中国政务行业大模型发展洞察 ©2024 iResearch Inc. CONTENTS 目录 03 政务行业大模型发展趋势 Development trend 2 01 政务行业大模型发展背景 Overview 02 政务行业大模型发展路径 Interpretation 01 政务行业大模型发展背景 Overview 政务行业大模型概念界定 通用大模型基座结合 通用大模型基座结合政务行业数据，服务政务业务场景的专业模型 政务行业大模型是在通用大模型基础上结合政务行业专属数据和政务行业业务场景特征、为政务领域专业定制的专属行业大模型。 • 在部署模式上 ，政务行业大模型一般需要支持私有化部署 ，以满足政务数据安全性与合规性要求； • 在开发能力上 ，政务行业大模型需要具备定制化开发能力 ，以更好地适应不同政务场景的特殊要求； • 在服务能力上 ，政务行业大模型需要配备本地化服务团队 ，政务行业大模型需要配备本地化服务团队 ，以支持政务行业大模型的调优和长期维护。 政务行业大模型 定制化开发 私有化部署 基于现有大模型底座 ，在数据层借助政务领域通用 / 专有数 据 ，结合业务场景特点 ，对模型进行个性化定制 升级场景应用服务能力 将行业大模型能力与政务场景应用结合 ，进一步提升政府

交通专家大模型解决 方 案 建设交管新质生产力 ， 重构智能应用新模式 2024 年 9 月 目 录 二、 解决方 案 三、 场景应 用 一、 现状背 景 CONTENTS 01 现状背景 大模型能力突破 大算力： 硬件快速发展， 使得训练更高参数量 、 更复 杂的大模型成为可能 大数据： 大量标注数据和交通实时数据， 为大模型提 供丰富的数据基础 大模型： 大模型表现出更高的准确性 大模型表现出更高的准确性 、 更强的泛化能 力和更复杂的任务处理能力 ● 语言能力： 具备自然语言理解与组织能力， 能 极 大 降低 人 与 机 器 的 沟 通成本 ● 思维能力： 具备多维度分析能力， 对交通数据 进 行更准确的分析 、 预测 、 模式识别等 ● 学习能力： 大模型可以根据历史和实时数据进 行 学习， 并能够持续优化交通能力 赋能新质生产力 小模型初具成效 物联网普及： 2022 年至 今） 信息化时代 （ 2010-2016 ） 大模型技术落地可行性 交通理解 交通决策 非灵长类动物 灵长类动物 非灵长类动物 灵长类动物 灵长类动物 48.2g 69.8g 2848g 377g 1232g 大模型参数超越人类神经元量级 ， 具备智力基础 智力基础加上专业学习 -> 解决专业问题 大模型参数量已超过千亿 ， 具备人类相当的智力基础和解决专业问题的可行性。

训和维修管理，以提升工厂的生产效率、 安全水平和决策能力。 以工程对象为中心，将大量复杂的 工厂资产相关数据转化为容易理解和以业 务导向的信息，以表现资产真实物理状况 的三维工厂电子模型为基础，并且无缝集 成各种工厂企业信息系统，如设计数据、 施工数据、竣工数据、 ERP 、 MES 、实 时数据库、运行、维护以及文档管理等系 统。 以设备位号进行关联 工程建设期： 工程二三维协同设计 总 体 框 架 16 应用与辅助决策中心（辅助运行、展示、应急、决策） 中心数 据库 物探 井下 作业 测试 化验 地质 油藏 净化 集输 开发 生产 空间数据 三维模型 开发 规范 接口 规范 制图 规范 采集 规范 数据 字典 转换 规范 标准 体系 安全 体系 服务 安全 信息 安全 网络 安全 物理 安全 安全 基础的油田场景、设备 设施、工艺流程的三维 可视化及空间分析能力。 • 数字油田系统内部各 子系统各模块各功能 之间以及与外部系统 之间，根据实际的业 务流程和工作流程， 建立流程关系。 • 按照统一数据模型 统一发布自控系统 实时数据、人工录 入数据、历史数据 • 提供统一的系统入 口和身份验证。 • 利用 IT 安全技术，对系 统使用的数据和系统本 身提供安全保障；并对 可能出现的安全攻击或 隐患具备一定的防范能

DeepSeek 每个人都可以读懂的大模型科普报告（高校篇） DeepSeek 大模型赋能高校教学和科 研 厦门大学大数据教学团队作品 2025 年 2 月 25 日 厦门大学 林子雨 副教授 国 内 高 校 大 数 据 教 学 的 重 要 贡 献 者 团队负责人 ：林子雨 副教授 年轻力量： 核心成员全部 46 周岁以下 结构合理： 教学型、 科研型、 实验工程师 专注专业： 从 团队联系方式： ziyulin@xmu.edu.cn 厦门大学大数据教学团队 1. 人工智能发展简史 2. 人工智能思维 3. 大模型： 人工智能的前沿 4. 高校本地部署 DeepSeek 大模 型 5. AIGC 应用与实践 6. 基于大模型的智能体 7. AI 赋能高校科研 8. AI 赋能高校教学 目录 厦门大学大数据教学团队作品 2025 年 2 月 1 大模型的概念 3.2 大模型的发展历程 3.3 人工智能与大模型的关 系 3.4 大模型分类 3. 大模型：人工智能的前 沿 3.5 大模型原理 3.6 大模型产品 3.7 大模型应用领 域 厦门大学大数据教学团队作品 大模型通常指的是大规模的人工智能模型 ，是一种基于深度学习技术 ，具 有 海量参数、强大的学习能力和泛化能力 ，能够处理和生成多种类型数据的 人 工智能模型。 通常说的大模型的“大”的特点体现在：

GBT 43439-2023 信息技术服务 数字化转型 成熟度模型与评估 成熟度等级 三级 组织应具备数字化转型总体规划并有序实施，完成关 键业务的系统集成和数据交互，在运营、生产和服务 领域实现基于数据的效率提升。 一级 组织应具备转型意识，开始对实施数字化转型的基 础和条件进行规划，在运营、生产、服务等业务领 域基于内外部需求开展数字化转型探索工作。 四级 组织应将数据作为支撑运营、生产和服务关键领域 组织应将数据作为支撑运营、生产和服务关键领域 业务能力提升优化的核心要素，构建算法和模型为业 务的相关方提供数据智能体验。 二级 组织应对数字化转型的组织、技术、数据和资 源进行规划，完成局部业务的数据收集、整合与 应用，初步具备基于数据的运营和优化能力。 数字化成熟度等级 五级 组织应基于数据持续推动业务活动的优化和创新， 实现内外部能力、资源和市场等多要素融合，构建 独特生态价值。 应识别信息技术及其服务创新 人才、数字化转型治理与管理 人才等需求，并有意识地吸纳 和培养相关人才 1. 应结合数字化转型战略，建立岗 位数字化评价优化机制，持续优化 岗位数字化评价模型； 2. 应基于数字化转型优化调整战 略，适时优化调整组织结构与岗位 职能； 3. 应持续推进数字化转型生态文 化建设： 4. 应建立专门的专家团队、研究 团队、执行团队，支撑生态体系建

数字化转型路径 不同维度构建能力模型进行数字化转型升级 战 略 IT 服务价值主张 合作和 SBU 管理支持 基础设施 和管理 技术架构、基础设施建设 管理经营 IT 业务 ，包括财务管理 组 织 治理、组织模型 角色 ，资源和用人模式 流 程 指标和报告 过程驱动下的交付 数字化 运营 | 客户体验 | 业务模式 数字 运营 共享与管控 互联与协同 智能化业务运营 客户 改进 建议，以推动企业的发展和进步。 设立定期的绩效评估和反馈机制，以跟踪目标 的实现情况，并对团队成员的表现给予及时反馈 和激励。 营销推广规划信息屋 明年工作计划、工作目标、 SMART 模型 具体的 目标 / 行动 可量化 的指标 Enter your title Enter your title 与公司 / 部门 的目标关联 Enter your title 时间计划 Enter Lorem Ipsum is simply dummy text Lorem Ipsum is simply dummy text Lorem Ipsum is simply dummy text 战略帆船模型 新能源 能源配售 能源增值服务 大数据 软件开发 自动化 光伏设备 低压电器 输配电设备 储能 智能终端 l 品牌架构设计总体导向 >>> 做大做强母品牌，全 力支持 集团业务整体发展

© Pera 数字孪生是基于模型的体系工程 • 仿真生态 • 知识生态 • 增材生态 打造虚实共智的数字化业态 安世亚太协助企业数字化转型，赋能数字经济发展 2 © Pera Corporation Ltd. 4 基于不明确机理的推测 基于明确机理的计算 实时互传信息数据 数字孪生体成熟度模型 物理世界的数字化建模 多孪生体共享智慧 先 知 数 化 先 觉 共 智 互 动 © Pera Corporation Ltd. All rights reserved. 6 © Pera Corporation Ltd. All rights reserved. 安世亚太数字孪生 成熟度模型 数字孪生技术最早在 1969 年被 NASA 应用于阿 波罗计划中，用于构建航天飞行器的孪生体，反 映航天器在轨工作状态，辅助紧急事件的处置。 密歇根大学教授

预训练大模型与医疗：从算法研究到应用 1. 预训练大模型概述 2. 理解大模型的内在机理 3. 赋予模型精准性与可解释性 4. 医疗领域应用 5. 清华探索：数基生命 CHIMA 20Pag2 Tsinghua Confidential | lvhairong@tsinghua.edu.cn CONTENTS 预训练：从大数据到小数据 ③ 精 准 可 解 释 ④ 医 疗 应 用 用 ② 剖 析 大 模 型 ① 关 于 预 训 练 预训练大模型 （学习共性） 大数据（低成本无标注） 少量特定领域标注数据 （成本高） 微调小模型 （学习特性） ⑤ 数 基 生 命 1.模型角度：模型参数不再是随机初始化，而是通过一些任务（如语言模型）进行预训练； 2.数据角度：将训练任务拆解成共性学习和特性学习两个步骤。 CHIMA 20Pag2 Tsinghua Confidential  两类典型的大语言模型  BERT ： Bidirectional Encoder Representations from Transformers  双向模型，同时考虑前文和后文  采用掩码语言模型（ masked language model ）和下一句 预测任务 （ next sentence prediction ）进行预训练，使得模型能够学习到上下 文 关系和词汇语义

DeepSeek 模型优势：算力、成本角度 解读 2025 年 2 月 ■ 什么算力 ?“ 对信息数据进行计算，实现目标结果的能力” ■ 传统算力：信息计算力 ■ 现代算力：信息计算力、数据存储力、网络运载力 算力的基本概念 大脑 草绳、石子 算盘、算筹 ▶ 计算器、计算机 ■ 原生算力：大脑 ( 可处理复杂逻辑，但不能高速处理简单运算 计算机算力的发展 人工智能大模型算力估计 ■ 人工智能大模型算力估计 ■ 1, 数据量 ( D ) >15* 模型参数量 ( N ) ■ 万亿模型 (N )=1000*109=1012 ■ 数据量 (D )>15*1012 =1.5*1013 ■ 2, 计算次数 C≈ 6* N * D ■ 万亿模型计算次数 C≈ 6* N N * D 1 ≈ .5*1025 OpenAI."Scaling Laws for Neural Language Models",2020 ■ 万亿大模型预训练系统成本估计 ■ 条件：计算量 C≈ 6 * N * D ≈1.5*1 025 ■ 最低时间、成本估计 ■ 单 H800(25 万 ):1.5*1010 秒 (174000 天 ) ■ 1000 张 H800(2.5

消费电子行业大模型新型应用最佳实践分享 陈树荣 腾讯云智能商业化 2025.03 LEVEL 1 研发模型结构 LEVEL 2 研发预训练模型 LEVEL 3 基于模型 SFT LEVEL 4 直接调用 大模型产业生态图 大模型产业链上的生态，根据大模型生态上不同企业的定位，分成了四个等级的企业： • 自研大模型结构的企 业 • 不用训练，直接调 用大模型 API 的企业 • 研发预训练模型的企业 • 基于自己数据 SFT 做自己模型的企业 • 基于开源或者基于国内预训练模型结 合自己数据进行微调的企业 …… …… …… …… 国外头部 国内创业明星 国内外大模型百花 齐放 全球开源社区 DeepSeek 是“深度求索 ” 开发的一系列人工智能模型。 DeepSeek 通过持续的技术创 新 和市场拓展，在自然语言处理和大型语言模型方面取得了显著进展，在国际市场上获得 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