............................................169 1. 引言 在过去几年中，人工智能（AI）技术的飞速发展及其在各行各 业的广泛应用，推动了企业对大型模型（大模型）解决方案的日益 需求。随着深度学习和自然语言处理技术的突破，许多企业意识 到，通过利用大模型，可以显著提高产品的智能化水平，提升效 率，降低人力成本。与此同时，作为一种新兴的商业模式，软件即 据分析与决策支持能力；而教育和电商行业则借助人工智能优化用 户体验及个性化推荐。 市场竞争态势同样值得关注。目前，市场上已经出现了一批成 熟的竞争者，提供多种基于大模型的应用服务。例如，OpenAI 和 Google 等大型科技公司在大模型领域占据了重要市场份额，为企 业客户提供 API 接入服务。与此同时，市场上还涌现出许多初创企 业，它们快速响应市场需求，通过更灵活、专业的服务切入特定细 分市场。这些公司通常注重用户体验，提供快速上手的工具和良好 分市场。这些公司通常注重用户体验，提供快速上手的工具和良好 的客户支持。 为了评估市场机会与挑战，可以从以下几个角度进行分析： 1. 目标用户画像： o 中小企业：预算较低，对技术支持要求高。 o 大型企业：专业需求多样，追求定制化与集成化解决方 案。 2. 行业内需求： o 数据分析与决策提升。 o 自动化客户服务与支持。 o 个性化推荐系统的构建。 3. 竞争分析： o 成熟企业的市场占有率。

场所和重要设施的实时监控与反应。 近年来，世界范围内发生的多起安全事件引发了政府以及企业 对公共安全的高度重视。据统计，自 2010 年以来，城市公共安全 事件的发生率呈逐年上升趋势，尤其是在大型城市，受众多因素的 影响，导致社会治安形势日益复杂。为应对这一挑战，各地纷纷加 大对公共安全设施的投资，努力提升防治能力。 利用 AI 技术进行视频监控，可以针对以下几个核心问题提供 切实可行的解决方案： 大量相 关视频和图像数据。这些数据不仅包含现场视频，还包括用户 的评论、位置标签等，有助于分析事件的性质和影响。 3. 无人机和卫星影像：无人机可以提供特定区域的高分辨率视频 和图像，尤其在大型事件或自然灾害中。这些数据可以为事件 分析和应急响应提供重要支持。卫星影像则适合于大范围事件 的监控与评估。 4. 传感器数据：包括地震传感器、火灾探测器等传感器反馈的数 据，这些数据可以与视频数据结合进行多模态分析，提升事件 进而提高后续模型的准确性。视频稳定技术可以减少画面抖动影 响，使得关键信息无损失地保留。 在特征提取方面，利用卷积神经网络（CNN）对每帧图像进行 分析，提取出诸如行人、车辆、异常行为等关键特征。该步骤可以 借助预训练的大型 AI 模型进一步提升特征提取精度，增强系统的 分析能力。特征提取的结果将存储为结构化数据，形成特征库。 数据处理模块还包括异常检测和事件抽取功能。通过设定模型 和算法，系统能够实时识别并标记出视频流中的异常行为，例如打

身的互联网创新业务推动云计算服务能力的发 展和进步，例如综合运用云网络、分布式云架构、负载均衡、CDN等技术，保障全球用户获 得流畅的访问体验。 �� 跨境电商形成市场综合服务优势：一些国内大型云服务商具备丰富的跨境电商业务运营经 验，可以整合跨境物流、支付等环节的资源，为跨境电商企业提供一站式的解决方案。在信 息服务方面，具备强大的数据分析工具，能够帮助跨境电商企业精准洞察不同地区消费者的 大规模投入造成资源浪费，又要确保业务高峰时有足够云计算资源支撑。部分地区的云服务 性能难以保证，数据的传输延迟和丢包率高，严重影响用户端的响应速度和综合体验。 �� 服务质量与体验一致性：很多大型企业，对全球化业务的服务质量和体验一致性要求极高， 确保用户身处任何国家都期望获得相同体验、相同水准的服务。但不同国家文化背景、使用 习惯和技术水平差异性，都会严重对上述目标产生严重影响。这需要企业投入资源，兼顾全 需求增加了运维 难度。大型企业可能使用跨区域、跨云环境下数以千计的实例，处理自动化扩容、故障转移 等复杂任务。企业需投入大量的云原生开发和运维人才，采购昂贵的监控与自动化工具等。 成本控制⸺算力性价比难题：企业多云集群和异构计算资源的效率和适配不足，使算力成 本长期居高不下，弹性能力的缺失造成的大量云实例闲置，也加剧了浪费现象。在企业加速 业务创新的背景下，大型企业的多业务线体系需要频繁地应付新业务上线部署时千奇百怪的

FastAPI 是两个常用的 Web 框架，用于构建 RESTful API。Flask 轻量且易于扩展，适合小型项目；而 FastAPI 则提供了 更高的性能，并内置了自动生成 API 文档的功能，适合中大型项 目。为了确保 API 的稳定性和可扩展性，建议在开发过程中使用 Swagger 或 OpenAPI 规范进行 API 文档管理。 在图形化界面或可视化方面，Matplotlib 和 Seaborn 合，确保其满足展示需求。 2. 展示方式匹配：根据数据类型和用户偏好，自动匹配合适的展 示形式，或提供多种可选方案供用户选择。 3. 渲染与优化：利用前端技术将数据渲染为可视化图形，同时优 化渲染性能，确保在大型数据集下的流畅展示。 4. 交互功能集成：为用户提供交互控件，如筛选、排序、高亮 等，以增强用户对结果的探索和分析能力。 5. 响应式设计：确保展示模块能够适配不同设备（如 PC、平 板、手机）和分辨率，提供一致的用户体验。 o 大型项目中的状态管理可能不如 React 成熟。 Angular Angular 是由 Google 开发的一个完整的前端框架，提供了从 开发到测试的全套解决方案。Angular 采用 TypeScript 编写，强 调类型安全和可维护性。  优点： o 强大的 CLI 工具，简化开发流程。 o 内置依赖注入、路由和表单验证等功能。 o 适合大型企业级应用。

自动化报表生成：自动生成各类造价报表，减少人工操作，提 高报表的一致性和准确性。 此外，DeepSeek-R1 大模型还具备良好的可扩展性和适应性， 能够根据不同项目的需求进行定制化配置。例如，在处理大型基础 设施项目时，可以增加对地质条件、环境保护等复杂因素的考量； 而在住宅建设项目中，则侧重于材料成本和施工周期的优化。 综上所述，DeepSeek-R1 大模型在工程造价领域的应用，不 仅 接口，用户可以将模型的预测结果实时导入到项目管理平台中， 从而实现数据的自动更新和同步。 在可扩展性方面，DeepSeek-R1 大模型采用了分布式计算架 构，能够通过增加计算节点来线性提升处理能力。这对于大型工程 项目尤为重要，因为这些项目通常涉及海量数据处理和复杂的计算 任务。通过分布式架构，模型可以在短时间内完成大规模数据的分 析和预测，显著提高了工作效率。 此外，模型还支持横向扩展，用户可以根据业务需求动态调整 类 与编码工作。模型会自动处理这些数据，并生成相应的分类和编码 结果，极大地节省了人力和时间成本。 在实际应用中，DeepSeek-R1 的智能分类与编码功能已经得 到了广泛验证。例如，在某大型建筑工程项目的工程量清单编制中， DeepSeek-R1 成功将数千个清单项准确分类并编码，错误率低于 1%，显著提高了清单编制的效率和准确性。 总之，DeepSeek-R1 在工程量清单编制中的智能分类与编码

960亿个文本标记的 �� 算力是推动大模型技术发展的基础。随着硬件技术的进步，算力的不断提升，为大模 型的训练和应用提供了强大的支持。 （1）GPU和TPU计算能力提升 GPU和TPU是训练大型神经网络的主要硬件。过去一年中，NVIDIA和Google等公司 不断推出新的GPU和TPU产品，显著提升计算能力。具体来说，NVIDIA Blackwell B200 GPU 和GB200超级 需求增长以及应用场景的不断拓宽。2024年苹果秋季新品发布会上，苹果推出全新的 iPhone 16和iPhone 16 Pro，芯片升级为A18。苹果官网称，A18的“16核神经网络引擎针 对大型生成式模型进行优化，运行机器学习模型的速度，相比A16仿生芯片提升最高可达2 倍。”可以说，iPhone 16系列是苹果为AI打造的新一代iPhone。2024年，AI PC市场迎来了 快速发展 更广泛的研究和应用。然而，一些领先的技术公司仍然选择保持其模型的封闭性，以确保 商业竞争力和知识产权的保护。这种闭源与开源的动态平衡，带来了技术创新的快速迭代， 促进了知识的共享和行业的合作。 闭源模型：一些大型科技公司继续开发和维护他们的闭源模型，如OpenAI的GPT-4和 百度的文心一言等。这些模型在特定任务上表现出色，但由于其不公开的特性，限制了更 广泛的研究和应用。闭源模型通常具有更好的性能和更少的公开数据泄露风险，但这也限

产品界面，海通证券研究所 公司提供了一系列 AI Agent 产品解决方案，例如私募股权智能体。这些智能体是能 够分析和解释复杂数据的智能助手，帮助私募股权公司：1）获得洞见：AI 智能体可以 在大型数据集中发现隐藏的模式和趋势，帮助私募股权公司识别有前途的投资机会或潜 在风险。2）做出更好的决策：AI 智能体生成的洞见使得投资决策更加知情和数据驱动。 3）提高效率：通过自动化重复性任务，AI 智能体让人类分析师可以专注于更高价值的 图41 RL 架构对比 GITM 创新架构 资料来源：机器之心，海通证券研究所 传统 RL 智能体在 shang h 将复杂任务映射到底层键盘鼠标操作时面临困难，而 GITM 采用大型语言模型（LLM）作为核心，打破了这一传统架构。GITM 由 LLM Decomposer、LLM Planner 和 LLM Interface 三部分组成，逐步将复杂任务分解为子任 务、结构化动作，直至最底层的键盘鼠标操作。LLM 个复杂手机任务上展示了强大的能力。根 据 Chi Zhang 等人的论文《AppAgent: Multimodal Agents as Smartphone UsersAppAgent》介绍，这项技术通过引入一种基于大型语言模型（LLMs）的多模态智 能 Agent（Agent）框架，使智能体能够操作智能手机应用程序。与传统的智能助手如 Siri 不同，AppAgent 并不依赖系统后端访问，而是通过模拟人类的点击和滑动操作，直接

出优异的性能，特别 是在文本生成、图像合成和多模态学习等方面。 当前，AI 生成式大模型的技术发展主要体现在以下几个方面： 1. 模型规模的扩大：从 GPT-2 到 GPT-3，甚至到后续的更大型 号，模型参数数量的增加使其在知识和上下文理解上显著增 强。这导致生成的文本更加流畅和自然，适用于医疗记录、患 者交流和医学文献的生成。 2. 多模态能力的提升：近年来的研究表明，将文本和图像数据结 数 据，包括电子病历、医学影像、基因组数据和临床试验结果等。这 要求在数据采集阶段严格筛选数据源，确保数据的准确性和代表 性。 接下来，在模型训练过程中，可以考虑采用迁移学习的方法， 先在大型公开医疗数据库上进行预训练，然后针对特定的应用场景 进行微调。通过这种方法，在有限的标注数据上也能够取得较好的 性能表现。此外，通过数据增强技术（如图像旋转、翻转、颜色变 换等）可以有效增加训练样本的多样性，从而提高模型的泛化能 50 2.0 中型医院 300 50 150 2.0 大型医院 500 100 300 2.0 由此表可见，不同规模的医院在 AI 模型实施后的投资回收期 基本保持在 2 年左右，这表明在经济上是可行的。 此外，潜在的收益还包括提高诊疗效率、减少误诊率、节省人 力成本等。从长远来看，这些收益将进一步推动医院的可持续发 展。以大型医院为例，若通过 AI 系统将误诊率降低 1%，每例病人

人工客服工作压力。 • 格式丌一癿内部业务 文档，服务话术 • 大量非结构化业务文 本癿自劢化知识加工 • 灵活多变癿用户问题 句式需要语义分析才 能真正理解 案例 - 某大型保险集团公司微信人机互劢系 统 上线后敁果 • 提供了结合内外网数据癿与业 知识图谱 • 多语种知识库同步建设，跨语 种知识关联 • 知识加工提供多语种自劢摘 要、主题分类 • 资料来源多语种，对人 才要求较高 案 例 中 ： 支 持 中 文 、 英语和俄文 ，还涉及到法语、 德语、 日语、 韩语和阿拉伯 语等世界军事强国癿语言。 案例 - 某国有大型企业知识库系 统 实斲斱案建议 用智慧发现信息价值 Discover information AppMaket Visulizaion & Discovery SDK Server PaaS

江苏省、北京市、内蒙古自治区、上海市、贵州省、浙江省、山东 省、福建省，具体情况详见图 11。广东存力规模全国领先，存储总 体容量和单机架存力水平均位于全国前列。作为我国经济强省和科 技强省，广东拥有众多大型互联网企业、金融机构和制造业企业等， 综合算力指数 22 对数据存储的需求持续增长，推动存储容量不断扩大，同时也注重 存储技术的创新和应用，以满足高性能存储的需求。 我国存力规模 Top10 级分类的差异化政策框架，鼓励各地立足资源禀赋，培育本地化、 特色化的算力产业路径，激发内生动力。 （二）提升算力供给质效，推动结构迭代升级 聚焦算力供给的质量与效率提升，加快结构迭代升级步伐。一 是支持建设和升级大型 AI 集群、智算中心，支持大模型训练推理、 复杂人工智能应用。二是突破核心技术瓶颈，集中攻关高端训练及 推理芯片、先进计算架构、高速互连芯片技术等领域，强化国产芯 片在现有系统中的规模化应用验证和生态适配。三是加强算力与行 络，实现算 力资源智能调配。 （四）构建绿色低碳体系，加速基础设施绿色升级 面对日益严峻的环境挑战与节能减排要求，我国综合算力发展 亟需构建绿色低碳体系。一是强化 PUE 管控，严格控制新建大型算 力中心 PUE，提升设备能效，推广应用高效 IT 设备、高效电源模块、 热回收技术等；推进老旧算力中心节能改造。二是优化能源结构， 加大算力中心使用绿电的比例，推动东、西部绿电资源与算力需求