最合适的专家来处理，提高了处理效率，也降低了计算成本。 MoE 架 构 的 基 本 原 理 主 要 包 括 两 个 核 心 组 件 ： GateNet 和 Experts 。GateNet 的作用在于判定输入样本应该由哪个专家模型接管处理。而 Experts 则构成了一 组相对独立的专家模型，每个专家负责处理特定的输入子空间。 输入 专家 1 GateNet 输入 图 2-2 MoE 成本异常的具体环节 2. 异常原因的详细分析 3. 定量评估成本超支的财务影响 4. 具体的成本控制建议 示例：请特别关注材料采购、人工成本等关键环节 CARE 模型在工程审计领域的特殊价值在于其对背景的强调和对示例的整 合：背景维度使审计人员能够充分理解工程项目的特定环境和条件约束；示例维 度则通过类比学习机制，使抽象的审计发现转化为可操作的改进方案，增强审计 成果的实践价值。 4. 背景：该项目作为[地区]重点水利工程，其进度和成本控制影响[具体影响] 5. 示例：请参考[类似水利工程]的优秀管理实践，提出切实可行的改进建议 TRACE 模型在工程审计中的核心价值在于其对任务的多维分解：通过将复 杂 审 计 任 务 拆 分 为 明 确 的 请 求 和 具 体 行 动 ， 并 结 合 背 景 理 解 和 示 例 参 考，TRACE 模型能够有效应对工程审计中的复杂性挑战，提高审计效率和准确

输出的大盘风险暴露系数作为行业轮动的“顶层约束”，同时行业轮动结果 反哺择时因子，例如，让三标尺中的指标与多因子择时中的宏观因子形成交 叉验证，考虑大盘对行业影响的同时，修正宏观数据滞后问题。 在财务风险识别领域，AI 的优势在于开创性地融合多维度分析框架。通过 结构化财务指标与非结构化文本情感语调的协同分析，构建数值异常检测、 文本语义解析、交易行为分析的三维风控体系。相比 Benford 定律等传统数 值检测方法，AI 子重要性结果作为训练样本输入 DeepSeek 模型，使其学习因子与市场状态的关联 模式；最后结合当前市场环境，AI 基于历史规律生成初始权重框架，再通过动态 赋权机制进行实时调整。这种方法的优势在于既保留了传统模型的逻辑可解释性， 又能通过 AI 动态适应市场变化，同时避免了直接训练大模型带来的复杂性和资源 消耗。 整个流程体现了"历史规律挖掘-规律映射学习-实时预测应用"的技术路径，通过 XGBoost 业特性（如公用事业的低利润率）误读为异常信号。例如，某公用事业公司的低 毛利率若处于行业正常区间，即使绝对值低于全市场平均水平，模型也会结合行 业标签判定其为合理波动。 然而，这种行业属性处理的局限性在于其依赖行业分类的完整性与样本的代表性。 若某些行业（如金融）的造假样本量过少，独热编码引入的稀疏特征可能无法充 分表征其风险模式。对此，项目中进一步采用行业分位数校准和代价敏感学习进 行补充——情感

及深 5 销售与市场 本地化 生产组装 本地化 供应链 本地化 产品研发 本地化 公司治理 本地化 Step 1 Step 2 Step 3 Step 4 Step 5 究其根因，在于企业的本地化深入程度 大型外企深入全流程，中小企业多止步于Step2生产组装 企 业 市 场 表 现 本地化进程 … 人形机器人 整机 过去10年，外企在中国市场的表现“两极分化” 大型外企信心与市场表现持续增强 控），通常以硬件/装备制造为传统业务，具备一定的市场力基 础（工业场景及生产数据）。未来能否“破局”关键之一在于 能否突破软性实力（大脑决策层AI与泛化） 软件型企业，产品力决策操作 AI算法/互联网/科研高校背景，软性实力（产品力-决策操作） 是优势，但对硬件机械、实际工况场景的理解相对短板。潜在 “破局点”在于加强与硬件/全栈企业联合开发，贴近场景 全栈型企业，综合实力 掌握着充足的资源、供应链号召力，在全行业中通常具备较强 话语权，具备全方位产品力（软件硬件定义）市场力（自有场 景及需求解读、工况数据、资金）。通过自研/代工围绕自有优 势场景构建“具身智能生态” 全栈型能力背后是充足的资源与供应链号召力，硬件型能力基座在于对系统的理解，软件型核心在于大模型与算力的沉淀。 Pre-08 M2 2025 Proprietary and Confidential All Rights Reserved. 目录 18 1. 出海启示：人形机器人产业链出海现状与启示

Digital Signature）等密码学机制 予以保障。 近年来，除了信息的完整性，ICT 技术在追求的另一个重要特性是信息的时 效性。时效性指信息在特定时间段内具备使用价值的特性，其核心在于信息能否 在需要时及时传递并发挥作用。时效性直接影响信息的决策价值——过时的信息 如同“失效的药品”，即使内容完整准确，也可能导致判断失误或机会丧失。 互联网基于"尽力而为"（best-eff 数据的流通 边界由平台间的技术接口和商业协议决定，而非数据主体的自主意愿。 要实现以用户为中心的跨平台数据可信流通，必须突破现有架构限制，在网络层 建立原生的数据信任与授权机制。这一挑战的核心在于：如何在不影响平台独立 性的前提下，使数据主体能够自主控制其数据的跨平台流动。 （四）下一代网络的关键突破点 为了应对全球数字化转型和数字经济的快速发展，在 OSI 参考模型和 TCP/IP 基于文档链接（HTML 超文本）不同，语义网强调“数据的语义关联”，旨在构 建一个全球化的知识网络，使计算机能够自主推理、整合和利用分布式信息。 2．实现思路 语义网的实现遵循知识工程方法论，其核心在于构建多层次的知识表示体系。 在实践层面，首先需要将非结构化数据转化为标准化的 RDF 图，这个过程通常 涉及实体识别、关系抽取等自然语言处理技术。领域本体（如医疗领域的 SNOMED CT）的

装等微操作 场景。 11 1. 典型场景及成效 （二）人形机器人探索构建普惠、精准、有温度的医疗未来 人形机器人在医疗领域的应用探索正从实验室迅速走向临床实践， 其核心价值在于结合人类形态的灵活性、人工智能决策能力以及多模态 交互技术，从而解决医疗资源短缺问题，提升诊疗精准度和个性化服务 水平。2023年以来，一些通用人形机器人也开始用于医疗场景的试验。 例如，美国Sanctuary 数据来优化自身的智能和性能，通过 “数据飞轮” 效应逐步实现工业场 景中对精度和柔性有一定要求的任务。 世界互联网大会智库合作计划系列成果 2. 未来发展趋势 未来人形机器人在医疗领域的价值不仅在于替代人力，更在于拓展 人类能力的边界，实现细胞级诊疗，通过计算机视觉、新型磁控材料与 微小型磁性物体影像追踪设备等研发，以及可视化微纳操作技术与磁控 微纳游动机器人生物体内靶向给药技术的发展，纳米机器人可以完成细 输到末端配送的全链路无人化。通过24小时不间断作业提高物流配送效率， 降低企业运营成本。 人形机器人在物流运输领域的未来发展趋势正从技术探索走向规模 化落地，其核心价值在于结合人类形态的灵活性与环境适应性，突破传 统自动化设备的局限。人形机器人的终极价值在于重塑物流生产力范式 ——通过“类人化”突破环境限制，以“智能化”实现无缝协作，最终 构建零改造、全适应、自进化的物流系统。 在家庭服务

的高效信息系统，与单车智能 同为自动驾驶的技术路径，两者相互促进，后者是前者的基础，前者则是后 者的升级，可以弥补单车智能在感知、数据、计算上的短板。我国目前选择 车路云一体化这一路线，我们认为原因在于：1）从技术水平来看，我国车 载高端芯片、自动驾驶算法上较发达国家有差距，仅靠单车智能追赶不易； 2）从基础设施禀赋及国情来看，我国 5G 网络基建完善，智能路侧单元存 量领先，基础设施投资由政府主导，更适合走“系统性”路线。 标， 完整 20 个首批试点城市名录已发布。本次试点在此前车联网先导示范项目 发展的基础上，首次将试点范围拓展至城市全域，我们认为意义在于：探索 并推出一套可跨域使用、可规模化复制、可商业化落地的城市解决方案，以 加速车路云一体化的全国普及。 未来建设重点在于提升“两率”，车路云一体化产业空间可达万亿级 未来车路云建设将主要聚焦于提升：智能路侧基础设施覆盖率和车载终端装 配率，实现通信网 挥作用：1）业务：从中短期的“有人驾驶安全辅助”功能到远期的“高阶智能驾驶”；2） 管理：赋能政府部门进行智慧交通管理，提高道路组织效率及利用效率，实现全局最优。 我国目前选择车路云一体化这一路线，原因在于：1）从技术水平来看，我国芯片、算法较 发达国家有差距，仅靠单车智能追赶不易；2）从基础设施禀赋及国情来看，我国 5G 网络 基建完善，智能路侧单元存量领先，基础设施投资由政府主导。 近期试点

800Gb/s、1.6Tb/s，甚至 100Tb/s，从而 支撑数据的速率增长。 （2）确定性低时延 在网络通信中，确定性时延是指数据传输的时延大小可精确预测、 波动范围极小（甚至趋近于零）的特性，核心在于 “可预期” 而非 单纯 “低”。它对工业控制、自动驾驶等对时间敏感的场景至关重要。 与之对应的是 “不确定性时延”：时延大小随机波动，无法预测（可 能很低，也可能突然增大），例如普通互联网中，视频卡顿多是因时 块灵活适配， 在 IP 层和光层共同发展光电融合功能，但是传统的数通设备操作系 统并不是灵活适配与更改的。将商用硬件与开源软件结合，打破传统 厂商软硬件绑定模式的白盒设备发展至关重要。白盒核心在于通过软 硬件解耦实现灵活性与成本优化，同时，白盒设备与 SDN/NFV、网 络切片深度结合，实现 “网络即服务”。光模块与白盒设备的互相结 合，打造了光电融合网络的灵活底座。 设备操作系统的 0°、90°、180°、270°），每个相位状 态对应 2 比特二进制数据（因 2²=4），单个符号周期内可传输 2 比 特信息，理论频谱效率为 2b/s/Hz。DP-QPSK 的 “DP” 核心在于 引入光的偏振维度 —— 利用光信号的两个正交偏振态（如水平偏振 H 和垂直偏振 V）作为独立传输通道。在发送端，输入数据被分为 两路，每路分别经过 QPSK 调制生成独立的偏振态信号，第一路数

复杂的网络连接，是由大量如神经元的简单元素通 过非线性相互作用产生的集体行为结果，智能行为 的模拟可以通过构建大量简单计算单元组成的大规 模 网 络 ，并 不 断 调 整 网 络 单 元 间 连 接 权 重 来 实 现[9-10]。优势在于从数据中学习的能力，善于处理复 杂的、模糊的问题。 1.1.2 主动学习 与传统结构化的知识获取方式相比，大模型采 用自监督学习方法，主动捕捉训练文本中更深层次 的特征和规律，而非在预设知识结构下的信息抽 虽然也引入了一些模型和算法解决一些特定场景的 问题，但整体而言仍属于打补丁式的被动应对，缺 乏系统的、持续的学习机制来增强应变能力。 2.4 人机协作不足 人的优势包括创造力、认知力、价值判断等，机 器的优势在于计算能力、存储能力等，系统智能的 提升在于将人的能力与机器的能力有效整合[18]。系 统中人机协作的效率和效果仍然受到人机协作的自 然度、信息处理能力、交互系统智能水平、工作流程 等方面的制约，缺乏有效的机制将人的优势与机器 平有两条路径：1）依靠对智能化应急装备设施的不 断更新换代；2）引入更多更强大的模型和算法对数 据进行更深层次的挖掘。前者的问题在于依靠设备 设施更新更多解决的是业务系统的效率问题，并且 技术进步如果仅仅是“穿新鞋走老路”的模式，终将 面临发展的瓶颈[23]。后者的问题在于模型算法更适 用于解决问题路径清晰的应用情景，而问题本身模 糊不清恰恰是应急管理面临挑战的主要特点[20]。因 此，按照以往经验很难实现认知智能的突破。

XAI 评级标准）。这种方案已在原油期货市场的实证测试 中展现优势，在 2023 年 1-6 月期间实现了夏普比率 2.7、年化收益 率 23%的表现，且未出现单日超过 1.2%的回撤。其技术核心在于 构建了动态权重分配机制，如下所示的市场状态识别模块： 这种方案的价值不仅体现在直接的经济收益上，更重要的是为 机构提供了符合监管要求的可审计技术路径。根据我们的成本测 算，部署该方案的初期投入约为传统量化系统的 AI 量化交易概述 人工智能量化交易（AI Quantitative Trading）是指通过机器 学习、深度学习等 AI 技术对金融市场数据进行建模分析，并自动 执行交易决策的系统化方法。其核心在于将传统量化交易的数学统 计模型与 AI 的动态学习能力相结合，通过数据驱动的方式捕捉市 场非线性规律，实现收益优化和风险控制。典型的 AI 量化交易系 统包含数据层、算法层、交易层三大模块，形成从市场信号识别到 括单日亏损超过 5%自动暂停、连续 3 次信号失效触发人工干预等 保护措施。 2.2 AI 在量化交易中的应用 在量化交易领域，AI 技术的应用已从辅助决策发展为驱动交易 策略的核心引擎。其核心价值在于通过机器学习、深度学习及自然 语言处理等技术，实现对海量异构数据的高效挖掘与动态建模，从 而提升策略的适应性与收益稳定性。以下是 AI 在量化交易中的典 型应用场景与技术实现路径： 数据预处理与特征工程

），转变为能独立承担责任、解决问题的“正式员工”（ Employee ）或“自动化引擎”（ Engine ）。 生产力回报 从“增量优化”走向“指数飞跃” 以“重塑工作方式”响应“指数飞跃”要求： Agent 的巨大潜力在于，通过自动化过去无法自动 化的、更复杂、更耗时的工作流，能够为企业带来 指数级的效率提升和生产力解放，这直接回应了市 场对于“显著价值回报”的终极期待。 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 安全性重要，但风险通常局限于单 个用户的个人数据泄露 反应式，行为由用户直接控制，天 然限制潜在危害范围 医疗健康 核心 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