化AI（agentic AI）这类新兴系统而言，这一点尤为 关键，因为它们并非简单遵循固定指令，而是需要 统筹协调复杂的任务流程。 其二，简化流程。那些善于精简运营、标准化 流程的企业，将能更快地规模化应用技术，更迅 速地适应变革，并加速AI的学习周期。在当今的市 场格局中，这些无疑是一种核心的竞争优势。 我们对全球1000名企业高管的调研进一步 印证了这些关键战略举措的必要性。调研表明， 通过三项关键举措脱颖而出。首先，通过安全的数 字核心构建坚实的数据基础，并以此为依托实现 平台与治理框架的标准化。其次，对AI赋能技术进 行战略性投资，通常先从目标明确的试点项目入 手，待方案验证有效后再进行规模化推广。最后， 重塑人与技术的协作模式，推动人的角色从执行 例行工作转变为战略性指导与统筹监督。 在自主智能供应链的转型浪潮中，未来的分 界已然清晰可见：那些积极拥抱自主智能供应链 的企业，将创造出前所未有的商业价值，并构建起 成果。近四成（39%）受访企业表示， 得益于更优的再利用、再循环和资 源效率，自主化运营将显著推动供 应链的循环性。 实现自主智能供应链 7 1. 构建坚实且安全的数据基础 2. 投资关键AI技术，加速规模化 战略布局 3. 重构人与技术的协作模式 图1 企业应对中断的反应时间与恢复时间 敏捷性 4天 11天 从中断或变更中 恢复的时间： - 60% 应对中断的 反应时间： - 62%

........................... 41 综合算力指数 1 一、综合算力研究背景 （一）算力需求爆发式增长，全球竞争日益激烈 随着人工智能、大数据、工业互联网等新技术规模化应用，全 球算力需求呈现指数级增长。从智能工厂中精准控制生产设备的工 业机器人，到智能交通里实时规划路线的导航系统，再到个性化推 荐服务背后复杂的算法运算，各类数字化场景都高度依赖强大、稳 是支持建设和升级大型 AI 集群、智算中心，支持大模型训练推理、 复杂人工智能应用。二是突破核心技术瓶颈，集中攻关高端训练及 推理芯片、先进计算架构、高速互连芯片技术等领域，强化国产芯 片在现有系统中的规模化应用验证和生态适配。三是加强算力与行 业结合，推动更紧密对接工业仿真、材料研发、生物医药、气象预 报等前沿领域和实体经济需求。四是发展多元化算力形态，支持边 缘计算、量子计算、光子计算等新型计算模式的研发、试点和应用

生产的平稳过渡 · 高投入：必须依赖大数据、大算力、大资金和大能耗的支持，推动模型性能最大化 面临的挑战： · 开发难度：当前人工智能模型的开发周期长，难度高，存在成本与效率的矛盾 · 规模化瓶颈：从试验性产品到生产线产品，需要解决模型适配性与通用性问题 解决路径： 口推动模型的柔性制造，实现更高效、更低成本的开发流程 口借助自动化、模块化和流水线技术，降低生产成本，提升部署速度 DeepSeek

异构数据 多，格式和标准不统一，进一步导致管理和存储成本的上升。在海量AI数据预处理过程中， 非结构化数据清洗、数据标注等工作的效率往往不高，也严重影响了AI应用目标的达成。 协同计算挑战：规模化的AI训练和推理任务，往往采用分布式架构执行，参数同步时的通信 需求巨大，传统云网络在高并发实时通信场景下难以满足 PB 级数据传输的低延迟需求。同 时，很多AI任务混合使用CPU、GPU、TP

《2024 政府工作报告》 2024 年 3 月 深化大数据、人工智能等研发应用，开展“人工智能+”行动，打造具有国际 竞争力的数字产业集群。实施制造业数字化转型行动，加快工业互联网规模化 应用，推进服务业数字化，建设智慧城市、数字乡村 行业研究〃信息服务行业

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。 近年来，国寿投资公司深入贯彻落实国家数字化转型战略，不断加强新技术的研究、 应用、推广和转化。对于处于萌芽期和成长期技术，采用内外联合实验室等多种方式，开展 新技术研究和成果孵化；对于处于成熟期的技术，加快实现规模化应用。 2023年，随着AIGC大模型技术的火爆，国寿投资公司以业务场景的价值赋能为目标， 主动拥抱大模型前沿技术，进行相关试点研究和成果孵化，自主搭建公司大模型应用中 台，通过结合不同底层模 员对新技术的理解，同时完成各部门科技伙伴岗设立，成立跨部门结对工作小组，后续将 逐步针对投资研究、客户服务、投资管理、投资运营、合规风控、协同办公、数据分析、品牌 宣传等业务领域开展场景挖掘，通过科技、业务双端的不断积累，共同推动规模化应用的 落地。 同时随着大模型技术的飞速发展，其可能带来的安全风险也日益凸显，大模型技术的 安全治理是一个涉及技术、伦理和法律等多个层面的复杂问题，大模型在训练阶段和测试 过程中都可能出现数

规则引擎验证，关键审计判断则保留人工复核接口。这种 人机协 ” 同 模式既保持了专业判断的权威性，又实现了基础工作的智能化 替代。随着审计准则第 1321 号对 IT 控制的强化要求，该方案已通 过三家监管机构的合规性评估，为规模化应用扫清了制度障碍。 1.1 审计行业的现状与挑战 近年来，审计行业在全球化与数字化浪潮下面临着前所未有的 变革压力。随着企业业务复杂度提升、数据量呈指数级增长，传统 审计模式在效率、覆盖面和风险识别能力上的局限性日益凸显。根 型增量训练。优化方向聚焦三个维度： 试点结束前需输出三份关键交付物：《系统缺陷分级修复方 案》、《人机协同操作手册 2.0 版》、《ROI 测算报告》。同时预 留 1 周缓冲期，用于处理未闭合问题项，确保后续规模化推广基础 达标。所有优化必须通过审计质量管控小组的合规性审查，特别关 注《审计署关于技术应用的规定》第 14 条关于人工终审的要求。 5.5 全面推广与培训 在全面推广与培训阶段，需通过系统化部署和分层培训确保智

间的协 作与信息流通。 最后，试点成功后可考虑扩大范围，将 AI 大模型推向其他业 务线或城市轨道交通网络的更多区域。通过总结试点中获得的经验 教训，制定出更为全面的实施方案，为整体项目的规模化推广奠定 基础。 实施步骤 描述 选择试点线路 评估当前运营状况与数据质量 数据预处理 清洗数据、处理缺失值 特征工程 提取相关特征 模型选择与训练 选择 AI 模型并进行训练 模型验证

完整的数据处理与模型训练方案，以满足企业在复杂场景下的智能 化需求。项目通过对多源异构数据的采集、清洗、标注和结构化处 理，打造高质量的知识库，为后续的 AI 模型训练提供坚实的基 础。同时，结合先进的深度学习技术和规模化计算资源，设计高效 的模型训练流程，确保模型在准确性、泛化能力和计算效率方面达 到预期目标。项目的实施将涵盖以下关键步骤：  数据采集与整合：从内部系统、公开数据集以及第三方数据源 中获取数据，确保数据的多样性和覆盖度。