的 均 衡 模 式 被 动 式 均 衡 对 大 容 量 储 能 系 统 的 调 制 无 能 为 力 从 根 本 上 解 决 困 扰 GEMS 优 于 其 它 同 类 产 品 的特点 用于大规模储能 ， 物美价廉 主 动 式 均 衡 与 被 动 式 均 衡 的 比较 BMS 精 准 度 出 类 拔 萃 BMS 对 电 池 寿 命 的 优 化 07 08 09 10 11 12 电芯串调制效 果并不好。 主动式均衡 - 成本较高 ， 调制效果好 ， 应 该是≥ 50A h 的电池包的首选。 均衡模式 PART 06 被动式均衡对大容 量储能系统的调制 无能为力 大规模储能系统的挑战 储能系统挑战 重型矿山车、港口机械油改电需 200KWh 以上储能， LFP 电 芯 安全但被动均衡难调模块 ，弱模块加速衰减 ，存储电能下降， 输出电能缩水 ，安全隐患。 了电池模组的更换频率。 系统效率 主动式均衡技术显著提高系统整 体效率 ，减少能量损耗 ，延长 电 池使用寿命 ，降低维护成本。 主动式均衡的重要性 储能系统公司的困境 储能挑战 大规模储能系统如海辰每簇达 384 节电芯 ， 维修难 题浮现 ， 被动式均衡 BMS 虽控初投 ， 维保成本却 成隐患。 维修困境 时间推移 ， 储能系统维保负担直线攀升 ， A 123 曾 遇问题重现

o1 路上的核心理念，并且效果还好到受到了 OpenAI 的认可 如何通过有效的 Test-Time Scaling 和 Train-Time Scaling 提升模型的推理能力？ 得益于纯大规模强化学习 ， DeepSeek-R1 具备强大推理能力与长文本思考能力，继开源来备受关注。 DeepSeek R1-Zero 和 R1 的出现再次证明了强化学习的潜力所在： R1-Zero 8 大规模推理为中心的强化学习，提升模型数学代码能力 RL 驱动下自然涌现长文本推理能力 基于规则的奖励 Rule-Based Reward 推理为中心的大规模强化学习 Large-Scale Reasoning-Oriented RL DeepSeek-R1-Zero 9 基于规则的奖励 (Rule-Based Reward) : 准确率奖励 + 格式奖 励 推理为中心大规模强化学习：组相对策略优化（ GRPO ） + 瞄准 Reasoning 推理任务 自我迭代提升 Self-Evolution ： 随着训练步数的增长，模型的 thinking response

从而实现更加灵活和全面的信息化管理。通过大量终端信息的采集结合大数据分析，做出更 加明智的决策。 WWW.SHAV.CN 多连接通信能 力 • 需对工业现场 的设施进行控 制， 结合定位 及传感器数据 进行精准联动。 大规模采集能 力 • 需大量的采 集工业现场的 数据信息， 提升数字化信 息收集能力。 高系统扩展能 力 • 需不断根据 业务情况不断 增加功能， 持续提升系统 功能 低功耗待机能 力 议芯片，开发了具有大规模、多连接、低 功耗、高精度等优点的埃威互联 ® 技术， 解决了其他通信技术无法在限定区域进行 大规模有源部署的局限，是面向数字化新 需求的物联网解决方案 关键技术：大规模多连接物联网通信技术 埃威互 联技术 高精度定位能力 单基站可实现亚 米级实时定位。 多连接通信能力 单基站可同时与 1000+ 终端双向 通信。 大规模采集能力 单基站可同时进 定制自定义协议芯片， 开发了具有大规模、 多连接、高精度、低功耗等优点的埃威互联 ® 技术， 解决了其他通信技术无法在限定 区域进行大规模有源部署的局限， 是面向工业互联多节点数字化管理新需求的物联网 解决方案。 • 满足了工业现场对于无线的、低成本的、长时间的、大规模的数据采集通信的需求。埃 威互联 ® 技术， 可以用一台基站实现： 3000+ 大规模终端物理量信息采集 \1000+

单修正功能；基于特征属性的源批次管理、基于特征属性的库存 查询、钢材分切管理功能、件次管理功能、基于特征属性的批次 管理、质量检验数据的分配功能、基于特征属性的订单合并功能 等等 特定要求：中国钢铁企业信息化建设的大背景 1. 大规模联合重组。 2. 企业改制，建立现代企业制度。 3. 产品生产结构调整。 中国钢 铁业信 息化所 面临巨 大挑战 4. 信息化基础比较薄弱。 需要一套怎样的信息化管理系统 全面：必 实现信息化的钢铁企业 模式一 : 大规模定制 模式一 : 大规模定制 模式二：大规模集成跨行业通用商业软件＋大 量定制 模式二：大规模集成跨行业通用商业软件＋大 量定制 模式三 : 实施钢铁版商业软件 ＋ 少量定制 模式三 : 实施钢铁版商业软件 ＋ 少量定制 SAP 对钢铁行业信息化建设总体技术路线的建议 大规模集成 + 大量开发 采用商业软件 采用商业软件 + 大量开发 采用钢铁版商业软件 + 少量开发 80 年代初 80 年代中 90 年代中 今天 大规模开发 蒂森克虏伯之路 : 钢铁版商业软件 + 少量开发 美钢联之路 : 大规模开发 浦项之路 : 大规模集成商业软件 + 大量开 发 未来 改进大规模开发技术 90 年代末 三大模式的形成过程 世界钢铁企业信息化道路一：全定制开发  新日铁：全定制  JFE ：全定制

泰 证 券 研 究 所 n DeepSeek 开源使金融机构能够轻松获得前沿模型能力，且大幅降低部署成本。其通过对训练方式、算法架构和推理方 法 的工程化优化大幅降低了部署成本。近期采用大规模 RL 训练方法的阿里 QwQ-32B 等模型也在缩小规模的同时达到了 DeepSeek R1 671B 的应用效果，有望进一步催生银行落地应用。 n 我们认为金融行业人工智能的应用价值大体可以分为三个层次： 技术落地不及预期、竞争加剧、信息更新不及时等。 2 核心观点 DeepSeek 开源、低成本、强推 理 助推银行业应用 1 n DeepSeek 模型在 Post-Train 阶段大规模应用了强化学习方法。 R1 使用了冷启动 + 大规模强化学习方法， R1-Zero 版 本模 型使用纯强化学习方法。随训练过程推进，模型展现出了推理能力的扩展（高准确率和 long-CoT 能力涌现等） 。 图表：随步数提升 图表：随步数提升 R1-Zero 的 AIME 任务准确度 图表：深度思考能力提升 性能：后训练阶段大规模应用强化学习，表现推理能力扩展 资料来源： DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning ，中泰证券研究所

法的工程化优化大幅降低了部署成本。近期采用大规模 RL 训练方法的阿里 QwQ-32B 等模型也在缩小规模的同时达到 了 DeepSeek R1 671B 的应用效果，有望进一步催生银行落地应用。 核心观点 DeepSeek 开源、低成本、强推 理 助推银行业应用 1 n DeepSeek 模型在 Post-Train 阶段大规模应用了强化学习方法。 R1 使用了冷启动 + 大规模强化学习方法， R1-Zero R1-Zero 版 本模 型使用纯强化学习方法。随训练过程推进，模型展现出了推理能力的扩展（高准确率和 long-CoT 能力涌现等） 。 性能：后训练阶段大规模应用强化学习，表现推理能力扩展 资料来源： DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning ，中泰证券研究所 资料来源： 通过优化训练方法显著降低了算力消耗，使其在大规模数据处理中的成本更具优势。 它在 MoE 架构的基础上， 通过多头潜注意力机制（ Multi-Head Latent Attention ， MLA ）进行优化；在后训练阶段采用冷启动 + 大规模强化学习 方 式，不再使用传统 SFT 做大规模监督微调， 甚至绕过了一些 CUDA ，采用 PTX 汇编来提升能力；在推理场景下通过 大规模跨节点专家并行（ Expert

识库驱动决策， 受限于知识获取 成本与规模瓶颈。 以符号逻辑为 核心，依赖人工 规则与推理系统 ( 如 专家系统 ), 强解 释性但泛化 能力 弱。 基于海量数据与 大规模预训练； 代表算法： DeepSeek 系列 Qwen 系列 GPT 系列 通过模型组合提升 预测精度； 代表算法： 随机森林 梯度提升决策树 神经网络 ) 深度学习机器学习人工智 能 于注意力机制的 Transformer 架构改变了自然语言处理 的范式，使大规模预训练成为可能。近年来，大模型凭借超大规模参数和海量数据学习，在多模态学习、 推理和通用人工智能方向取得重要进展，为人工智能的发展开启了新的阶段。 大模型 模态扩展 文本 检索增强 图像 / 视频 大规模基础模型 音频 电力大模型 医疗大模型。 Transformer 架构 注意力机制 自研电力大模型意义重大 ( 数据 层 面 ) 文本数据 电气信号 图像与视频 研发 电力通用大模型开发需要大规模、高质量、多维度的数据集 数据构建难度大 电力数据获取难度高、质量 差 异大、覆盖模态多，因而数 据 集构建难度大 与通用数据差异大 模型训练数据与电力任务场 景数据差异大；难以直接 应

三种 降碳模式及其关键影响技术的发展，零碳演进路径主要存在三种可能演进方向。 2060 年仍充许一定的排放配额 [ 演进方向 1 大规模新能源 + 煤电 +CCUS 演进方向 2 超大规桢新能源 + 储能 + 需求侧响应 演进方向 3 更大规模新能源 + 储能 + 电氢 》二、新型电力系统演进路径 新型电力系统两大演进路径 路径 1 低碳演进路径 路径 2 零碳演进路 径 为 0 2030 年 目 标场 景 路径 选择 ◆ 2045 年 2060 年 8 新型电力系统关键影响技术——零碳路径下演进方向 1( 大规模新能源 + 煤电 +CCUS) 口 现有发展模式下延续性最好的演进方向，在新能源大规模发展的同时，煤电仍得以较多保留，但需要 依靠 CCUS 技术实现煤电碳排放的移除。 口 预计到 2030 年，煤电总装机仍需保持约 13.5~14 10 亿吨 / 年。 2030 年高峰负荷日电力平衡 2060 年高峰负荷日电力平衡 》二、新型电力系统演进路径 CCUS mu 新型电力系统关键影响技术——零碳路径下演进方向 2( 超大规模新能源 + 储能 + 需求侧响 应 ) 口 在方向 1 的基础上，如考虑到 CCUS 技术的成熟度和经济性问题，以及高调节性能、低利用小时数 煤 电的技术经济性和生存机制等问题，导致煤电无法保留足够规模，新能源装机规模需进一步增加。

Big-data Driven ，模型基于大规模语料训练而成； Multi-tasks Adaptive ，支持多种任务 ，包括自然 语言生成 NLG 和自然语言理解 NLU 类的任务； AI 大模型就是预训练语言模型 通过在大规模宽泛的数据上进行训练后能适应一系列下游任务的模 型 产业研究 战略规划 技术咨询 ，在少甚至无标注样本的 条件下支持推理（自监督学习）。 将模型在下游各种自然语言处理任 务上的小规模有标注数据进行微调 得到适配模型 预训练语言模型 从海量数据中自动学习知识 将模型在大规模无标注数据上进 行自监督训练得到预训练模型 不同特定任务 有标注训练数 据 模型预训练 模型微调 最终模型 ⼤规模⽆标注 ⽂本数据 预训练语⾔模型“预训练 + 微调”技术范 式 13 来源：面壁智能公众号 文心一言沿袭了 ERNIE 3.0 的海量无监督文本与大规模知识图谱的平 行 预训练算法 ，模型结构上使用兼顾语言理解与语言生成的统一预训 练框 架。为提升模型语言理解与生成能力 ，研究团队进一步设计了可 控和可 信学习算法。 结合百度飞桨自适应大规模分布式训练技术和“鹏城云脑Ⅱ ”领先算力 集群 ，解决了超大模型训练中的多个公认技术难题。在应用上

说：“第一 眼看见就很喜欢，没想到他 们做的这么 用心。” 成本低 效率高 交货快 标准化 产品单一 成本高 效率低 交货慢 个性化 品种多 大规模定制 互联网时代的冲击 --- 个性化与大规模制 造 个性化制造 大规模制造 编号 互联对象 互联点 互联价值 1 内外 互联 用户 订单 物流 产品 模块商 用户定制 - 服务体验互联 用户参与设计、在线个性化定制自己的产品。 沈阳冰箱工厂是海尔第一个智能互联工厂，可支持 9 个平台 500 个型号的柔 性 大规模定制，人员配置减少 57% ，单线产能提升了 80% ，单位面积产出 提升 了 100% ，定单交付周期降低了 47% ，成为全球生产节拍最快的冰箱 工厂。 郑州空调互联工厂拥有由 11 个通用模块和 4 个个性模块组成的 200 多种用户 柔 性定制方案，而传统的工厂只能大规模、少品类地生产，难以满足用户个 性化 的需求。 佛山工厂采用 为用户提供产品定制全流程的良好体验。 海尔互联工厂：用户与利益攸关方全流程可视 互联工厂实现的基础条件： 模块化 自动化 智能化 互联工厂实现的基础条件之一：模块化 海尔颠覆传统制造模式，构建以用户为中心的大规模个性化 定制模式，其中模块化是实现用户定制的基础。 产品 模块化案例：海尔匀冷冰箱由原来 354 个零件整合为 24 个模 块 匀冷冰箱开发新品，上市时间减少 30% ，成本下降 18% ，加工工时减少了