45 5.1 自动化预算编制流程..........................................................................47 5.2 成本预测与估算..................................................................................48 5.3 预算审核与优化 情信息以及建筑材料价格波动，从而为造价工程师提供更为精准的 成本估算和预测。此外，DeepSeek-R1 还能够通过自然语言处理 技术，自动解读建筑图纸、合同文本等技术文档，进一步减少人为 干预，提高工作效率。 在具体应用中，DeepSeek-R1 大模型可以广泛应用于以下几 个关键环节：  成本预测：通过分析历史项目数据和当前市场行情，进行精准 的成本预测，减少预算偏差。  风险评估：利用大数据分析技术，识别潜在的风险因素，提供 风险管理不足：传统方法在风险预测和应对措 施上较为薄弱，难以提前识别潜在的成本超支或工期延误风险。 DeepSeek-R1 大模型通过引入深度学习算法，能够在以下方 面显著提升工程造价管理的效率和质量： 1. 数据处理与分析：模 型能够快速处理海量数据，并提取关键信息，减少人工干预的同时 提高准确性。 2. 动态预测与调整：基于实时数据，模型能够动态 预测成本变化趋势，并提供优化建议，帮助管理者及时调整策略。

...............................................16 2.1.2 预测客流量与车次安排..............................................................18 2.2 设备故障预测与维护...................................................... .83 6.1.1 案例一：智能调度系统..............................................................84 6.1.2 案例二：故障预测与维护..........................................................86 6.2 经验总结与教训....................... 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 AI 算法对历史客流数据进行深度分 析，可以准确预测不同时间段、不同线路的客流变化趋势，进 而为运营管理提供有效支持。 2. 车辆调度优化：基于实时数据和预测信息，构建高效的车辆调 度模型，

1 信用风险评估.............................................................................27 3.1.2 市场风险预测.............................................................................28 3.1.3 操作风险识别...... 1 投资组合优化.............................................................................57 3.5.2 市场趋势预测.............................................................................59 3.5.3 自动化交易系统..... 2 资源调度优化.............................................................................65 3.6.3 成本控制与预测.........................................................................67 4. 实施策略...............

.......................................................................................108 13.3 收益预测................................................................................................... .....................................................................................129 16.2 市场变化预测................................................................................................... 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。 此外，在供应链管理方面，AI 智能体能够实时监控库存水平，预测 市场需求，并自动调整采购计划，以确保供应链的高效运转。 其次，商务 AI 智能体的应用不仅限于单一的业务环节，而是能 够贯穿整个企业价值链。从市场营销到财务管理，从人力资源管理 到产品研发，AI

.........................................................................................82 5.1 故障预测与监测..................................................................................84 5.1.1 运营数据分析 基于上述背景，本项目计划实现以下目标： 1. 构建全景三维模型，涵盖铁路沿线的所有基础设施和环境要 素，实现对各类资源的可视化管理。 2. 通过 AI 算法，分析沿线数据，实现对铁路状态的实时监控和 预测，提升突发情况的应对能力。 3. 打造一套智能化的决策支持系统，通过大数据分析，为铁路沿 线的维护、调度和管理提供科学依据。 4. 实现与现有铁路管理系统的无缝对接，提升数据利用效率，实 现资源的共享与协同。 线的复杂情况，包括轨道状况、设备运行状态和周边环境变化等。 这种智能分析能力不仅可以支持日常的维护和检修，还能加强对突 发事件的应急处理能力。通过对历史数据进行学习，AI 模型能够逐 步提高其预测和判断的准确性，减少人工干预的需求，降低人力成 本。 此外，实景三维 AI 大模型在支持智慧交通体系建设方面表现 出色。通过与其他交通设施（如信号系统、监控摄像头等）的联 动，实景三维模型能

者线上支出增长了30%1，这不仅催生了众多新兴 渠道，也带来了产品个性化定制的新需求。气候变 化、公共卫生危机以及汽车行业等特定领域的深 刻变革，均对企业的敏捷性提出了前所未有的要 求。突发且不可预测的地缘政治变局以及持续变 化的贸易环境，正迫使首席供应链官们迅速调整 其运营网络。更为复杂的是，劳动力老龄化、员工 在职年限的缩短以及技能短缺，正导致宝贵的组 织经验不断流失。 时至今日，仅仅追求成本效益 期在运营效率和生产力上取得显著收益。他们相 信，自主化系统不仅能够将订单交付周期缩短27%、 劳动生产率提高25%，从而使企业能够更快地响 应客户需求，同时还可以将按时交付率提升5%。 实现运营绩效的 全面突破 在不可预测的环境中增强运营可靠性，这对于那 些将快速履约视为核心竞争优势的行业而言，更 是重大利好。 可持续性的提升是另一项重要 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 完全自动化的生产流程，通过制造业数字孪生来引导流程，实现无人工干预的切换。 • • 利用预测、财务标准、产能和运营多约束优化计划与排程，并提供可借鉴的实用建议。 增强型人工决策，实现跨域跨组织的无缝计划变更。 • 超过95%的交易实现自动化流程及问题解决。 • 利用分析工具监督流程以提高流程效率。 • 利用事件和预测算法实现自动化维修计划，并通过人机增强支持高效的任务执行、备件订购和 行动建议。

整业务模型，确保模型与业务环境的一 致性，提升业务响应速度。 大模型基于历史数据和实时数据，进行 预测性分析，识别未来业务趋势和风险， 支持前瞻性决策。 大模型通过深度学习和强化学习技术， 提供智能决策支持，优化决策流程，提 升决策质量和效率。 动态建模与实时决策支持能力构建 实时数据集成 动态模型调整 预测性分析 智能决策支持 04 技术架构设计与模型融合 方案 分布式计算与云原生架构支撑体系 险特征，动态调整风控策略和模型 参数，确保系统始终处于最优状态， 适应复杂的金融环境。 客户行为深度分析 大模型能够基于客户的实时行为和市场变化， 预测其未来的财务需求和投资倾向，为财富管 理顾问提供前瞻性建议，提升客户满意度和忠 诚度。 动态需求预测 智能化资产配置 结合客户画像和风险偏好，大模型可以自动生 成最优的资产配置方案，包括股票、债券、基 金等，帮助客户实现财富增值的同时，有效控 通过设计领域特定的特征提取器，捕 捉金融数据中的关键模式和规律，如 交易行为特征、风险评估指标等，增 强模型对金融领域数据的理解和处理 能力。 多任务学习 结合银行数字化转型中的多种任务 （如风险预测、客户画像、智能推荐 等），采用多任务学习框架，使模型 在多个任务中共享知识，提高整体效 率和效果。 领域自适应（ Domain Adaptation ）技术实现 增量学习策略 反馈闭环优化

里程碑： ChatGPT 的成 功 ChatGPT 日活量（ 2022.11- 2023.02 ） 三阶段训练技术构建 GPT 3.5 辨别式 AI 对现有内容进行分析、分类、判断、预测 客户流失预测 生成式 AI 自动生成开放的文本、图像、音频、视频等内容 短视频片段 广告视频 多模态生成 相对通用的人工智能 一个大模型解决多个问题 自适应地应对复杂外界环境的挑战 专用人工智能 专用人工智能 一事一模型，每个模型完成特定智能任务 解决特定的智能问题 里程碑： ChatGPT 的成 功 AI 1.0 时代 AI 2.0 时代 图像分类 文本分类 信用评估 房价预测 销量预测 客户分群 新闻聚类 广告定向 社区发现 文生图 文生视频 语音与对话 影视与广告 文章报告 问答内容 人像写真 广告图片 样例代码 测试用例 视频生成 分类 聚类 推理过程和答案不一致 Yann LeCun 的批判观点： 对纯粹扩大规模方法的根本质疑 Mehrdad Farajtabar ： "LLM 本质上是统计模式匹配工具，而非真正的 推 理系统 " 、 " 下一个词预测框架不足以产生真正的理解 " Yann LeCun ： 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

......................... 13 图 13 中国人工智能市场规模预测 .............................................................................. 14 图 14 全球人工智能市场规模预测 ............................................... .............................................................................. 15 图 17 中国智能算力规模及预测 .................................................................................. 16 图 18 企业 AI 瞻性和战略规划结合起来，朝着特定的结果前进。 扫地机器人、项目管理软件、 电子游戏 基于模型的 Agent 适用于并非总是可见或可预测的信息时。这个模型会根 据环境中传入的数据不断更新，因此人工智能 Agent 可 以对环境中未见的部分进行推断，并预测未来的状况。 自动驾驶技术、自动灌溉、智 能家居 分层 Agent 分层 Agent 类似于复杂的组织结构，具有不同的决策层

而自然语言则通 过 CLIP 的语言编码器转化为语言特征, 随后体素 特征一起输入至 Perceiver Transformer, 最后输出 序列经过解码器处理, 恢复到原始体素网格的维度, 并用于预测离散化的行动动作. 通过对场景进行三 维体素化, 并使用编码器进行场景、语言的特征提 取, PerAct 能够有效地对环境进行建模, 获取全局 感受野, 并在多任务设置中执行精确的 6-DoF (De- 利用图神经网络 (Graph neural net- work, GNN) 预测粒子运动, 并通过少量样本适应 性地调整模型以适应新材料. 实验表明, Adapti- Graph 在预测准确性和任务熟练度方面优于非材料 条件和非自适应模型. 该方法在处理包括绳索、颗 粒介质、刚性盒子和布料在内的多种真实世界可变 形物体的预测和操控任务中表现出色. 神经辐射场 (Neural radiance field Affordan- ceLLM[94] 将大模型的世界知识与 3D 几何信息相结 合, 通过视觉语言模型 (Vision language model, VLM) 骨干扩展了一个掩码解码器和一个特殊特 征, 用于预测可操作性图. 实验证明, 该方法能够综 合理解场景的多个方面, 包括物体及其部分的检测、 定位和识别、场景的地理空间布局、3D 形状和物理 特性, 以及物体与人类潜在的交互功能, 此外还能 够处理全新的动作