等技术要求。借助RDMA技术，通过分布式智 算中心网络实现区域内多智算中心协同计算，可以满足更大规模的算力需求。 总而言之，算力的需求正在快速增长。由于AIGC的出现，大模型的训练和推理导致智算超越了通算。智 算中心节点规模越来越大，对网络性能（吞吐和时延）要求越来越高，其发展趋势是从scale up到scale out，直至scale outside。出于成本的考量，800Gbps及以

1 高管洞察 数字孪生 行业报告 的领导者认为 数字孪生 值得投入 96 % 2 数字孪生行业报告 11 660位 我们采访了 个行业的 C级高管和高层领导 超越预期的变革性技术 前言 领导者们对数字孪生的商业价值 做出明确而全面的评估 数字孪生： 行业发展驱动力还是新的技术炒作？ Burkhard Boeckem 海克斯康集团首席技术官 数字孪生

集团多年累积的超百万法规库、千万量级的案例判例、几万本税务电 子书，以及专家知识及实操案例等。 目前，税务行业标准大模型成为了税务这一垂直行业领域大模型 的典型应用，并在注册税务师考试中的成绩已经超越了 ChatGPT。凭 借其创新技术与应用表现，入选“北京市通用人工智能大模型行业应 用十大典型场景案例”。 技术简介 一、税务行业标准大模型的技术优势 2023 年以来，360 税务标准大模型主要特点： 1、专业的模型能力 相较于通用大模型能够解决一般性问题，税务行业标准大模型可 以解决税务领域更为专业的知识问题。据测试，该模型在注册税务师 考试中的成绩已经超越了 ChatGPT。 2、强大的研发团队 360 集团与中税集团组建专业团队，汇集多位深耕人工智能技术领 域的创新技术专家，以及具有丰富实操经验的税收专家，形成 GPT 培 数字人等多项功能，在咨询对话、问题整理、问办一体和数据分析等 多个环节做场景应用。 与通用大模型不同，税务行业对大模型提出了更高的专业要求。 据测试，该模型在注册税务师考试中的成绩已经超越了 ChatGPT。大 模型在注册税务师考试中，知识题正确率 77%，计算题正确率 38%， 模型总体得分稳定为 53.7%，是其他同类竞品模型的 3 倍。 在实际应用中，税务领域有明确目标并且税务行业认可，即参加

资料来源：iFinD，财信证券 投资要点：  事件：《科创板日报》2 月 8 日消息称，据 QuestMobile 数据显示， DeepSeek 在 1 月 28 日的日活跃用户数首次超越豆包，随后在 2 月 1 日突破 3000 万大关，成为史上最快达成这一里程碑的应用。  革命性推理能力叠加出色性价比，DeepSeek-R1 模型引发全球关注。 据 DeepSeek 官网数据，DeepSeek-R1 股票投资评级 买入 投资收益率超越沪深 300 指数 15%以上 增持 投资收益率相对沪深 300 指数变动幅度为 5%－15% 持有 投资收益率相对沪深 300 指数变动幅度为-10%－5% 卖出 投资收益率落后沪深 300 指数 10%以上 行业投资评级 领先大市 行业指数涨跌幅超越沪深 300 指数 5%以上 同步大市

资料来源：iFinD，财信证券 投资要点：  事件：《科创板日报》2 月 8 日消息称，据 QuestMobile 数据显示， DeepSeek 在 1 月 28 日的日活跃用户数首次超越豆包，随后在 2 月 1 日突破 3000 万大关，成为史上最快达成这一里程碑的应用。  革命性推理能力叠加出色性价比，DeepSeek-R1 模型引发全球关注。 据 DeepSeek 官网数据，DeepSeek-R1 股票投资评级 买入 投资收益率超越沪深 300 指数 15%以上 增持 投资收益率相对沪深 300 指数变动幅度为 5%－15% 持有 投资收益率相对沪深 300 指数变动幅度为-10%－5% 卖出 投资收益率落后沪深 300 指数 10%以上 行业投资评级 领先大市 行业指数涨跌幅超越沪深 300 指数 5%以上 同步大市

MLA多头潜在注意力机制（降低显存占用） • MTP多token预测（提升效果、提升推理速度） • FP8混合精度训练、DualPipe流水线、MoE负载 均衡（提升训练效率，降低训练成本） DeepSeek-V3多项评测成绩超越了Qwen2.5-72B和Llama-3.1-405B等其他开源模型，并在性能上和 世界顶尖的闭源模型GPT-4o以及Claude-3.5-Sonnet不分伯仲。 DeepSeek-V3 -4- a不会因此减少AI支 出：“我仍然认为，从长远来看，大力投入资本支出和基础设施建设将成为一种战略优势。” 卷积神经网络之父Yann LeCun: “与其说中国AI正在追赶美国，不如说开源模型正在超越 闭源”。 Anthropic CEO达里奥·阿莫迪：我认为一个公平的说法是“ DeepSeek 生产的模型接近 7-10 个月前美国模型的性能，成本要低得多（但远不及人们建议的比例） ” 配和生态方面还有显著差距 vs. -15- 中美在AI领域的对比：头部大模型 n 在模型效果上，中国大大缩小了与美国的差 距，呈现与美国平分秋色的格局 n 模型开源领域：DeepSeek超越Meta，成 为效果最好的开源模型，阿里巴巴千问系列 模型下载量超过Meta的Llama系列 模型厂商 国家 代表性模型及竞技场排名 是否开放 模型权重 谷歌（Google） 美国 Gemini-2

可处理需求预测和风险监控等复杂任务，将供应链转变为具有预测性和适应性的网络。通过有 针对性的试点计划，企业可以整合人工智能代理，从而增强弹性并优化端到端供应流。 不断演变的价值衡量标准：价值的定义正在超越成本节约的范畴。现在，对采购领导者的评估 标准是应变能力、可持续性和合规性。这些新的衡量标准反映出一种环境，长期适应性、合乎 道德的采购和稳健的风险管理比眼前的财务收益更重要，采购职能得到重新调整以匹配组织的 关键要点 人工智能正在改变采购运营模式的未来。即将发生的变化不仅会重塑采购团队的运作方式，还会改变他们创造 价值的方式。接受这一转变并投资于正确工具、数据基础设施和人才的企业，将能释放价值并超越竞争对手。 我们所熟知的传统采购模式可能不复存在，取而代之的将是一个更加强大、灵活并以数据为驱动的职能。 2025 年趋势洞见 19 采购与供应链 返回目录 洞察 推动 创新 2. 人工智能驱动的采购协同：众望所归 指标许多都是主观的，可以自由解释。 采购团队向董事会和管理层汇报成功的方式转变，是这一 KPI 演进的一个重要方面。同样重要的，是就这些指 标的衡量方式达成一致。现在，关于总价值影响的沟通已经超越成本节约的范畴。这要求采购部门展示其决策 会如何促进业务弹性、合规性和长期可持续性。 新的采购衡量标准 增强供应链适应性和 中断后恢复能力 弹性 将 ESG 标准和合规性追踪整合到 战略中以减少排放并增强道德实践

通过优化产品组合 来实现大规模定制和丰田生产方式的工厂，超越了以吞吐量优化为目标的第 二次工业革命时期的工厂。 2025年3月，谷歌的Gemma3模型正式 2025年3月，谷歌的Gemma3模型正式发 发布。其中，参数 布。其中，参数规 规模 模为 为270 270亿 亿的Gemma3版本在性能上超越了参数 的Gemma3版本在性能上超越了参数规 规 模大644倍的DeepSeek 模大644倍的DeepSeek-V3模型。 协议（MCP），正在 为更智能、更集成的人工智能系统奠定基础，尤其是在与代理型人工智能相 关领域。 MCP正成为旨在以负责任、结构化方式在企业范围内扩展AI应用的编排平台 的必备组件。这些编排平台超越了基本集成能力。 它们作为孤立系统之间的连接纽带，促进AI代理之间的无缝协作，并实施对 模型部署、应用方式及生成结果的必要治理。 为人工智能的无序扩张提供结构化框架 作为孤立系统之间的连接纽带

任基础之上时，才能解锁AI的真实益处。领导者必须通 过确保AI的准确性、可预测性、一致性和可追溯性，以 及负责任地使用AI，在客户和员工中建立对数字系统和 AI模型的信任。人们相信AI能够如预期和公正地运行— —超越任何技术方面——这是我们必须做对的一个基本 要素。 我们相信我们能够做到。我们将这个技术新时代视 为一个机会，通过系统化地注入对人工智能的信任 ，使企业和人们能够实现其不可思议的革新潜力。 共同合作，我们现在可以为人工智能自主且帮助我 关于商业和世界的许多其他关键数据硬编码到一个系 统中，该系统能够以比以往任何时候都高的水平理解 和行动。 这是我们需要真正关注的真正颠覆。因为现在，尽管高 管们竞相实施这一代人工智能，但很少有人能超越各个 独立的部件，真正理解他们实际上正在构建的范围：人 工智能“ 认知数字大脑 这将会彻底重塑技术在企业以及 人们的日常生活中所扮演的角色。 社会将把世界提升到下一个层次的能力、表现和进步。 它将 对企业而言，信任是其与客户、员工、监管机构和股东 关系的基础货币。迄今为止，这种信任是在微小时刻中 建立起来的——而人工智能正在改变这些时刻。想想每 天都在企业间发生的微观互动。一位出色的销售代表为 客户节省金钱，或者一位支持代表超越职责范围解决客 户问题。从业者或提供商提供优质服务。通过电话确认 客户身份。产品准时交付。这些时刻中的每一个都可能 ，也将被人工智能所颠覆。其中许多将因此变得更加出 色——拥有更多的自主权、更少的摩擦和更好的结果。

疾病预防，提高医疗保健质量和效率。其应用涵盖临床、管理、教育、公共卫生等多 个方面，突显了医疗大模型的全流程应用，有望推动医疗保健的创新和进步。 人工智能技术 在医疗领域的优势与挑战 （一）医疗大模型超越传统方法的优势特征 大语言模型（Large Language Model）在医疗领域相对传统方法具有多方面的优势， 不仅体现在知识的提取整合上，也体现在医疗实践的各个环节之中。 在自动化的知识提 医学领域大模型的广泛应用缺乏相应的伦理监管和针对性法律法规，特别是在处理患 者隐私数据安全方面。 大模型在开发、训练、测试和实际应用中需要适应医疗实践的真实场景。尽管有报道 和研究声称“大模型在某些方面超越真实医生”，但这些“超越”大多仅适用于特定医学考 试和测试数据集。医疗大模型的发展涉及数据科学和医学科学，其最终服务对象为一 线医务工作者、科研人员和患者。因此，在看到医疗大模型发展潜力的同时，我们需 要保持冷静和审慎的态度。