其他行业 数字化转型之际。尽管人工智能技术仍处于发展阶段，但在现实世界中，它 已应用于不同行业。人工智能正被用来解决各种各样的挑战，它使机器和系 统之间的交互更智能、更简单。 保险公司也逐渐进入这一领域，新一代人工智能技术有望帮助保险公司重新 定义其工作 •保险公司应该改变现有工作方式，包括采用 RPA(机器人流程自动化)以及智 能决策支持系统； 2 •保险公司要允许人工智能在整个价值链中创造性地利用数据，挖掘所有数据 集中隐藏的价值。 AI 三大应用场景：人力资源+流程管理+数据分析 “人工智能”一词包含许多不同的技术和能力。我们可以将人工智能定义为：能 够感知、理解、行动和学习的计算机系统。换句话说，一个系统可以感知它 保险科技初创企业也意识到了这些技术的重要性，许多公司都将人工智能作 为战略核心，他们的员工都能熟练使用人工智能工具。埃森哲分析了全球 450 多起保险科技公司的投融资情况，结果显示，2014 至 2016 年间，与人工智 能或智能自动化相关的投资数量增长了大约两倍。 只有通过智能框架来提高员工的工作效率，利用智能自动化和数据分析实现 产品创新，保险公司才可以借助人工智能实现效益最大化。 5

推进全国一体化算力网络工作，综合算力指数作为衡量我国算力发展水平的重 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。 我国算力产业发展已取得一定进展，但产业数字化转型进程仍 面临诸多挑战：区域间算力发展水平差距较大，综合算力协同发展 潜力尚待充分挖掘，亟需通过深化一体化算力网建设，强化统筹协 同与动态优化能力；全面提升算力供给质效，加速推动结构的迭代 升级；夯实存力运力底座，促进“算存网”协同演进；构建绿色低碳 体系，加速基础设施绿色升级；深度开展融合创新实践，助力产业 生态繁荣发展。 《2025 综合算力指数》全面呈现了我国综合算力发展现状，挖 ...................... 36 （一）深化一体化算力网，强化统筹协同与动态优化.................................. 36 （二）提升算力供给质效，推动结构迭代升级.............................................. 37 （三）夯实存力运力底座，促进“算存网”协同演进.................

..............................144 1. 引言 在快速发展的城市化进程中，城市轨道交通作为现代城市交通 的骨干力量，其重要性愈发凸显。如何提升城市轨道交通的运营效 率、增强服务质量、降低运营成本，成为了行业亟需解决的关键问 题。近年来，人工智能（AI）技术的飞速发展为城市轨道交通行业 提供了新的解决方案。AI 大模型的应用不仅可以有效提升决策支持 能力 拥挤和不 便；车辆调度管理复杂，需实时响应动态变化的乘客需求；安全隐 患在高密度运营下也日益增多。因此，引入 AI 大模型以实现智能 化、高效化的运营管理显得尤为重要。基于 AI 的大数据分析能 力，能够帮助运营方获取更为精准的客流预测，优化车辆调度方 案，提高整体运营效率。 在这一背景下，AI 大模型在城市轨道交通行业的应用方案应围 绕以下几个核心方面展开： 1. 客流预测与分析：利用 理者 和技术团队提供全面而具体的 AI 大模型应用实施指南，以推动行 业的数字化转型。在实施过程中，将重点考虑安全性、可行性与经 济性，确保各项技术能够落地实现，最终为城市轨道交通提供更高 效、安全和友好的服务。 2. AI 大模型在城市轨道交通的应用场景 在城市轨道交通行业中，人工智能大模型的应用场景广泛且切 实可行，能够有效提升运营效率、增强乘客体验以及优化资源配 置。这些应用主要集中在以下几个方面：

具有重要 的作用。模型能够整合各类医疗信息，包括患者的病史、当前病情 及最新的医学研究成果，为医生提供个性化的治疗建议。例如，针 对肿瘤治疗，可以通过模型生成多种治疗方案，并对每种方案的有 效性及可能的不良反应进行评估。 此外，在患者教育方面，生成式大模型也展现出良好的应用前 景。通过与患者进行自然语言交互，模型能够根据患者的具体情 况，提供针对性的健康指导和信息。这样一来，患者不仅能更好地 AI（Explainable AI）技术，可以为生 成的结果提供一定的可解释性，帮助医生理解模型推荐的依据，从 而增强对其建议的信任度。 为了促进 AI 生成式大模型在医疗中的应用，需要建立一套有 效的数据管理和安全使用框架。这些框架应包括数据隐私保护、合 规性审查以及模型的持续监测。医疗数据通常涉及敏感信息，因此 确保数据安全与病人的隐私至关重要。 通过以下几点，我们可以更清晰地理解 AI 其次，大模型在自然语言处理方面表现出色，使其在医疗文档 和交流中的应用尤为突出。例如，通过对医学文献、病历记录和患 者交流的分析，大模型可以提取重要信息，进行智能问答、知识检 索和文书生成。这样的自动化处理不仅提高了医务人员的工作效 率，也降低了信息检索中的人为错误率。 再者，大模型在预测和决策支持方面的能力也不容小觑。通过 对历史数据的深度学习，大模型能够识别出潜在风险因素，为临床 医生提供科学的决策依据。例如，预测患者住院的可能性、疾病进

风险管理上投入 更多的资源，以确保业务操作的合法性和透明性。此外，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 较弱，依赖大量数据 在实际应用中，银行需要根据具体业务需求选择合适的技术。 例如，对于需要处理大量结构化数据的场景，如信用评分，机器学 习可能是更优的选择；而对于需要处理非结构化数据的场景，如智 能客服或图像识别，深度学习则更具优势。通过合理结合机器学习 和深度学习技术，银行能够全面提升业务效率和风险管理能力，从 而在激烈的市场竞争中占据有利地位。 2.2 自然语言处理（NLP） DeepSeek 使得银行能够更好地应对市场变化和客户需求，从而在激烈的竞争 中保持领先地位。 3. 金融银行应用场景 在金融银行领域，DeepSeek 技术的应用可以显著提升业务效 率、优化客户体验并加强风险管理。首先，DeepSeek 可以用于智 能客服系统，通过自然语言处理技术，自动解答客户的常见问题， 减少人工客服的压力。例如，客户可以通过银行 APP 或网站随时查 询账户余额、交易记录、贷款信息等，系统能够快速准确地提供答

1. 项目概述 在当前金融科技的迅速发展中，银行系统面临着处理大量复杂 数据和提供高效服务的挑战。为了应对这些挑战，本项目旨在部署 Deepseek 大模型，以提升银行系统的智能化水平和处理效 率。Deepseek 大模型，作为一种先进的 AI 技术，能够处理结构化 和非结构化数据，提供精准的预测和决策支持。 项目的主要目标包括提高客户服务质量、优化风险管理、增强 反欺诈能力以及提 的灵活性和可扩展性。此外，项目还将注重数据安全和隐私保护， 遵守相关的法律法规和行业标准。 为了衡量项目的成功，我们将设立一系列关键性能指标 （KPIs），包括但不限于客户满意度、处理速度、错误率和成本效 益等。通过这些指标，我们可以对模型的效果进行量化评估，并根 据反馈进行必要的调整和优化。 总之，通过部署 Deepseek 大模型，我们期望能够显著提升银 行系统的智能化水平，为客户提供更加个性化、高效和安全的服 模型在银行系统中的部署仍面临诸多挑战，包括数据安全、模型性 能优化、系统集成和合规性等问题。 为应对这些挑战，本项目旨在设计一种切实可行的 Deepseek 大模型部署方案，确保其能够在银行环境中高效、稳定、安全地运 行。该方案将结合银行的实际业务需求和技术架构，从以下几个方 面展开：首先，明确大模型在银行系统中的核心应用场景，包括但 不限于客户服务、风险管理和运营优化；其次，设计高可用、高性 能的模型部署架构，确保系统能够支持大规模并发请求；再次，制