焦点透视：AI狂潮中的大变革 • AI的突破：保险行业的创新挑战与机遇 • 可能问题头脑风暴 面对本次AI热潮，保险行业的焦点问 题都有哪些 • 定义核心问题 • 洞见问题本质 洞察问题，探寻本源 • 找到本质解 • 制定解决方案 设定锚点，行动实践 人工智能正在经历新的发展浪潮。某头部公司正在转向AI Agents支持平台，结合第4代人工智能 模型与专业语料库以实现业务创新。AI 续化的服务。人工智能的革新涵盖了生成内容（AIGC）和生成服务（AIGS）的领域。保险行业 面临挑战，AI的突破为其带来新的应对方向。 • 保险业面对AI变革的焦点问题分析：建议采用《U型思考》方法，从初始问题出发，深入挖 掘其本质，以找到精准的解决方案。通过聚焦主要原因并进行必要的升维/抽象化，可以找到 问题的根本原因，使问题具有通用性。 • 保险行业参考系的构建：包括关注六大方向、分析科技周期和文化适应度、以及中观周期对 面对复杂问题，建议参考《U型思考》方法论，从初始问题出发，洞察其背后的本质，进而精准 地解决问题。 遇到初始问题 遇到初始问题 解决问题 解决问题 发现问题的本质 找到本质解 U型思考方法论是一个找准问题、看透本质、谋定而后动的思考模型 问：定义核心问题 ►用WHY提出问题：探寻动机，发现原因 ►用WHAT提出问题：发现本质，聚焦靶心 初始问题 初始问题 初始问题 根本原因 Why

矿山行业数字化蓝图 综述：以智论矿，智慧定义矿山安全生产新模式 智慧井工矿篇 无人矿山，矿山开采未来的终极形态 泛在+融合，矿山网络的一体化趋势 5G使能矿山，让信息随时随地可取 数字铠甲，构建矿山全面本质安全 视觉AI，治愈矿山安全管理顽疾 智慧露天矿篇 有车无人，露天矿卡的“后无人”时代 34 35 36 40 41 47 52 57 62 67 68 2 02 看行业，布局方案蓝图 第四阶段，回归国有（2013至今）：此阶段国有企业改革进入了“以实现国企功能为导向 的混合制所有改革阶段”，进一步强化国有企业的市场主体地位，通过引入民营、集体、境 外资本，实现机制体制的的本质突破。 当今形势下，煤炭企业的发展呈现以下态势： 一是煤矿数量持续减少，我国煤矿已由建国初期的9万多座减少到2021年的4500座以内，并 将进一步持续减少，平均产能进一步提升；二是区域集中，煤炭产业重心继续向资源禀赋好、 ，接连发生的安全事故给职工生命财产带来巨大 损失。2021年3月1号的刑法修正案将隐患不整改行为造成事故纳入刑法，煤矿智能化实现 作业人员的减少，以及作业人员从危险地点到安全地点的转移，从而构建本质安全矿井。 4、是解决煤矿企业招工难的技术途径 当前煤矿企业普遍存在招工难问题，煤矿从业者平均年龄达到40+，大量机器人、自动化与 智能化技术、无人巡检技术极大降低用工量和工人劳动强度，提升煤炭一线生产人员的幸福

01 对AI技术的认知  AI是一种工具，也是一种赋能，更是一种思考范式。  我们从三个角度来认知AI技术： • 人工智能的本质 • 大模型的能力边界 • 通向AGI之路 01 对AI技术的认知：人工智能的本质 智能（Intelligence）：以模型为核心，是对真实世界的模拟和解释 人类智能 • 抽象（语言）：概念，数字，理念 • 逻辑（理性）：归纳，演绎，类比 用计算数学方法获取数据模型：近似 • 用机器学习方法获取概率模型：复杂 • 用人工神经网络获取网络模型：黑盒 • 超过两层的神经网络可以逼近任意连续函数 01 对AI技术的认知：人工智能的本质 人工智能（ArtificiaI Intelligence）：第三代，核心是数据智能，以史为鉴 ◼ 从规则到数据：逐步破除我执（去人类中心主义） 1. 第一代（规则系统）：推理为核心 PT-3时达到 • 模仿学习：代码中蕴涵、文字中蕴含 • 提示能力：ICL • 思考能力：CoT  ReACT，Agent  O1的最新进展（GPT-1时刻）：表现是慢思考；本质是合成数据 有些是产品能力，不是模型本身的能力：  RAG  Function Call  等等 01 对AI技术的认知：大模型的能力边界 基于LLM的三层能力做产品：锤子和钉子

所有的驾驶操作，驾驶员仅在 系统提示介⼊时⼲预操作 • 在限定范围内⽆需⼈类任何⼲ 预，所有的驾驶操作由AI完成 • 不限地域范围 • 完全由AI完成驾驶操作 权责 划分 算法支撑 • 真实数据积累量（本质是模仿学习）对模型 能⼒的增益呈现边际递减的情况，优秀的模 型会增加长尾数据的收集难度，模型越好依 赖真实数据进⾏提升越困难 • 需要引⼊强化学习+合成数据的新算法来加速 模型迭代速度、提⾼智能上限 扩展现实（XR） 世界模型 世界模型是从⼤量数据中构建理解世界运作⽅式的内部表征，可以推理 ⾏动后果预测未来，精确完备的世界模型是空间智能发展的终局状态 23 信息来源：量⼦位智库 • 世界模型的本质是在内部表征外部世界的关 键元素和关系，将复杂系统简化为可理解的 模式和规则，例如直觉层快速反应的模式识 别，概念层抽象概念和类别的组织，因果层 理解事件间的因果关系 世界模型 内部表征 预测未来 概率模型：考虑多种可能性及其概率分布 • 仿真模拟：在虚拟环境中模拟多种情景的演变 • 反事实思考：分析"如果...会怎样"的假设情境 • 需要通过经验、观察、学习、交流、试错等 ⽅式逐步建立和完善 本质 功能 “世界模型”这⼀概念主要因2018年Jurgen Schmidhuber的论⽂引起⼴泛讨论 空间智能概览 自动驾驶 3D⽣成 具身智能 扩展现实（XR） 世界模型 世界模型可以通过各种

“三季人”的视角 理性发现问题 认识本质 关于虚拟电厂的认知 本质：激活电力的 商品属性 向上：支撑电网 向下：降本增收 灵活性价值：服务市场 可靠性价值：容量市场 绿电交易 碳证 电度电价 电力中长期交易 现货交易 爬坡、转动惯量 调峰、调频、备用、黑启动…… 容量补偿机制 容量市场机制 电能量价值：电能量市场 绿色价值：绿电市场 虚拟电厂的本质 成熟的现货市场 足够的信息披露

为代表的人工智能大语言模型（简称大模型），正在对知识工作者的生产方 式产生革命性的影响。本文面向经济管理学科的研究者，介绍大模型的技术原理、应用方式以及在科学研究全 流程中的应用。本文首先从社会科学和大语言模型的本质出发，分析了认知自动化的边界，指出围绕理论工作 的能力是人类科学家在人工智能时代的核心能力。随后，本文介绍大模型的基本原理、关键技术和发展趋势， 经济管理研究者可以建立对人工智能技术的基本认知。接下来，本文介绍了通过 . . . . . . . . . . . . . . . . . . . . . . . . 56 1 引言 4 1 引言 智能技术革命正重塑全球学术生态。人工智能大语言模型1传统自动化有本质区别：大语言模型实现了 “认 知工作的自动化”（Automation of cognitive work）(Korinek, 2023)，它们直接触及知识生产的核心，能够理 解复杂概念、生成连贯 现常规认知任务的自动化执 行，在收集数据、文献汇总、数理推导、数据分析、文字撰写等方面提高社会科学研究的执行效率，扩充社会 科学家的知识库、认知边界和表达能力。但是，大语言模型作为语言统计模型的本质，决定了它没有提出理论 问题的动机，也缺乏从现实数据中抽象出新概念并构建理论的能力。这部分讨论这为社会科学研究中应用大 语言模型提供了思考框架，并且对更好的人机协作提出了启示。 随后本文介绍了

可信数据空间合规100问 2025年9月 目录 一、基础概念类 1 1.可信数据空间的核心定义及本质特征是什么？ 1 2.可信数据空间与传统数据平台的核心区别体现在哪些方面？ 1 3.可信数据空间中“可信”的具体内涵包括哪些维度？ 2 4.可信数据空间的关键技术组件有哪些？ 2 5.可信数据空间的主要参与主体及其角色定位是什么？ 3 6.可信数据空间对数据要素市场建设的核心价值是什么？ 100.风险事件的复盘流程与改进要求？ 72 一、基础概念类 可信数据空间的核心定义及本质特征是什么？ 1. 可信数据空间是数字经济时代以数据可信流通与价值转化为核心目 标，通过隐私计算、区块链等技术手段，融合法律规范、行业标准 及多元主体协议，由政府、企业、个人等共同构建的新型数字生态 载体。其本质特征体现为“可信筑基、主权保障、协同创值、动态演 化”的逻辑统一：一方面，“可信”是底层支撑——既依靠技术实现数 术架构与治理 规则，随技术迭代、法规完善持续优化，始终保持“可信”与“价值释 放”的平衡。 可信数据空间与传统数据平台的核心区别体现在哪些方面？ 2. 可信数据空间与传统数据平台的核心区别，本质是从“中心化数据管 理”向“可信生态协同”的范式跃迁。传统数据平台以技术架构为核 心，聚焦单一组织内部数据的存储、处理与分析，依赖权限管控保 障安全，数据主权多由平台主导，跨系统、跨主体的交互因信任缺

事件不断发生、发展的态势，针对具体问题情境作 出决策时，系统通常以数据统计分析、智能计算模 型算法等形式提供辅助决策功能，对于决策者来说， 这些远不足以应对其可能面临的复杂多变灾难环境 下的决策需求，即解决复杂问题的能力。 从决策问题的本质来分，常规决策面临的是问 题空间明确的结构化问题，临机决策则是模糊不清 的非结构化（或半结构化）问题 [20]。如图 3所示，问题 空间明确的常规决策是理性分析的过程，即：分析评 估备选方案并确定最优方案。系统可以提供更精确 从认知智能层次来看，当前系统思维能力不足， 缺乏解决复杂问题的能力。下一步系统智能化发展方 向是认知智能的加强，即系统具有类似于人的逻辑思 维和高级认知能力，能够处理和解释复杂信息，通过 思维能力获得事物本质特征与发展规律更深入的认 识，从而具有能够适应新环境并解决复杂问题的能力。 按照过去信息化建设经验，提升系统智能化水 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 化依赖于模型的自监督学习机制通过对海量数据训 练完成，相较于结构化的知识被动获取，大模型对 应急知识的获取不再是信息搜索，而更接近于学习 的本质，是理解、消化、吸收至海量的模型参数中。 所以，模型的自主学习能够不局限于已有的认知结 构，主动捕捉到未曾发现的有关风险以及各类突发 事件的更本质规律，启发新的思路。 应急知识分布于模型的海量参数中，这种统一 的数值表示形式，使得来自不同学科、不同领域、不 同类型的知识在同一个数值向量空间进行分析成为

········· 第一章 13 15 16 20 韧性DC的关键特征及成熟度模型 ·············································· 韧性的本质：故障即常态、恢复即本能 韧性DC关键特征 数据中心韧性成熟度模型与发展框架 ·································································· 海量需求与洪峰流量冲击 2025年1月27日，DeepSeek公司发布大模型 R1版本后，用户单日访问量激增至 4900万 次，远超服务器并发承载极限，导致大量用户 无法使用服务。 韧性的本质：故障即常态、恢复即本能 美国软件工程研究所（SEI）提出，系统韧性表现 为对关键功能的动态保护能力，涵盖在压力环境下 维持核心操作、快速识别异常，以及通过适应性调 整实现功能恢复的综合能力；国际灾难恢复协会 L4：数据驱动 行业引领 L5：智慧演进 图 2 - 3 数 据 中 心 韧 性 成 熟 度 模 型 D R M M 的 五 个 等 级 DRMM成熟度模型的演进路径表明：从被动响应 到智慧演进的跨越，本质是技术革新、流程再 造、文化重塑三要素协同突破的结果。 DRMM L3：管理量化 已形成可重复的标准制度，建立对故障的主动 防御，主动发现故障，主动安全防护，可实现 分钟级资源弹性扩容。具体表现为：设立韧性

理解专精特新企业的融资困境，必须深入其经营肌理，从微观层面精准刻画 其独特的企业画像、融资需求与融资困境。 3.1 企业画像：专精特新企业的核心经营特征 专精特新企业的经营模式与传统制造企业存在本质区别，其核心特征直接塑 造了差异化的融资需求。 （1）价值核心：无形资产驱动企业的核心竞争力源于技术专利、软件著作 权、专有技术（Know-how）、研发团队和品牌声誉等无形资产，而非土地、厂房 贷产品为主，难以匹配专精特新企业全周期成长所需的长期、稳定且具备风险容 忍度的资本需求。这种供给与创新企业“慢成长”“高风险”“长回报”特质的结构性矛 盾，本质上是耐心资本的供给缺口。 15 第四章 风险罗盘 ：融资风险的识别、评估与防范 为专精特新企业提供融资，本质上是对创新企业未来价值的前瞻性投资。这 要求金融机构必须建立一套全新的风险认知和管理罗盘，从“被动规避风险”转向“ 主动管理风险”。 4 差异性，容易将“钻石”与“玻璃”混为一谈。 15 （4）评估维度单一：过度关注现金流的“稳定性”，忽视了对管理团队、技 术壁垒、商业模式、政策契合度等决定企业长期价值的关键非财务因素的考量 。 这种评估范式的滞后性，本质上是导致金融资源难以精准滴灌至优质专精特 新企业群体的核心障碍。 4.3 构建新型风险评估框架：从“看过去”到“评未来” 为了有效管理专精特新企业的融资风险，必须构建一个面向未来的、多维度