自由定义分析专题，生成专业的可分析报 告 分析模块自定义：与题分析癿各个展示模块都可 由用户从提供癿指标模板库中自由组合定义，从 而生成相应癿与题分析栏目。 内置多种分析模板：平台丌断扩充分析模板及分 析指标，提供给用户更多癿分析选择。 订阅推送：对搜索癿分析结果进行订阅推送，通 过邮件癿形式把分析结果发送给用户。 与题分析 用智慧发现信息价值 Discover information 解决客户问题 • 微信公众号丌能智能 回答用户提出癿问 题，导致大量咨询用 户转至“小麦客服” 人 工服务。 • 希望通过微信公众号 智能问答系统，减轻 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 客户画像 投资产品分析 资产配置建议 1. 完善投资理财 8 大规划 2. 投资产品组合及策略优选 3. 建设投顾、教育及生态一体化平台 1. 2. 多渠道客服机器人支持（微信、 APP 、 Web ） 营销机器人（营销内容推送） 统一业务服务机器人 1. 外呼机器人（交易确讣、服务提醒） 2. 推荐机器人 总体目标 1. 非结构化数据采集、加工服务能力

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 不 断 调 整 网 络 单 元 间 连 接 权 重 来 实 现[9-10]。优势在于从数据中学习的能力，善于处理复 杂的、模糊的问题。 1.1.2 主动学习 与传统结构化的知识获取方式相比，大模型采 用 维和高级认知能力，能够处理和解释复杂信息，通过 思维能力获得事物本质特征与发展规律更深入的认 识，从而具有能够适应新环境并解决复杂问题的能力。 按照过去信息化建设经验，提升系统智能化水 平有两条路径：1）依靠对智能化应急装备设施的不 断更新换代；2）引入更多更强大的模型和算法对数 据进行更深层次的挖掘。前者的问题在于依靠设备 设施更新更多解决的是业务系统的效率问题，并且 技术进步如果仅仅是“穿新鞋走老路”的模式，终将 面临发展的瓶颈[23]。后者的问题在于模型算法更适 科技文献等多种专业领域语料微调，存储并管理所有 相关应急管理知识。同时，基于应急大模型的知识库 不是一个静态的存储库，借助模型强大学习能力，例 如检索增强生成（retrieval augmented generation）等微 调技术，随着新语料输入，不断调整其知识结构与内 容，完成知识更新，形成一个持续演进的知识系统。 感知系统：负责处理源于多种感知设备（如摄像 222 www.jc2.org.cn 2期 头、传

C端应用人人装，人人感受人工 智能，政府、企业管理者认识到人工智能战略意义，由探索尝试，升级为战略布局，市场进入爆发期 DS上线20日，日活超4000万，已达到ChatGPT 74%，成为 C端现象级应用。微信、钉钉等头部应用纷纷接入 截至2月15日，全国10省省委书记将人工智能作为 新春第一会重点部署，B端大模型应用进一步加速 省份 要求 广东 集中发力人工智能和机器人领域 浙江 加快建设创新浙江、因地制宜发展新质生产力 在热点事件分析场景：处理90余万张工单，完 成12万个小区数据抽取，形成供水、供电、供 热等6类单位画像  热线数据报告：围绕投诉、求助、建议与举报信 息开展时空定位、问题萃取、颗粒缩放、精细诊 断等多维度分析，输出周期报告和专题报告 大模型赋能政务热线应用 n 联通数智公司联合辽宁产互等打造政务热线大模型，已落地辽宁、北京等多省市12345项目 -22- 大模型辅助政府经济决策  2、挂RAG知识库、联网搜索优化等 3、接入智能体平台 ….. B端生产场景多数重复使用模型某一重复能力， 大量百亿级参数模型即可适用 • DS -V3/R1满血版推理需16-32张910B，LORA微 调需512张910B。大量客户无支持微调的算力。单 任务算力消耗与百亿级参数模型不在同一量级 • DS 最惊艳的R1版，一次推理多在10-20秒，更适合 代码、数学、复杂规划等场景，很难响应B端高实时

度模型，以减少因车辆不足或过多造成的资源浪费，提升列车 准点率。 3. 服务质量提升：通过分析乘客反馈数据及行为信息，优化服务 流程与设施布局，提高乘客满意度。 4. 运营成本控制：通过 AI 技术实现设备的智能监控与故障诊 断，降低维护成本及非计划停运的风险。 5. 安全监测与预警：构建基于大数据的安全监测系统，实时监测 设备运行状态，并对异常情况进行自动报警，提升整体安全 性。 总的来看，AI 大模型在城市轨道交通行业的应用不仅是一种技 费 用也相对较高，要求城市在财政支出方面做出长期的投入。同时， 随着客流量的增加，如何提高运输效率以满足乘客需求也成为一大 难题。 其次，随着乘客数量的日渐增加，轨道交通系统的运力需求不 断上升。据统计，在一些大城市高峰时段，客流量甚至造成了线路 超负荷运转，影响了服务质量和乘客满意度。例如，在北京和上海 等大城市，某些轨道交通线路在高峰期的客流密度已达到 30000 人/公里·小 见等数据，为模型提供丰富的训练材料。 2. 模型训练：利用收集的数据进行大模型训练，优化自然语言理 解和生成能力，确保系统能够理解复杂的用户意图。 3. 多渠道接入：智能问答系统应支持多种接入方式，如官网、手 机应用、微信公众号等，确保乘客可以随时随地获得服务。 4. 持续优化：在系统上线后，应收集用户交互数据，定期评估问 答的准确性和满意度，不断进行模型迭代和服务优化。 5. 引入人机协作：在复杂问题上，智能问答系统可以将无法解答

普惠，激发大众创造力 多 源 数 据 深 度 挖 掘 融合建筑领域各类数据，联动设备 运行指标 、能耗信息及环境监测， 实现精细用户画像，助力科学调度 与资源配置 智 能 故 障 识 别 与 诊 断 结合人工智能算法，自动提 取设备 特 征 ，识别潜在异常，构建以专家 经验为核心的诊断体系，为故障根 源定位和问题处理提 供有力建议 智慧 能耗与碳排管控 依托大模型和数字孪生，实时监控、 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 奔爱 报 告 提 纲 当下 Al 到了哪种程度 …

· · · · · · 102 车险出单“星驰”系统· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 107 企微运维机器人· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 108 华农保险大模型微调效果· · · · 灵活性与效率。此外，开源模型的不断涌现，不仅加速了技术的普及与应用，也为全球开发 者共同推动AI技术的进步搭建了广阔的舞台。 1.引言 1.1 大模型技术近一年的发展演变 资料来源：集微咨询（JW Insights）整理绘制，本图谱仅列举全球典型企业及相关大模型， 排名不分先后 图1 大模型产业图谱 �� 大模型训练数据通常来自网络获取数据、外部付费/开源数据集、企业自有数据以及AI （2）国产算力发展 为了突破算力“卡脖子”的问题，并抓住新技术带来的机遇，我国正加快国产GPU芯片 生态体系的建设，包括从芯片设计、制造到封装测试的全流程加速推进。华为、寒武纪、摩 尔线程、景嘉微、海光信息、沐曦科技、壁仞科技、燧原科技等企业通过加大研发投入、优化 生产工艺、提升测试水平等措施，在GPU设计、制造和封装等环节均取得显著进步，国产芯 片在性能、功耗、成本等方面不断取得突破，与国际巨头的差距不断缩小。

I 模型可以 实现对患者病历的自动化理解，并为后续的临床决策提供支持。 以下是 AI 生成式大模型在病历分析中的一些具体功能： 1. 自动提取关键信息：从历史病例中提取出患者的关键症状、诊 断和治疗方法，大大节省了医疗人员的工作时间。 2. 风险评估：利用大数据技术分析患者的相关指标，生成风险评 分，帮助医生评估患者在接受特定治疗方案时可能的并发症风 险。 3. 预测模型：通过分析病历和临床数据，AI 应用与反馈：将生成和增强的影像应用到临床实践中，并通过 医生的反馈对模型进行进一步调整和完善。 例如，某医疗机构在实施影像生成与增强项目时，发现通过生 成的影像成功帮助医生识别出了一些早期病变，显著提高了早期诊 断的准确性与及时性。 通过以上过程，AI 生成式大模型的影像生成与增强不仅能提升 影像数据的利用效率，同时也能通过提供更多的训练数据来优化其 他辅助决策系统，最终实现在医疗诊断中的高效应用。 4 材料和患者 反馈信息，通过大数据分析优化生成模型。 2. 定制化内容开发：依据患者的病历、治疗历史以及认知能力， 为不同患者群体生成个性化的教育内容。 3. 实时沟通工具：开发基于 AI 的微信、APP 等移动端应用，使 患者能够随时随地向系统提问并获得及时解答。 4. 反馈机制：建立有效的反馈渠道，收集患者对教育内容和沟通 效果的评价，持续优化 AI 模型的生成效果。 5. 培训

20+ 个 | +150% | 实施路径将分三个阶段推进： 1. 模型能力对接 - 部署 DeepSeek API 网关 - 构建 CRM 数据预处理管道 - 开发意图识别微 调模块 1. 系统功能增强 o 智能工单自动分类 o 实时对话质量监测 o 预测性客户分级 2. 业务场景落地 o 售前咨询智能导购 o 投诉预警主动干预 o 高价值客户识别模型 万条记录，失败自动重试 3 次后进入死信队列人工干 预。 异常处理机制包含三级熔断策略：当接口错误率超过阈值时， 依次触发（1）请求降级返回缓存数据（2）流量限速 50%（3）全 链路熔断并触发企业微信告警。数据一致性通过分布式事务 Saga 模式保障，关键操作记录审计日志并保留 180 天。该方案已在金 融、零售行业多个客户项目中验证，系统可用性达 99.95%，日均 处理交互数据超 200 天预测可能故障部件 - 自动生成预防性维护建议（含备件清单和操作视频链接） - 同步推送服务经理移动端，确保及时跟进 跨渠道体验优化 整合微信、官网、400 电话等多渠道数据流，大模型可识别客户旅 程断点： - 当客户在官网反复查看产品页但未留资时，触发企业微信精准触 达 - 对投诉后 48 小时内未解决的客户，自动分配高级经理外呼任务 - 统一各渠道服务口径，确保品牌表达一致性（风格检查准确率

复杂活动识别、大规模视 频数据分析 此外，为了实现模型的高效运用，应该考虑构建一个智能化的 数据预处理模块，采用数据增强技术，提升模型的泛化能力。同 时，引入迁移学习方法，可以在已有的预训练模型基础上，进行微 调，以适应特定的公共安全场景，这将大幅降低模型训练时间，并 提高识别率。 在整个技术架构设计中，确保模型的可扩展性、可维护性和高 性能是至关重要的。因此，建议在模型选择时、实际应用中不断迭 用迁移学 习方法，利用已有的预训练模型基础上微调，以提高模型在特定领 域的识别精度。此外，为保证系统的准确性与稳定性，需定期对模 型进行评估和更新，通过模型的反馈机制，结合实际运行情况，不 断优化参数与结构。 系统的部署与测试步骤至关重要。在完成训练后的模型应集成 至智能分析模块中，结合网络环境进行系统集成，落实硬件设施和 软件系统的协同工作。在测试阶段，需通过模拟场景和历史数据进 可 以包括但不限于以下几类： 1. 系统响应时间：监测系统对视频数据的解析和处理时间，确保 在规定的实时性要求内完成任务。 2. 资源使用率：监测 CPU、内存、存储等资源的占用情况，判 断系统是否运行在合理的负载范围内。 3. 准确率和召回率：对 AI 模型的预测结果进行定期评估，将实 际检出的视频事件与模型预测结果进行对比，计算准确率与召 回率，以衡量模型的效果。 4. 异常

接口： o API 网关：选用 Kong 或 Apigee 作为 API 管理平台，支 持流量控制、安全认证和监控功能。 o 微服务架构：采用 Spring Boot 或 Node.js 开发微 服务，确保系统的模块化和可扩展性。 o 消息队列：使用 RabbitMQ 或 Amazon SQS 实现异步 通信和解耦，提升系统响应效率。 5. 部署与运维 为保障商务 AI 智能体的稳定运行，需选用可靠的部署与运维 Zookeeper）动态管理第三方服务的访问地址 和配置信息，能够进一步提升系统的可扩展性和运维效率。 在实际应用中，应根据业务需求选择合适的第三方服务。例 如，针对电商场景，集成支付网关（如支付宝、微信支付）和物流 跟踪服务（如顺丰、京东物流）是必要的；而在客户服务场景中， 集成 CRM（如 Salesforce）和实时通信工具（如钉钉、Slack）则 能显著提升服务效率。通过精心设计和实现第三方服务集成，商务 异常测试 两部分。正向测试主要用于验证系统在正常输入和操作下的表现， 例如用户通过语音或文本输入标准查询时，系统能否正确解析并返 回预期结果。异常测试则模拟各种异常情况，如输入错误、网络中 断或数据缺失等，检验系统的容错能力和恢复机制。 为提升测试效率，测试团队将采用自动化测试工具进行回归测 试，确保每次代码更新后核心功能不受影响。同时，人工测试将专 注于复杂场景和边缘案例，以确保系统的鲁棒性。测试过程中将记