项目编号： AIGC 生成式大模型医疗场景应用可行性 研 究 报 告 目 录 1. 引言...............................................................................................................6 1.1 背景介绍....................... .......................................................................................11 2. AI 生成式大模型概述..................................................................................12 2.1 定义与特点 .......................................................................................15 2.1.1 生成式模型概念.........................................................................16 2.1.2 大模型的优势.......

生态繁荣发展。 《2025 综合算力指数》全面呈现了我国综合算力发展现状，挖 掘各地区综合算力发展问题，并给出发展建议，为我国算力产业“点、 链、网、面”体系化发展提供参考，为数字中国建设实现跨越式发展 筑牢根基。 时间仓促，报告仍有诸多不足，恳请各界批评指正。后续我们 将不断更新完善，如有意见建议请联系中国信通院研究团队： dceco@caict.ac.cn。 综合算力指数 目 录 在这一发展趋势下，全球各国愈发重视人工智能产业发展并加 快部署，力求在全球数字经济竞争中抢占先机。IDC 数据显示，目 前，全球超过 70%的组织开始对生成式人工智能技术进行投资或处 于初步测试阶段，已经有 17%的组织将生成式人工智能应用和服务 引入生产环节，保障国家的科技话语权与产业安全。美国、日本等 发达国家和地区也持续加大在智算、超算等算力相关领域的投入， 力求巩固其领先地位 （四）模型技术与产业应用双轮驱动 近年来，我国大模型生态逐渐完善，技术快速发展。截至 2025 年 6 月底，我国已发布 1509 个大模型，在全球已发布的 3755 个大 模型中数量位居首位。另外，全国已完成备案生成式人工智能服务 439 项。据 IDC 统计，2024 年我国智算市场规模为 190 亿美元，同 比增长 86.9%，为大模型研发和应用提供了强大硬件支持。同时， 国内企业推出多款高性能处理器和加速器，硬件设备在算力、能效

。 它在 MoE 架构的基础上， 通过多头潜注意力机制（ Multi-Head Latent Attention ， MLA ）进行优化；在后训练阶段采用冷启动 + 大规模强化学习 方 式，不再使用传统 SFT 做大规模监督微调， 甚至绕过了一些 CUDA ，采用 PTX 汇编来提升能力；在推理场景下通过 大规模 跨节点专家并行（ Expert Parallelism ， EP ）来优化通信开销，尽可能实现负载均衡。 DeepSeek-R1 推理模型， 分别运用于智能 合同质检和自动化估值对账场景中。 资料来源：上海证券报，搜狐，中泰证券研究所 16 降本增效场景之三：智能合同质检 图表：江苏银行 AI 布 局 n AI Coding 能够替代低效工作 ，充分释放开发者的价值。未来可能会由 AI 承担部分基础工作， 而开发者则转向更高层次的 架构设计和业务规划，专注于更复杂、更创造性的任务， 如架构设计、算法优化或用户体验创新。 零售风控、零售贷款审批、运营管理、消保降诉、汽车金融等 招商银行 零售、批发、中后台 北京银行 宣传文案、智能周报、文章翻译、会议纪要等 江苏银行 智能客服、智能文档助手 杭州银行 知识问答、办公助手 n 在生成式人工智能落地应用中大行发力更早。六大国有银行大力投入大模型技术体系研发的同时多场景探索大模型应用， 实现客服、办公、研发、运营等多个业务领域的应用创新。中小银行则多以单场景切入， 探索智能客服、智慧办公等通

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· 盖茨的赞誉、马斯克的断言以及马化腾的深刻洞察，都从不同角度揭示了大模型技术对于 人类社会发展的深远影响。而国家网信办等七部门联合发布的《生成式人工智能服务管理 暂行办法》，则为中国大模型技术的健康发展提供了坚实的政策保障和合规框架。 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、 图25 图26 图27 图28 � � � 2023年被誉为“大模型元年”，在这一年里，中国见证了超过200个大模型的竞相涌 现，正式拉开了“百模大战”的序幕。这一年标志着大模型技术的飞跃式发展，行业格局与 趋势瞬息万变，整个领域经历了前所未有的百花齐放与创新浪潮。 大模型技术在数据积累、算力支撑、模型精进及应用拓展四大维度上，均实现了显著 突破。合成数据的应用，有效克服了现实世界数据在获取难度、规模限制及多样性不足等 在数年内被用尽。研 究机构Epoch估计，机器学习可能会在2026年前耗尽所有“高质量语言数据”。据Gartner 预测，2024年用于训练AI的数据中有60%将是合成数据。以Meta今年7月发布的 LLaMA3.1模型为例，监督微调环节的数据里有相当比例是合成数据，使用合成数据确实 带来了模型效果的提升。 （1）合成数据成有力补充 高质量的真实数据已逐渐无法满足大模型训练与精细微调的需要，这促使合成数据

2 超参数调优.................................................................................73 3.3.3 分布式训练策略.........................................................................75 3.4 模型评估与优化........ 数据标注与结构化：基于业务需求，对非结构化数据进行标注 和结构化处理，形成可被模型直接利用的知识库。  模型训练与优化：采用分布式训练架构，结合超参数调优和模 型剪枝等技术，提升模型的训练效率和性能。 在技术选型上，项目将优先采用开源的深度学习框架（如 TensorFlow、PyTorch）和分布式计算平台（如 Kubernetes、Spark），以确保方案的灵活性和可扩展性。同时， 项目将注重数据安全与隐私保护，通过数据脱敏、加密传输和访问 数据采集模块：支持多源异构数据的自动化采集和整合；  数据清洗模块：提供多种数据清洗算法，确保数据质量；  数据标准化模块：统一数据格式，方便后续处理；  数据存储模块：采用分布式存储技术，支持大规模数据的高效 存储；  数据检索模块：实现高效的分布式检索，满足实时查询需求。 通过上述模块的集成与优化，本方案将显著提升知识库数据处 理的效率和准确性，为 AI 大模型的训练提供高质量的数据支持。 最终，该

实现自主智能供应链 2 大中华区业务联系人 作者 埃森哲大中华区战略与咨询事业部董事总经理、 供应链与运营业务主管 jane.zheng.pan@accenture.cn 潘峥 麦克斯·布兰切特（Max Blanchet） 埃森哲资深董事总经理、全球供应链与运营战略主管 克里斯·麦迪威特（Chris McDivitt） 埃森哲供应链与运营董事总经理、自主智能供应链全球主管 斯戴芬·梅尔（Stephen 的研究表明，在自主智能供应链的生态系统中， 人力依然是核心要素。事实上，最高效的自主智� 供应链体系将实现人员角色转型⸺从任务执行 者转变为系统决策的指导者与监督者。我们观察 到，这一转变正通过“人机协作”的渐进式发展 在企业中逐步实现，每个阶段都推动着效益提升。 此外，通过将资深团队成员数十年积累的专 业知识和洞察进行系统化梳理与编码标准化，自 主智能供应链有助于确保核心知识的保留，并传 承至下一代员工，即便在资深团队成员陆续退休 些在迈向自主智能化系统的过程中践行了其 中一项或多项的企业而言，初步成效已经显 现。我们将在后面的章节中详细阐述每一项 举措。 实现自主智能供应链 8 何为自主 智�供应链？ 供应链的完全自主化不单单指孤岛式的自 动化。传统的自动化系统遵循预设指令，且需要 人工监督。以普通汽车的定速巡航控制功能为 例，它能自动保持设定速度，但仍需人工干预转 向和刹车。 相较之下，自主化系统虽包含一定程度的自

on NeRF[107] 近期同样用于 3D 场景表示的 3D 高斯 (3D Gau- ssian splatting, 3DGS)[108] 在许多任务上展现出了 惊人的能力与效率, 其显式的场景表示能够以高效 率和高精度渲染出具有丰富细节的场景, 在虚拟现 实、增强现实、同步定位与地图构建 (Simultan- eous localization and mapping, SLAM) 等领域都 显著优于之前最先进的基 于 NeRF 的方法—语言嵌入式辐射场 (Language 4 自 动 化 学 报 51 卷 embedded radiance field, LERF)[110], 并在1 440 × 1 080 像素分辨率下比 LERF 快 199 倍. 文献 [111] 利用 3D 高斯作为唯一的三维表示形 式进行 SLAM, 实现了精确建图、高效跟踪、映射和 合成人类手与该物体交互的合理图像, 并从中直接 提取出可行的 3D 手部姿态. 作者构建了一个两阶 段生成模型: 首先使用 LayoutNet 生成与关节结构 无关的手−物体交互布局, 在 LayoutNet 预测出布 局之后, ContentNet 负责根据预测的布局和物体图 像合成手−物体交互的图像. 这一步骤考虑了手部 外观的多样性, 如形状、手指关节和肤色等. 两个模 块均建立在大规模预训练扩散模型的基础上

分析复 杂的金融交易模式，识别异常行为，并及时提醒相关人员采取措 施。预期在风险事件的平均识别时间上，能够缩短至 1 分钟以内。 第四，确保系统的高可用性与安全性。在部署过程中，将采用 分布式架构和容错机制，保证模型在高峰期的稳定运行。同时，结 合银行现有的安全策略，设计多层次的数据加密与访问控制机制， 确保客户数据与交易信息的安全性。 为了实现上述目标，项目实施将分为三个阶段进行： 接口，便于其他系统调用；第四，建 立完善的监控和维护机制，及时发现并解决模型运行中的问题，确 保系统的长期稳定运行。 项目的技术范围主要包括：使用业界领先的深度学习框架进行 模型训练和优化；采用分布式计算技术，确保模型在大规模数据处 理中的高效性；集成银行现有的数据管理系统，确保数据的完整性 和安全性。项目的管理范围包括：制定详细的项目计划，明确各个 阶段的任务和时间节点；组建专业的项目团队，包括数据科学家、 并从中提取有价值 的信息。此外，数据的安全性必须得到充分保障，模型在处理敏感 信息时应遵循严格的数据加密和访问控制策略，以防止数据泄露和 未经授权的访问。 在技术架构上，模型的部署应支持分布式计算和云原生架构， 以实现高可用性和弹性扩展。银行系统通常需要 24/7 不间断运 行，因此模型的部署方案应考虑到故障转移和自动恢复机制。同 时，模型的监控和日志记录功能应完善，以便于实时监控模型的运

....................................................................................99 8.3 并行计算与分布式处理.....................................................................101 8.4 性能监控与调优............. 护性。 为实现上述目标，系统将采用以下技术架构： - 数据处理模块: 集成了高效的数据清洗和标注工具，支持批量处理 和实时更新。 - 模型训练模块: 提供多种训练算法和参数优化功能，支持分布式训 练，提升训练效率。 - 考评分析模块: 基于多维指标的考评体系，结合可视化工具，生成 详细的考评报告。 通过以上设计，本项目将为企业提供一个全面的 AI 数据训练 考评解决方案，帮助企业在人工智能领域的竞争中占据优势地位。 方式，确保数据质量的同时提升处理效率。 其次，系统需具备强大的模型训练支持功能。这包括对多种主 流深度学习框架（如 TensorFlow、PyTorch 等）的兼容性，以及 硬件资源的动态分配与优化能力。系统应支持分布式训练，以提高 大规模数据训练的效率和模型性能。此外，系统还需提供训练过程 的实时监控与调试功能，便于开发人员及时调整训练参数和策略。 在数据考评方面，系统需要构建一套完整的考评指标体系，以 确

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 行分析与处理，生成最优决策策略；结果输出层则将决策结果以可 视化、API 或自动化操作的形式反馈给用户或系统。 为了确保方案的实际应用效果，项目团队将采用迭代开发模 式，结合敏捷管理方法，分阶段实现功能模块的交付与优化。每个 阶段都会进行严格的测试与验证，确保智能体在不同场景下的稳定 性和可靠性。此外，方案还将提供详细的技术文档和培训支持，帮 助企业快速掌握智能体的部署与运维技能。 言、多平台（Web、移动端、桌面端）的访问。API 接口则将提供 标准化的数据查询与分析服务，便于第三方系统的集成与二次开 发。 此外，项目还将重点关注系统的性能优化与安全保障。性能优 化方面，系统将采用分布式计算架构与高效的缓存机制，确保在大 规模数据环境下的快速响应与高并发处理能力。安全保障方面，系 统将实现多层次的安全防护机制，包括数据加密、访问控制、身份 认证与审计日志等，确保数据的安全性与合规性。 认证与审计日志等，确保数据的安全性与合规性。 最后，项目将制定详细的测试与部署计划，确保系统的稳定性 和可维护性。测试计划将包括单元测试、集成测试、性能测试与安 全测试等多个阶段，部署计划则将涵盖本地部署与云部署两种模 式，支持弹性扩展与自动化运维。 综上所述，本项目范围广泛且切实可行，涵盖了从数据处理到 智能算法再到用户界面的全流程开发，为企业提供了一套完整的深 度搜索解决方案。 1.4 项目团队组成 项目团队组成为