平安观点：  口岸数字化需求复苏，公司前三季度业绩强势反转。2022 年海关出入境 人员、交通工具及货物等数量大幅下降，同时项目施工时间被延长，口岸 数字化及升级的需求被压制，放开后这部分智慧口岸的建设需求迎来大幅 反弹。2023 年受益于复苏，我们看到公司前三季度业绩强势反转，收入 端持续放量，2023 年前三季度实现营收 11.4 亿元，同比增长 52.1%，净 利润高增长，实现归母净利润 疆融入国内国际双循环的重要枢纽，作为国内首批设立时面积最大的自贸 区，我们预计新疆自贸区建设的体量与海南自贸港相当，公司在新疆本土 航空口岸建设领域优势显著，未来将迎来较大的需求增量机会。3）除此 之外，截至 3 季度末，公司完成了对云南河口口岸（1.66 亿元）、瑞丽（含 畹町）口岸（1.06 亿元）两个亿级合同的签署。据我们不完全统计，公司 2023 年以来中标项目金额合计已达 9.78 亿元。  赋能业务场景。“一带一路”极大推动 了我国边境地区口岸数字化的需求，同时也带动了沿线国家的海外口岸数 字化需求，公司目前已联手华为大力布局海外市场。“一带一路”沿线国 家是公司海外市场重点布局的区域，截至 3 季度末，公司已在阿联酋、沙 特等多个国家开展相关业务，沙特 NEOM、阿联酋口岸、柬埔寨机场项目 交付接近尾声。近年来公司积极开拓国外市场，2021 年设立智慧口岸海 外事业部，加快布局海外市场，2022

Lily（拽姐）对话，且对话内容会根据用户语言水平灵活调整，即使是初学 者也可以轻松地进行对话练习。借助 AI 功能推出，公司持续保持用户数和业绩 的强劲增长，截至 2024Q3 公司月活达到 1.13 亿人，而单季度收入达到 1.9 亿 美金创下新高。 ➢ 国产模型升级利好 AI 教育落地。DeepSeek 横空出世，一方面大幅提升了 国产模型的能力，另一方面通过开源和推理成本的优化，有望加速国内 AI 图9：Duolingo 发布语言对话 AI 人物 Lily 资料来源：腾讯新闻，民生证券研究院 业绩持续加速，单季度收入创新高。从收入端看，公司自 2023 年 Q1 至 2024 年 Q3 单季度收入持续增长，季度同比增速保持在 40%以上。而利润方面，公司 自 2023Q2 实现单季度扭亏为盈后，在归母净利润、经营净现金流均保持稳步增 行业动态报告/计算机 本公司具备证券投资咨询业务资格，请务必阅读最后一页免责声明 图10：2023Q1-2024Q3 多邻国单季度营收及增速 图11：2023Q1-2024Q3 多邻国单季度利润、现金流 资料来源：wind，民生证券研究院 资料来源：wind，民生证券研究院 月活、付费用户数等经营指标持续向好，MAU 破亿。财务数据之外，Duolingo 的核心经营指标活跃用户数最近几个季度也持续增长，截至 2024 年 Q3 末多邻国

现行流程中标注的痛点环节平均消耗 72%的处理时长。更严峻 的是，欺诈风险持续升级，互助型骗保团伙导致的财产险异常赔付 金额年增长率达 34%。这要求核赔系统必须具备动态学习新型欺诈 模式的能力，而传统规则库每季度更新的机制已明显滞后。与此同 时，监管层对理赔时效的考核标准逐年提升，《保险服务质量指 数》将车险 72 小时结案率纳入核心指标，2024 年达标线已上调至 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 实时解答客户理赔进度查询，减少 80% 的重复人工咨询； 2. 动态 流程编排：根据案件复杂度自动分配至人工或自动化通道，降低 30% 的无效人力投入； 3. 数据闭环反馈：通过持续学习历史理赔 案例，每季度迭代更新风险判定规则。 该技术路径已在健康险和财产险场景完成 POC 验证，关键指 标显示人工干预率下降 50%的同时，客户满意度评分上升 12 个百 分点。未来通过集成区块链存证和物联网数据，模型还可进一步实 ，每个判定结论均可 追溯至具体的证据片段和计算路径。 为保持预测性能的持续优化，模型建立了双闭环学习机制：在 线学习系统实时吸收理赔员对 AI 建议的修正反馈，每周更新特征 权重；离线版本每季度通过新增案例库进行全参数微调。这种机制 使模型在应对新型诈骗手段时，能在 20 个工作日内达到稳定识别 能力，比传统系统升级周期缩短 80%。 3.3 与其他 AI 技术的对比分析 在理赔业务场景中，DeepSeek

动术语校正与标准化输出；最后，风险控制模块可实现多维度交叉 验证，在信用卡欺诈检测中实现误报率低于 0.3% 的同时保持 98.6% 的召回率。 模型的知识更新机制采用双通道设计：静态知识通过季度更新 的金融知识库（ 涵盖巴塞尔协议 III 等 128 个监管框架）进行批量注 入，动态知识则通过实时流数据处理平台接入市场行情与监管通 告。测试数据显示，该机制使模型在利率政策变更后的知识更新时 部署阶段采用动态热更新机制，通过以下方式保证模型持续优 化： 1. 建立客户反馈自动标注流水线，将人工坐席修正记录转化 为训练样本 2. 每周增量训练时引入最新监管政策文档（PDF/PPT 格式自动解析） 3. 季度性全量微调时同步更新金融知识图谱（含 约20 万实体关系对） 该模块通过金融专用 tokenizer 扩展（ 新增 1,200+金融词汇） 和注意力头掩码技术，确保模型在处理利率计算、风险评估等任务 线测试模型性能，监控关键指标包括监管合规率（需≥99.8%）、 金 融 实 体 识 别 F1 值（需≥ 0.92）、客户意图准确率（需≥ 0.95）。对 bad case 实行人工标注-模型再训练闭环，每季度更新 领域词库与监管规则变更内容。在 GPU 集群部署时，采用模型并 行策略将风险定价模块与常规服务模块分离，确保关键业务链路的 计算资源隔离。 6.1.1 金融术语与业务规则注入 在金融

等隐蔽风险。 4. 资本金动态测算 基于风险暴露实时数据，自动调整责任准备金计算模型。某再 保公司测试案例显示，巨灾风险敞口测算误差从±15%降至 ±6%，资本使用效率提升 23%。系统将每季度自动生成 Solvency II 合规报告，减少人工审计成本。 实施后 12 个月内预计达成：高风险业务拒保率下降 40%，理 赔调查成本降低 35%，监管处罚事件归零。最终形成可量化的风险 PCI DSS 合规脱敏 - 对话日志保留周期不得少于监管要 求的 7 年。 该方案已在某头部寿险公司生产环境验证，实现核心业务场景 响应效率提升 40%，人工审核成本降低 62%。建议每季度进行接 口兼容性测试，确保在保险系统版本升级时的稳定性。 2.2 数据集成与处理 在数据集成与处理环节，需构建多源异构数据的统一治理框 架，实现保险业务场景下的高质量数据供给。核心流程分为数据接 系统自动抓取并结构化以下数据源： - 投保历史（同一投保人短期高频投保记录） - 理赔材料（医疗票据 OCR 识别后的重复使用检测） - 第三方数据（医院诊疗记录与报案时间的交叉验证） 欺诈特征库采用动态权重算法，每季度更新以下关键指标： 风险维度 检测指标示例 权重系数 时间关联性 出险时间距投保日≤7 天 0.35 医疗合理性 治疗方案与诊断结果偏离度 0.28 地理位置 同一区域多人相似索赔 0.22

态加密。 建立实时威胁检测系统，基于规则引擎和 AI 模型双轨运行， 具备以下特征： - 毫秒级响应异常访问模式 - 自动触发账户冻结流 程 - 每日生成安全态势报告 - 季度性红蓝对抗演练 数据销毁严格遵循 HIPAA 标准，物理存储介质采用 DoD 5220.22-M 消磁标准，云存储资源删除后自动执行 7 次覆写。所有 流程通过 ISO 27001 认证，并每月进行第三方合规审计。 所有决策支持输出均保留完整的证据溯源链条，点击任何建议 均可查看原始数据来源及计算逻辑，确保临床医生始终掌握决策主 导权。系统通过持续记录用户反馈（如建议采纳率、手动修改记 录）实现闭环优化，每季度更新决策模型参数。 4.3.1 治疗方案推荐 治疗方案推荐功能基于 DeepSeek 的多模态医疗知识库与实时 数据分析能力，通过以下流程实现临床决策支持：首先，系统通过 结构化电子病历接口获取患者基础信息（年龄、性别、过敏史 情感值: -0.87(强烈负面) → 关联环节: 分诊调度 → 改进建议: 1. 优化号源分配算法 2. 增加候诊区提示屏 2. 主题聚类分析通过 LDA 模型识别高频议题分布，最近季度数 据显示 TOP3 关注点为：  药品价格透明度（28.6%）  检查结果等待时长（22.3%）  医患沟通充分性（19.1%） 3. 结构化数据与文本数据的交叉分析揭示深层关联。下表示例显

年销冠宝座的比亚迪，销量猛增 41.3%，但在 2024 年前三季度，单车利润仅为 9000 元， 同比下滑了 11%。其他玩家们则被裹挟进了这场价格战的泥潭。2024 年前三季度，15 家上市的中国车企中， 2/3 单车利润不超过 5000 元，其中 5 家更是处于“卖一台亏一台”的现状。 数据来源：各上市车企财报 2024 年前三季度，15 家上市中国车企，2/3 单车利润不超过 5000 元，5

培训满意度 ≥95% 通过用户调查问卷评估 技术支持响应时间 ≤30 分钟（紧急问题），≤4 小 时（一般问题） 根据问题级别分级响应 问题解决率 ≥90% 首次接触解决率 用户反馈收集频率 每季度一次 定期收集并分析用户反馈 通过以上方案的实施，确保用户能够熟练掌握 deepseek 智算 一体机的使用方法，并在实际工作中充分发挥其效能，同时通过高 效的技术支持体系，保障设备的稳定运行和持续优化。 远程诊断与修复：通过远程连接工具对设备进行实时监控和故障 诊断，快速修复软件问题，减少设备停机时间。 - 现场支持：对于无法远程解决的硬件故障，安排专业工程师在 24 小时内到达现场进行维修。 - 定期巡检与维护：每季度对设备进行一次全面巡检，包括硬件状 态检查、软件更新、性能优化等，确保设备始终处于最佳运行状 态。 - 故障分析与改进：建立故障记录数据库，分析常见问题原因，提 出改进措施，并通过软件更新或硬件升级解决问题。 忽视的重要因素。首先，硬件故障可能导致系统停机，影响医疗服 务的连续性。为确保硬件可靠性，建议采用冗余设计和定期维护策 略。例如，关键部件如电源、存储设备和处理器应配备备份，并制 定详细的维护计划，每季度进行一次全面检查。 软件方面，算法性能不足或数据训练不充分可能导致诊断错误 或决策失误。为降低这一风险，需建立严格的算法验证流程。具体 步骤包括： - 在测试环境中对新算法进行全面验证，确保其在不同

监控录像资料。 另外，用户权限管理还应定期审核与更新，以适应组织架构或 职责变化。定期审计用户权限，可以及时发现并撤销不再适用的权 限，以防止权限过度积累。建议实施以下制度： . 每季度审核用户角色及权限分配，确保与实际职责一致。 . 建立变更管理流程，当用户角色发生变化时，及时调整其权 限。 同时，为了提升用户对权限管理的理解和遵守，应当建立清晰 的用户培训机制 团队应制定详细的响应流程，确保快速处理。 其次，定期维护和更新系统软件与模型。随着技术的进步，AI 模型需不断更新，以适应新出现的安全威胁。维护工作包括以下几 个方面： 1. 检查和更新 AI 模型：每季度至少对模型进行一次评估，结 合 最新的安全数据和案例，对模型进行再训练和校准。 2. 系统补丁更新：每月至少进行一次系统补丁检查，确保所有软 件组件都及时更新，以防止因漏洞引发的安全隐患。 问题解决方案制定：对重要反馈，相关技术团队需制定 解决方案，并确定实施的优先级。 4. 定期评估与改进：建议每季度进行一次反馈数据的定期评 “ ” 估，归纳用户反馈的整体情况，形成 用户反馈报告 。报告 中 应包含以下几个关键指标： 指标 描述 反馈数量 汇总本季度接收到的用户反馈总数 分类占比 各类反馈占总反馈的比例 处理时效 用户反馈从接收至处理完成的平均时间 用户满意度

通过数据分析和预测模型降低 5%的运营成本。 为确保目标的可实现性，需制定详细的 KPI（关键绩效指标） 监测体系，并定期进行评估。例如，每月进行一次准时率、空驶率 和乘客满意度的数据分析，每季度进行一次运营成本的全面审核。 同时，项目团队需与交通管理部门、技术提供商和乘客代表保持紧 密沟通，及时调整策略以应对突发情况。 在资源分配方面，项目团队需明确各成员的职责分工。例如， 项目经 数据并保障业务的连续性。 以下是一些关键措施的具体实施步骤： - 部署多层次监控系 统，实时监测硬件、软件和网络状态。 - 在关键节点配置冗余设备 和备用系统，确保系统高可用性。 - 制定季度维护计划，定期检测 和更新系统软硬件。 - 实施网络安全防护措施，防范外部攻击和数 据泄露。 - 定期组织应急演练，提高团队应对突发故障的能力。 通过以上措施，可以有效降低系统故障的发生概率，并在故障 DeepSeek 应用方案的实施后，为确保系统的长期稳定运行 和持续优化，维护与升级工作成为关键环节。首先，建立完善的维 护体系至关重要。这包括定期巡检、故障排查、性能监测以及数据 备份。巡检频率建议为每季度一次，涵盖硬件设备、软件功能及网 络环境的全面检查。对于故障排查，应设立 24/7 响应机制，确保 在系统出现问题时能够迅速定位并解决，故障平均修复时间 （MTTR）应控制在 2 小时以内。