CONTENTS 目录 超节点发展报告 02 当我们站在人工智能大模型技术飞速发展的十字路口，一个清晰的趋势已然浮现：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 超节点并非简单的硬件堆砌，它的实现离不开基础技术、系统能力与可落地性的三方协同。基础 技术是超节点的根基，其具备超高带宽互联、内存统一编址等技术特征，通过近乎无阻塞的高带宽 互联，将数百上千个 AI 处理器编织为一个逻辑统一的高密度计算体，为高效计算提供了底层支撑。 系统能力则是超节点高效运转的保障，它需要具备大规模、高可靠、多场景等系统特征。大规模的 组网能力突破了单机扩展的硬件限制，为大规模算力聚合提供架构支撑；高可靠的运行特性化解了 维管理深度融合，锻造出高性能、高效率、高可靠的 单一逻辑实体。它标志着一个全新时代的开启——智算基础设施正从松散组合的算力堆叠阶段，迈 入软硬协同、全局优化的超节点阶段，旨在有效破解超大规模 AI 训练与推理中所面临的扩展性瓶颈、 效率损耗与能耗墙难题，为 AI 的持续创新提供坚实、高效、绿色的算力基座。 为系统分析超节点技术的发展逻辑、技术创新、产业价值以及未来趋势，我院与华为及相关单位

过 2000 项条款的准 确解析；其次是多模态数据处理能力，既能解析 PDF 财报和扫描 凭证，又能处理 Excel 底稿和数据库日志；最后是可追溯的推理链 条，每个审计结论都必须具备可验证的逻辑路径。以下为审计智能 体与传统工具的对比差异： 能力维度 传统审计软件 DeepSeek 智能体方案 准则更新响应速度 季度级人工更新 实时在线同步 能力维度 传统审计软件 DeepSeek 支持。同时，审计质量控制的最后一公里问题突出，现有系统缺乏 对审计底稿逻辑完备性的自动校验能力，导致约 28%的监管问询源 于底稿链条断裂。 在此背景下，构建深度融合审计专业知识的智能体成为破局关 键。这类系统需要同时满足三个刚性要求：审计准则的强合规性约 束、海量异构数据的实时处理能力，以及审计判断的可追溯性。这 要求技术方案必须采用模块化架构，既能继承现有审计方法论的核 心逻辑，又能通过机器学习优化风险评分模型，最终形成人机协同 单、出库单与收款记录的三单一致性校验 - 动态计算账龄分析并可 视化逾期风险分布 - 智能抽样替代随机抽样，使高风险样本覆盖率 提升 40% - 自动生成符合审计准则的询证函和工作底稿 通过流程图的业务逻辑建模可以清晰展现智能体的工作机理： 这种技术路径不仅解决了审计作业中的效率瓶颈，更重要的是 通过数据驱动的分析方式，将审计重点从事后检查转向事中监控。 某国际会计师事务所的实践表明，接入人工智能系统的审计项目，

cn SAC 编 ÷ ： S1440522070001 分析师：亓良宸 qi liangchen@csc.com.cn SAC 编 ÷:S1440524080005 本报告的核心逻辑 如何理解 DeepSeek 的出现对于国内金融业数字化转型的价值与意义 ? 一、低成本、高性能。 DeepSeek 通用及推理模型在性能不输头部同类大模型的基础上，成本相较于头部大模型下降至数十 落地，将竞争焦点从技术壁垒转向金融数据价值挖掘，推动 AI 能力与金融场景深 度融合， 以数据闭环体系巩固金融领域的场景化优势。 金融机构如何应用好大模型 ? 不断动态沉淀的本地数据及业务逻辑是金融机构利用大模型加速数字化转型的核心胜负手 ; “AI+ 金融”竞争力将取决于能否持续积累吸收高质量业务数据、深化垂直场景认知，并通过迭代形成“数据 - 模型 - 业务”的正向 循 部分以数字营销、海外投顾及保险数字化 三个场 景为例探讨大模型赋能金融业务的模式，第四部分归纳总结 DeepSeek 推动金融机构数字化转型的核心逻辑，最后一部分对券 商、保险、 信贷、供应链金融及其他金融科技机构业务逻辑的痛点和数字化价值进行深入探讨，以期对金融行业的智能化和数字化转型 提供参考。 核心观点 : Deepseek 的出现将加速金融机构的数字化转型 Deepseek

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

杭州深度求索人工智能 公司研发，定位为“认知智能引擎”。简单来说，它是一个能像人类一样思考、学习和解 决问题的超级 AI 工具。 核心能力： ⚫ 复杂推理：像学霸解数学题一样处理逻辑难题（R1 模型） ⚫ 多模态融合：能理解文字、图片、文件等多种信息（未来还将支持语音和视频） ⚫ 超长上下文：一口气读完 3-4 万字的长文档（64Ktoken 容量） 技术架构： ⚫ 知识管家：自动整理会议录音→生成思维导图→提炼待办事项 ⚫ 语言翻译：支持 42 种语言互译，自动适配文化差异（如把“摆烂”翻译成 “quietquitting”） 局限：复杂逻辑问题需升级至 R1 版本 模块 2：深度思考（R1）——决策智囊团 技术突破： ⚫ 思维链可视化：像老师写板书一样展示推理步骤（如解方程时先分解条件再推 导） ⚫ 反事实推演：模拟“如果特斯拉降价 过度依赖现象的短文，结尾需反转升 华” ③思维链可视化 指令设计：要求展示推理过程（如“先分解条件再推导”） 应用场景： ⚫ -解数学题时自动展示公式推导步骤 ⚫ -分析商业案例时生成因果逻辑图 2.行业专用模板：拿来即用的生产力工具 3.避坑指南：新手常犯的 5 大错误 1.模糊指令 错误：“帮我写点文案”→AI 无法判断需求 修正：“为 30-40

�� �� �� �.� AI对传统运维的影响 �.� AI在运维实践中的挑战 �.� 运维应当如何拥抱AI 第二章：稳定可靠运维面临的挑战 �.� 数据快速增长挑战 �.� 需求、逻辑实现不可控挑战 �.� 复杂技术栈挑战 �.� 应急体系建设挑战 �.� 数据安全、合规挑战 第三章：可靠运维服务体系能力建设分析 �.� 建设自主可控的运维团队 �.�.� 运维面临的挑战 第二章 随着数智化转型推进，海量数据爆发式增长，数据库作为数据底座，重要性越发凸显。对数据库可 靠性、灾备体系能力建设、故障恢复响应速度等提出了更高的要求。 数据库稳定可靠运维面临需求、逻辑实现不可控的挑战。 数据库稳定运行的最大挑战就是需求的合理性。一方面，在源头需求上，可能存在多个需求互斥、 技术无法实现或不合理等问题，无效以及不合理需求会让数据库高负荷运行，还可能引发类似 SQL注入的风险，威胁数据库安全。另一方面在需求设计上，常因无设计、业务人员设计、非专业 开发人员设计，误解需求或设计不合理，没有考虑实现路径和实现代价，导致慢SQL，增加数据库 负担。 此外，逻辑实现上有较大差异，能否选择合适的算法和实现路径，降低逻辑实现复杂度提升性能 面临挑战。 企业业务变得复杂多元，引入了新的数据技术，伴随着云、AI等新技术快速发展，以及国产化逐渐 深入，企业技术栈变得复杂多元，增加了数据库可靠运维的复杂度、难度和成本。

） 。 2. 系统目标 长期目标 独立人格 、社会适应力 、终身学习（如培养责任感） 。 短期目标 解决具体问题：行为矫正（如拖延症） 、学业支持。 分领域目标 价值观（诚信） 、认知发展（逻辑思维） 、生活技能（自理） 、身心健康（情绪管理） 。 3. 系统内容 显性教育 学科辅导 、技能训练（编程 / 乐器） 、规则制定（作息时间） 。 隐性教育 家庭文化（餐桌礼仪） 、情感联结（亲子共读） 小时独立操 作 AI ， 期间未 进行任何互动交流 孩子陷入机械操作， 失去人际学习中的 思维碰撞机会， 解题逻辑停留在工具依 赖层面 l 设定单次 AI 使用不超过 45 分钟 l 要求孩子每完成 3 个步骤必须 口头复述逻辑 l 家长每周至少参与 1 次 AI 协同 解题 2. 角色混淆 父亲用 DeepSeek 润色系统批改作文 对回答进行补充 家长可参与深度讨论， 形成多方对 话 需要家长指导信息甄别能 力， 培养媒体素养 学习效果 适合知识点巩固 、基础练习， 但 不适合深度理解培养 有助于培养分析能力 、逻辑思维和 创新思考 培养信息检索 、评估和综 合能力， 符合现代教育理 念 在家庭教育场景中，理想的做法是根据不同学习目标，灵活运用以上三种模式： • 日常作业辅导和基础知识巩固

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