为什么该上的产品都上了，还是不安全？ • 为什么我已经符合等保要求，还是不安全？ • 为什么我过了 ISO27001 ，还是不安全？ • 我知道我肯定不安全，但是我不知道哪儿不安全？ 背后逻辑 • 不清楚过去安全建设效果如何？ • 以安全产品为主的套娃式的建设模式，不清楚安全 问题能不能解决？ • 不清楚未来的安全建设如何做？ 42 安全行业的四大底层驱动力 政策 合规 企业最佳实践 标准建设逻辑 厂商最佳框架 • 威胁与技术建设逻辑 • 合规建设逻辑 • IT 驱动建设逻辑 • 业务驱动建设逻辑 • 赵彦《互联网企业安全高级 指南》 • 聂君《企业安全建设指南 : 金融行业安全架构与技术实 践》 • 新一代网络空间企业安全框 架 • 内生安全 • 十工五任 • 威胁与技术建设逻辑：点式逻辑；合规建设逻辑：线式逻辑； IT 驱动建设逻辑”和“业务驱动建设逻辑”：安全建设切面。 驱动建设逻辑”和“业务驱动建设逻辑”：安全建设切面。 • 企业最佳实践：安全散点 + 安全切面的安全建设的松散集合。 • 新一代网络安全框架体系：“安全切面”构成的一个“静态体系” 缺乏基于发展尺度的“动态架构”和“能力演进”的路径。 45 客户心态变化 客户越来越不想知道你有什么； 客户越来越想知道，选择你的理由 是什么？ 我们有什么，是一个符合逻辑的理由，但不是一个能够打动客户的理由 46 营销框架困局：世界上最远的距离

1 模型微调模块................................................................................63 4.2.2 业务逻辑集成模块........................................................................66 4.2.3 数据预处理模块...... 103 6.2.2 分布式推理优化..........................................................................107 7. 业务逻辑集成.................................................................................................109 率、降低人工错误的核心环节。通过接入 DeepSeek 大模型，银 行可实现从传统人工操作向智能驱动的转型，具体应用包括但不限 于以下方向： 流程自动化 通过大模型的自然语言理解（NLU）和决策树逻辑，可覆盖以下 高频重复性流程： - 贷款审批自动化：自动解析客户提交的财务证明、信用报告等非 结构化数据，结合规则引擎输出风险评估结果，将人工审核环节缩 短 60%以上。例如，某股份制银行试点显示，模型对小微企业贷

率从 43%提升至 81%，人工作业成本下降 62%，且投诉率降低 27 个百分点。这些技术特性使 DeepSeek 大模型成为构建新一代智能 理赔系统的理想选择，特别是在处理医疗票据识别、责任判定逻辑 推理等传统算法难以突破的复杂场景时表现尤为突出。 1.3 引入 DeepSeek 大模型的目标与意义 在保险理赔业务中引入 DeepSeek 大模型的核心目标是通过人 工智能技术实现业务流程的智能化升级，解决传统模式下效率低、 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 长文本、复杂逻辑关系的处理能力，确保在理赔场景中能够准确理 解投保人提交的多样化材料。 模型的核心技术优势体现在三个方面：首先，通过领域自适应 预训练（Domain-adapted Pretraining）技术，在通用语言理解 能力基础上，使用超过 500 万份保险条款、300 万例历史理赔案例 和 100 万份医疗报告进行二次训练，使模型掌握了专业的保险术语 体系和理赔逻辑框架。其次，采用多模态融合架构，能够同时处理 文本、扫描文档、结构化数据等多种输入形式，这对处理包含病 历、发票、事故照片等多样化材料的理赔案件至关重要。最后，通 过知识蒸馏技术将大模型能力迁移到轻量化推理引擎，使单次理赔

能力可以提高前后端开发的效率。 • 保险公司应用AI技术可参考的方法论：通过价值飞轮、价值网和画布等方法，企业可以更好 地理解业务逻辑，识别关键驱动力，并实现更全面的优化。这些方法提供了有效的工具，帮 助企业理清思路，找准业务发展的核心驱动力，确立清晰的策略逻辑。同时，画布法可以将 价值网中的各个要素以图形化的方式呈现出来，更直观地揭示它们之间的关系和互动。这些 方法可以提高企业的运营效率 相关技术正在逐步完善，并正在快速向多个行业和场景扩展AI应用，其中AI Agent有可能作为 AGI的早期表现，正在保险行业多个领域进行积极实践和推广。 这里提到了一个使用优势法的方法论，其逻辑是找到自己的优势能力与大规律之间的叠加部分， 作为发力的重点。应用到保险行业，需要先确定保险公司的优势。 作为保险公司，其优势能力分析可以从八个维度进行观察。这些维度包括市场定位、产品服务、 ►核保：自动核保、风险评估、异常检查和决策支持。 ►理赔：自动化理赔申请处理、索赔处理、理赔评估、审核和核算等。 ►另外在公司日常运营和项目风险管控也有潜力。 3 13 本质解：面对问题领域的指导思想、底层逻辑或内心定见。 破局点：想清楚下一步行动的准确切入核心，一举撬动全 局的关键点。 放大器：让努力效果不断放大、持续加速的机制或资源。 仪表盘：对于产出结果是否达到预期的衡量与矫正。 破局点 放大器

AI 不再是巨头的专属工 具 DeepSeek 通过“技术穿透、数据觉醒、模式重构 ”的三重跃迁路径，其核心 价值不仅在于单点效率提升，更在于通过 AI 与产业场景的深度融合，重塑行业决 策 底层逻辑。 二、决策模式从经验驱动向“数据 + AI ” 协同驱动转变 金融风控中，传统依赖规则与经验难 应 对实时风险， DeepSeek 构建协同 网 络，通过实时数据驱动模型动态 学习， 反欺诈准确率从 DeepSeek 投资逻辑彻底转变，过去资本追捧 “万亿参数 ” 的大模型竞赛，如 今聚焦 “能否落地赚钱 ”。寒武 纪、海光信息等国产算力企业利润 涨超 50% ，估值从 30 倍跃升至 80 倍，成资本市场新宠。 DeepSeek 高效算法助力国产芯片商用，性能提升，相关企业股价上涨，中下游 也 各有积极表现。资本市场投资逻辑转变，转向聚焦技术落地效能与商业变现能 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、 混乱的语言。 1 、语言模型概 述 语言模型（ Language

模块，确 保高内聚低耦合。以下为具体设计： 核心功能模块包含智能交互层、业务逻辑层、数据服务层。智 能交互层部署基于 DeepSeek-7B 模型的对话引擎，采用 RESTful API 封装自然语言处理能力，支持多轮问诊对话、医嘱生成、检查 报告解读三大功能场景，响应时间控制在 500ms 以内。业务逻辑 层实现医疗业务流程编排，包含智能分诊模块（集成 ICD-10 标准 疾病分 流水线处理医生手写病历，包含 OCR 识别、医学术语标准化（匹配 SNOMED CT 术语集）、 实体关系抽取三层处理 数据质量控制实施三级校验机制，包括字段级校验（数据类 型、取值范围）、业务逻辑校验（药品剂量与患者体重比值预 警）、时序校验（检查结果必须在医嘱之后生成）。在数据安全层 面，部署动态脱敏模块，对敏感字段实施 RBAC 策略： 数据类别 脱敏规则 访问权限层级 患者身份信息 块 priority_level enum 是 HIGH/MEDIUM/ LOW 3. 异步任务管理接口 针对耗时操作（如 CT 影像分析）设计，通过 task_id 轮询结 果。状态机转换逻辑如下： 错误处理采用分级机制，定义 5 类医疗系统专属错误码： - 4001 患者信息校验失败 - 4002 医疗术语识别超时 - 4003 权限不 足（需 HIS 系统授权）

系统，营销部构建了 CRM 系统。需要注意的是， 这些系统的构建，出发点是为了适配各自职能的发展，而不是适配全局的端到端拉通，这也符合法约 尔提出职能型组织的构想：为职能专业性而生。因此，基于职能逻辑构建的系统必然是职能本位主义， 必然是一个一个的纵向的数据孤岛，直到组织发展到一个需要横向拉通的时候，才会从最高层往下打 通部门墙，实现数据的统一和融合。也就是说，让企业再重新走一遍发展之路，还是会走一遍“纵向 中心 数据 资产 管理 中心 数据 质量 管理 中心 应 用 层 数 据 湖 ADS （应用数据层） DM+TDM （数据集市+标签集市） 数 仓 层 DWR （轻度汇总） DWI （逻辑实体） ODS （贴原数据层） 数据治理 数据安全 研发与调度 数据存储&计算 实时数据采集 批量数据采集 半结构化数据采集 数据平台应用层 大数据 云服务 集团云 原生 平台 中间件服务 将集团范 围内的源系统资产、指标资产、以及各类分析资产深度融合，汇聚成详尽且易于检索的数据资产网络。 2、构建集团级资产目录 SUMMARY 案例小结 中国一汽以 TOGAF 架构理论为底层逻辑，自主构建指标数据治理“五阶十六步法”和信息架构治 理“六阶十八步法”，为数据治理工作提供科学的方法指引； 以业务价值为起点，以业务流程为主线，以业务单元为核心，通过信息架构进行数据业务的数字孪生，

金流，意味着每一家企业必须全面考察 场景、技术、风控、商业化等方方面面，才能做出决定。 因此，今年的人工智能报告将研究核心放在了“场景”与“产品”之上，尝试通过洞悉医院、 药企、械企多方的供需逻辑，分析先驱者们的实战案例，为 AI 企业下一步的布局、选 品、研发、商业化提供参考建议。 核心观点 1. 伴随 AI 应用的持续扩展与需方对于 AI 认知的不断加深，“提效”取代“政策”成为需方 AI 的进一步发展及医生对于 AI 技术的进一步认可，许多医生、管理者开始找到 AI 企业主动提出需求，要求后者根据具体需求打造能够提质增效的 AI 解决方案。 举个例子。DRG 出台后，医院的盈利逻辑由规模扩张向成本控制转变，管理者开始更加 注重内部管理的精细化和科学化，提高运营效率和医疗服务质量。这个时候，传统的医 疗 IT 系统不能满足医院精细化管理提出的各种需求，医院管理者转向 AI 系统寻求助力， 公司较少跨界这一方向。此外，不少仅需二类证即可实现商业化落地，因而产品竞争 相对平淡。不过，如今也有不少相关 AI 获批医疗器械三类证，用 AI 深度赋能上述细分 赛道，或在未来改变这一场景的应用逻辑。 2 放疗 AI 通常可处理多种肿瘤，这里统归为“肿瘤（放疗）”。 8 图表 4 产品分布图（脏器分布+病种分布） 资料来源：国家药监局官网、各企业官网 （其中“其它”包括皮肤、口腔、盆底等；“多种”表示含分类疾病中

按需触发 20-50GB 第三方征信数据 央行征信接口 HTTPS API 调 用 定时批处 理 5-10GB 清洗转换阶段实施三级质检机制：原始数据层进行格式校验 （如保单号正则匹配）、业务逻辑层检查（如理赔金额不超过保 额）、关联一致性验证（如被保人必须在客户主表存在）。对非结 构化数据采用多模态处理： - 医疗报告文本使用 BiLSTM-CRF 模型 抽取关键病理指标 - 2 赔款计算 2.1 0.5 3. 系统集成架构 采用微服务设计模式，关键组件包括： 4. 异常处理机制 建立三级异常拦截体系：  初级：数据完整性校验（18 类校验规则）  中级：逻辑矛盾检测（如治疗时间早于确诊时间）  高级：人工复核队列自动分级（按风险值排序） 该方案在某寿险公司试点中实现核保通过率提升 22%，理赔纠 纷率下降 41%，综合运营成本降低 35%。建议实施时优先部署高 B 超 分级、穿刺结果等追问项 o 对高净值客户自动追加资金来源证明要求 3. 多维度核保决策 整合内外部数据源构建决策矩阵，输出核保结论： 风险维度 数据来源 决策权 重 自动化处理逻辑示例 健康风险 健康告知+医疗数据 API 60% BMI>30 且伴随脂肪肝→加费 20% 财务风险 收入证明+征信报告 25% 年收入＜保额 10 倍→触发财务核保 道德风险 黑名单库+社交舆情监

A2A 协议示意图 通用性、互操作性、低门槛性重构 Agent 工具调用逻辑 MCP 协议的出现，大幅提升模型与自动化协作的可能性，以通用性、互操作性、低门槛性重构 Agent 工具调用逻辑。 通用性： MCP 定义 Agent 与 AI 模型间上下文交互标准，像 USB - C 统一设备连接，开发者用一致方式将工具、数据、模型接入 驱动 将沉睡的数据转化为可行动的洞察，不仅呈现“是什 么”，更能解释“为什么”，并预测“会怎样”，让 企业决 策由经验驱动转向数据驱动。 其核心在于 Agent 的多模态理解与逻辑推 理链（ CoT ）能力，能够整合分析不同来 源 的数据并发现深层因果关系。 数据来源：公开资料，专家访谈，甲子光年智库整理 企业级 AI Agent 并非单一工具的集合，而是 中心 商品 中心 第三方 线上 电商 人“找”数字化流程 数字化流程“找”人 品牌 送货上 门 户 AI 原生思维重构工作逻辑 AI Agent 成为企业数字化平台的中枢大脑，灵活链接前后作业链路，粘合企业多种能力，每个企业都可打造自己的数字化新范式 企业数字化平台 AI Agent 将模式翻转为 “流程找人”： AI