基于人工智能与自然语言处理技术的在线智能助理产 品用户不断增加 虚 拟 个 人 助 理 (VPA) 将改变手机 用户与设备的互动 方式 ，并成为日常 生活的一部分 。 到 2019 年 ，全球 20% 的智能手机 用户将 通过虚拟 个人助理 进行交互。 全球在线智能助理用户数增长预测 Unique Active Enterprise VDA Users Unique Active Embed 2. Encode • 将每个词或字映射为向 量 深度学习的应用：意 图识别 l 基于深度学习，完全数据驱动，无需特征工程 l 效果明显优于传统机器学习模型 l 在 20 多个领域下准确率可达 96% Softmax Attention LSTM LSTM

准则更新响应速度 季度级人工更新 实时在线同步 能力维度 传统审计软件 DeepSeek 智能体方案 异常检测覆盖率 预设规则覆盖 65%场 景 机器学习识别 92%场景 工作底稿生成效率 4 小时/份 20 分钟/份（自动校验） 在技术实现路径上，我们采用分层架构设计：底层通过微调后 的 DeepSeek 模型处理非结构化文档，中间层构建审计知识图谱实 现条款关联，应用层则部署风险预警、抽样推荐等具体功能模块。 ERP、银行对账单等数据源格式差异大，预处 理消耗 40%以上工时 2. 规则迭代滞后：现行审计准则每年更新，但人工维护的检测规则 更新周期长达 3-6 个月 3. 风险识别盲区：传统抽样方法仅覆盖 15%-20%交易量，异常交 易漏检率超 30% 项目目标分为三个实施阶段，量化指标如下： 维度 基线水平 一期目标 二期目标 数据处理效率 8 小时/ GB 2 ≤ 小时/ GB ≤30 分钟/ 现为三个核心矛盾：首先，海量非结构化数据的处理效率低下，某 央企审计案例显示，仅合同文本抽审环节就消耗了团队 35%的工作 时长；其次，风险识别依赖人工经验导致覆盖不全，证监会披露数 据显示，传统抽样方法会遗漏约 15%-20%的高风险异常交易；最 后，跨系统数据协同成本高昂，某会计师事务所测算表明，数据清 洗和格式转换占用了整个审计项目 28%的有效工时。 在此背景下，行业对智能工具的诉求呈现三个关键特征：第

DeepSeek-VL2 多模态模型，通过构建“多模态技术 + 混合专家框架”的创新体系，实现对嵌套表格、影 像资料等复杂场景材料的精准解析，将信贷材料综合识别准确率提升至 97% 以上，信贷审核全流程效率提升了 20% 。 图表：苏商银行 AI 布局 资料来源：苏商银行公众号，中泰证券研究所 60% 50% 40% 30% 20% 10% 0% Beginner Intermediate 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， 动态识别欺诈行为，提升风险预警精准度。 n 苏商银行通过深度融合 DeepSeek 系列模型技术， 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

性能，DeepSeek团队引入了 R1，它在RL之前结合了 多阶段训练和少量冷启动数据。R1在推理任务上实现 了与OpenAI-o1-1217相当的性能 DeepSeek-R1（对标GPT-o1）于2025年1月 20日推出，随后DeepSeek进一步出圈 DeepSeek-R1 -5- DeepSeek模型效果 (1/2)：世界最顶尖模型的对比 大模型竞技场 (Chatbot Arena LLM Leaderboard ChatGPT Llama o1/o3 DeepSeek-R1 首次提出 开源复现 ★ DeepSeek V3效果对标顶级闭源模型，训练成本比LLaMA低一个量级 30.8 2.8 0 20 40 Llama 3.1 405B DeepSeekV3 671B 下降一个量级 训练耗时 单元：万GPU小时 DeepSeek-V3 MMLU 得分 API价格￥/M tokens DS作为一款现象级应用，对全社会开展了一次人工智能科普再教育，DS C端应用人人装，人人感受人工 智能，政府、企业管理者认识到人工智能战略意义，由探索尝试，升级为战略布局，市场进入爆发期 DS上线20日，日活超4000万，已达到ChatGPT 74%，成为 C端现象级应用。微信、钉钉等头部应用纷纷接入 截至2月15日，全国10省省委书记将人工智能作为 新春第一会重点部署，B端大模型应用进一步加速

been segmented into 28 activities grouped in 9 clusters of similar nature of task 按相似特征划分的 活动集群 20. 21. 生产控制 质量控制 设计、研发与战略采购 1. 创意构思/创新 2. 新产品/新服务的设计、测试与验证 3. 采购寻源、供应商选择及合同磋商 4. 供应商发展与关系管理 大多数活动集群将在智能系统的驱动下经历重大转型， 部分集群未来将迈向高度自主化 自主化成熟度 [全球专家组观点] 预警、风险、改进 5 运营采购 8 设置、维修与切换 9 25 50 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 未来状态描述 主要由 人工驱动 主要为 自动化 增强型 人工决策 自主化 质量与生产控制 1 生产制造 2 客户与现场支持 • 高度自动化的仓库运营，采用先进的自动导引车（AGV）进行拣选、存储、包装和装载。中央控制中心 管理流程、检测问题并提供行动建议。 • 14 28 19 38 19 38 19 36 20 40 22 45 24 48 24 45 当前 未来五年内 实现自主智能供应链 13 图5 大多数供应链活动将通过AI赋能与自动化的强力结合，逐步迈向完全自主化 完全 决策自主化

在 ECS g�i 上实现显著增益。与基于第五代英特尔 ® 至强 ® 处理器的 ECS g�i 相比，ECS g�i 的在线 游戏性能提升 15%，数据库性能提升 17%，Web 应用性能提升 20%。 3.1 打造极致性能体验，为传统计算业务打开新空间 1、在线业务 至强 ® 6 性能核处理器采用 Chiplet 架构，处理器拥有 3 个计算芯粒，2 个 IO 单元芯粒，所有芯粒之 间通过 器的低故障率和高可靠性，最大程 度避免故障导致的业务中断和数据丢失。 海量规格智能筛选：在游戏业务高弹性场景下，针对海量规格实现了智能筛选，动态规格供给 模式有效减少了资源碎片，降本幅度可达 20%。 3.2 技术和架构创新，提升 AI 时代的向量数据处理和协同计算效率 1、数据预处理场景 阿里云 ECS g�i 在硬件层面与 SIMD 指令集深度集成，支持英特尔 ® 高级矢量扩展 512（英特尔 g�i，基于自研“CIPU+ 飞天”技术架构，搭搭载英特尔 ® 至强 ® 6 处理器 ，软硬协 同优化，助力小鹏提升数据预处理效率，显著降低算力成本： 性能与性价比提升：相比第八代实例，ECS g�i单核算力最大提升20%，通过3.6 GHz全核睿频， ���MB 超大 L� 缓存，可保障高并发场景流畅响应。采用原生硬件加密 QAT 技术，集成 SSL/TLS 加密、压缩 / 解压缩加速引擎，可从 CPU 卸载计算密集型对称和非对称加密以及数据

以及实 践操作产生深远的影响。在技术进步的强大动力牵 引下，需要重新审视并优化应急管理信息化建设路 收稿日期 2023-10-19 录用日期 2024-01-12 国 家 社 会 科 学 基 金（20BZZ037）, 广 东 省 哲 学 社 会 科 学 规 划 项 目 （GD24XGL075）资助 *通信作者简介 黄欢（1976— ）, 男, 湖南常德人, 硕士, 助理研究员。 基于大语言模型技术的智慧应急应用： 这些远不足以应对其可能面临的复杂多变灾难环境 下的决策需求，即解决复杂问题的能力。 从决策问题的本质来分，常规决策面临的是问 题空间明确的结构化问题，临机决策则是模糊不清 的非结构化（或半结构化）问题 [20]。如图 3所示，问题 空间明确的常规决策是理性分析的过程，即：分析评 估备选方案并确定最优方案。系统可以提供更精确 的数据、更优化的数据处理流程、更智能的模型和 算法等方式，来辅助最优方案选择。当问题空间不 设施更新更多解决的是业务系统的效率问题，并且 技术进步如果仅仅是“穿新鞋走老路”的模式，终将 面临发展的瓶颈[23]。后者的问题在于模型算法更适 用于解决问题路径清晰的应用情景，而问题本身模 糊不清恰恰是应急管理面临挑战的主要特点[20]。因 此，按照以往经验很难实现认知智能的突破。 机器认知智能的实现通常从学习和理解能力开 始[22]，即围绕对知识的表示、获取、创新和应用等活 动展开，无法仅通过对数据处理的加强来实现。大 语言模

............ 16 图 19 专注于横向应用的 Al 代理初创企业率先获得融资 .......................................... 17 图 20 多模态大模型发展......................................................................................... ...................................................... 20 图 25 LeewayHertz 为私募股权提供的 AI Agent 解决方案 ........................................ 20 图 26 Character.ai 智能体架构 ............................ 实体项目增多利好智能体发展。根据 IDC 预测，国内人工智能市场规模预计在 2026 年达到 264.4 亿美元，2021 年到 2026 年期 间的 CAGR 超 20%。根据增长率计算，从 2022 年开始，每年市场规模会保持 20%左 右的稳定增长态势。根据澎湃新闻援引德勤统计，未来 2025 年世界人工智能市场规模 将超过 6 万亿美元，2017 年-2025 年期间复合增长率将超 30%。AI

（四）存力分指数.............................................................................................. 20 （五）运力分指数......................................................................................... 各省上架率情况................................................................................................ 20 图 10 省级行政区存力分指数 Top10....................................................................... 21 图 .........30 图 19 省级行政区模力分指数-模型生态 Top10......................................................31 图 20 省级行政区环境分指数 Top10....................................................................... 32 图 21 省级行政区环境分指数-资源环境

全链路能力。 • 提供从训练——推理——应 用的一站式丝滑服务体验 • 全面接入 deepseek 模型 大模型工具链支持大模型研发至应用全栈技术 算力 计算集群（ H20/A10 等） 国产算力适配 高性能计算网络架构 客户业务系统 知识引擎应用 数智人 Sampling 及 batch 优 化 CPU 及 传 统 GPU 算 力 按需按 量 服务管理 与运营 算力调度 容器调度 核心收益 满血版模型一键精调 • 256 卡 H20 • 全参 SFT • 8 小时 蒸馏后模型多模式精调 • 全参 +LoRA 双模 式 • 低至 1 卡 A10 DeepSeek 全系 列 R1 、 V3 满血版 R1-Distill-Llama-70B 横向多栏 传统 OCR 技术局限：识别精度低、元素易丢 失 高准确的复杂文档解析、切分能力 基于 OCR 大模型，打造的解析引擎，突破图文混排版面分析、 复杂表格识别等文档解析技术瓶颈，支持超过 20 类文档类型。 业界首个支持 200MB 以上超大文档 vs. 业内普遍 100MB 内 丰富的文档类型，超过 26 类 vs. 业内普遍 10 类以内 支持图文混排（多列排版）版面分析