保国 有资本在服务国家战略中实现保值增值？ 国务院国资委自 2024 年 9 月首次提出“探索推进穿透式监管”以来，通过印发专 项通知、列入重点任务、印发内控建设指引等一系列举措，加速构建全级次、全链条、 全要素的监管网络，推动国资监管从“被动响应”向“主动防控”跃迁。穿透式监管， 作为这一转型的重要保障机制，正通过数字化、智能化的手段重塑监管逻辑，为国企高 质量发展注入新动能。 “管资本”转型背景下传 统监管模式与新时代要求不匹配的突出矛盾，系统阐释穿透式监管的背景、理论内涵、 技术支撑与实践路径，旨在为监管部门、国有企业及社会各界提供一套“可理解、可操 作、可落地”的穿透式监管体系建设的方法论与数智化平台，助力国资国企高质量发展。 目录 1 穿透式监管的背景 .................................. ................................ 6 2 什么是穿透式监管 .................................................................................................8 2.1 穿透式监管概念的提出 ....................................

的压 力愈发严峻 — 这些压力源于不断提升的期望、金融科技颠覆者相继涌现，以及全球监管格局的持续变化，企业正专注 于使其运营实现转型，以继续保持竞争力。 对于部分企业而言，这方面的努力包括测试生成式 AI，以为成千上万客户提供 � 对 � 的大规模个性化服务。与此同时， 在经济方面的考量也推动着企业谋求更精益的运营和更高的流程效率，这两方面对于充分利用 AI 而言至关重要。本报 告探讨了行业领 Young，Adobe 全球行业战略高级总监 转型现状 本章重点在于诠释业务转型的关键驱动力，揭示了我们调查的企业将精力聚焦于哪些方面，并强调了其所面临的阻碍。 生成式 AI：采用与影响 本章将撇开生成式 AI 的炒作热潮，深入分析其真实面貌。其审视了企业对生成式 AI 的认知、采用情况、 用例的关注领域以及它所带来的影响。 领导者的经验 本章探讨了领导者在转型方法上存在的不同。我们将研究发现提炼为关键框架和洞察，供您加以利用。 的企业表示，改善客户体验是其转型的核心驱 动力 生成式 AI 潜力巨大 但企业对其采用持谨慎态度 生成式 AI 有望降低成本，并助力产品/服 务更快上市。然而，在缺乏明确用例、基础 设施及风险缓解策略的情况下，企业的投 资态度较为谨慎。 ��% 的企业表示，采用生成式 AI 有助于降低 成本 ��% 的营销成本降低 - 已由测试过生成式 AI 用例的企业所观察到 内容供应链与服务是 生成式 AI 的最主要的用例

二、基础篇 : 零基础如何快速上手 AI 目录 瞭望篇 洞察趋势，驾驭 AI 浪 潮 01 决策式 AI 生成式 AI 选择题 简答题 AI 的分类： 决策式 AI 和生成式 AI 推荐系统、识别系统、审核系统、无人驾驶 … … 文本生成、图像生成、视频生成、声音生成 … … 人类社会 中的问题 AI 定义： 一种先进的人工智能聊天机器人，能理解和生 成自然语言，用于回答问题、写作、翻译、编程、学习 信息技术 人工智能大数 据 • 人工智能、物联网、生物技术等 • 人工智能为主要驱动力，数据 成为重要的生产要素 • 决策式 AI ：实现分析功能 • 生成式 AI ：实现创造性功能 AI 正在推动第四次工业革命，进一步提升生产力 第一次工业革命 第二次工业革命 大规模工业生产替 代个体手工生产 01 文本生成 02 音频生成 03 图像生成 04 视频生成 跨模态生成 策略生成 Game AI 虚拟人生成 按技术场景 AIGC 内容分为 按技术场景， AIGC 内容可分为文本、音频、图像、视频等 0 5 0 6 0 7 Midjourney 是一个文本生成图像的 AI 工具，可让你从任何文本描述中生

对于人类生产生活的改变，都证实了技术的重要力量。 在 2023 年，生成式人工智能（Generative Artificial Intelligence）无疑是备受关注的科技热点。麦肯锡 在 Technology Trends Outlook 2023 报告中将生成式 AI 列为 2023 年的全球科技趋势之一，并称生成式 AI 通过科技的力量推动了商业和社会的进步，引领了全球经济的复苏与可持续增长；世界经济论坛在 报告中也同样将生成式 AI 列为 2023 年的新兴科技之一，并表示在合理的应 用之下，生成式 AI 能够颠覆行业、促进经济增长、改善人们的生活。 生成式 AI 的出现对于人工智能领域而言既是转折点，同样也是引爆点。与以往的人工智能技术不同的是， 生成式 AI 通过对大规模语料、数据、图形等信息的无监督学习，可以生成文本、图像、代码、音频等新的内容。 依靠着其强大的生成功能，生成式 AI 的热 的热度迅速从科技领域传到了各行各业，人们惊叹于生成式 AI 的无所不知， 也惊叹于它的对答如流。 在这样的关注之下，生成式 AI 背后的基础大模型成为了技术的焦点。基础大模型技术可以被细分为大语 言模型、大视觉模型、音频大模型、多模态大模型等，有了不同的大模型作为基础，生成式 AI 得以适应文字、 图片、音频等各类任务。在众多的大模型技术中，大语言模型有着更为广泛的应用场景，也受着资本投入的青睐。

，寿险、财产险、健康险 等均呈增长态势。 科技投入： 保险业科技投入持续高速增长 ， 2025 年总投入将突破 670 亿元 ，大数据、云、 AI 为主要 投 入领域。 技术价值：生成式 AI 有望为保险业带来 700 亿美元生产力提升 ，金融行业大模型落地加速 ，保险领域 仍有广阔空间。 政策支持：多项政策鼓励保险业运用 AI 技术 ，推动智能化转型 ，为“保险 +AI” 时带来合规挑战。 摘要 保险行业 AI 应用场景 发展背景 发展趋势 3 一、保险 AI 发展背景 Insight 保险行业在粗放式增长与经营压力下亟需技术驱动转型。 AI 通过云计算、 大数据、 生成式模型等技术 ， 重构保险价 值链 ， 从效率工具升级为战略中枢。 政策支持与资本投入 加速行业变革 ， 2025 年科技投入将突破 670 亿元 ， 推动保 对 AI 技术革命，金融、医疗、制造等领域已全面布局，保险业作为典型的数据 密 集型行业更是战略核心区。根据麦肯锡测算，生成式 AI 将对保险业带来的生产力高达 700 亿美元，对与保险业密切相关的健康 - 康养行业带来的生产力高达 2600 亿美 元。 按行业划分的生成式 AI 的生产力提升 240- 460 远 程 通 讯 制 药 和 医 疗 产 品 媒 体 娱 乐 公 共 部 门 基

模型微调 测试数据 最终模型 从海量数据中自动学习知识 Ø Big-data Driven，模型基于大规模语料训练而成； Ø Multi-tasks Adaptive，支持多种任务，包括自然 语言生成NLG和自然语言理解NLU类的任务； Ø Few-shot (Zero-shot)，在少甚至无标注样本的 条件下支持推理（自监督学习）。 产业研究 战略规划 技术咨询 3 大模型发展历程 众多预训练模型相继涌现，OpenAI 众多预训练模型相继涌现，OpenAI 以 GPT2、GPT-3、ChatGPT 等系列模型为代表，持续引领大模型时代的浪潮 Ø 2017 年，Google提出Transformer 框架在机器翻译中取得显著进步，其分布式学习和强大编码能力受到广泛关注。 Ø 2018 年 Google 和 OpenAI 基于Transformer 提出了预训练语言模型 BERT 和 GPT，显著提高了NLP 任务的性能，并展示出广泛的通用性。 要提取、关键、字提炼、标题生成、文 本风格迁移、图像创作、短视频创作(文 生视频)、其他创作(文学艺术、商业通 用) 数学类 小学数学、初中数学 高中数学、高等数学 推理类 代码生成、编程翻译 代码解释、代码纠错 代码自动补全 生成代码文档 单元测试 toC通用 场景类 生活助手 办公工具 toB特定 行业类 工业:产品设计辅助&&生产规划 教育:智能问答、试题生成 法律:智能法律助手，法律咨询

的想象空间。相较于已在金融领域被广泛应用的 传统判别式 AI，大模型具有更强的通用泛化能力， 能够处理复杂多样的信息理解、内容生成、多轮对 话等任务，在金融领域具有较大的价值创造空间。 例如，据麦肯锡测算，大模型有望给全球金融行业 带来每年 2500 亿 ~ 4100 亿美元的增量价值，对应 约 9% ~15% 的营业利润增厚空间；据清华经管联 合度小满等发布的《2024 年金融业生成式 AI 应用 报告》，大模型驱动的新商业模式有望为金融业带 模型落地场景，金融从业者对大模型类工具的需求 和使用也与日俱增。在金融机构层面，根据英伟达 发布的针对近 400 家金融机构的调研结果，43% 的 金融机构已开始使用大模型，主要用于报告生成 （37%）、客户体验及活跃度优化（34%）、合成数据 生成（33%）和营销（32%），另有 55% 金融机构 正在研究并考虑应用大模型；在金融从业者层面， Financial Technology 金融科技 37 2024-10 如，交互对话、信息整理、内容生成等。在提供金 融服务方面，大模型目前已较能胜任常规的基础金 融对话，例如，金融资讯、业务办理等，但在专业 度高、个性化强、业务复杂且涉及严监管领域的金 融服务上，由于大模型能力有限、应用效果较差， 且存在监管合规风险，目前难以直接为客户提供专 业金融服务，仍需人工介入以满足服务质量和合 规要求。除金融专长仍有待提升之外，大模型亦 面临有时生成内容不可控（如“幻觉”问题）、可

企业服务市场规 模达到约11.4万亿元，同比增长4.5%，预计到2026年市场规模将达到13.6万亿 元，通过促进专业化和标准化，推动中国企业的现代化经营管理。 技术变革：1）大模型：大模型赋予生成式AI应对复杂任务的泛化能力，拓宽企 业服务的能力边界。将行业专业知识、企业私有数据与大模型相结合，降低模型 幻觉，提高对特定任务的适应性，可以更加符合专业场景的诉求。 2）Agent：大模型兴起后， 选择性综合大模型和多种先进算法，形成具备独立思考、工具调用能力等特征的 系统，满足更广泛的垂类场景需求。 3）数据治理：随着业务规模和系统规模的不断增加和扩大，为了支持海量数据 的存储、高并发访问以及保证数据的可靠性，分布式数据管理概念应运而生。同 时，传统单一、静态和被动的数据管理模式也将向全面、动态和主动模式转变。 4 企业服务概述 O v e r v i e w 01 5 ©2024.7 iResearch 42 980.83 2022年净利润 -3.76 50.13 2023年净利润 -1.43 62.92 单位：亿元 12 企业服务的演进与变革 Evolution 02 13 ◼ 生成式AI重塑企业服务 ◼ 大模型在企业服务领域的落地路径 ◼ 大模型部署及服务模式探讨 技术侧：大模型 14 ©2024.7 iResearch Inc. www.iresearch.com.cn

word 位置信息 前馈网络 Feed Forward 捕捉序列中元素之间复杂关系的多功能组件。通过使用线性变换和非线性激活 函数，前馈网络使模型能够处理复杂语义，促进文本的稳健理解和生成。 Google (2017): Attention is all you need Google Transformer ： 引入注意力（ Attention ）学习 , 2017 嵌入层 目的是将这些非结构化的文本信息转化为结构化 的信息，具体来说是将文本空间中的某个 word ，映射或者说嵌入 编码器 Encoder 处理输入序列 Decoder 生成输出序列 解码器 GShard ：基于 MoE 探索巨型 Transformer 网络（ Google, 2020 ） 层被混合专家 MoE 层替代，并采用 top-2 门控 机制； 高探索自由度 = 推理能力自我觉醒 （更长的思维链、 更深层次的 推理路径） 低可控：生成文本可 读性差、语言混乱 拒绝采样： 筛选高质量样本 20 万条 通用数据 在探索自 由度、学 习效率、 行为可控 性 找到动 态平衡 第一阶段训练：增强推理能力，生成高质量推理数据 推理导向强化学习 （准确率奖励 + 可读性奖励） 第二阶段训练：增强通用能力，避免灾难性遗忘

Data+Al：企业智能化转型的核心驱动力 .......................................... 1 2. 媒体声音 | 重磅升级，阿里云发布首个"Data+Al"驱动的一站式多模数据平 台 ........................................................................................... ........................................................................... 14 4. 媒体声音 | 阿里云王远：一站式数据管理平台的智能化跃迁 ................... 20 第二部分：Data+AI 行业应用 ............................................ Gen-AI 时代的一站式 Data+AI 平台 ........................................... 174 2. 免费部署 Dify+DeepSeek on DMS .................................................................... 175 3. 从数据到智能，一站式带你了解 Data+AI