政企、创业者必读 14 DeepSeek出现之前的十大预判 之一 传统AGI发展步伐在放慢 需要寻找新方向  Scaling Law边际效应递减  人类训练数据接近枯竭  合成数据无法创造新知识  推理能力难以泛化，成本高昂 全面超越人类的人工智能在逻辑上不成立 政企、创业者必读 15 DeepSeek出现之前的十大预判 之二 慢思考成为新的发展模式  大模型发展范式正在从「预训练」转向「后训练」和「推理时计算」 模型越做越小 17  大模型进入「轻量化」时代，上车上终端，蒸馏小模型  先做得更大，然后探索能做多小 政企、创业者必读 DeepSeek出现之前的十大预判 之五 知识的质量和密度决定大模型能力  高质量数据、合成数据使模型知识密度的快速增长  大模型能以更少的参数量达到更高的性能  360联合北大研发：5%参数量逼近Deepseek-R1满血性能 18 政企、创业者必读 DeepSeek出现之前的十大预判 多模态模态在能力变强的同时，规模正在变小 20 政企、创业者必读 21 DeepSeek出现之前的十大预判 之八 智能体推动大模型快速落地  能够调用各种工具，具有行动能力  调用企业专业知识，更懂企业  将日常重复性业务流程形成Playbook，实现流程自动化  通过目标拆解，多次调用大模型以及专家模型协同，形成 慢思考能力 传统软件是辅助人的工具，Agent是能够自主工作的数字员工，是新的生产力

.................................................................................. 31 案例一 北京智能政务问答知识中枢..................................................................... 31 案例二 “桑智”政务智能助手：湖南县域 AI 政务创新样板 譬如长三角、京津冀地区的政务热线已积累相关经验。4 政务热线的数智化转型进一步强化了其“接驳器”功能，通过实现“精准派 单”、“群众反馈”、“绩效评估”提升政务热线“依数治理”的能力。一是精 准派单，政务热线借助大数据文本分析、知识图谱等技术，可实现基于诉求内容 的精准分类，从而判定职责归属和办理单位，提高派单的准确度和时效性。二是 群众反馈。借助智能语音机器人，政务热线可实现对群众的高效回访，收集群众 对诉求办理的评价 坐席规模和人均数量明显偏 17 低，且地区间差异明显，除一线城市外多数地区人员配备严重不足。二是接线员 的服务质量参差不齐，受话不规范的情况时常出现。部分接线员还存在服务礼仪 与态度差、专业知识与接听技能缺失的问题。三是接线员流失率较高，专业素养 和能力培养成本居高不下，维持热线服务质量的难度升高。目前来看，随着政务 热线诉求量持续增长，上述问题会越发突出。 第二，接通率和接通时长的

.................................................................................. 31 案例一 北京智能政务问答知识中枢..................................................................... 31 案例二 “桑智”政务智能助手：湖南县域 AI 政务创新样板 譬如长三角、京津冀地区的政务热线已积累相关经验。4 政务热线的数智化转型进一步强化了其“接驳器”功能，通过实现“精准派 单”、“群众反馈”、“绩效评估”提升政务热线“依数治理”的能力。一是精 准派单，政务热线借助大数据文本分析、知识图谱等技术，可实现基于诉求内容 的精准分类，从而判定职责归属和办理单位，提高派单的准确度和时效性。二是 群众反馈。借助智能语音机器人，政务热线可实现对群众的高效回访，收集群众 对诉求办理的评价 坐席规模和人均数量明显偏 17 低，且地区间差异明显，除一线城市外多数地区人员配备严重不足。二是接线员 的服务质量参差不齐，受话不规范的情况时常出现。部分接线员还存在服务礼仪 与态度差、专业知识与接听技能缺失的问题。三是接线员流失率较高，专业素养 和能力培养成本居高不下，维持热线服务质量的难度升高。目前来看，随着政务 热线诉求量持续增长，上述问题会越发突出。 第二，接通率和接通时长的

DeepSeek-V3 是在 14.8 万亿⾼质量 token 上完成预训练的⼀个强⼤的混合 专 家 (MoE) 语⾔模型，拥有 6710 亿参数（激活参数 370 亿）。作为通⽤⼤ 语⾔模 型，其在在知识类任务（知识问答、内容⽣成等）领域表现出⾊ • DeepSeek-R1 是基于 DeepSeek-V3-Base 训练⽣成的强化推理能⼒模型， 在 数学、代码⽣成和逻辑推断等复杂推理任务上表现优异 据 11 ⼤模型及 DeepSeek 潜在应⽤场景探 索 DeepSeek 有哪些应⽤场景？能产⽣哪些价值？ DeepSeek 会给医药企业带来哪些变化？ • 内部⽂档提效 • 数字化知识库管理 • 合规风险智能提醒 • 多源信息来源 • 互动性、个性 化 患者流程 • 内容⽣产辅 助 • 管理营销素 材 • 营销内容策 划 • 患者招募 • 试验设计优 ⾷建议或者运动 今天⼜是活⼒满满的⼀ 天 今天也不要忘记好好照 顾⾃⼰哦！ • 舞动极光太好玩了 ~ 10 分钟，我感觉⾃⼰⼜活 过来了 原来喝⽔得喝够了才 能减肥啊 ~ 新知识 get!! 运动数据收集 & 反 馈 哇塞，饮⾷建议都 有了 ~ 今天再也没 有选择困难了 拍照药盒可以直接⼀键下 单，太⽅便了！ 要不在忍⼀会，我⼀定会 瘦 是不是真多要过午不⾷？

场上获得了⼴泛认可。其中： • DeepSeek-V3 是在14.8万亿⾼质量 token 上完成预训练的⼀个强⼤的混合专 家 (MoE) 语⾔模型，拥有6710亿参数（激活参数370亿）。作为通⽤⼤语⾔模 型，其在在知识类任务（知识问答、内容⽣成等）领域表现出⾊ • DeepSeek-R1 是基于 DeepSeek-V3-Base 训练⽣成的强化推理能⼒模型，在 数学、代码⽣成和逻辑推断等复杂推理任务上表现优异 更低的研发成本* 提效 数据驱动的 多渠道营销 更个性化、互动 ⾏业学术化推⼴ 重塑患者流程 • 患者招募 • 试验设计优化 • 执⾏效率提升 • 交叉证据⽹络 构建 • 内部⽂档提效 • 数字化知识库管理 • 合规风险智能提醒 • 内容⽣产辅助 • 管理营销素材 • 营销内容策划 • 客户精细化标签 • 个性化与医⽣互动 • 多源信息来源 • 互动性、个性化 患者流程 • 多重购买渠道 ⽤户情绪 曲线 哇塞，饮⾷建议都 有了~今天再也没 有选择困难了 今天⼜是活⼒满满的⼀ 天 今天也不要忘记好好照 顾⾃⼰哦！ 哇塞，提醒我要记得吃 药！ 原来喝⽔得喝够了才 能减肥啊~新知识 get!! 好累啊~脑⼦快转不动了 舞动极光太好玩了~ 10分钟，我感觉⾃⼰⼜活 过来了 是不是真多要过午不⾷？ 可是我的真的好饿啊 幸好我问了AI健康助理 拍照药盒可以直接⼀键下 单，太⽅便了！

奶牛养殖往往依靠专业知识及实操 经验，通识概念无法完全解决实际 遇到的问题 企业知识碎片化 需要一套领域专家知识库和智能问 答系统，实现企业级知识沉淀 查找资料过程繁琐 养殖员日常工作需要翻阅大量资料 解决操作问题，人工查找过程繁 琐，期望使用自然语言描述自己遇 到的问题 问题回答准确率 90% 奶牛养殖企业级知识库 降低学习成本 提升工作效率 简单快速地搜索相关养殖知识， 高效处理实际遇到的各类问题 高效处理实际遇到的各类问题 赋能养殖员高效、快速学习大量 的专业知识                                                         打通大模型和传统小模型，让大模型成为智能调度的多面手，解决困 难业务问题 • 快速的 构建能力，已经构建多个 为企业内外客户和消 费者提供服务 2 – • 打造 友好的知识库 • 行业领先的知识处理、知识摘要、知识搜索能力 • 积累并治理蒙牛行业知识，形成未来核心竞争力           泛用程度 AI 助理 文档 Copilot 技能泛用 食品饮料专用 业务场景专用

要求》 《数字化转型数字人才技术能力和培养要 求》是首项针对数字化转型数字人才培养的 国家标准。本标准聚焦数字化转型数字人才 的技术能力和培养要求，提出数字人才分类 和能力框架、各类数字人才的知识、技能和 经验要求、素养要求和培养要求。 2024 年 4 月 人力资源社会保障等九部门 《加快数字人才培育支撑数字经济发展 行动方案（2024-2026 年）》 该方案紧扣数字产业化和产业数字化的发 产业和市场发展速度快、变化大。无 论是学校还是教培机构，人才培养往往追不上市场热点的变化，供需之间存在“时间差”； 2. 学校培养人才主要以单一模式教学为主，应届毕业生实践经验普遍较少，兼具行业知识和 数字技能的复合型人才大多需要在企业中慢慢培养，市场中可流动的数字化实践型人才较 为短缺； 3. 企业在数字化转型过程中很容易陷入“重硬轻软”的误区，更注重业务流程的数字化建设， 而往往忽 月，中国电子技术标准化研究院牵头起草的《数字化转型 数字人才技术能力 和培养要求》国家标准正式获批立项，该标准聚焦数字化转型数字人才的技术能力和培养要求， 提出数字人才分类和能力框架、各类数字人才的知识、技能和经验要求、素养要求和培养要求。 该标准拟将数字人才分为数字化管理人才、数字化技术人才和数字化应用人才三大类。 第 10 页 数字人才三个层次划分 名称 数字化管理人才 数字化技术人才

l 行业模型（垂直模型、垂类模型） Ø 教育、医疗、金融等 大模型的前世今生 •人工智能：让机器具备动物智能，人类智能，非人类智能（超人类智能） •运算推理：规则核心；自动化 •知识工程：知识核心；知识库+推理机 •机器学习：学习核心；数据智能（统计学习方法，数据建模） •常规机器学习方法：逻辑回归，决策森林，支持向量机，马尔科夫链，….. •人工神经网络：与人脑最大的共同点是名字，机制和架构并不一样 （变换器） LLM:Large Language Model GPT工作原理-2 预训练 （自监督） 监督微调 人类反馈 强化学习 接收输入 处理输入 进行推理 生成输出 上下文 + 训练知识 阶段1：模型训练 阶段2：推理 大模型工作过程 GPT工作原理-3 数据来源 说明 维基百科 在线百科,严谨 图书 经典为主的古登堡计划和自助出版 平台Smashwords等 杂志期刊 上下文窗口大小：8192个token(标记) 典型的新技能学习曲线：规模到达临界点之后才会迅速增长 生成模型的优势与劣势 vs 优势 劣势 n 语言理解和生成能力 n 世界知识能力 n 一定的推理能力 n 幻觉（生成错误答案） n 知识库有限 n 上下文窗口限制 推理模型（DeepSeek-R1)工作原理 让模型进行慢思考 思维链 （Chain of Thought） 在不损失能力的情况下缩小模型

中 间 件 CKAFKA ROCKETMQ ES 大 数 据 SPARK/FLINK CLICKHOUSE HBASE/HIVE /HDFS 人 工 智 能 大模型 TI平台 知识引擎 主机安全 堡垒机 DDOS WAF 云监控 微 服 务 Dubbo SpringCloud Prometheus/ Grafana 端侧接入层 负载均衡CLB 域名解析 （gpt-4出图率20%） • 知识构建效率大幅提升83.3% 之前人工梳理单个汽车手册形成问 答对至少需要30人天工作量，现在 用大模型只需要5人天，预计每个手 册知识梳理至少节省了25人天工作 量，知识构建效率提升83.3% • 已有多款车型接入使用，覆盖车主用户 数百万 1 一键导入汽车使用手册 2 大模型自动提取FAQ对 3 4 大模型问答API调用 汽车功能使用问答和自助排障 车企知识维护成本低 车企知识维护成本低 通过文档解析和切片，减轻客户的知识整理成本 汽车手册复杂，知识 冷启动慢 需要跟传统机器人结合大模型增强，传统机器人无法回答时， 大模型对汽车专业词汇精准理解回复 传统机器人不智能， 应答效果差 客户诉求 产品示例 人工校验入库 在售前/售后服务领域：腾讯乐享帮助打造一站式智慧售前/服务社区 乐享讲好品牌故事，传播好企业文化，让工业企业和零售户感受到有规则，有公平，有信心

拥有大约三分之一的顶级500台超级计算机和超过一半的总计算性能。大多数数据中心 也位于美国。除了巴西、中国、印度和俄罗斯联邦外，发展中国家在AI基础设施方面的 能力有限，这阻碍了他们采用和开发AI的能力。在服务提供商、投资和知识创造方面， AI差距也十分明显。 发达国家和发展 中国家之间存在 广泛的AI差距。 来源 联合国贸易和发展会议（UNCTAD），根据公司市值数据。 注意 : 该排名显示了截至2024年末全球最有价值的上市公司。 需求范围超出了基本的电力和互联网接入，包括计算能力和服务器功 能，用于处理数据、运行算法和执行模型。 版权符号 技能 涵盖广泛的范围，从基本的数据素养到开发算法的高级技术专长，以 及从数据分析的熟练程度到整合领域知识以解决复杂问题。 (b) 数据 输入数据是算法培训、验证和测试的主要输入，使人工智能系统能够对输入 进行分类、生成输出和做出预测。高质量、多样化和无偏见的语料对于构建有效且值 得信赖的人工智能系统至关重要。 与以往主要自动化日常和低技能功能的科技浪潮不同，人工智能的使用可以改变各种 任务，包括一度被认为仅限于高技能工人的认知任务。例如，生成式人工智能（GenAI ）可以生成文本、制作图像和视频、编写计算机代码，并为基于知识的服务识别数据 中的复杂模式。 与以往的技术不同 ，人工智能具有改 变曾为高技能工作 者所专有的广泛认 知任务的潜力。 来源 : 联合国贸易和发展会议（详见报告参考文献）。 注意 数据点是从列