........ 7 3.1.2 联通河北政务云智算中心利用数字化平台实现智能建造技术实践 ....................... 8 3.1.3 L1&L2 联动节能在广东移动深圳宝观液冷数据中心的创新实践 .......................... 9 3.1.4 广东电信韶关数据中心间接蒸发冷却技术应用 ............................... ....................................................................................... 21 图 12 智医随行大模型 .............................................................................................. 3.1.3 L1&L2 联动节能在广东移动深圳宝观液冷数据中心的创新实践 面对机楼改造难度大、复杂性高、工期紧、勘测周期长、现网割接风险高、PUE 压降难 度大等难题，广东移动紧扣绿色双碳和算力发展战略，聚焦“节能改造，国 A 改造，智算改 造”三大场景，探索老旧机楼复杂改造升级转型之路。其中较为典型的是深圳宝观智算中心 改造项目（PUE 1.69、中国移动唯一的“一省双池”千卡训推一体智算中心，要求

个方面。医疗大模型通过理解人类语言、完成逻辑推演和生成最终结果，为医疗行业带来 了天然的应用优势。尽管医疗数据的互不连通和近乎为零的容错率给医疗大模型的商业 化带来了挑战，但仍有不少企业和研究机构推出了自己的医疗大模型产品，如医联的 MedGPT、腾讯和百度基于自研通用大模型打造的医疗大模型等。这些模型在提升医疗服 务效率、扩大普惠金融覆盖范围等方面发挥了重要作用。 （3）教育行业 教育行业也是大模型应用的重要领域之 确保客户数据的安全性与隐私性。 （4）构建负责任的大模型研发应用体系。在保险行业AI研发与应用过程中，应深入研究 并践行“以人为本、智能向善”的理念，制定具体操作指南与最佳实践，推动AI设计、研发及 应用的价值观与伦理观与保险行业法规相契合。同时，积极探索适应AI时代的版权保护与 开发利用制度，持续推进高质量基础语料库与数据集建设，为保险行业大模型的安全发展 提供有力支撑。此外，还需制定并完善大模型伦理审查准则、规范与指南，建立健全伦理审 （4）构建安全对齐数据集。为降低大模型在保险应用中产生不真实、偏见、不道德等风 险，需构建安全对齐数据集，该数据集包含丰富的有监督正样本和恶意样本，旨在确保模 型输出符合保险行业的法规、道德准则及人类价值观。 （5）强化知识产权保护。在训练数据选取环节，加强知识产权保护意识，采取有效措施 防止侵犯知识产权的行为。 （6）遵守数据跨境与出口管制规定。在向境外提供大模型服务时，应严格遵守数据跨 境流

术团队的合作，将数据处理流程、模型训练及生成结果的反馈机制 紧密结合，以确保模型在实际应用中的准确性和可靠性。 再者，本研究还将评估 AI 生成式大模型在提升医疗效率及改 善患者体验方面的作用。具体而言，将对比模型应用前后的各项医 疗指标，涵盖诊断速度、治疗精度、患者满意度等，量化 AI 模型 对医生工作效率及患者健康管理的影响。 最后，针对伦理问题和法规合规性，研究将探讨 AI 生成式大 模型在医疗应用中的伦理框架，以确保技术应用符合医学伦理规 效的数据管理和安全使用框架。这些框架应包括数据隐私保护、合 规性审查以及模型的持续监测。医疗数据通常涉及敏感信息，因此 确保数据安全与病人的隐私至关重要。 通过以下几点，我们可以更清晰地理解 AI 生成式大模型在医 疗场景中的实际可行性：  数据来源：利用电子健康记录（EHR）、医学文献和临床试验 数据进行模型训练。  模型类型：根据应用需求选择合适模型，如 GPT、BERT 等进 行文本生成与理解。 医疗图像去噪、生成合成数据 自回归模型 逐步生成数据，保持时间序列连续性 语音合成、文本生成 扩散模型 通过去噪过程生成高维数据 图像修复、颜色化、医学成像 随着技术的不断进步，主流生成式算法的有效应用将为解决医 疗领域的复杂问题提供新的思路和方案，同时推动个性化医疗和精 准医疗的发展。 2.2.2 应用案例 在当前医疗领域，AI 生成式大模型的应用案例逐渐增多，涵盖 了诊断、治疗、个性化医疗、患者管理等多个方面。以下是一些具

本报 告仅供本公司的客户使用。本公司不会因接收人收到本报告而视其为客户。 n 本报告基于本公司及其研究人员认为可信的公开资料或实地调研资料，反映了作者的研究观点，力求独立、客 观和公正，结论不受任何第三方的授意或影响。本公司力求但不保证这些信息的准确性和完整性，且本报告中 的资料、意见、预测均反映报告初次公开发布时的判断，可能会随时调整。本公司对本报告所含信息可在不发

融合和创新，预示着知识生产方式正在经历一场深 刻的变革，将引领我们进入了一个人机协作的知识 生产新模式 [7-8]。 1.1 知识获取 1.1.1 联结主义学习 大语言模型的知识获取基于联结主义的学习观 点，该观点认为智能源于大脑神经元的物理结构和 复杂的网络连接，是由大量如神经元的简单元素通 过非线性相互作用产生的集体行为结果，智能行为 的模拟可以通过构建大量简单计算单元组成的大规 模 网 络 ，并

合多源数据（如征信记录、社交媒体数据等），DeepSeek 可以为 银行提供更全面的客户画像，从而更准确地评估贷款风险，减少不 良贷款率。 在风险管理领域，DeepSeek 的应用同样值得期待。通过对宏 观经济数据、市场波动和客户行为的深度分析，DeepSeek 可以为 银行提供实时的风险评估和预警，帮助其更好地应对市场不确定 性。例如，DeepSeek 可以预测不同经济情景下的贷款违约概率， 从 分析，能够识别出可能导致重大损失的操作风险点。例如，通过对 交易流程的监控，系统可以自动检测异常交易行为，及时发出预 警，防止欺诈和操作失误的发生。 此外，DeepSeek 还支持风险管理的可视化分析，通过生成直 观的风险报告和仪表盘，帮助管理层快速了解风险状况，做出基于 数据的决策。  实时监控和预警系统：通过 DeepSeek，银行可以建立一个 24/7 的风险监控系统，实时跟踪各项风险指标。  自动化报告生成：DeepSeek 投资管理效率。通过集成 DeepSeek 的智能分析系统，该银行能够 实时监控市场动态，精确预测投资风险，从而优化资产配置策略。 系统利用先进的机器学习算法，对历史交易数据、市场趋势以及宏 观经济指标进行深度分析，为投资决策提供数据支持。 具体实施中，DeepSeek 系统首先对银行的投资组合进行全面 的风险评估。系统能够识别出潜在的高风险投资，并提出相应的风 险缓解措施。例如，通过对过去五年内的市场波动分析，系统成功

能够自动生成多维度、多层次 的量化因子，包括技术指标、基本面因子以及市场情绪因子等。这 些因子不仅涵盖了传统的移动平均线、相对强弱指数（RSI）等， 还包括基于深度学习的非线性因子，如股价波动模式识别、市场微 观结构分析等。通过这种方式，DeepSeek 为量化策略的开发提供 了更为丰富和精准的因子库。 在算法交易策略优化方面，DeepSeek 的强化学习算法能够对 交易策略进行动态调整和优化。传统的策略优化方法通常依赖于静 体步骤如下： 1. 数据清洗：去除异常值、缺失值以及非交易时间的数据。 2. 特征工程：从原始数据中提取有效的特征，如技术指标 （MACD、RSI 等）、市场情绪指标（新闻情绪分析）以及宏 观经济变量。 3. 标准化处理：对特征进行归一化或标准化，以消除量纲对模型 训练的影响。 在模型的具体实现中，我们采用多输入通道的方式，将不同类 型的特征分别输入到不同的神经网络层中，最后通过全连接层进行

统的人工巡 检与监控方法已无法满足快速发展的铁路需求，且人力成本高、效 率低，而新兴的人工智能与三维建模技术为我们提供了新的解决方 案。 其次，现有的铁路监测系统多为单点或局部监控，缺乏全局观 与综合效益的分析。通过引入实景三维大模型技术，可以实现对铁 路沿线的全面可视化、动态分析，使得管理人员能够及时掌握沿线 情况，从而提高回应各类突发事件的能力。 最后，随着国家对智能交通系统及数字基础设施建设的重视， 4. 虚拟现实(VR)和增强现实(AR)工具：如 Unity、Unreal Engine 等，这类工具能够将三维模型嵌入到虚拟环境中，支 持交互式展示与分析，使得铁路沿线的实景数据更加生动直 观。 在选择具体建模软件与工具时，应考虑以下几个因素：  数据兼容性：软件需要支持多种数据格式，能够无缝集成来自 不同设备（如无人机、激光扫描仪等）的数据，以确保数据处 理的灵活性。  用

泛化能力：测试集表现、过拟合检测等  训练效率：单次训练耗时、资源利用率等 系统应支持自动化考评工具的开发与应用，减少人工干预，提 升考评效率。同时，需提供详尽的考评报告生成功能，便于用户直 观了解模型性能及其改进方向。 安全性是系统设计中不可忽视的重要需求。系统需采用多层次 的安全防护机制，包括数据加密存储、访问控制、操作审计等，确 保数据在采集、传输、存储和使用的全生命周期中均得到有效保

次的备份机制、严格的验证流程和灵活的恢复方案，全面保障数据 的安全性和业务的连续性，为智能体的稳定运行奠定坚实基础。 7. 前端开发 在 DeepSeek 智能体开发的前端部分，首要任务是设计一个直 观、响应迅速的用户界面，确保用户能够轻松地与智能体进行交 互。前端开发应基于现代化的前端框架，如 React 或 Vue.js，这些 框架提供了丰富的组件库和良好的生态系统，能够高效地构建复杂 的用户界面。