， 从而具有理解和生成自然语言的能力，实现人机之 间的有效通信。自2018年双向编码表示模型（bidirec⁃ tional encoder representations from transformer，BERT） 的出现，以及 2022 年第四代生成式预训练模型（gen⁃ erative pre-trained transformer，GPT），人工智能领域 自然语言处理方向的重大突破，引领了大规模预训 练模型及应用研究的热潮。大语言模型技术的迅猛 进展正深刻地影响着机器系统智能化的轨迹，标志 着进入一个新的人工智能时代。从 BERT 到 GPT [1-2]， 这些模型通过深度学习和海量数据训练，不仅推动了 自然语言处理技术的边界，也正在改变知识获取和创 新的模式，将对应急管理体系发展、能力要求以及实 践操作产生深远的影响。在技术进步的强大动力牵 引下，需要重新审视并优化应急管理信息化建设路 收稿日期 2023-10-19 emergency management brain[J]. Journal of Command and Control, 2025, 11（2）: 217-224 摘 要 大语言模型不仅是人工智能领域自然语言处理方向的重大突破，也正在改变知识获取与知识创新的模式。在研究大语 言模型的知识获取与创新的原理之上，探讨了其在应急管理信息化建设中的应用，针对智慧应急中面临的建设困境以及业务系 统智能化水

智能助理产品的特点 . 深度学习与智能助理 目 录 用户终端的变化和技术的进步，推动更自然的人机交 互方式及产品形态 通过理解文本或语音形式 的自然语言来协助用户完 成需求的软件应用或平台 2000s PC 键盘 & 鼠 标 网站 时间 设备 交互方式 产品形态 2020s IoT 自然语言 在线助理 2010s 手机 触摸 APP ■ 从在线客服到在线助 在线助理：专业咨询、 售前交互、售后服务、 行业洞察等 • 在线客服：以售后服 务 为主 更主动的 双向交互 更丰富的 价值场景 更长期的 伙伴关系 1,800 基于人工智能与自然语言处理技术的在线智能助理产 品用户不断增加 虚 拟 个 人 助 理 (VPA) 将改变手机 用户与设备的互动 方式 ，并成为日常 生活的一部分 。 到 2019 年 ，全球 20% 的智能手机 600 1,400 1,200 1,000 800 600 400 200 0 • AI, NLP 等技术加速创新 • 以 GPU 为代表的算力提 升 基础设施 不断完善 自然交互 广泛应用 底层技术 不断成熟 • LBS 、移动支付全面普 及 • 服务从线下到线上 • IM 主导移动互联网 • 智能设备数量不断增 长 Number of Users

收稿日期 2024-08-01 录用日期 2024-09-09 Manuscript received August 1, 2024; accepted September 9, 2024 国家自然科学基金面上项目 (62173352), 广东省基础与应用基础 研究基金杰出青年基金 (2024B1515020104) 资助 Supported by National Natural Science SINICA January, 2025 数更新或微调的情况下, 仅通过文本交互来指定任 务和少样本示例就能很好地完成各类任务. 在此之 后, 具有优秀泛化能力与丰富常识的基础模型在计 算机视觉、自然语言处理等领域都展现出令人瞩目 的效果. GPT-4[5]、LLaMA[6]、LLaMA2[7]、Gemini[8]、 Gemini1.5[9] 等大语言模型能与人类进行流畅的对 话, 进行推理任务 捕获各模态之间的关系, 提取为统一的高维特征, 形成对世界的理解. 如对大量无标签的互联网文本 和图像进行预训练的视觉模型, 能将图像与文本编 码到同样的向量空间中, 这种对齐不仅有利于对环 境的感知, 也有利于对用户自然语言指令的理解, 利于完成复杂的任务. 本节主要讨论各类将大模型 用于具身智能感知与理解的方法, 讨论范围是文本、 图像和音频等信息, 其中感知的信息来源于环境与 人类用户. 1.1 多模态模型理解

.............................................................................................31 3. 自然语言处理（NLP）.......................................................................................... 大数据分 析提供精准的商业洞察。因此，设计一套切实可行的商务 AI 智能 体应用服务方案，对于企业在数字化转型中保持领先地位显得尤为 重要。 首先，商务 AI 智能体的核心优势在于其能够通过自然语言处理 （NLP）和机器学习（ML）技术，实现对海量数据的快速处理与分 析。例如，在客户服务领域，AI 智能体可以通过分析客户的历史行 为和偏好，提供个性化的服务建议，从而提升客户满意度和忠诚度。 企业的实际需求和资源条件。以下是一些关键的设计原则和实施步 骤：  需求分析：明确企业在业务流程中的痛点和需求，确定 AI 智 能体的应用场景和目标。  技术选型：选择适合企业需求的 AI 技术和工具，如深度学习 框架、自然语言处理引擎等。  数据准备：收集和整理企业历史数据，确保数据的质量和完 整性，为 AI 智能体的训练和优化提供基础。  系统集成：将 AI 智能体集成到企业现有的 IT 系统中，确保其 能够与其他业务系统无缝对接。

12 2.1 深度学习与机器学习...........................................................................14 2.2 自然语言处理（NLP）.......................................................................16 2.3 图像识别与处理.... 过引入 DeepSeek，金融银行不仅能够提升自身的核心竞争力，还 能在数字化转型的浪潮中占据先机，实现可持续发展。 1.1 DeepSeek 技术概述 DeepSeek 是一种基于深度学习和自然语言处理（NLP）技术 的先进人工智能平台，旨在通过高效的算法和海量数据训练，提升 金融银行业务的智能化水平。该技术通过多层次的神经网络模型， 能够自动提取、分析和处理复杂的金融数据，从而为银行和金融机 技术，DeepSeek 可以 从海量交易数据中识别潜在的风险因素，预测客户的信用违约概 率，从而帮助银行制定更加科学的风控策略。同时，在客户服务方 面，DeepSeek 的智能客服系统能够理解自然语言，提供 7*24 小 时的高效响应，显著提升客户满意度。 为了进一步提升 DeepSeek 技术在金融银行中的应用效果，以 下是一些关键的技术特点：  高精度预测：通过深度神经网络模型，DeepSeek

过程中每天会产生 PB 级别的日志，这些日志是一些类自然语言的文本，实时描述了设备 的运行状态、异常情况。 (2) 传统网络运维是机器语言的人工翻译过程：为了维护网络的稳定，运维人员会持续监控设备的运行状态，希望准确、及时地检测异常和 突发事件。网络日志是设备运行维护最重要的数据源，运维人员通常会通过解读日志中的自然语言、语义信息来发现问题、分析根因。 (3) 自动日志分析是机器语言的自动翻译过程： 全部的日志。更重要的是，分析设备日志需要丰富的领域知识，耗时耗力；简单的规则配置也无法理解文本的语义信息。 化⽂本 类 自 然 语 ⾔ 半 结 构 观点 1 ：软件日志运维是从机器语言向自然语言的 转化 转化 表：一些网络基础设施中的日志消息，日志中的详细信息和自然语言有一定的相似性 Action 机器语言 系统事件 异常告警 荨 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 自动日志运维 Action Action Action 运维对象 自然语 言 状态报表 分析报告 根因树 决策 Action 代际 输入 方法 目标 研究成果 类别 第一代

.........................................................................................44 3.3.1 自然语言处理（NLP）技术应用...................................................................................... 心逻辑，又能通过机器学习优化风险评分模型，最终形成人机协同 的审计增强模式。 1.2 人工智能在审计领域的应用前景 近年来，人工智能技术的快速发展为审计行业带来了革命性变 革的可能。通过机器学习、自然语言处理和大数据分析等技术的结 合，人工智能能够显著提升审计效率、准确性和覆盖范围。在传统 审计流程中，约 60%的工作时间耗费在数据整理、异常识别和底稿 编制等重复性任务上，而人工智能的引入可将这部分工作的处理速 识别与异常检测，基于深度学习模型分析历史审计案例和行业风险 特征，智能体可自动标记异常交易模式，其检测准确率在测试环境 中达到 92%，远超人工抽样检查的 65%水平。最后是智能分析辅 助，通过自然语言处理技术自动解析合同条款、监管文件，生成风 险提示和审计要点，使审计师能够聚焦于专业判断而非基础信息处 理。 关键技术指标对比表： | 维度 | 传统审计方式 | 人工智能辅助

型，具有极高的现实意义与可行性。 当前，面对全球医疗资源紧张、临床决策复杂化等挑战，传统 医疗模式已无法满足日益增长的患者需求。医务人员需要在短时间 内处理海量的信息并做出决策，这无疑增加了医疗风险。生成式大 模型通过自然语言处理、图像生成等技术，可以在多方面为医疗应 用提供支持。 首先，生成式大模型可以应用于临床诊断辅助。通过分析患者 的症状、实验室结果及影像学资料，这些模型能够生成初步的诊断 建议。这不仅 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 理解自己的病情，还能增强对健康管理的积极性。 生成式大模型在医疗场景的可行应用还包括：  医 动科技与医疗的深度融合，实现更好的健康管理。 2. AI 生成式大模型概述 AI 生成式大模型，正如其名称所示，是通过深度学习技术训练 的复杂模型，能够基于输入数据生成新的内容。这些模型广泛应用 于自然语言处理、图像生成、语音识别等多个领域，尤其在医疗场 景中展现出良好的应用潜力。通过海量医学文本、图像和结构化数 据进行训练，AI 生成式大模型能够理解并生成专业的医疗信息，辅 助医疗决策、提

管理体制 : 社会保险由政府职能部门管理 , 而商业保险由企业性质的的保险公司经营管理。 4.对象 : 参加社会保险的对象是劳动者 , 其范围由法律规定 , 受资格条件的限制。而商业保险的对象是自然人 , 投保人一般不受限制 , 只要自愿投保并愿意 履行合 同条款目即可。 5. 保障范围 : 社会保险解决绝大多数劳动者的生活保障 , 而商业业保险只解决一部分投保人的问题。 6. 资金来源 简单，此模型适合做专业报告及深度行业 解读的专家使用 保险常识 法律知识 医疗知识 营销素材 话术优化 话术推荐 保险规划 智能核保 智能理赔 实时质检 回答完整、全面，考虑到多方面情况，语 言表达流畅、自然、清晰、简洁；具备合 理的逻辑思维能力，推理和判断能力不错 逻辑更符合现实场景， ChatGLM130B 的 解 答优势在于部分问题可以引入生动的例 子加 以说明，这对于客户理解而言是个亮 简洁干练“精英范” 整体的解答优多于劣，部分的解答在保证 了全面性的同时，语言描述很干练，能让 客户一目了然 引用思路明确，业务规则、条款详细逻辑 性强，表现略有波动 问题涵盖面较好，表达自然，善于分类讲 解，思路清晰，每次的答案 / 话术都会总 结，通俗易懂 中规中矩“书生气” 通俗易懂“讲解员” 专家点评 专家点评 专家点评 保险常识 法律知识 医疗知识 营销素材

................169 1. 引言 在过去几年中，人工智能（AI）技术的飞速发展及其在各行各 业的广泛应用，推动了企业对大型模型（大模型）解决方案的日益 需求。随着深度学习和自然语言处理技术的突破，许多企业意识 到，通过利用大模型，可以显著提高产品的智能化水平，提升效 率，降低人力成本。与此同时，作为一种新兴的商业模式，软件即 服务（SaaS）平台的兴起，为企业提供了灵活、可扩展的解决方 ，为建设这样一 个平台提供可操作的指导。 1.1 背景 近年来，人工智能技术的迅猛发展为各行各业的数字化转型注 入了强大的动力。在这一背景下，大模型（如 GPT、BERT 等）因 其强大的自然语言处理和生成能力，逐渐成为了技术创新的核心。 大模型通过对大量数据进行训练，能够实现文本理解、情感分析、 自动创作等多种应用，为企业提供了新的商业机会和解决方案。 随着云计算的普及，企业对软件即服务（SaaS）模式的需求不 加，SaaS 平台可以灵活支持不同业务场景。 4. 政策支持：全球范围内，许多国家和地区已经将人工智能作为 战略重点，相关政策的出台为行业发展提供了良好的环境。 5. 技术的成熟度提升：随着深度学习、自然语言处理等技术的进 步，大模型的性能不断优化，商业化应用日益成熟。 当前，市场上已经出现了一些以大模型为核心的 SaaS 平台， 它们通过 API 接口为企业提供便捷的功能调用，降低了技术门槛。