智能对话系统中的个性化 胡一川 来也联合创始人 &CTO . 2000-2007 ：清华大学本硕 . 2008-2011 ：宾夕法尼亚大学博 士 . 2011-2012 ：今晚看啥联合创 始人 . 2013-2015 ：百度资深架构 师 . 2015 至今：来也联合创始人 &CTO 个人简介 胡—川 让每个人拥有助理 六百万用户正在使用的对话式在线个人助理服务 • 理解 2 基于分类模型的问答系统 分类器 分类 1 分类 3 训练分类器 分类结果 用户问题 • 检索 • 以知识库中的问题为粒度建立索引，每 个 问题都对应一个知识点 • 对用户问题进行分词、去停用词、同义 词 扩展等操作 • 返回知识库中若干个相关性最高的问题 对 应的知识点 • 排序 • 通过一个语义匹配模型计算用户问题和 检 索返回问题的语义相似度，选择语义 Input NLU Dialog State User Dialog Act DM 任务型对话系统中的 NLU 和 DM System Dialog Act User Dialog Act • 每一个状态都对应一个系统动作 • 状态之间的跳转以用户当前输入为条件 • 通过有限状态机将

深度学习在智能助理产品中的应用 胡一川 结束语 . 提升智能助理产品的可靠性 . 智能助理产品的特点 . 深度学习与智能助理 目 录 用户终端的变化和技术的进步，推动更自然的人机交 互方式及产品形态 通过理解文本或语音形式 的自然语言来协助用户完 成需求的软件应用或平台 2000s PC 键盘 & 鼠 标 网站 时间 设备 交互方式 产品形态 2020s (million) 2015 2021 843 390 155 秘书服务 母婴用品 教育 旅游度假 护肤彩妆 汽车服务 租房售房 法律咨询 珠宝配饰 在重视在线交互的场景中，智能助理能够提升沟通效 率和用户体验，创造商业价值 在 场景示例 线 （非穷尽） 交 互 需 求 度 鞋类箱包 日用百货 食品 家电数码 物业服务 ■ 深度学习的应用 ：实体抽 取 l 基于深度学习，完全数据驱 动，无需特征工程 l 方法通用，适用于多种领域 不同类型的实体抽取 l 效果明显好于传统方法 l 从非结构化的对话中挖掘结构化的知识 l 将知识进行沉淀和统一维护 l 提高客服效率和质量，提升用户体验 l 知识点数量庞大，无监督的聚类方法效果很差 l 词向量不适合表示句子语义 l 无监督和有监督方法相结合

口 迭代维护难度大 口 知识经验难以传承 口 个 性 化定制开发 口 算法开发难度大 口工作量大成本高 领 域 知 识 经验 人工 梳理 维护 , 人工迭代 以 人 为 中 心 人工 开发 诊 断 软 件 升级 个 性 化 故 验证 障 检 测 诊 断算法 测试 以人工为核心串联开发范式 诊 断 推 理 链 条 人工 构 建 知识库 家系统转向了自我学习与适应的智能体系。 1997 年深蓝战胜人类国际象棋冠军 这一阶段的人工智能主要依赖于预先设定的规则和 逻辑推理，强调专用算法设计实现特定任务。 新范式的本质：替代了人类专家的角色，把人从开发链条中移出 24/30 口重要意义：人的智力和工作时长，与芯片算力和运算时长之间建立了转换关系 ! Al 智 力 工业 4.0 人、机、物 互联互通 服务的互联网 门车 末 能楼 字 新范式的本质：替代了人类专家的角色，把人从开发链条中移出 25/30 口 未 来 Al 计算速度将更快、成本更低 口未来算法的能力将会更大，智能程度将会更高 2024 年 11 月 27 日，王坚《无尽的计算： Al 和研究范式变革》的演讲： “ 我们目前已经进入计算科学时代，云计算在未来的研究中可以发挥重要作用。未来通过计算能力， 我们可以利用 Al 扩展人类的创造力，进一步探索世界。

217-224 摘 要 大语言模型不仅是人工智能领域自然语言处理方向的重大突破，也正在改变知识获取与知识创新的模式。在研究大语 言模型的知识获取与创新的原理之上，探讨了其在应急管理信息化建设中的应用，针对智慧应急中面临的建设困境以及业务系 统智能化水平的局限，提出了基于大语言模型技术重构智慧应急的知识管理模式，在此基础上构想能够协同创新、全域感知、 决策支持的应急大脑，从而实现整体业务系统智能化水平从感知智能到认知智能的提升。 org.cn 11卷 指 挥 与 控 制 学 报 径，使其适应人工智能大模型时代的治理要求。 本文在分析大语言模型的知识获取原理与知识 创新的潜能之上，探讨了其在应急管理信息化建设 中的应用前景，针对当前智慧应急中面临的挑战以 及业务系统智能化水平的局限，提出了基于大语言 模型技术重构智慧应急的知识管理模式以及应急大 脑的概念框架，为应急管理信息化建设提供了新的 视角和技术路径。 1 大语言模型原理 大语言模型原理 大 语 言 模 型 通 过 词 嵌 入（word embedding）[3]、 Transformer 架构和注意力机制[1，4]、端对端神经网络 训练等方法和技术学习文本数据中的语义和语法规 律，从而具有理解文本并生成语法正确、语义连贯 的文本的能力。当训练的数据足够大，模型的参数 足 够 多 ，模 型 开 始 涌 现 某 些 能 力（emergent abili⁃ ties）[5]，不仅能够理解和生成自然语言，还具有抽象

.............................152 1. 项目概述 DeepSeek 智能体开发通用方案旨在构建一套高效、灵活且可 扩展的智能化解决方案，以满足企业在复杂业务场景中对智能决 策、自动化处理和数据分析的需求。该方案基于先进的人工智能技 术，结合深度学习、强化学习以及自然语言处理等核心技术，能够 实现对多样化数据的实时处理与智能化分析，从而提升企业的运营 效率与决策质量。 业务需求动态调整其行为模式，并支持多任务并行处理。此外，方 案特别注重系统的可扩展性和兼容性，确保智能体能够无缝集成到 现有的企业信息化系统中，降低实施成本。 在技术架构方面，DeepSeek 智能体开发通用方案采用分层设 计，主要包括数据感知层、智能决策层和结果输出层。数据感知层 负责从多种数据源中采集信息，包括结构化数据、非结构化数据以 及实时流数据；智能决策层通过机器学习算法和规则引擎对数据进 行分析与处 确保智能体的稳定性与高效性； 4. 部署与集成：将智能体集成到 企业现有系统中，完成数据对接与功能验证； 5. 运维与支持：提 供长期的技术支持与系统优化服务，确保智能体的持续高效运行。 通过上述方案的实施，DeepSeek 智能体将成为企业数字化转 型的有力助手，助力企业在竞争激烈的市场中脱颖而出。 1.1 项目背景 随着人工智能技术的快速发展，智能体（Agent）在各个领域

深度赋能保险行业白皮书 （2024） 阳光保险集团股份有限公司 清华大学五道口金融学院 中国保险学会 科大讯飞股份有限公司 2024年10月 PREFACE 前 言 � 在人类科技发展的历史洪流中，2023年无疑是大模型技术取得突破性进展的元年。 ChatGPT的问世，如同一颗石子投入平静的湖面，激起了全球科技领域的滔天巨浪。它不 仅深刻改变了人机交互的方式，更预示着一个由大模型引领的智能新时代的到来。比尔· 在保险行业，这一技术革命同样引发了深刻的变革。国内外众多保险公司和保险科技 公司，如阳光、人保、平安、国寿、泰康、瑞再、安盛、安联等，纷纷投身于大模型技术的研发 与应用，积极探索其在保险业务中的无限可能。阳光保险集团作为行业的先行者和探索 者，于2023年初率先启动了“阳光正言GPT大模型战略工程”，旨在通过大模型技术的深度 应用，推动保险业务模式的重塑与升级。 经过一年的实践与沉淀 · · 79 图10 养老陪伴机器人功能示意图· · · · · · · · · · · · · · · · · · · · · · · · · · · · · 80 图11 国寿投资大模型应用中台· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 83 图12 图13 国寿投资GPT· · · · · · · · · · ·

随着人工智能技术的迅猛发展，生成式大模型在诸多领域展现 出卓越的潜力，特别是在医疗行业。这些模型通过对大量医疗数据 的学习与应用，不仅能够提高医疗服务的效率，还能够助力医生进 行更为精准的诊断和治疗。因此，在医疗场景中应用生成式大模 型，具有极高的现实意义与可行性。 当前，面对全球医疗资源紧张、临床决策复杂化等挑战，传统 医疗模式已无法满足日益增长的患者需求。医务人员需要在短时间 内处理海量的信息并做出决策，这无疑增加了医疗风险。生成式大 生成初步的诊断 建议。这不仅提高了诊断的准确性，还可以减少医生的工作负担。 基于以往的病例数据，模型能够识别趋势和模式，从而为疾病的早 期发现和预防提供数据支持。 其次，在治疗方案的制定过程中，生成式大模型同样具有重要 的作用。模型能够整合各类医疗信息，包括患者的病史、当前病情 及最新的医学研究成果，为医生提供个性化的治疗建议。例如，针 对肿瘤治疗，可以通过模型生成多种治疗方案，并对每种方案的有 健康监测与预警系统，实现对慢性病患者的实时跟踪 在实际应用过程中，还需强调数据安全与隐私保护。医疗行业 涉及大量的个人健康信息，如何确保这些数据在被模型处理时不被 泄露，是实现这些应用的前提。此外，对模型进行持续的监测与评 估，确保生成结果的科学性与可靠性，也是医疗应用成功的重要因 素。 综上所述，生成式大模型在医疗场景中的应用，不仅是可能 的，而且是切实可行的。随着技术的成熟和数据的积累，这些模型

.........................................................................172 1. 项目概述 在当前金融科技的迅速发展中，银行系统面临着处理大量复杂 数据和提供高效服务的挑战。为了应对这些挑战，本项目旨在部署 Deepseek 大模型，以提升银行系统的智能化水平和处理效 率。Deepseek 大模型，作为一种先进的 其次，设计和实施数据集成方案，确保模型的训练数据既全面 又具备高质量。  接着，开发并部署 Deepseek 模型，包括模型训练、验证和 优化过程。  最后，进行系统集成和性能测试，确保模型在实际运行中的稳 定性和效率。 在实施过程中，我们将采用最新的技术和方法，如容器化技 术、微服务架构和持续集成/持续部署（CI/CD）流程，以确保部署 的灵活性和可扩展性。此外，项目还将注重数据安全和隐私保护， 遵守相关的法律法规和行业标准。 智能客服、自动化文档处理、风险预测和个性化推荐等。然而，大 模型在银行系统中的部署仍面临诸多挑战，包括数据安全、模型性 能优化、系统集成和合规性等问题。 为应对这些挑战，本项目旨在设计一种切实可行的 Deepseek 大模型部署方案，确保其能够在银行环境中高效、稳定、安全地运 行。该方案将结合银行的实际业务需求和技术架构，从以下几个方 面展开：首先，明确大模型在银行系统中的核心应用场景，包括但 不限于客户服务、风险管理和运营优化；其次，设计高可用、高性