据亿邦动力不完全统计，2025年产业互联网赛道的投融资事件超过70起，其中，具身智能领域获得的融资金额和交易数量远超其他 细分赛道，表明资本市场正在对以具身智能为代表的新一代产业数字科技进行前瞻性的战略卡位，“资本高度集中”意味着系统性布 局，“早中期为主”是赌定其高成长潜力，“大额融资”是重金押注头部标杆，“多次融资”则表明资本持续看好及长期陪跑态度。 资本高度集中： 具身智能领域占比超六成 资本偏好高成长性： 融资轮次以早中期为主 纯市场资本比例 2025产业互联网投融资事件 资本结构 - 11 - 资本动向：国资重构产业互联网投资逻辑 资料来源：公开资料整理 国有资本正在以“产业协同”为核心逻辑、通过以投促引等方式，系统性加大对产业互联网核心环节的投资布局。其投资更看重对地 方经济的整体实质贡献而非单纯财务回报。这将为产业互联网企业带来两个明确机会：其一，主动融入区域产业规划，借力地方产业 集群实现自身业务落地与扩张 三一重工：“根云平台”让设备数据创造新价值 产业互联网平台引领数据资产化实践 - 19 - 工业数据要素智能应用模式 数据资产证券化模式 资产化与AI化激活数据要素价值 在深度价值链实践中，数据要素经过系统性的采集、治理、建模与应用，转化为可量化、可决策、可交易的数据资产，将有效推动产 业大范围价值创新：对内，指导精准洞察优化研发、生产与供应链，实现降本增效；对外，催生出供应链金融、数据产品交易等高附

..46 4.3 隐私保护技术与合规性.......................................................................47 5. 系统性能优化..............................................................................................50 规，定期进行隐私影响评估。 通过以上技术和措施，方案有效保障了医疗场景中患者数据的 安全性和隐私性，同时确保了系统的合规性，为医疗机构提供了可 靠的数据保护解决方案。 5. 系统性能优化 在医疗场景中，DeepSeek 智算一体机的系统性能优化是确保 高效、稳定运行的关键。首先，硬件层面的优化是基础。通过采用 高性能 GPU 集群，结合专为医疗数据处理优化的加速卡，能够显 著提升图像处理、数据分析和模型训练的效率。同时，配备高速固 态硬盘（SSD）和大容量内存，确保数据读取和存储的快速响应， 减少系统延迟。此外，网络带宽的优化也不可忽视。采用高速光纤 网络和负载均衡技术，确保多节点之间的数据传输流畅，避免网络 瓶颈。 在软件层面，系统性能优化需要从多个维度入手。首先是算法 优化。针对医疗场景中的高复杂度计算任务，采用并行计算和分布 式计算技术，充分利用硬件资源，提升计算效率。例如，在医学影 像分析中，可以通过分块处理和异步计算，减少单次处理的数据

CSV、Excel、JSON 等）。 系统管理员的角色是确保系统的安全性和稳定性。其主要功能 需求如下：  用户管理：能够对用户权限进行管理，确保不同角色的用户访 问不同的数据和功能。  系统监控：提供系统性能监测和日志记录功能，以便及时发现 并处理异常情况。  备份与恢复：设计数据备份机制，确保在发生故障时能够迅速 恢复数据。 安全与合规审计人员则负责监控数据使用情况，确保数据使用 符合相关法律法规。其功能需求包括： 数据共享时应 制定严格的数据共享协议，以确保共享的数据符合政策法规和隐私 保护要求。 为了更好地实现以上设计方案，以下是数据层组成结构示意 图： 最后，为确保数据层设计的有效性，建议进行系统性能测试和 评估，包括压力测试和负载均衡测试，以动态调整数据库配置，提 升系统用户体验。此外，须建立数据备份与恢复机制，以应对突发 状况造成的数据丢失风险。通过以上设计，数据层将为省级可信数 据空间提供强大的支撑与保障。 据空间提供强大的支撑与保障。 3.2.1 数据源划分 在省级可信数据空间的建设过程中，数据源的划分是确保系统 高效运行、数据质量高和信息安全的重要环节。为了有效集成和管 理各类数据，首先需要对不同类型的数据源进行系统性的划分，以 便于后续的数据治理、数据共享与数据分析。 数据源可以根据数据的来源、数据的性质、数据的使用场景等 维度进行划分。具体分析如下： 1. 数据来源： o 政府部门数据：包括各级政府的公开数据、监管数据和

制在 8%以内。通过模块化设计，AI 量化系统可实现周级迭代更 新，适应市场环境变化。 2.1 量化交易的定义与特点 量化交易是指通过数学模型、统计方法和计算机技术，对金融 市场数据进行系统性分析，并基于既定规则自动执行交易决策的过 程。其核心是将投资逻辑转化为可量化的指标与算法，实现从数据 获取、策略构建到订单执行的全程自动化。与传统主观交易相比， 量化交易具有三个典型特征：一是数据驱动，所有决策均基于历史 检查。 3.1.1 数据来源与质量 在 AI 量化交易系统中，数据可靠性是模型决策的基础。数据 来源与质量直接决定了特征工程的准确性和策略回测的有效性。为 确保数据可信，需从以下维度进行系统性管控： 数据来源标准化 采用多源交叉验证机制，优先接入交易所官 方 API、国际权威金融数据供应商（如 Bloomberg、Wind）以及 经过认证的第三方数据平台。不同来源的数据需满足以下最低标 设置解释可信度阈值，当模型决策无法被合理解释时自动触发 人工复核 这些措施需与交易所监管接口对接，确保解释数据能满足《证 券期货业算法交易指引》的穿透式监管要求。实际部署时建议采用 模块化解释组件，既不影响原有交易系统性能，又能满足不同层级 用户的解释需求，如面向合规部门的审计级解释和面向交易员的操 作级解释。 3.2.1 黑盒模型与白盒模型 在 AI 量化交易中，模型的可解释性直接影响策略的透明度和 风

推理+人工兜底"混合模式，使 AI 技术框架业务落地具备双保险。 RAG 与 Agent 技术强化了风险控制，极大程度避免了虚构关联，并能自动检 测到逻辑矛盾。此外，通过纳入新的行业专家知识优化特征逻辑、当市场出 现系统性风险或数据源异常时加入人工操作，能进一步提升稳健性。整体上， Agent 的恢复机制以自动化实时响应为基础，通过动态数据融合与模型迭代 实现自愈能力，而人工干预则聚焦于极端场景与复杂语义的深度纠偏。 阵， 并通过轻量级回测验证调整后策略的历史稳健性，最终在多维度信号（风险指标 达标、因子贡献度平衡、市场情绪修复）协同满足时解除风控限制。 人工干预主要作为自动化逻辑的补充与兜底机制。当市场出现系统性风险或数据 源异常时，预设规则可能无法覆盖复杂场景，需分析师介入调整阈值或直接锁定 仓位。此外，即便项目中显示出有效性，但情感语调因子仍可能引发模型误判。 对于明显的误判，需要人工修正语义逻辑或补充定性研判。整体上，Agent Agent 的强制平仓指令与基金经理主观判断产生 对立，需明确权限。 策略同质化共振风险 AI 模型广泛采用相似训练框架与因子库，可能导致市场参与者的策略趋同， 加剧资产价格波动与流动性突变，引发系统性风险。 证券研究报告 免责声明 分析师声明 作者保证报告所采用的数据均来自合规渠道；分析逻辑基于作者的职业理解，通过合理判断并得出结论， 力求独立、客观、公正，结论不受任何第三方的授意或影响；作者在过去、现在或未来未就其研究报告

37 元， PE 分别为 128/74/44 倍，强烈推荐，维持公司“买入”评级。 风险提示 1）市场份额被竞争对手挤压；2）政策推进不及预期；3）大 模型技术发展不及预期；4）经济下滑导致的系统性风险。 盈利预测与估值 [Table_profit] 财务摘要 2021A 2022A 2023E 2024E 2025E 营业收入(百万元) 128/74/44 倍，强烈推荐，维持公司“买入”评级。 4.风险提示 1、市场份额被竞争对手挤压； 2、政策推进不及预期； 3、大模型技术发展不及预期； 4、经济下滑导致的系统性风险。 证券研究报告|公司动态报告 请仔细阅读在本报告尾部的重要法律声明 12 财务报表和主要财务比率 [Table_Finance]

一次安全事故可能引发系统性灾难， 对企业运营、财务和声誉造成重大 损失，需严格验证、风险防范，遵 循“安全始于设计”理念 核心价值在于主动自主性，需配备 更高等级的控制机制、监督体系和 安全护栏，以管理自主行动的风险 企业级 AI Agent 并非单一工具的集合，而是一个集感知、思考、决策与执行于一体的数字员工。它以自然语言为交互入口，通过自动化执行、 内 容创造与数据洞察，深度融入业务的每一个环节，系统性地重塑组织生产力，定义全新的工作范式。 新一代生产力引擎：企业级 AI Agent 的核心能力驱动企业数字化变 化 其核心在于 Agent 强大的自然语言理解 （ NLU 实施错误处理机制、避免少样本学习陷阱、结合 LangChain 框架，并持续迭代与优化， 可以 构建出高效、可靠的 AI Agent ，以适应不同行业和场景的需求。 技术视角：各行业团队合作，需系统性构建 Agent ，以实现企业级应 用 引入多样性：通 过随机性、不同 输出模板或任务 隔离避免结果同 质化。 保留错误信息：反

储频繁访问的数据。 在数据安全方面，我们将采用加密技术保护敏感数据，如设计 图纸和用户信息。同时，通过访问控制列表（ACL）和身份验证机 制，确保只有授权用户才能访问系统资源。 最后，为了持续优化系统性能，我们将实施监控和日志记录机 制，跟踪系统运行状态，及时发现并解决问题。通过这些技术选型 与架构设计，我们能够构建一个高效、可靠、安全的建筑设计智能 化系统，为设计师提供强大的技术支持。 3 设计方案生成。 基础设施层提供系统运行的硬件和软件基础，包括服务器、网 络设备、操作系统以及其他支持软件。这一层将采用云服务技术和 自动化运维工具，确保系统的高可用性和弹性扩展。 为了优化系统性能，我们将采用微服务架构，将系统功能分解 为一系列小型、独立的服务。这些服务可以独立开发、部署和扩 展，从而提高系统的灵活性和可维护性。同时，我们将使用容器化 技术（如 Docker）和服务编排工具（如 和效率，还降低了运 行成本，为实际应用提供了强有力的支持。 5.3.1 参数调优 在模型优化过程中，参数调优是至关重要的一步，直接影响到 模型的性能和泛化能力。首先，需要对模型的超参数进行系统性调 整，包括学习率、批量大小、正则化系数等。学习率的调整尤为关 键，过高可能导致模型无法收敛，过低则会拖慢训练进程。建议采 用学习率衰减策略或自适应学习率优化器（如 Adam、RMSprop

........................................................................................235 16.1 系统性能监控................................................................................................ 37%的案件需要二次现场查勘。 内部系统间数据标准不统一，医疗险理赔需要人工比对核保系统、 医院 HIS 系统、再保系统等至少 5 个数据源。 2.1.1 理赔效率低下 保险理赔效率低下是行业长期存在的系统性难题，主要体现在 业务流程各环节的延迟与资源浪费。传统人工处理模式下，单笔理 赔平均耗时达到 3-7 个工作日，车险等高频业务在理赔高峰期的处 理周期甚至延长至 10 天以上。效率瓶颈主要产生于三个关键环 对金融数据安全的技术规范。 10.2 模型偏差与公平性 在理赔业务中应用 DeepSeek 大模型时，模型偏差与公平性风 险可能直接导致客户权益受损或引发监管合规问题。需通过技术手 段与流程管控相结合的方式系统性解决以下问题： 数据层面的偏差控制 训练数据需覆盖全量历史理赔案例，包 括不同地域、年龄、职业、收入群体的分布比例。建议采用动态权 重调整技术，对少数群体数据赋予更高采样权重。例如，某车险理

记录应 覆盖完整的稽查周期，发票数据应包含所有开票和收票方信息，以 确保数据的一致性和完整性。此外，对于第三方数据服务平台，应 定期更新数据，确保信息的实时性和准确性。 为确保数据源识别的系统性和可操作性，建议采用以下步骤： 1. 列出所有潜在数据源：根据企业业务范围和稽查需求，列出所 有可能涉及的数据源，包括内部系统和外部平台。 2. 评估数据源的重要性：根据数据的相关性和对稽查工作的贡献 加密技术保护数据传输，同时部署防火墙 和入侵检测系统（IDS）以增强安全防护。 6. 系统联调与优化： o 进行全系统联调，验证 DeepSeek 与税务稽查系统的协 同工作能力。 o 根据联调结果优化系统性能，减少响应时间和资源占 用。 7. 用户培训与文档编写： o 组织税务稽查人员和技术人员进行系统操作培训，确保 其能够熟练使用 DeepSeek。 o 编写详细的用户手册和技术文档，包括安装指南、配置 与数据流转无误。 5. 配置负载均衡器（如 Nginx 或 HAProxy），实现流量的动态分 配与故障转移。 6. 部署监控系统（如 Prometheus 与 Grafana），实时监控系统性 能与资源使用情况，及时发现并解决潜在问题。 为保障系统安全，部署完成后需实施多层次安全防护措施。首 先，通过 SSL/TLS 加密所有数据传输，防止数据泄露；其次，采用 OAuth 2.0