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；

s emenod David Baker hustralans; niklas emehed DeepSeek 横空出世，各项指标逼近或超越 ChatGPT o1 9/80 口核心意义：打破 AI 垄断，带来 AI 平权，尤其是中文 Al 普惠，激发大众创造力 多 源 数 据 深 度 挖 掘 融合建筑领域各类数据，联动设备 运行指标 、能耗信息及环境监测， 实现精细用户画像，助力科学调度 评估及故障追 踪报告 的自动 撰写和智能校验，提 升管理流程标准化和工作效率 DeepSeek 对行业带来的新技术思路 ( 部分 ) 11/80 DeepSeek 赋能 建 筑能源领域 11 报 告 提 纲 当下 Al 到了哪种程度 能源领域传统 AI 发展困境 … … DeepSeek 等带来的新范式 大语言模型应用的科研案例 · 临近奇点： AGI 将带来颠覆 结论和展望 …… 长期以来，能源领域人工智能止步于信息化阶段，发展范式陷入困境 15/80 口能源领域智能化目前大多停留在数据采集和信息展示阶段，尽管研究成果丰富，但 实际应用有限，尤其难以突破落地应用的瓶颈 期待发展趋势 — - 现有发展趋势 口主要解决数据采集和信息展示，停

600 500 400 300 200 100 0 2018 2019 2020E 2021E 2022E 2023E 2024E 2025E 140% 120% 100% 80% 60% 40% 20% 0% 全球及中国 AI 芯片市场规模不断扩展， GPU 占比具有绝对 优势 请务必阅读正文之后的免责声明及其项下所有内容 图： 2019-2024 年中国 AI 表： 2022 年全球半导体收入前十公司 图：全球 PC GPU 市场出货量占比 图：全球独立 GPU 市场出货量占比 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 资料来源： Jon Peddie Research ，国信证券经济研究所整 年累计出货超 10 亿台。 l2006 年，公司推出用于通用 GPU （ GPGPU ）计算的 CUDA 平台。软件开发者可以通过 该平台 使用 C 语言编写 GPU 片上程序来完成复杂的计算。从 G80 开始，英伟达 GPU 体 系结构已经全面 支持通用编程， GPU 实际脱离图像处理的单一用途，成为了真正的通用 GPU 。 l 自 2015 年以后，随着 AI 浪潮迅猛推进，公司业务不断多元化，向数据中心、游戏、移动

HIMS用户数量和客单快速增长 HIMS季度销售收入情况 0% 20% 40% 60% 80% 100% 120% 0 50 100 150 200 250 300 350 400 450 线上销售（百万美元） 批发（百万美元） 线上销售同比（右轴） 0 20 40 60 80 100 120 140 160 0 50 100 150 200 250 2020-2024年公司营收和利润情况 资料来源：Tempus 招股书，Tempus 4Q24季报，Tempus官网，国联民生证券研究所 1.88 2.58 3.21 5.32 6.93 0% 20% 40% 60% 80% -10 -5 0 5 10 2020 2021 2022 2023 2024 营收（亿美元） 净利润（亿美元） 营收同比增速（右轴） 下载日志已记录，仅供内部参考，股票报告网 应用 资料来源：Bloomberg，Tempus 4Q24季报，国联民生证券研究所 0% 10% 20% 30% 40% 50% 60% 70% 0 20 40 60 80 100 120 140 基因组学（百万美元） 数据与服务（百万美元） 基因组学YOY（右轴） 数据与服务YOY（右轴） 0.0 1.0 2.0 3.0 4.0 5.0 2022

YoY 2020 2021 2022 2023 2024 10% 9% 8% 7% 6% 5% 4% 3% 2% 1% 0% 160 140 120 100 80 60 40 20 0 2023 2024 2025 2026 2027 2028 请务必阅读正文之后的免责声明及其项下所有内容 AI 推动全球 PFLOPS 1.8 PFLOPS 989 TFLOPS 989 TFLOPS 989 TFLOPS 312 TFLOPS 312 TFLOPS 366 TFLOPS 191 TFLOPS FP32 80 TFLOPS 60 TFLOPS 67 TFLOPS 67 TFLOPS 67 TFLOPS 19.5 TFLOPS 19.5 TFLOPS 91.6 TFLOPS 90.5 TFLOPS FP64 30 TFLOPS 34 TFLOPS 34 TFLOPS 1 TFLOPS 9.7 TFLOPS 9.7 TFLOPS - - 显存 最高 192GB 最高 192GB 141GB 80GB 80GB 80GB 80GB 48GB 48GB 显存带宽 最高 8 TB/s 最高 8 TB/s 4.8 TB/s 3.35 TB/s 3.35 TB/s 2039 GB/s 2039 GB/s 864 GB/s

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