决问题的方法和步骤。 算力是指计算机的处 理的能力，由于深度 学习的算法，涉及非 常多的参数（不同功 能的 AI 算法参数的 个 数是不同的）， 有的 AI 算法的参数 达到几 千亿上万亿。 人工智能核心要素 语言是人类与其他动物最重要的 区别之一 逻辑思维以语言的形式表达 知识以文字的形式记录和传 播 如果人工智能想要获取知识 ，就必须懂得理解人类使用的不太精确、可能有歧义、 百万标注对比对 原始数据 数千亿单词： 图书、 百科、网页等 语言模型预训练 强化学习方法 二分类模型 语言模型预训练 SFT 模型 RL 模型 基础模型 RM 模型 预训练（ Pretraining ） 阶段需要利用海量的训练数据 ，数据来自互联网网页、维 基 百科、书籍、 GitHub 、论文、 问答网站等 ，构建包含数千亿甚至数万亿单词的具 有 多样性的内容。 利用由数千块高性能

5000GB 高质量中文数据 集 基于万条小规模数据集 大模型： 人工智能时代的操作系 统 参数 1750 亿 174 万亿 10 万亿 万亿 千亿 10 亿 5300 亿 2600 亿 2457 亿 100 亿 300 亿 千亿 百亿 , 浪潮信息 商扬科技等 商 汤 科 技 r6 数据日趋庞 大 模型日趋庞 大 任务日趋多 样 成本日趋高 昂

西部来计算。东数西算将主要对智能算力进行任务调度和统筹。 中国净零碳电力算力地图 来源：未尽研究，环球零碳 说明：在技术保守情景下，智算中心的用电量相对乐观场景翻倍有余，其中，广东与贵州都超千亿度电。 2030 中国智能算力用电量预测 ( 技术乐观情景 ) 江苏 363 广东 503 福建 144 安徽 105 北京 418 内蒙古 448 甘肃 409 单位：亿度 浙江 年用电量最高，达 503 亿度，其次分别是 贵州（493 亿度）、内蒙古（448 亿度）、北京（418 亿度）、甘肃（409 亿度）。 在技术保守情景下，智算中心的用电量几乎翻倍，广东与贵州都超千亿度电。 在各省电网碳因子持续下降的趋势下，2030年，全国智算用电将排放约2.73-5.89 亿吨碳当量，相当于中国 2023 年 126 亿吨碳排放（IEA 统计口径下）的 2%-5%。 中

23 全球数字资产格局的深刻变革 此页载有机密数据，其全部成任何部分不可被复制成再发送。本页不构成对任何产品的要约出售/购买、招揽、推荐或建议。关于免责声明全文，请见本文件最后部分。 ① 日均千亿美元、十年内有望突破万亿美元规模的稳定币发展浪潮下，美国通过《GENIUS法案》推 动美元稳定币全球渗透，意在强化美元在数字资产领域的主导权，又通过美债抵押机制扩大国债需 求。 ② 法币稳定币 亿的美元储备，就算CNH增加个几万亿人民币规模也不会带来太大风险。  和美国稳定币以美国国债为锚一样，港币/CNH稳定币需1:1的港币/CNH储备。  CNH稳定币，如果只用于贸易支付，其规模的天花板估计就是小几千亿人民币。若要扩大应用，要么允许其用于 虚拟货币交易；或需结合RWA（现实资产代币化）场景，将票据、债券、甚至股权等资产上链 稳定币的监管环境 此页载有机密数据，其全部成任何部分不可被复制成再发

马斯克曾在推特点赞了这样的观点： 实现超越人类的自动驾驶能力至少 需要 100 亿公里驾驶数据。 1000 亿公里 自动驾驶初创公司 MOMENTA 在其 公众号上提出： 要实现 L4 级驾驶，至少需要千亿公 里驾驶数据。 我国 2022 年公里旅客运输周转 量 道路交通具有场景复杂、参与者多、场景异质性强等特点 ，存在大量不可预见性。为避免长尾问题 ，厂商 需 要对车辆自动驾驶系统进行大量测试

标上实现突破性改进。 1.2 DeepSeek 技术优势 DeepSeek 作为新一代 AI 大模型技术，在保险行业智能化转 型中展现出显著的技术优势。其核心能力体现在以下维度： 多模态理解与生成能力 基于千亿级参数训练的底层架构，可无缝处理保险业务中的结构化 保单数据、非结构化理赔文档（如医疗报告、事故照片）以及语音 通话记录。例如，在车险定损场景中，模型能通过图像识别自动判 断损伤等级，准确率较传统 与自然语言处理能力 DeepSeek 在 AI 与自然语言处理（NLP）领域的技术优势为保 险行业智能化转型提供了核心驱动力。其能力主要体现在以下方 面： 多模态语义理解与上下文建模 DeepSeek 的千亿级参数模型具备深度语义解析能力，可精准识别 ” 保险场景中的专业术语与用户口语化表达。例如，能将 猝死保 ” ” ” 障 与条款中的 突发急性病身故责任 自动关联，同时支持对语音、 文本、图像 案例/ 秒 | 1.2s | 91.8% | 智能体引擎层部署多模态大模型，采用混合专家（MoE）架构 动态分配计算资源。针对保险行业特性，我们设计了三阶段训练方 案：1）通用领域预训练（千亿 token 保险行业语料），2）场景微 调（20 万标注对话样本），3）强化学习优化（基于 5 万次人工反 馈）。推理时通过动态剪枝技术将模型响应时间控制在 800ms 以 内，满足实时交互需求。

台设备计算，仅大型商业银行市场规模就可达到 28 亿元，整体市场规模 则在百亿级别。 据中国人民银行统计 2015 年全国服务网点： 人脸识别设备在金融行业的市场规模： AI 智能 + 人脸识别系统应用整体解决方案 千亿级市场 通过以上几大主要领域的统计分析，可见人脸识别应用场景丰富，市场规模巨大，不考虑可后续延伸的千 亿安防市场，仅公安、交通、金融、教育等领域市场规模就可达到数百亿规模。在安防的核心驱动力下， B

随着金融行业数字化转型的加速，DeepSeek 大模型凭借其强 大的自然语言处理、知识推理和多模态分析能力，为银行业务智能 化升级提供了突破性技术支撑。该模型在金融领域的应用潜力主要 体现在三个维度：首先，其千亿级参数规模与金融知识库的深度融 合，可实现对复杂金融术语、监管政策及市场动态的精准解析，例 如在信贷审批场景中，模型通过分析企业财报、行业研报及舆情数 据，可将风险评估维度从传统的 20 DeepSeek 大模型作为国产自研的先进大语言模型，在金融银行 业务场景中展现出显著的技术适配性。其核心优势体现在以下维 度： 技术性能方面，DeepSeek 采用混合专家（MoE）架构，支持 千亿级参数动态激活，在金融领域的复杂语义理解任务中表现出 色。根据内部测试数据，在银行场景的意图识别准确率达到 92.3%，较 传统模型提升 18.7% ，其中信贷业务咨询的意图分类 F1 89% ，模型更新过程平均耗时 4.2 小时，支持热部署不影响线 上服务。这种机制既保障了数据主权，又实现了业务知识的持续沉 淀。 3.1 模型能力概述 DeepSeek 大模型作为新一代千亿参数级多模态大语言模型， 在金融银行业务场景中展现出显著的技术优势与适配性。其核心能 力建立在三层技术架构之上：基于 Transformer-XL 的混合专家模 型 （MoE）结构实现动态计算资源分配，128K

92%。行业亟需通过 AI 技术重构作业流程，在合规前提下实现精 度与速度的突破。 1.2 DeepSeek 大模型的概述与优势 DeepSeek 大模型作为新一代通用人工智能基座模型，凭借其 千亿级参数规模和行业领先的语义理解能力，为保险理赔业务智能 化转型提供了核心技术支撑。该模型采用混合专家系统（MoE）架 构，通过动态激活子模型的方式实现计算资源的智能分配，在保证 响应速度的同时 大模型的技术基础 DeepSeek 大模型的技术基础建立在当前最先进的大规模预训 练语言模型架构之上，结合保险行业特定场景进行了深度优化和定 制。该模型基于 Transformer 架构，采用千亿级参数规模，通过 海量通用语料和保险领域专业数据的多阶段训练，实现了对保险条 款、医学报告、事故描述等专业文本的语义理解和逻辑推理能力。 模型训练过程中采用了动态掩码技术和课程学习策略，逐步提升对 中，DeepSeek 大模型基于 Transformer 架构，通过自注意力机制 实现对理赔文本、图像、结构化数据等多模态输入的高效处理。其 技术栈包含三个关键层次： 底层计算架构采用混合并行训练框架，支持千亿级参数规模的 分布式训练。具体实现上，模型通过张量并行（Tensor Parallelism）将参数矩阵拆分到多个 GPU 设备，同时结合流水线 并行（Pipeline Parallelism）划分网络层到不同计算节点，显著提

西部来计算。东数西算将主要对智能算力进行任务调度和统筹。 中国净零碳电力算力地图 来源：未尽研究，环球零碳 说明：在技术保守情景下，智算中心的用电量相对乐观场景翻倍有余，其中，广东与贵州都超千亿度电。 2030 中国智能算力用电量预测 ( 技术乐观情景 ) 江苏 363 广东 503 福建 144 安徽 105 北京 418 内蒙古 448 甘肃 409 单位：亿度 浙江 304