布《中国ESG最佳企业实践》。本报告旨在分 析“碳中和”背景下，ESG产业的发展现状、 发展特点、驱动因素、产业所面临的挑战以及 应对措施等。 本报告从“ESG”出发，深入分析并权威呈现 2025年中国ESG领域的最佳企业实践。报告的 核心研究对象是企业的ESG实践和成果，旨在 通过系统梳理中国企业在环境（E）、社会（S） 和公司治理（G）方面的创新实践、落地成效与 治理经验，为行业树立可持续发展标杆。 采取更具社会责任的创新行动。促进ESG理念 在各行业的深入融合与协同发展，助力企业从 被动合规向主动价值创造转型。系统展示中国 企业在绿色转型、社会责任和公司治理方面的 领先能力与实践成果，提升其在全球ESG评价 体系中的影响力。 本报告所有图、表、文字中的数据均源自弗若 斯特沙利文（北京）咨询有限公司，数据均采 用四舍五入。 报告指出，随着“双碳”目标的推进，中国企业的可持续发 展实践正发生系统性变革。上市公司ESG报告披露率显著上 消费等行业则呈现结构性差异，部分头部企业表现突出，但 整体水平仍有提升空间。 中国ESG发展现状与趋势 报告提供的任何内容（包括但不限于数据、文字、图表、图像等）均系沙利文/头豹研究院独有的高度机密性文件（在报告中另 行标明出处者除外）。未经头豹研究院事先书面许可，任何人不得以任何方式擅自复制、再造、传播、出版、引用、改编、汇编 本报告内容，若有违反上述约定的行为发生，头豹研究院保留采取法律措施、追究相关人员责任的权利。头豹研究院开展的所有

无源标签也是最适合用来对大规模的物品进行连接的，因 为 RFID 无源标签没有电池，且芯片尺寸也极小，几乎跟普通的标签没有差异。 第三是从环保与可持续发展的角度来说，RFID 无源标签是所有电子产品中对环境最友好的，因为它不 需要电池，这就能很好的体现环保理念，而且目前市场上正在开发新的产品工艺，可以让 RFID 无源标签实 现自然生物降解，这就更加的环保。 当然，RFID 无源物联网标签并 什么是无源物联网 无源物联网，是指没有采用电源（电池或者电线），而是通过采集环境中的微弱能量就能正常工作的物联网设备。 人们常说，“水乃生命之源”，而能量，则是驱动 IoT 设备工作的源头。在人类的发展史上，能源占据着举足轻重的地 位，目前人们对于能量的采集、存储与使用已经炉火纯青，以至于很多人都忽视了它的存在，而在 IoT 产业中，能量技术 在产业的地位也在迅速提升。 近些年涌现出来的 NB-IoT、LoRa 等新兴传输技术一个最主要的卖点就是低功耗。而蓝牙、Wi-Fi、Zigbee 等成熟的 无线传输技术，每一代版本的演进突破方向之一，就是如何把功耗做的更低。 为何 IoT 市场如此重视低功耗 在 IoT 市场产业中，200 亿、500 亿、1000 亿，这样的连接数字频频出现在人们的视野。 这些庞大的 IoT 设备，如果都用电池供电，综合考虑显性成本与隐性成本，电池在 IoT 设备的成本比例不可小觑。 •

谷歌推出量子芯片 Willow：谷歌推出 最新的量子芯片 Willow。使用更多 量子比特进行拓展， 可成倍减少错误， 解决了量子纠错领 域近30年来一直试 图攻克的关键难题； 同时在基准测试中， Willow展示了一流 性能。 ⚫ ⚫ ⚫ ⚫ ⚫ ⚫ ⚫ ⚫ ⚫ ⚫ ⚫ ⚫ ⚫ ⚫ ⚫ ⚫ ⚫ ⚫ ⚫ ⚫ ⚫ ⚫ ⚫ ⚫ ⚫ ⚫ ⚫

然浮现：大模型正沿着 “规模定律”不断演进，从预训练扩展到覆盖预训练、后训练、逻辑推理的全流程，其参数与集群 规模实现“双万” 跨越，行业模型落地需求专业化。 传统的服务器集群架构在这场变革中瓶颈愈发明显。千亿级模型一次梯度同步产生的 TB 级数据 让传统以太网带宽难以承受；同时，伴随算力规模扩大，万级处理器带来的故障常态化，对自动化 运维与 RAS 能力提出了更高要求。在这样的背景下 样化算力集群技术未来演进的必然趋势。本发展报告系统梳理了超节点技术架构的国内外演进路径 与生态发展格局，清晰界定了超节点需具备的技术特征与系统属性，为产业界提供了具有前瞻性的 洞见和系统标准参考，助力行业在算力发展中找准技术方向，推动算力从规模堆砌走向效率跃迁。 国家超级计算广州中心主任 卢宇彤 当前，千亿乃至万亿参数的大模型与 MoE 等先进架构的兴起，对计算基础设施提出了前所未有 的苛刻要求。传统的硬 成单元”。这不是简单的规模扩张，而是一场关于带宽、能效与系统韧性的全面再造。预计到 2030 年，相关基础设施投资将接近 7 万亿美元（Noffsinger et al., 2025） 。计算范式正从通用数据中 心转向专为 AI 设计的“超节点”，这正在彻底改变数字基础设施的经济模型与设计理念：资本开支、 能耗曲线、网络与内存比重、运维与可靠性能力，都会被重新定价与重构。 本报告提出并论证：“超节点”将成为

百度智能客服实践和展望 王巍巍 百度智能云智能客服总经理 “ 听”：语音识别 “ 看”：人脸 &OCR “ 读”：自然语言处理 “说”：语音合成 学习：深度学习 对话：会话中控 预测：画像分析 人机交互 机器辅助 智能技术在金融科技领域带来三新变化 新感知 新认知 新交互 了解个人和企业客户——快、准、全 赋能金融行业各个场景 效率、满意度、场景 服务行业客户，做最落地的智能客服 意向筛选 销售转化 营 销 服 务 信用卡办理 账单查询 办理贷款 查询额度 通知 消费确认 智能营销催收 客户回访 问卷调查 会议邀约 金 融 业 细 分 市 场 场 景 覆 盖 保险 证券 消费金融 电信运营商 教育 理财 理财 银行 通信 电商 信用卡办理 客诉处理 流程办理 业务办理 用户关怀 智能服务 航空 CTI 意图触发 指代消解 实体收集 B ：您尾号 xxx 的卡本月的信用卡账单的金额为 FAQ 跳转 7800 元，目前已还款 0 元，未还款 7800 元。 意图跳转 B ：您的账单可办理分期金额为人民币 7000 元； 请确认你是否已阅读并认可遵守账单分期业务条款 细节，具体条款可登入我行 信用卡主页进行查看。 B ：分期成功，每月还款额人民币 / 美元 XXXXX 元 X

推动了中小型企业低成本接入 Al, 对 各 个行业产生了积极影响。 · 创新：重新定义了芯片和算力对大模型的影响。 · Deepseek 的 三 种 使 用 方 式 ： 在 软 件 系 统 中 调 用 官 方 API 、 模 型 微 调 、 直 接 使 用 。 网页 APP (IOS/Andriod) 资料来源： AI 肖睿团队，北京大学 -DeepSeek 原理与落地应用 智慧芽 实际上是增加了推理能力的 Qwen 模型和 Llama 模型， 严 格 来 讲 不 能 称 为 DeepSeek 模 型 ( 市场上 有 误 解 ， 厂 商 有 误 导， Ollama 工具的模型选 项中也有误导 ) DeepSeek-R1-Distill-Qwen-7B Qwen2.5-Math-7B HuggingFace ModelScope DeepSeek-R1-Distill-Llama-8B 情况下部署 Deepseek R1 满血版模型需要 1200G 左右显存 ( 考虑百人内并发情况 ), 需要双节点 8 卡 H100 服务器 才能 运行 ( 总成本约在 260 万 -320 万左右 ), 即便是 INT4 半精度下，也至少需要 490G 显存，需要单节点 8 卡 H100 服务器才 能运行。 · 为了实现低成本 DeepSeek R1 模型的高性能部署， 目前大多数方案都采

注册门槛， AI 平民化 使用成本低 DeepSeek 使用成本极 低，网页 /APP 免费， API 费用低，进一步 AI 平民化。 中文友好环境 针对中文用户优化，界 面与操作指南均支持中 文，降低语言障碍，提 高使用效率。 中文训练 数据占比超 90% 注册无门槛 注册流程简便，无需复 杂验证，即时注册即时 使用，快速融入 DeepSeek 的智能生态。 https://juejin 预测型 决策型 • 针对所输入的问题进行提 前阅读，模糊字段会触发 联想， 匹配字段枚举值 • 若干次优解作为推荐问题 备选，模糊语义场景下对 齐提问意图 • 基于主题下的模型数 据进行问答，提问中 可以方便地进行主题 和模型的切换 划定范围 模糊匹配 业务黑话 • 笨办法：做配置表 ChatBI—— 统计型分析 统计型 归因型 预测型 决策型 ChatBI—— 统计型分析 第二维度：间接影响 第三维度：渠道 / 产品 / 客 群 户均余额 同比 -5% 户均额度 XXX 万 户均额度 使用率 YY% 卡数量 同比 -8% 申请总量 XX 万 通过率 YY% 透支余额 同比 -10% 户均额度 XXX 万 卡量增长 YY% 通过率 1% 转化率 76% 申请总量 -6% 转化率 40% 户均额度使用率 -2% 使用率 XX%

大数据应用部分：涵盖风险建模、文本分析、流程自动化等技术，提供 Prompt 设计与调优策略的简要提示与思路； l 示例与案例部分：详解大数据分析技术等在合同审查、关联交易识别、 风险揭示等场景中的具体审计示例与案例分析。 三、多层面价值彰显：从个体应用到机构和行业的启发 本手册的价值体现在三个层面： l 对个体：帮助审计人员突破经验认知与局限，努力实现金融审计多元场 景覆盖，帮助审计人员减少审计盲区； 层，提升风险覆盖密度； l “ 对行业：推动审计从 事后纠错 ” “ 转向 事前事中预警 ”，如基于舆情 分析 的声誉风险前置评估模型可提前识别风险信号。 四、使用建议：理性驾驭技术红利重在参考 作为一本简洁明了的手册，我们努力与金融审计实践看齐，问题及解决思 路 注重通用性，兼顾众多中小银行内部审计需要。在使用本手册过程中，还请 各位 同行和学者们注意： l 风险隔离：在使用大语言模式时禁止上传涉密数据，敏感信息需脱敏处 编写 团队的核对筛选和修改，但由于人工智能幻觉的存在，以及金融政策快速变化； 在使用时仍需与最新监管文件、内部制度比对；问题提示因篇幅限制较少，使用 时需要进一步丰富审计分析维度；本手册中的示例与案例不构成审计依据，仅构 成审计思路与方法参考； l 伦理约束：避免将模型用于客户画像歧视、绩效预测等可能引发公平性 质疑的场景。 “ 我们期待这本手册能成为审计人员在智能时代的 导航仪

动态推理与领域自适应能力，能够为工程审计的效率提升提供支持。本指南 （V1.0） 旨在系统化阐明 DeepSeek 大模型在工程审计中的核心价值与应用路 径，推动工 程审计行业的智能化转型。 作为 DeepSeek 大模型在工程审计领域的行业级参考指南与公益知识库，本 指南（V1.0）在编纂过程中系统整合了互联网公开的行业案例库、学术文献及开 源技术成果。编写团队始终秉承开放共享与协作创新的理念， 在此向以下贡献者 DeepSeek 可以根据项目需求和法律法规自动生成招投标文 件，确保文件的规范性和完整性。这一过程不仅可以提高工作效率，还可以降低 了人为失误带来的风险。 4 、工程项目成本测算 在工程项目实施过程中，准确的成本测算至关重要。DeepSeek 可以在智慧 造价的基础上，对项目的各项成本进行监控和测算，及时发现成本偏差并进行调 整。这种监测的能力使得项目管理者能够更加灵活地应对各种变化，确保项目的 可以在智慧造价基础上，通过数据分析和模式识别，对项目的决算数据进行全 面 审查，识别潜在的风险和问题。这种自动化的审计方式，不仅可以提高审计 的效 率，还可以增强审计的准确性和可靠性。 以上仅是 DeepSeek 在工程审计应用中的部分场景。本指南（V1.0）将以此 为切入点，剖析 DeepSeek 的基本特点，介绍其安装和使用方法，并展示其应用 方法及步骤。 2 第 2 章 DeepSeek 概述 DeepSeek

2019 年的 122 亿元增长至 2024 年的 785 亿元，对应 CAGR 达 45.11% 。 AI 芯片中 由于 GPU 通用型强，满足深度学习大量计算 的需求，因此 GPU 在训练负载中具有绝对优势。以 GPT-3 为例，在 32 位的单精度浮点数数据下，训练 阶段所需 GPU 数量为 1558 个，谷歌级应用推理阶段所 需 GPU 数量为 706315 个。 l 英伟达开辟 GPGPU OpenAI 、微 软合作。 2023 年 3 月，英伟达在 GTC 大会上推出 4 个针对各种生成式 AI 应用程序进行优化的推理平台，其中发布带有双 GPU NVLink 的 H100 NVL 加速计算卡， 以支持 ChatGPT 类大型语言模型推理。与适用于 GPT-3 处理的 HGX A100 相比，配备四对 H100 与双 GPU NVLink 的标准服 务器的速度最高可达 10 倍。 l 年的 241.5 万个上升至 2021 年 的 566.7 万个，对应 CAGR 达 18.60% ；其中，云数据中心负载任务量 CAGR 预计达 22% 。 l 以模型中的参数数量衡量，大型语言模型的参数 在过去五年中以指数级增长。随着参数量和训练 数据量的增大，语言模型的能力会随着参数量的指 数增长而线性增长，这种现象被称为 Scaling Law 。 但当模型的参数量大于一定程度的时候，模