软件研发与开发环节，主要包括需求调研、设计、编码、测试和交付等； 产业链下游为应用与服务环节，主要包括行业专用软件、智能硬件以及各种智能解决方案。 智能软件研发企业显现出鲜明的地域集聚特性，高度集中于特定区域并形成集群效应。 截至2023年末，中国软件百强榜单上的企业大多坐落于北京、广东、浙江、江苏、山东、福建及上海等省市。其中，北京以37家企业独占鳌头， 广东与浙江紧随其后，分别有14家 和新型存储技术革新的背景下，智能软件研 发行业将迎来前所未有的发展机遇。 中 产业链中游环节分析 中游分析 智能软件研发企业显现出显著的地域集聚特征，呈现高度集中与区域集群态势。 截至2023年底，中国软件百强企业高度集中于北京、广东、浙江、江苏、山东、福建及上海等省市。其中，北京、广东、浙江稳居前 三，分别坐拥37家、14家、12家入选企业。在城市维度上，这些企业广泛分布于全国25个省会及经济发达城市。尤为突出的是，百强 该政策旨在，推动炼油行业向绿色创新和高质量发展转型，促使智能软件研发行业开发更高效的能源管理、污染控制及自动化生产解决方案，提升炼油过程的智能化 水平，促进节能减排和技术升级。 政策性质 指导性政策 智能软件研发行业的市场集中度较高。智能软件研发行业呈现以下梯队情况：第一梯队公司有科大讯飞股份有限公司、用友网络科技股份有 限公司、上海宝信软件股份有限公司等；第二梯队公司有中国软件与技术服务股份有限公司、北京金山办公软件股份有限公司、金蝶软件（中

现有技术工具难以应对跨系统数据关联分析需求，而监管机构对审 计时效性与准确性的要求却逐年提高，例如美国公众公司会计监督 委员会（PCAOB）将重大错报风险检测窗口期缩短了 30%。 审计行业当前的核心痛点集中在三个维度：首先，数据处理的 低效性导致人工成本居高不下。以财务报表审计为例，审计师平均 需要耗费 40%的工作时间在数据清洗与基础核对上，而抽样检查覆 盖率不足 5%的现象普遍存在，隐藏了重大风险盲区。其次，复杂 ERP 系统导出的 SAP 凭证）、非结构化数据（如合 同文本扫描件）以及时序数据（如银行流水）的统一处理。通过特 征提取引擎自动生成审计特征矩阵，典型特征包括但不限于：凭证 金额离散度、交易时间集中度、关联方交易频次等 12 类核心指 标。 分析层采用混合推理模式，其技术实现如下表所示： 组件 技术实现 性能指标 规则引擎 基于 Drools 框架实现 300+条审计规则，支持动态 加载 ），动态生成风险热力图。关键指标包括： | 风险维度 | 检 测指标 | 阈值逻辑 | |—————-|—————————| ————————-| | 收入真实性 | 客户集中度变化率 | 季度波动 >15% 触发预警 | | 费用合规性 | 差旅费/ 营收占比 | 超过行业百分 位 P90 时报警 | | 资产存在性 | 固定资产周转率偏离度

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： 首先，智能调度系统的应用是一个关键场景。利用 AI 大模型 分析实时数据，包括列车运行状态、乘客流量、天气变化等，可以 动态调整列车发车频率和线路配置，以应对不同的需求波动，减少 节点上安装传感器，收集设备的实时数据，例如温度、振动、压 力、电流等。 其次，监测系统需具备数据采集和传输能力。建议采用边缘计 算设备，以便在设备附近进行初步的数据处理，快速筛选出异常信 号并通过无线网络将数据上传至云平台进行集中分析。最终用户可 以通过移动端或 PC 端系统及时获取数据反馈。 构建监测系统的基本步骤如下： 1. 确定监测目标：根据设备的关键性和故障率评估，明确需要重 点监测的设备和部件。 2. 选 设备传感器直接采集：多个设备上安装传感器，通过实时监测 和自动数据传输获得技术数据。这种方法确保数据的实时性和 准确性。 2. 数据集成平台：建设一个集成平台，汇集各类数据源如车载系 统、用户应用、环境监测设备等，确保数据的集中管理与分 析。 3. 与第三方数据服务商合作：借助外部数据服务商，获取更广泛 的用户行为和环境数据，降低数据获取成本。 4. 用户参与：通过应用程序和服务激励用户主动分享乘车行为数 据，如

信息汇聚、资源共享、 协同运行和优化管理等 综合应用功能的智能化 集成系统或数字化综合 管理平台。 《建筑节能与可再生能源利用通用规范》第 3.3.6 条，建筑面积不小于 2 万平方米且采用集中 空 调的公共建筑，应设置建筑设备监控系统 (BAS),BMS 的主要组成就是 BAS 。 BMS 更多 的 是底层数据采集实时处理， IBMS 是加持 AI 、大数 据、算法、模糊控制、信息化等技术 信息汇聚、资源共享、 协同运行和优化管理等 综合应用功能的智能化 集成系统或数字化综合 管理平台。 《建筑节能与可再生能源利用通用规范》第 3.3.6 条，建筑面积不小于 2 万平方米且采用集中 空 调的公共建筑，应设置建筑设备监控系统 (BAS),BMS 的主要组成就是 BAS 。 BMS 更多 的 是底层数据采集实时处理， IBMS 是加持 AI 、 大 数 据、算法、模糊控制、信息化等技术的综

要的角色，其主要任务是对原始数据进行清洗、转换和标准化，以 确保后续模型训练的准确性和高效性。该模块的核心功能包括数据 清洗、数据转换、特征选择与提取、以及数据标注。 首先，数据清洗是预处理的基础步骤，其主要目的是去除数据 集中的噪声、异常值和重复数据。通过统计分析手段，识别并剔除 不符合逻辑或超出合理范围的数据点。同时，针对缺失值问题，可 以采用插值法或机器学习算法进行填补，确保数据的完整性。 其次，数据转换是将原始数据转化为适合模型训练的格式。常 将数据集划分为多个 子集，并由不同节点同时进行特征提取和模型训练。 其次，系统将采用参数服务器（Parameter Server）架构来支 持分布式模型的训练。在分布式训练过程中，模型参数会被集中存 储在参数服务器中，而各个计算节点通过异步或同步的方式更新参 数。这种架构不仅能够加速训练过程，还能够有效避免单点故障， 提升系统的容错能力。例如，在深度学习模型的训练中，可以通过 参数服务器实现梯度更新和模型参数的全局同步。 Selenium 4，用于单元测试 和自动化测试，确保系统功能完备。 5. 安全与监控： o 日志管理：部署 ELK（Elasticsearch, Logstash, Kibana）堆栈，集中管理和分析系统日志。 o 监控工具：配置 Prometheus + Grafana，实时监控系 统性能，及时发现并解决潜在问题。 o 安全扫描：定期使用 Nessus 进行安全漏洞扫描，确保

在处理知识库数据时，缺失值是一个常见的问题，可能会对后 续的 AI 大模型训练产生不良影响。因此，选择合适的缺失值处理 方法是确保数据质量的关键步骤。以下是针对缺失值处理的详细方 案： 首先，需要对数据集中的缺失值进行全面的识别和分析。可以 通过统计每个特征中的缺失值比例来判断其严重程度。对于缺失比 例较高的特征，建议考虑删除该特征或进行特征的重新设计；而对 于缺失比例较低的特征，则可以采用填充或插值的方法进行处理。 3），可以将超出该范围的数据点视为异常值。另一种方 法是基于箱线图（Boxplot），通过四分位数范围（IQR）来识别 异常值，即超出 1.5 倍 IQR 的数据点被视为异常值。 对于数据集中的异常值，处理方式通常包括以下几种： - 删除 异常值：如果异常值是由于明显的错误（如数据录入错误）而产生 的，且数量较少，可以直接删除这些异常值。 - 修正异常值：如果 异常值并非错误， 在数据预处理完成后，需要将数据集划分为训练集、验证集和 测试集。通常，训练集占总数据的 70%-80%，验证集占 10%- 15%，测试集占 10%-15%。划分时需要保证各类别的样本在训练 集、验证集和测试集中分布均匀。对于时间序列数据，需要按时间 顺序划分，以避免数据泄露。 为了防止过拟合，可以采用正则化技术，如 L1、L2 正则化， 或者在训练过程中使用早停法。此外，训练数据的标准化和归一化

实现对图像中目标的快速检测和定位。  利用循环神经网络（RNN）或长短时记忆网络（LSTM）处理 时序数据，实现对列车运行状态的预测和分析。 最后，模型的训练与优化是提高模型表现的关键步骤。通过对 数据集中选择合适的训练集和测试集进行分割，使用交叉验证的方 法评估模型的泛化能力。在训练过程中，可以应用以下策略进行优 化：  超参数调优：通过网格搜索或贝叶斯优化等方法调整学习率、 批量大小等超参数。 模型训练造成严重影响。因此，对异常数据的处理必须引起足够的 重视。在实际应用中，异常数据处理可以分为几个关键步骤，包括 异常检测、异常数据标记、数据修复和数据去除等。 首先，异常检测是识别出数据集中不符合预期的异常点。可以 采用多种方法进行异常检测，如基于统计的方法（如 Z- score、IQR）和基于机器学习的方法（如孤立森林和支持向量机 等）。这些方法可以帮助我们自动化地识别出不合常规的样本。例 插值方法。此外，可以利用先进的算法进行数据插补，如基于 k 近 邻算法，利用相似数据点为异常值预测合适的替代值。 当某些异常数据无法修复且可能对分析结果产生更大影响时， 可以考虑将其从数据集中去除。此时，应量化保留与去除数据的影 响，确保去除的合理性，以免误伤正常数据。因此，在去除前，最 好进行一次综合分析，确认去除该数据的必要性。 具体操作流程如下： 1. 数据采集 收集切片数据，进行初步统计分析。

可再生能源热力系统 燃煤电厂 区域供冷站 公共建筑空调 城市 / 区域集中供冷 / 热 建筑供热 工厂能动系统 太阳能供热 污水废水余热 ，并基于 SMOTE 算法合成新样本 ·Nadd 为第 i 个类生成的额外微调对话的 数 量 · N₃ 故障类和无故障类的数量 ·Ntotal 原始微调数据集中的对话数 · r 为需生成的新的提示量增加的百分比 ·P; 优化后的模型在第 i 类的诊断准确率 ·Pj 优化后的模型在第 j 类的诊断准确率 口基于已有检测与诊断提示数据样本，利用

0多行业中英双语数据集及InfinityInstruct千万级指令微调数据集， 强化了预训练模型的基础能力与对话交互能力。 与开源文本数据集比较，当前开源多模态数据集面临着规模小、多样性匮乏及来源单 一（主要集中于HTML文档）等显著局限，这些问题制约了开源多模态大模型的发展步伐， 拉大了其与闭源多模态大模型之间的性能差距。为填补这一空白，今年7月，由华盛顿大学、 Salesforce Research 在客户服务、保险销售、核保理赔等方面展现了极大的应用价值。据报告，2024年金融AGI 市场规模已达到3.8亿元，同比2023年增长7倍以上，显示出金融大模型市场的快速增长 势头。 （2）医疗行业 在医疗领域，大模型的应用主要集中在患者问诊、医生助手、药物研发、健康科普等多 个方面。医疗大模型通过理解人类语言、完成逻辑推演和生成最终结果，为医疗行业带来 了天然的应用优势。尽管医疗数据的互不连通和近乎为零的容错率给医疗大模型的商业 投入规模持续增长，预计在 未来几年内将保持稳步增长。 （2）基础设施全面升级 云计算与大数据平台：保险公司纷纷构建或采用云计算平台，实现IT资源的弹性扩展 和高效利用。同时，建立大数据中心，集中存储和处理海量数据，为后续的数据分析和挖掘 提供基础。 人工智能与机器学习：在人工智能领域，保险公司投资建立AI研究实施机构，以探索 机器学习、自然语言处理、图像识别等技术在风险评估、客户服务、产品设计等方面的应用。

员的情绪状态，辅助事件分析。 数据应用与展示功能同样至关重要。系统应提供友好的用户界 面，支持多种展示方式，便于用户对视频数据和分析结果进行查看 和操作。具体需求包括：  实时监控视图：将多个视频源的实时画面集中显示。  查询与检索功能：用户可以根据时间、地点、事件类型等条件 快速检索历史视频数据。  分析报告生成：系统能够自动生成事件分析报告，方便用户对 事件进行后续跟踪和处理。 最后，系统 高 机器学习、模式识别算 法 事件抽取 提取事件关键信息 中 自然语言处理、事件模 型 情感分析 分析事件中涉事人员的情绪状态 中 计算机视觉、情感分析 算法 实时监控视 图 多画面集中显示及控制 中 前端框架、视频拼接技 术 查询与检索 功能 快速检索历史视频数据 中 数据库技术、索引优化 分析报告生 成 自动生成事件报告 低 报告生成工具、模板引 擎 用户权限管  数据划分：将原始数据集划分为训练集、验证集和测试集，确 保每个集中的数据分布均衡。  模型训练：利用训练集对所选特征模型进行训练，采用适当的 优化算法，如 Adam 或 SGD，调整模型参数以最小化损失函 数。  性能评估：使用验证集进行模型评估，采用准确率、召回 率、F1-score 等指标，确保模型在测试集中的表现达到预期 要求。  调参：根据验证结果对模型进行参数调整，优化模型的表现。