用到深度学习算法等。如果说人工智能关注的是“读 懂 人的世界”的话，那么认知计算可以说更关注“读懂 大数据的世界” 。 IDC Digital 预测，医疗数据量将达 40 万亿 GB ，预计约 80% 数据为非结构化数 据。 IBM 运用认知计算，打造人类认知非结构化数 据的电脑助手，主要从理解、推理、学习这三 项特 质训练入手，让系统或与人类直接交互接受训练、或 深入各类非结构化数据自我训练；

重压力。根据世界卫生组织统计，全球范围内医护人员缺口达 1700 万，门诊等待时间中位数超过 2 小时，基层医疗机构误诊率 高达 18%-25%。在诊疗效率方面，三甲医院医师日均处理病例量 超过 80 份，导致疲劳作业风险上升，而电子病历系统仅实现基础 结构化存储，无法主动辅助临床决策。 医疗数据利用存在显著瓶颈： - 非结构化数据占比超过 70%（如影像报告、医患对话记录） - 跨系统数据互通率不足 ” 医疗数据呈现典型的 三高 特征： 特征 现状数据 产生后果 高碎片化 单个患者数据分散在 6.2 个系统 中 诊疗完整性下降 27% 高冗余度 重复检查数据占比 34% 每年造成浪费超 80 亿元 低互操作性 系统间 API 对接成功率仅 61% 转诊信息丢失率 18% 资源分配失衡 • 三级医院医生日均接诊量达 120 人次，超过 WHO 建议标准的 3 倍 • 基层医疗机构设备闲置率 核心 瓶颈之一。医护人员在日常工作中面临大量重复性、低价值的事务 性工作，例如手工录入患者信息、人工核对检查报告、纸质处方流 转等。以某三甲医院的调研数据为例，门诊医生平均每天需处理 60-80 份病历，其中约 30%的时间消耗在非诊疗环节，导致实际接 诊时间被压缩，患者等待时间延长。 具体表现为以下三类典型场景： 1. 信息录入与检索效率低：电子病历系统（EMR）依赖人工逐项填 写，平均单份病历录入耗时

分（百分制）。在产品同质化严重的市场环境下，67%的客户 认为保险条款复杂难懂，理赔流程平均耗时达 5.7 个工作日。 行业主要痛点可归纳为： - 服务效率瓶颈：人工坐席日均处理咨询量约 50-80 通，高峰时段 响应延迟超过 30 分钟 - 风险管控滞后：车险骗保识别依赖人工审核，误判率高达 18% - 个性化服务缺失：标准化的产品推荐匹配度不足，转化率低于 12% - 运营成本高企：培训新人代理平均投入超 风控能力滞后 反欺诈依赖规则引擎的静态阈值设定，无法动态识别新型骗保模 式。车险领域约 23%的欺诈案件（中国保险行业协会 2022 年报 告）因缺乏智能分析手段未能及时拦截，每年造成行业损失超 80 亿元。 客户体验断层 传统服务模式存在明显的响应延迟与服务断层： - 投保环节平均需要客户提供 12 项纸质材料 - 72%的保单变更申请需线下柜台办理 - 理赔材料补交率达 41%，导致 8%，远低于国际 3%-5%的平均水 平。某中型财险公司测算显示，每单保费中约有 38 元消耗在人工 流程成本上。 这些痛点表明，保险行业亟需通过 AI 智能体实现：业务流程 自动化率提升至 80%以上、核保决策速度加快 5 倍、欺诈识别准确 率提高 40%等突破性改进。DeepSeek 的智能体技术可针对性解决 上述系统性问题，具体技术路径将在后续章节详细阐述。 1.1.2 数字化转型需求分析

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 力的 理性回归。 显存需求（训练） 推荐 GPU 数量 量化技术支持 7B 10-16GB 24-32GB 1-2 FP16/INT8 13B 20-24GB 48-64GB 2-4 FP16/INT4 32B+ 40GB+ 80GB+ 4+ FP8/QLoRA 部署 DeepSeek 大模型时，算力配置需根据模型规模（参数量） 、应用场 景 （推理 / 训练） 、并发需求及性能目标综合规划。 模型规模与硬件需求关系 基础设施升 级 注：显存需求基于 FP32 精度，使用量化技术（如 FP16/INT8 ）可降低显存占用 30- 50% 。 核心硬件 推荐部署 说明 GPU NVIDIA A100 80GB / H100 80GB 大显存 、 高带宽， 支持 NVLink 多卡互 联 （推荐训练场景） RTX 4090 24GB / RTX 6000 Ada 48GB 性价比选择（适合中小规模推理 / 微调）

提高客服效率 e 袋洗为 O2O 行业垂直领域业务， 用户场景集中，但衍生问题多样， 围绕业务各个维度问题，重复性高。 夜莺智能客服能够有效解决用户重 复性咨询，机器人准确度 80%+ ， 有效降低了人工客服的工作量。接 入前，高峰期用户进入人工客服最 长要 2 小时，接入后用户无需等待， 秒进人工。 助力糯米为用户提供高品质服务 糯米非常注重客户服务品质，在 百度智能客服实施案例 —— 某电网智能知识库案例 在线客服月均服务客户 1.8 万人次；知识库支持机器人引流率 80% 。 形成了“客户化”的 120 万字应答话术，有效支撑 3400 万客户的来电服务。 智能知识库 整体召回率： 80% 回答正确率： 92% 百度智能客服实施案例 —— 某股份制银行智能音箱案例 对话管理 意图识别 智能检索 789 746 82% 77% 95% 25 805 771 83% 80% 96% 置信度 测试 query 数量 召回数量 召回正确数量 召回率 （召回数量 /query 数 量） 准确召回率 （召回正确数量 /query 数量） 准确率 （召回正确数量 / 召回数量） 0.8 507 404 384 80% 76% 95% 0.75 507 436 398 86% 79%

内部系统数据接入（核心银行系统、CRM 等）.......................77 5.1.2 外部数据源接入（征信、市场数据）.........................................80 5.2 数据预处理流程...................................................................................... 指标包括：客户咨询意图识别响应时间≤800ms，复杂业务查询的 语义理解准确率≥90%，7×24 小时在线服务可用性达 99.99%。 业务赋能方面重点实现三大突破：一是智能客服场景的深度优 化，通过多轮对话系统处理 80%以上的常规业务咨询，人工坐席 转 接率降低至 15%以下；二是风险管控能力的强化，建立基于大 模型 的实时交易监测系统，异常交易识别效率提升 40%，误报率 控制在 0.5%以内 89%，但需与规则 引擎协同降低误报率。关键数据指标如下： 场景 基线准确率 目标准确率 允许延迟 欺诈交易识别 82% 90% <1s 信贷风险评估 75% 85% <5s 反洗钱监测 68% 80% <30s 运营优化方面存在三个典型需求： 1. 自动化文档处理：年报 生成效率需从 8 人日缩短至 4 小时 2. 智能工单分类：准确率需达 92% 以降低人工分派成本

新竞争，重构市场逻辑 六大数字化实战标杆案例 目 录 价格战白热化，中国车市重塑竞争格局 四大营销痛点，让行业陷入“增量陷阱” 市场与用户洞察 线索评级 智慧门店 比亚迪腾势：邀约效率提升 80%，腾势汽车用 500 个标签解码用户 北汽福田：从“卖车”到“养客”，北汽福田用 600 万保客数据实现增长 一汽红旗：转化率提升 3.5 倍，线索评级让一汽红旗“集中资源办大事” 长城汽车 | 数据会说话：AI 时代汽车全域营销实战手册 想象一位销售顾问：过去，他手握模糊的客户名单，拨出 100 通电话仅能邀约 3 人到店；今天，借助 500 个用户标签，他的邀约成功率跃升 80%。这是比亚 迪腾势的日常。 而在北汽福田，600 万老客的增换购需求被实时洞察，并通过保养提醒和节日 关怀，极大提高老客的主动返厂率；在一汽红旗，AI 为每条线索贴上价值标签， 针对性地将营销资 示六大车 企如何跳出传统运营窠臼，在存量竞争中实现效率提升、成本降低、体验优化， 为更多车企营销数字化转型提供参考。 成功的数字化营销标杆， 可复制、可落地、可量化 比亚迪腾势： 邀约效率提升 80%， 腾势汽车用 500 个标签解码用户 企业痛点 瓴羊产品 数据治理 | 潜客运营 | 邀约转化 试驾率 21% 购车转化率 23% 腾势汽车是比亚迪集团旗下的高端新能源汽车 品牌，成立于

年保险业协会数据，财产险公司理赔纠纷中 67%源 于材料不全或信息误判，而 DeepSeek 大模型的文档理解准确率在 测试环境中已达到 98.7%，显著高于行业平均水平（82%）。通过 建立标准化智能审核流程，可减少 80%以上的人工复核环节。更关 键的是，模型持续学习机制能动态适应监管政策变化，例如 2024 年车险新规中新增的 12 类免责条款，模型可在两周内完成知识库 更新，而传统系统改造通常需要 45 个工作日。 28%的争议案 件，欺诈识别依赖专家经验使得每年约 15%的赔付存在水分，以及 跨系统数据孤岛导致 40%的重复录入工作。 行业亟需通过 AI 技术实现以下突破性改进： 1. 自动化文档处 理：目前 80%的理赔材料仍需人工分类，医疗票据识别错误率高达 18% 2. 智能风险判定：需要构建动态欺诈识别模型，当前静态规 则仅能覆盖 67% 的欺诈模式 3. 全流程加速：从报案到结案的关键 路径中，有 结合索赔文本、图像及用 户行为构建多维风险模型 欺诈案件识别覆盖率 从 60%提升至 85% 此外，模型可通过以下方式优化全流程： 1. 智能问答系统： 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。

.......................... 80 7.1 ႙ஜฉ৮̝௦ͬაટॏ......................................................... 80 7.1.1 ෻౟ฉ৮̝௦ڕसᄥէ඘ຂ ......................................... 80 7.1.2 ٲߙྡྷ඘ܤฉ৮̝௦ޏ೬ֽܙ඘ຂ ... .......................... 80 7.1.3 ඔಖฉ৮̝௦޳Љ၇࠾ۤ࿫ބ҉ᄢટॏ ..................... 81 7.2 ஜܤ೴࡬̝௦ͬܙટॏ......................................................... 81 — 9 — ¤ ¤ 7.2.1 ߒ௦೴࡬̝௦ڕसᄥէ඘ຂ ...... ޞᯯփᆿޞ։㌱ᷬᶺഴ ¤¤¤¤¤ ٲߙྡྷ඘ܤฉ৮̝௦ޏ೬ֽܙ඘ຂ ٲߙၩޙസܬࡂcฉ৮ܬࡂcΨၘࠄదܬࡂcժԤူᅖݯܬࡂ ԉ“ၩcฉcΨcժ”ങสྡྷ඘ԅ̝௦ֽܙ඘ຂdࢗႺฉ৮̝௦פຢ — 80 — ¤ ¤ ିٹēಭιฉ৮ᆇСē෻౟ฉ৮ד௕ד့ڕसēೌज़ܚ॓ฉͲঽੋē ஜܤฉ৮ᆚಇֽှ඘ຂdަࣙᆑᅖࢶࣅฉ৮̝௦న࿷ߑ࿫ဈdݲݾ ॆဈੁ৲cࢶ໰ޙസcఆٝᄦટcӖ೴࡬ד๥ԉ໭ޏ೬ࢗႺ̝௦ͬ

独一份的数据飞轮：国内独家的安全运营中心业务，真 实的客户问答和运营场景，提供真实的人类数据反馈 国内第一个企业级的安全垂直领域大模型 高级威胁检测 辅助驾驶 智能驾驶 五百张 A100/A80 0 显卡集群 上百人的创新研 究院硕博团队 深信服 20 年的 安 全行业积累 数据 首个通过《深度合成服 务算法备案》的安全垂 直领域大模型 首个借助安全大模型技 安全专家 + 攻击大模型：构造 3W 高对抗样本 传统邮件安全厂商： 10.3% 大模型： 94.8% 第三方 VT 样本： GPT 钓鱼正报是友商的 4 倍多。 邮件安全网关默认配置：检出 80% 的样本未拦截。 钓鱼检测效果 强对抗攻击： GPT 检测优势 普通攻击： GPT 检测优势 运营大模型 辅助驾驶模式 智能驾驶模式 云端数据 IOC 威胁情报 文件 运营 助手 自主 值守 智能驾驶 自主值守， 思维链研判和处置， 过程可解释 高级威胁检测 高对抗、混淆类、绕过类等未知 威胁检测 辅助驾驶 自然语言对话式辅助运营， 承载 80% 安全运营操作 自动研判调查 秒级响应闭环 7 X 24 自主值守 思维链透明处置 发现告警 威胁定性