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。 《2025 综合算力指数》为我们提供了一个全面而系统的视角来洞察我国算 力发展最新进展。通过科学的指数体系构建，将“综合算力”解构为几十余项具 体的指标，映射出我国在算力领域的发展状况，这将为国家制定精准的产业政 策提供科学依据，为产业的技术创新和投资方向提供“指南”。 展望未 模型能力则深度释放算力在各场景的应用效能。如何更科学的评估 我国综合算力发展现状，全面把握区域产业短板与优势，成为推动 我国数字经济高质量发展的新命题。 我国正处于数字经济加速跑的关键期。近年来，我国在算力领 域取得了显著进展。一是算力结构不断优化，技术创新成果频出； 二是存储规模与性能实现结构性突破，为海量数据的高效处理提供 了有力支撑；三是运力基建稳步推进，调度机制逐步完善，有效提 升了算力资源的调配效率；此外，模型技术与产业应用的双轮驱动， 分指数中，北京市、广东省、浙江省等表现出色。环境分指数中， 青海省、内蒙古自治区、河北省等表现杰出。城市算力分指数中， 廊坊市、张家口市、大同市、广州市、杭州市等位居前列。 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

负责与业务方沟通，明确需求并将业务需求转化为技术实现方案， 确保项目输出的成果能够满足业务需求。 项目团队的具体职责分工如下：  项目经理：负责项目的整体规划、进度管理、资源协调和风险 管理，主持项目会议，跟踪项目进展，确保项目按时交付。  数据工程师：负责数据采集、清洗、预处理和存储，开发和维 护数据管道，确保数据的可用性和完整性。  算法工程师：负责算法的设计、优化和实现，解决数据处理和 模型训练 应； 3. 引入第三方技术审核机制，确保模型训练的科学性和可 靠性。  资源风险： 1. 制定详细的资源分配计划，确保人力、物力和财力的合 理配置； 2. 建立资源动态调整机制，根据项目进展灵活调配资源； 3. 提前规划外部资源获取渠道，确保在资源不足时能够及 时补充。  外部环境风险： 1. 密切关注政策法规变化，确保项目符合相关法律法规要 求； 2. 建立与外部合作伙伴的沟通机制，及时获取外部环境变 估。 通过上述方法，可以全面识别项目中的潜在风险，为后续的风 险评估和应对措施制定提供坚实的基础。 5.1.1 技术风险 在知识库数据处理及 AI 大模型训练项目中，技术风险是影响 项目进展和成果质量的关键因素之一。首先，数据质量问题可能直 接影响模型的训练效果，例如数据噪声、缺失值、不一致性等问题 会导致模型学习到错误的特征，从而降低模型的泛化能力。为此， 需建立严格的数据清洗和预处理流程，包括数据去重、缺失值填

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，更预示着一个由大模型引领的智能新时代的到来。比尔· 盖茨的赞誉、马斯 · · · · · · · · · · · · · 34 2.3 保险业数智化转型进展· · · · · · · · · · · · · · · · · · · · · · · · · · · 35 2.3.1 保险业数智化转型是一个全方位多层级的渐进过程· · · · 36 2.3.2 保险业数智化转型进展· · · · · · · · · · · · · · · · · · · · · · 突破。合成数据的应用，有效克服了现实世界数据在获取难度、规模限制及多样性不足等 方面的挑战；图形处理单元（GPU）和张量处理单元（TPU）等高性能计算硬件的飞速发展， 为算力提升提供了强有力的保障；多模态模型的突破性进展，打破了传统人工智能（AI）技 术界限，实现了信息处理能力的全面升级；视频生成模型的显著进步，更是让创意与想象 在数字世界中自由翱翔；而混合专家系统（MoE）架构的广泛应用，则进一步提升了模型的

、智能周报、文章翻译、会议纪要等细分场景。 n 我们认为，随着 DeepSeek 开源降本， 中小银行有望加速部署应用，快速追赶与大行之间差距。 资料来源：信通院、中泰证券研究所 21 落地进展：大行发力早，中小银行推进更快 50% 40% 30% 20% 10% 0% -10% -20% 2022 金融科技投入（亿元） 2023 金融科技投入（亿元） 小时人工工作量，风险预警响应速度提升 20% DeepSeek 应用进展 数据来源：中电金信研究院公众号，中泰证券研究所 23 各银行 DeepSeek 落地进展情 况 金融机构 n AI 技术落地不及预期的风险。从研发到实际应用的转化过程里，

海量数据中提取有意义的信息，同时为医疗决策提供辅助。具体而 言，以下是生成式大模型在医疗应用中不可忽视的优势：  加速医疗信息的处理：生成式大模型能够快速处理大量医疗文 献和数据，从而为医生提供最新的研究进展和治疗方案。  提升诊断准确性：通过对患者数据的深度学习，生成式大模型 可以辅助医生做出更准确的诊断判断，从而提高医疗服务质 量。  实现个性化医疗：根据患者的历史数据和特征，生成式大模型 应用发展，还将为医务人员提供强大的技术支持，从而更好地服务 于患者。通过充分利用这一新兴技术，我们可以期待医疗领域的进 步，实现更高效、智能的医疗服务。 2.1 定义与特点 AI 生成式大模型是近年来人工智能领域的一项重要进展，其核 心在于通过大规模的数据训练，使得模型能够生成与输入相关联的 多种形式的内容。这些模型通常基于深度学习架构，尤其是 Transformer 结构，具备处理和理解自然语言、图像、声音等多模 持。在未来，随着技术的进一步发展和数据的不断丰富，大模型必 将在医疗行业中发挥更加重要的作用。 2.2 当前技术发展现状 近年来，AI 生成式大模型在自然语言处理和计算机视觉等领域 取得了显著的进展，这些技术的快速发展为医疗领域的应用创造了 广阔的前景。根据 OpenAI、Google DeepMind 等多家研究机构 的研究，当前生成式大模型在多项任务中展现出优异的性能，特别 是在文本生成、图像合成和多模态学习等方面。

优化资源配置：DeepSeek-R1 能够综合分析项目需求与市场 供应情况，提出最优的资源配置方案，从而降低材料、人力和 时间成本。  增强风险管理能力：DeepSeek-R1 通过实时监控项目进展和 市场变化，能够及时识别潜在风险，并提供相应的应对策略， 有效降低项目风险。  提升决策支持水平：DeepSeek-R1 提供的数据分析和预测结 果，能够为项目管理者提供有力的决策支持，帮助他们做出更 正则化以及 Dropout 技术， 增强了模型的鲁棒性。此外，通过交叉验证方法对模型性能进行了 评估，确保其在未见数据上的表现稳定。 在训练过程中，还采用了以下优化策略：  动态学习率调整：根据训练进展动态调整学习率，避免陷入局 部最优。  批量归一化：在每一层的输入进行归一化处理，加速模型收敛。  数据增强：通过随机噪声注入、数据扩充等技术，提升模型的 泛化能力。 以下是模型训练过程中的关键参数配置： 外，模型还能根据项目特征和市场价格波动，自动调整合同中的工 程量清单和单价，确保合同的合理性和可行性。 在合同执行阶段，DeepSeek-R1 能够实时监控合同履行情况， 自动识别偏差并预警。通过将合同条款与项目实际进展数据对接， 模型可动态评估进度、成本和质量是否符合合同要求。例如，当某 分包商的施工进度滞后时，模型会分析其对整体工期的影响，并提 供调整建议，如增加资源投入或重新分配任务。同时，模型还能自

： 自回归大型语言模型没有前途 Apple 提出 LLM 并非真正的推理系统 怀疑论 2023-2024 年，推理能力突破性进展： • OpenAI o1/o3 在数学和代码推理任务上的卓越表现 • 开源大模型 DeepSeek-R1 在 MATH 基准上达到 87.2% 的准确率 横空出世： R1 匹敌 OpenAI o1 DeepSeek 的 “ aha moment” 这种深度推理能力是如何实现的？是单纯的规模扩展结果，还是有其他关键因素？ 2023-2024 年，推理能力突破性进展： • OpenAI o1/o3 在数学和代码推理任务上的卓越表现 • 开源大模型 DeepSeek-R1 在 MATH 基准上达到 87.2% 的准确率 横空出世：

施通常需要多个领域的专业知识，包括交通工程、数据科学、运营 管理等。建立一个跨功能团队可以促进不同专业知识的融合，从而 提高项目成功的概率。 反过来，团队内部的沟通与协作至关重要。通过定期召开工作 会议，跟踪项目进展，及时发现问题并进行调整，可以有效减少项 目的风险。同时，创建开放的反馈机制，让团队成员自由表达观点 和建议，有助于提升团队的凝聚力和创造力。 在技术实施过程中，也需要考虑到系统的可扩展性和维护性。 召开讨论会议，识别出可能的风险，建立应对策略。 资源配置 根据项目需求，配置必要的人力、技术和资金资源。 启动会议 召开会议，确保所有参与者明确项目的目标与安排，记录并分 发会议纪要。 定期评估与反馈机制 确定项目进展的评估标准，建立定期更新进展的机制，便于及 时调整方案。 通过上述步骤，项目启动阶段将为后续的实施奠定坚实的基 础，使得城市轨道交通行业的 AI 大模型应用方案能够顺利推进。 建议在这一阶段保持灵活性，及时应对外部环境变化，确保项目始 建立沟通机制：搭建有效的沟通渠道和反馈机制，例如定期召 开项目进展会议、使用项目管理工具等，确保信息的透明与共 享。 5. 设置绩效评估体系：建立团队成员的绩效考核指标，定期进行 评估与反馈。这能够帮助提升团队的积极性和工作效率。 6. 团队文化建设：培养团队的协作精神和创新意识，鼓励成员积 极提出改进意见和创新方案，以达到团队整体目标。 由于团队的成功组建与否直接影响项目的顺利进展，因此在这 一环节需要高度重视

领域各路大咖预测： 5 - 10 年内，人类将迎来 AGI 的时代。 2024 年 10 月 21 日 OpenAI CEO Sam Altman 「我们距离 AGI 我们持续见证着人工智能开发的飞速进展。以下是我们对人工智能经济学的三个观察： 1. 人工智能模型的智能水平，大致与训练和运行它所消耗的资源量 ( 取对数后 ) 成正比。 这些资源主要包括训练所需的算力、数据和推理算力。看起来，只要持续投入资金， 能的控制。专家们对这些风险的现有证据有不同的解读：一些人认为这些风险还需 要几十年的时间，而另一些人则认为通用人工智能可能在未来几年内导致社会规模 的危害。通用人工智能能力的最新进展——特别是在科学推理和编程测试方面—— 为人工智能支持的黑客攻击和生物攻击等潜在风险提 供了新的 证据，导致一家主要 的人工智能公司将其对生物风险的评估从最佳模型的“低”提高到“中”。

的业务骨干 组成，确保模型功能与业务需求紧密匹配。风险合规团队则负责监 督项目的合规性，降低潜在风险。 为确保项目的高效推进，制定了详细的沟通和协作计划。例 如，每周召开跨部门会议，讨论项目进展和问题；每月向高层管理 汇报项目状态，确保战略目标的一致性；与外部参与者保持定期沟 通，及时解决技术和业务上的挑战。通过明确的角色分工和高效的 协作机制，确保 Deepseek 大模型在银行系统的部署能够顺利实施 训练完成、系统集 成测试通过等，并为每个里程碑设定清晰的质量标准。 项目实施过程中，将采用敏捷管理方法，将大任务分解为可执 行的小任务，并通过迭代方式进行推进。每周将举行项目例会，审 查任务进展、识别风险并制定应对措施。项目计划中还将预留一定 的缓冲时间，以应对可能的技术挑战或需求变更。 此外，项目计划中将明确资源分配，包括硬件资源（如 GPU 集群）、软件工具（如深度学习框架）和人力资源（如数据科学家 与模 型开发和部署需求相匹配的框架和工具，例如 TensorFlow、PyTorch 等，同时需考虑与现有银行系统的兼容 性。 在资源分配和调度方面，建议采用动态资源管理策略，根据项 目的进展和需求调整资源分配。例如，在模型训练的高峰期，可以 临时增加计算资源的配额；在模型部署和测试阶段，则需确保开发 和生产的资源隔离，以避免干扰。为了实现高效的资源调度，可以 使用资源管理工具，例如