我们认为金融行业人工智能的应用价值大体可以分为三个层次： 降本增效，价值创造与决策赋能。在实际银行落地应用 中，可能包括： 1 ）降本增效：智能客服、信贷审批、合同质检； 2 ）价值创造： AI 编程、智能风控、智能营销等； 3 ） 决 策赋能： 深度分析和决策辅助。 n 从实际落地应用情况看， 大行发力更早， 中小银行正在快速追赶。如工商银行、建设银行、招商银行等大行布局更早， 邮 储 Advanced 图表：澳新银行 AI 编程对生产力的提 升 图表： AI 编程为软件开发带来的影 响 45 40 35 30 25 20 15 10 5 0 n 风控管理是银行业务经营的的核心任务之一， DeepSeek 拥有卓越的推理能力，能够助力银行显著提升风险识 别 的效率与准确性，快速剖析风险因素并生成详尽的分析报告，全面增强银行的风险管控能力。 构建“数据 + 算法 + 算力 + 场景”四位一体的智能决策体系， 该体系已成功应用于信贷风控、反欺诈监测等 20 余个业务场景，尽调报告生成效率提升 40% ，欺诈风险标签准 确率提升 35% ，构建起覆盖贷前、贷中、贷后的全生命周期智能风控网络。 18 价值创造场景之二：智能风控 n 智能营销助手：依托知识图谱与大模型的协同合作，银行能够精准捕捉客户信息， 量身定制个性化营销策略，精准触

务、 数据分析和决策支持。 在行业应用方面，AI 技术正逐步渗透至金融、医疗、制造等多 个领域。在金融行业，通过智能风控、智能投顾等应用，提升了风 险管理和投资决策能力。在医疗行业，AI 辅助诊断和个性化治疗取 得了显著成效，大幅提升了患者的就医体验。  智能风控提升信贷审批效率  医疗影像辅助诊断准确率大幅提高  制造业智能生产线降低运营成本 此外，我国的人工智能政策环境也为行业发展提供了强有力的 在 AI 行业中，大模型 SaaS 平台的目标客户主要包括但不限于 中小企业、金融机构、医疗健康、教育和电商等各类行业。中小企 业希望通过成本相对较低的 SaaS 服务，降低技术门槛，实现智能 化转型；金融机构和医疗健康行业则需要依赖大模型提升风控、数 据分析与决策支持能力；而教育和电商行业则借助人工智能优化用 户体验及个性化推荐。 市场竞争态势同样值得关注。目前，市场上已经出现了一批成 通 过大模型分析交易数据和客户信息，提升服务效率和准确性。 2. 医疗健康：利用大模型进行医学图像识别、基因组学分析、个 性化治疗方案规划等，助力医生提高诊断准确率及治疗效果。 3. 零售与电商：应用于个性化推荐、库存管理、消费者行为分析 等方面，帮助商家提升销售和客户满意度。 4. 制造业：通过预测性维护、质量控制和供应链优化，提升生产 效率，降低成本。 5. 智能家居和物联网：在设备智能化、用户交互和数据分析方

过协同创新升级全栈服务品质，同时也利用自身融合发展的经验优势，助力企业积极开展国际化 布局。 �� 1.1 技术全面升级，为复杂的企业在线业务提供保障 企业在线业务的受众范围和功能复杂度在快速增加，在金融交易、电商直播、实时游戏等场景 下，服务端动辄需要支持百万级并发连接和毫秒级响应要求，应对海量的网络协议处理、页面加 载、安全等事务。企业云计算客户不仅对算力密度有极致追求，还期望通过连接性能和存储技术 持续的融合创新，助力企业的国际化布局 面对智能化、全球化、融合化的发展浪潮，国内云服务商凭借自身在互联网创新、跨境电商以及 AI创新应用等领域的创新优势，不仅可以为自身拓展新的广阔发展空间，也为全球市场带来新的 发展机遇与变革动力。 互联网创新推动全球市场繁荣：国内云服务商在互联网创新方面的成果优势，一方面体现在 业务的示范效应，例如在电商、社交媒体、在线教育、远程办公等互联网服务领域，国内云 服务商具有丰富的融合开发 展和进步，例如综合运用云网络、分布式云架构、负载均衡、CDN等技术，保障全球用户获 得流畅的访问体验。 �� 跨境电商形成市场综合服务优势：一些国内大型云服务商具备丰富的跨境电商业务运营经 验，可以整合跨境物流、支付等环节的资源，为跨境电商企业提供一站式的解决方案。在信 息服务方面，具备强大的数据分析工具，能够帮助跨境电商企业精准洞察不同地区消费者的 需求和偏好，优化选品和营销策略，有效保障交易数据的安全合规要求。

古算力发展成效显著，算力分指数分别提升 6 名、8 名。浙江数字经 济发达，算力需求旺盛，建成并投运多个智算中心项目，推动算力 规模持续扩大，算力业务收入多，规模与质效均衡发展。内蒙古土 地、风电等能源资源丰富，算力中心建设成本低，智算中心集群化 发展，规模快速增长，算力分指数提升。 北京算力分指数有所下降，一是政策引导算力需求向周边及西 部迁移；二是由于土地资源、电力能源紧张，大规模建设算力基础 是加强细化场景适配，精准区分数据的温冷热属性，科学规划不同 类型算力中心在枢纽节点的布局与功能定位；鼓励业务场景按“时延 敏感度”分级施策：强实时、低延时任务需求就近部署，可离线、并 行型任务优先通过“运数据”部署在绿电富集区，推动“算随电走、数 随算流”的高效协同。三是畅通网络联接，大幅提升网络带宽和可靠 性，降低传输时延。四是政策激励协同，建立“发放-使用-评估-优化” 的闭环管理机制，保障政策精准有效落地；同步构建动态调整、分 管控，严格控制新建大型算 力中心 PUE，提升设备能效，推广应用高效 IT 设备、高效电源模块、 热回收技术等；推进老旧算力中心节能改造。二是优化能源结构， 加大算力中心使用绿电的比例，推动东、西部绿电资源与算力需求 匹配，鼓励算力中心参与绿电交易、碳交易机制，鼓励“源网荷储” 一体化数据中心园区建设。三是推广 AI 节能，利用人工智能技术优 化算力中心制冷、电力分配和负载调度，实现精细化管理节能。

召回率 语音生成 接口服务 摘要总结 诱导防护 覆盖率 · · · · · · · · · · · · · · · 营销服务应用 营销话术优化 客服话术推荐 综合规划配置 营销素材设计 合规风控应用 智能核保 智能理赔 实时质检 评分说明 大模型名称 公司名称 百度 GPT- 3.5 GPT- 4.0 Claude 1 Claude 2 阿里巴巴 智谱华章 奇 虎 合规并尽量不流失客户 0 1 2 3 4 5 0 1 2 3 4 5 0 1 2 3 4 5 智能核保能力指数 智能理赔能力指数 应用能力评测：保险风控及合规应用 合规风控应用评测是对大模型基础能力的综合考验。 OpenAI 公司开发的 GPT- 4 表现实属亮眼，而国内头部大模型也展现 出 出了强劲的赶超之势 GPT- 4 ** ** 大模型 ** 大模型 ** 大模型 ** 大模型 ** 大模型 ** 大模型 ** 大模型 ** 大模型 ** 大模型 GPT- 4 GPT-4 清华智谱claude-2 通义千问 文心一言 应用能力评测：保险风控及合规应用案例 1.意外险： 根据您的条件，因疾病（脑梗）造成的意外，意外险不予理赔。所以这位男性的摔倒，虽然造成了外伤，但原因是由疾病导致的，所以意外险不 予赔付。 2.意外医疗险： 您没

吐 量等是否满足轨道交通行业的高标准要求。  系统整合性：检查新设计是否与现有的轨道交通系统架构兼 容，包括硬件和软件的适配问题。  数据安全性：评估数据采集与处理过程中的隐私保护与安全风 险，确保设计方案符合相关法律法规。  成本效益分析：对项目实施成本进行详细评估，预估投资回报 率，确保经济性可行。 在评审过程中，建议通过一定形式的表格来组织评估信息和采 用打分制度，便于各方面对比和决策。如下所示： 型 风险描述 发生 概率 影响 程度 应对策略 技术风 险 模型准确性不足、数据质量 不高 中 高 建立模型评估体系，进行数 据预处理 管理风 险 项目进度延误、资源配置不 当 中 中 制定详细项目计划，定期召 开进展会议 合规风 险 违反法律法规 低 高 定期合规审查，建立预警机 制 人员风 险 关键人员流动，知识流失 中 中 建立知识文档库，开展团队 高整体运力。 其次，运维管理同样受益于 AI 的应用。AI 系统能够整合各类 设备的维保信息，进行预测性维护。借助机器学习技术，模型可以 分析传感器数据，提前识别设备潜在故障，降低非计划停运的风 险。通过这种方式，维护团队能够更有效地安排维护作业，减少对 运营的影响，从而实现设备使用效率的最大化。 为了具体实现这些功能，建议构建以下几个核心模块： 1. 数据采集模块：对轨道交通系统中的各类设备、乘客流动、环

识冲突，丰富知识图谱的内容和深度。 知识融合 动态更新 利用大模型技术从多源数据中自动抽 取实体、关系和属性，构建初始知识 图谱，涵盖银行的核心业务、客户、 产品等信息。 动态知识图谱可应用于智能客服、风 险预警、精准营销等多个场景，提升 银行的智能化水平和业务效率。 基于大模型的实时学习能力，知识图 谱能够动态更新，及时反映银行业务 和市场的变化，确保知识图谱的时效 性和准确性。 基于大模型的动态知识图谱生成 理等方式，确保只有授权人员才能访问和操作敏感 数据，降低数据泄露风险。 数据安全与隐私保护合规性设计 06 智能业务场景应用规划 智能风控建模与实时反欺诈系统 多维度数据整合 通过大模型整合银行内部及外部的 多源异构数据，包括交易记录、客 户行为、信用评分等，构建全面、 动态的风险评估模型，提升风控的 精准性和实时性。 实时反欺诈预警 利用大模型的深度学习能力，实时 监测异常交易行为，如高频交易、 异地登录等，结合历史欺诈案例进 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 制投资风险。 通过大模型对客户的交易历史、投资偏好、风 险承受能力等数据进行深度挖掘，构建多维度 的客户画像，帮助银行更精准地理解客户需求， 提供个性化的财富管理方案。 个性化财富管理客户画像生成 自动化信贷审批流程优化案例 智能化申请审核

包括但不限于风险评估、客户行为分析、智能客服、欺诈检测和投 资策略优化等。例如，通过深度学习和 NLP 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 监测异常交易行为，识别潜在的欺诈风险。通过对交易模式的分 析，系统可以自动生成风险评分，并根据评分结果触发相应的预警 机制。例如，当发现某笔交易与客户的常规行为模式存在较大偏差 时，系统会立即通知风控团队进行核查，从而有效降低金融欺诈的 发生率。 在信贷风险评估中，DeepSeek 通过整合多源数据（包括客户 的信用记录、收入水平、资产负债情况等），构建全面的信用评分 模型。与传统评分模型相比，DeepSeek 的决策。 其次，针对市场风险管理，DeepSeek 可以结合宏观经济数 据、市场行情和银行自身的交易数据，进行多层次的风险评估。通 过建立动态的风险模型，银行可以及时识别市场波动带来的潜在风 险，并采取相应的对冲策略，减少市场不确定性对资产负债表的影 响。 在操作风险管理方面，DeepSeek 通过对历史操作数据的深入 分析，能够识别出可能导致重大损失的操作风险点。例如，通过对

2.1.2 地方与行业政策 生成式AI行业发展至今，北京市、上海市、浙江省、广东省、吉林省、湖南省等省市纷纷 出台人工智能政策，包括鼓励平台企业运用生成式人工智能，将生成式AI技术充分应用于 电商领域、长视频领域、医疗领域等。举例来说，北京设立1亿元支持AI发展，上海推进高质 量计算基础设施建设，深圳设立1000亿元AI基金等，各地形成了激烈的“政策竞赛”。 2.2.1.2.1 地方政策 的关键信息，进行快速审核和赔付。这大幅缩短了理赔周期，提高了理赔效率。阳光财险深 化应用“一键赔”客户远程查勘工具，2023年通过“一键赔”在线视频、快速理赔的案件达到 95万次，接近车险总案件50%。 智能风控与反欺诈：建立智能风控系统，运用机器学习算法对交易数据进行实时监控 和异常检测，及时发现并阻止欺诈行为。同时，通过大数据分析提高风险评估的准确性，降 低赔付风险。 内部流程优化：通过数字化转型，保险公司对内部流程进行梳理和优化，实现业务流 优势互补：不同保险公司之间以及保险公司与其他行业之间在业务模式、技术能力、 客户资源等方面存在互补性。通过合作，各方能够充分发挥自身优势，共同拓展业务场景 和市场空间。例如，保险公司可以与科技公司合作开发智能风控系统，提高风险评估的准 确性和效率；也可以与医疗机构合作推出健康保险产品，满足客户对健康保障的需求。 ③ 协同创新：在保险科技生态圈中，各参与方通过协同创新推动整个行业的进步和发 展。例如，保

自动提取关键信息：从历史病例中提取出患者的关键症状、诊 断和治疗方法，大大节省了医疗人员的工作时间。 2. 风险评估：利用大数据技术分析患者的相关指标，生成风险评 分，帮助医生评估患者在接受特定治疗方案时可能的并发症风 险。 3. 预测模型：通过分析病历和临床数据，AI 模型可以预测疾病 的进展和治疗效果，支持医生制定个性化的治疗计划。 4. 多角度比较：AI 模型可以将当前患者的病历与大量相似患者 的数 AI 建议与个人经验，促进人 机协作。  创建反馈机制，医务人员可就 AI 的表现提出建议，助力模型 优化。 法律合规制度建设：  在 AI 应用之前，确保严格遵循相关法律法规，避免法律风 险。  定期邀请法律顾问参与技术审查，确保新技术符合最新法律要 求。  加强与监管机构的沟通，及时获取行业规范与政策信息。 系统应急预案与故障管理：  建立系统故障响应机制，确保一旦发生技术故障能够迅速恢复 训练数据偏差 定期验证模型性能 数据获取与处理 隐私保护问题 数据匿名化、法律合规 数据质量不稳定 数据清洗、质量评估 算法实现 系统稳定性和可靠性下降 集成测试、实时监控 技术实现复杂性带来的风 险 故障树分析、问题快速定位 用户环境 技术解决方案不适配 需求分析、环境评估 通过以上详尽的技术风险评估与管理策略，可以为 AI 生成式 大模型在医疗场景中的有效应用奠定基础，确保其长期稳定、可靠