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

金融业 AI 大模型智算网络 研究报告 北京金融科技产业联盟 2025 年 5 月 I 版权声明 本报告版权属于北京金融科技产业联盟，并受法律保护。转 载、编摘或利用其他方式使用本报告文字或观点的，应注明来源。 违反上述声明者，将被追究相关法律责任。 II 编制委员会 主任： 聂丽琴 编委会成员： 吴仲阳 张 勇 张志鹏 李建高 成晓强 编写组成员： 陈 鹏 余学山 业务发展提 供更为精准、高效的算力支持。 AI大模型智算网络技术是算力集群的重要基础底座，是新型 算力中的网络运载力，是助力大模型实现跨节点分布式训练，提 升大规模训练效率的重要支撑。 本文深入分析 AI 大模型技术在模型能力、结构、算力、效 率等方面的技术发展趋势，提出作为底座的智算网络所面临的新 问题和新挑战。围绕 AI 大模型智算网络“高性能连接、高效率 传输、高可维网络、高安全保障”等关键技术进行研究，提供一 3 个阶段，并给出 了新技术发展及创新方向，为金融机构开展 AI 大模型智算网络 规划及建设提供参考。 关键词：大模型训练、智算网络、负载均衡、流控技术、拥 塞管理 IV 目 录 一、研究背景 ................................................. 1 （一）AI 大模型发展趋势及挑战 ...........................

项目编号： 基于 DeepSeek AI 大模型 CRM 客户关 系管理系统 应 用 方 案 目 录 1. 引言.................................................................................................................................... .........7 1.2 大模型在 CRM 中的潜力......................................................................................................................................10 1.3 DeepSeek 大模型的简介.............. ........................................................................................15 2.2 引入大模型的必要性...............................................................................................

项目编号： 基于 DeepSeek AI 大模型人力资源应用 场景 设 计 方 案 目 录 1. 项目背景与目标.................................................................................................................................... 提高招聘效率：通过智能匹配算法，快速筛选和推荐符合企业 需求的高潜力候选人，缩短招聘周期。  优化培训体系：利用个性化学习路径推荐，提升员工技能和知 识水平，促进个人与组织的共同成长。  精准绩效评估：基于数据驱动的绩效模型，确保评估过程的公 正性和准确性，激发员工的工作积极性。  增强员工关系：通过构建互动平台，改善员工与企业之间的沟 通，增强员工的归属感和忠诚度。 为实现上述目标，本项目将采用分阶段实施策略，确保每一步 实现： * 绩效目标自动分解与跟踪 * 实时绩效数据分析与预警 * 个 性化发展建议与培训推荐 此外，组织发展和人才梯队建设需求日益凸显。需建立全面的 组织能力评估体系，结合员工能力模型和人才盘点结果，进行战略 性人才规划。具体要求包括： * 组织能力诊断与改进建议 * 高潜人 才识别与发展路径规划 * 人才供应链风险预警与应对策略 在人力资源运营方面，自动化与智能化转型是必然趋势。通过

提供高效、精准的决策支持。其核心优势在于能够处理和分析海量 的结构化与非结构化数据，并通过深度学习模型提取关键信息，生 成可执行的见解。在中医药健康产业中，DeepSeek 技术能够针对 复杂的医学文本、临床数据、药品研发信息以及市场动态，进行多 维度分析，从而推动中医药的现代化与智能化发展。 在技术架构上，DeepSeek 采用了多层神经网络模型，结合了 卷积神经网络（CNN）、循环神经网络（RNN ）以及 行量化分析，DeepSeek 可以预测其潜在的药理活性，并筛选出最 有开发价值的化合物。 为了进一步提升中医药数据的可视化效果，DeepSeek 提供了 多种数据分析工具，包括多维度数据展示、趋势分析和预测模型。 用户可以通过交互式图表直观地了解中医药数据的分布和变化规 律。例如，通过热力图展示不同药材在不同病症中的使用频率，帮 助研究人员快速识别出常用药材和治疗模式。  数据处理：DeepSeek k 能够迅速提 取出有价值的信息，为中医药的健康管理和个性化治疗提供支持。 其次，DeepSeek 在算法优化方面表现出色，特别是在深度学习模 型的训练和优化过程中，能够显著减少训练时间并提高模型的预测 精度。例如，在对中医药材的分类和识别任务中，DeepSeek 能够 通过自动化特征选择和超参数优化，达到超过 95%的准确率，远高 于传统方法。 此外，DeepSeek 在应对复杂场景时展现了强大的适应性。中

项目编号： 保险公司行业场景 AI 大模型 应 用 方 案 目录 1. 前言........................................................................................................................................................... ........................................................................................6 1.2 AI 大模型的潜力与应用前景........................................................................................... ...................................................................................10 2. 保险公司 AI 大模型应用概述...............................................................................................

项目编号： 人力资源管理引入基于 DeepSeek AI 大 模型筛选简历可行性 研 究 报 告 目 录 1. 引言.................................................................................................................................. 仅能够 处理结构化数据，还能对非结构化文本（如自我评价、项目描述） 进行深度分析，从而全面评估候选人的综合素质。此 外，DeepSeek 还具备自我优化能力，能够根据 HR 的反馈不断调 整模型，提升筛选的准确性。 引入 DeepSeek 进行简历筛选的可行性主要体现在以下几个方 面： 1. 效率提升：传统简历筛选通常需要 HR 花费大量时间逐份阅 读，而 DeepSeek 可以在短时间内处理数千份简历，显著缩 DeepSeek 在简历筛选中展现出显著优势，其实施过程中 仍需注意一些问题。例如，如何确保算法的透明性与可解释性，以 “ ” 避免 黑箱操作 带来的信任危机；如何结合企业文化与需求，定制 化的训练模型；以及如何与现有的人力资源管理系统无缝对接，确 保流程的顺畅性。这些问题需要在引入 DeepSeek 时统筹考虑，以 确保其在实际应用中的可行性与有效性。 1.1 背景介绍 在当今快速发展的商业环境中，企业面临着日益增长的招聘需

DTK DAS DAP 09 10 11 PRODUCT INTRODUCTION 产品介绍 01 SOLUTIONS & CASES 海光DCU应用场景 02 实战场景一:AI大模型一体机 实战场景二:行业智能化 实战场景三:科学计算 实战场景四:工程计算 13 17 35 39 ECOLOGICAL ACHIEVEMENTS 生态成果 03 光合开发者社区 开源生态 支持主流AI框架和工具链，覆盖全部开源大模型，支持主 流AI、AI for Science和科学计算等各类应用软件 全面精度 支FP64、FP32、TF32、BF16、FP16、INT8等多精度 计算，精度完备，全面支持科学计算和AI加速计算 全面兼容 面向主流AI生态 DCU迁移平滑无忧 全程护航 支持大模型 多元场景应用落地 DAP（DCU AI Platform Platform / DCU人工智能应用平台） 云原生AI平台 大模型应用平台 光源ModelZoo | 镜像仓库 开发者社区 基础算子层优化 框架工具层优化 模型扩展组件层优化 DAS（DCU AI Software Stack/DCU人工智能基础软件系统） C86 CPU DCU加速卡 存储 高速网络 DTK（DCU Tool Kit/DCU异构计算平台） 全栈优化 软硬协同释放DCU

展规划》确立“三阶段发展目标”的宏伟蓝图，到《数字中国建设 整体布局规划》构筑“2522”整体实施框架，央地协同的政策体系 持续强化，为技术自主创新与产业智能化升级注入了强劲的驱动力。 智能化时代，以大语言模型驱动的智能代码生成、生成式人工 智能赋能的辅助设计以及智能化测试与智能运维工具链为代表的前 沿技术变革，正以前所未有的深度和广度，系统性地重构软件工程 的方法论、工具链与实践范式。软件工程已超越其传统边界，跃升 能力的本质局限 ............................ 7 （二） 工程侧痛点：人机协作的实践困境 ...........................8 （三） 行业侧痛点：通用模型难以支撑行业特性 .....................9 三、 建设思路：软件工程智能化分层演进与全域覆盖框架设计​ ......... 10 四、 建设内容：三维一体，构建智能化工程化标准实施矩阵​ 北京市 2024.03 《 北 京 市 加 快 建 设 信 息 软 件 产 业 创 新 发 展 高地行动方案》 准确把握信息软件产业发展趋势，秉持全 面系统观念，以全球争先为导向，全面拥 抱大模型、保障产业链安全、抢抓新业态 发展机遇、构建数据驱动新机制、加强国 际化拓展、促进区域协同联动，打造开放 包容的信息软件业高质量发展新局面，有 力支撑全球数字经济标杆城市建设。 软件工程智能化标准体系建设指南（2025

Relationship Management，CRM）系统作为 企业销售、服务与营销运营的重要基石，亟需突破传统模式的局限， 迈向智能化、个性化和可持续的新阶段。同时，人工智能技术的飞速 发展，特别是以大语言模型为代表的生成式人工智能迅速崛起，为 CRM 注入了全新的动能，驱动其向智能中枢转型。 政策环境的持续完善为转型提供了战略引领，市场的内在需求正 加速推动这一进程。当前，主要经济体密集出台数据安全与人工智能 CRM 的关键趋势 ................................................................................... 8 （一）大模型驱动下的交互范式变革 ................................................................. 8 （二）智能化核心能力演进 ..... 。然 而，正是这些曾经赖以成功的核心功能，在新的商业环境下逐渐暴露 出了其设计的局限性。与此同时，人工智能（Artificial Intelligence， AI）技术飞速发展，特别是以大语言模型（Large Language Model， LLM）为代表的生成式 AI 已然崛起。这不仅是一次技术迭代，更是 一股重塑商业范式的根本性力量。本章旨在系统性地阐述驱动企业向 人工智能 CRM（AI