2 预算编制与审核..................................................................................29 3.3 成本控制与分析..................................................................................30 3.4 招投标管理 45 5.1 自动化预算编制流程..........................................................................47 5.2 成本预测与估算..................................................................................48 5.3 预算审核与优化 6. DeepSeek-R1 在成本控制与分析中的应用...............................................53 6.1 实时成本监控......................................................................................55 6.2 成本偏差分析............

..........................................................................................102 13. 成本与收益分析.............................................................................................. .......................................................................................106 13.2 运营成本分析................................................................................................. 配系统可以根据员工的技能和工作负荷，自动分配任务，确保资源 的合理利用。 在市场营销方面，AI 智能体可以通过大数据分析和用户行为预 测，帮助企业制定精准的营销策略。这不仅能够提高市场活动的效 果，还能减少营销成本。例如，AI 驱动的推荐系统可以根据用户的 购买历史和偏好，推荐个性化的产品和服务，提升转化率。 综上所述，AI 智能体在商务场景中的应用具有重要的现实意义。 它不仅能够帮助企业应对复杂多变的商业环境，还能通过智能化和

......................................144 16. 成本估算和预算......................................................................................145 16.1 成本分析.............................................. .....................................150 16.3 成本控制.........................................................................................152 16.4 成本报告.............................................. 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。 为了衡量项目的成功，我们将设立一系列关键性能指标 （KPIs），包括但不限于客户满意度、处理速度、错误率和成本效 益等。通过这些指标，我们可以对模型的效果进行量化评估，并根 据反馈进行必要的调整和优化。 总之，通过部署 Deepseek 大模型，我们期望能够显著提升银 行系统的智能化水平，为客户提供更加个性化、高效和安全的服

Agent（智能体）模式中给 AI 设臵目标和身份，并提供 Prompt（提 示词）。AI 自主拆分任务、使用工具、完成工作，用户仅负责设立目标、提供工具 资源和监督结果。  赋能两类实体领域，成本与效益的博弈：AI Agent 目前的应用大多都在概念层面， 但随着大模型竞争加快、政策鼓励研发投入、更多企业参与 AI 研究等因素，应用 层面的 AI Agent 推进速度加快。智能体大致可以分为六类，根据他们被设计出的 发方向，像目前关注度较高的自动驾驶技术、智能电网控制、能源管理等都能被 垂类智能体覆盖。结合多模态大模型，自动化和情感需求类智能体已落地。但商 业化智能体仍需考虑成本问题，由于智能体之间的交互过程可能出现错误循环且 输出结果不一定符合需求，tokens 成本远高于普通 LLMs。  人工智能发展迅猛，智能体商业化落地：未来多方面推动人工智能发展，应用级 别智能体有望快速落地。国内各地相继出台关于人工智能的发展政策，推动其为 执行任务的能力。这些能力不仅能提高工作效率，还能为用户提供更好的体验。 单智能体通过试错学习适用于简单任务，而多智能体则在复杂环境中通过合作或 竞争调整最佳策略。当前，智能体主要应用在自动化和情感需求等领域，但商业 化进程仍面临成本挑战，特别是在智能体交互过程中出现的错误循环和高 token 消耗问题。另外，中国政府积极推动人工智能的发展，各地相继出台相关政策。 预计到 2026 年，中国人工智能市场规模将超过 260 亿美元，将在政府、金融、

挑战：企业多元业务需求与海量AI数据的冲击 02 2.1 在线业务面临性能与效率的极限挑战 �.� AI数据处理与计算协同的复杂度激增 2.3 国际化进程中的全球布局、合规与质量一致性难题 2.4 安全、稳定与成本的多元保障要求 解决方案 03 3.1 打造极致性能体验，为传统计算业务打开新空间 3.2 技术和架构创新，提升AI时代的向量数据处理和协同计算效率 3.3 强化硬件安全设计，持续增强安全保障能力 微帧科技 4.3 嘎嘎射击 4.4 蚂蚁集团ZOLOZ 前言 IDC分析师认为：全球AI基础设施革新的浪潮中， 算力需求的爆发正在驱动云计算与边缘计算深 度融合，行业定制化与智能化服务加速渗透，成本优化与绿色计算将成为竞争的关键。未来，基 础设施的核心矛盾将从“资源供给”转向“效率与价值平衡”，技术迭代将围绕“弹性算力调 度”“数据主权治理”“垂直场景深度适配”三大主线展开。 越来越多的 将是客户的关键优先事项，为垂直特定数据类型提供量身定制的云服务将创造有利的竞争优势。 云提供商须为跨行业数据采集、存储和计算需求的大幅增长做好准备。 在AI高速发展和在线业务快速膨胀的时代，企业用户对云基础设施的性能、成本、稳定性、安全 性等方面提出了全新的要求。为适应企业创新、降本增效以及业务出海等需要，云服务商不断通 过协同创新升级全栈服务品质，同时也利用自身融合发展的经验优势，助力企业积极开展国际化 布局。

支持资源优化配置，提升运营效率，降低转型成本。 构建全能力地图 02 银行数字化转型现状与痛 点分析 传统银行系统多采用集中式架构，模块化程度低，导致系统灵活性不足，难以快速响应市场需 求和业务变化。 传统银行系统架构局限性分析 技术架构老化 现有架构难以支持高并发和大规模数据处理，无法满足日益增长的线上业务需求，限制了银行 的业务拓展能力。 系统扩展性差 由于系统复杂且依赖老旧技术，维护和升级成本居高不下，且存在较高的故障风险，影响业务 ，且存在较高的故障风险，影响业务 连续性。 维护成本高 数据孤岛与业务协同效率问题 数据分散存储 银行内部各业务系统独立运行，数据分散存储，缺乏统一的数据管理和整合机制，导致数 据孤岛现象严重。 业务协同困难 数据价值挖掘不足 由于数据无法共享，各部门之间的业务协同效率低下，跨部门业务流程复杂且耗时，影响 整体运营效率。 分散的数据难以形成完整的数据资产，限制了银行对数据的深度分析和价值挖掘，无法为 结合流式计算框架（如 Apache Kafka 和 Flink ），实现大 模型对实时数据的快速处理和分析，满足银行业务对实时 性的高要求。 GPU 集群优化 算力动态调度 混合云架构 成本控制与优化 针对大模型的高计算需求，配置 高性能 GPU 集群，并通过优化算 法和并行计算技术，最大化利用 硬件资源，提升模型训练和推理 效率。 通过智能调度算法，根据任务优 先级和资源使用情况，动态分配

3.6.2 资源调度优化.............................................................................65 3.6.3 成本控制与预测.........................................................................67 4. 实施策略.......... 融合，能够迅速处理和分析海量金融数据，帮助银行机构在风险控 制、客户管理、产品创新等关键领域实现智能化转型。通过引入 DeepSeek，银行不仅能够提升业务处理效率，还能在复杂的市场 环境中做出更为精准的决策，从而显著降低运营成本，增强风险抵 御能力。  风险控制：DeepSeek 通过实时监控和分析交易数据，能够精 准识别异常行为和潜在风险点，为银行提供及时的风险预警和 应对策略。  客户管理：借助 DeepSeek 降低欺诈风险，减少经济损失 信贷风险 评估 信用记录、收 入数据 客户信用评分及还款能力 评估 优化信贷决策，降低坏账率 运营效率 优化 柜员操作数据 低效操作环节识别 提升业务流程效率，降低运营 成本 客户服务 改进 客户投诉数据 投诉热点问题分析 提升客户满意度，减少投诉率 通过上述分析可以看出，DeepSeek 的数据挖掘与分析技术不 仅能够帮助银行实现数据驱动的业务决策，还能在多个业务场景中

3 专 业 ｜ 领 先 ｜ 深 度 ｜ 诚 信 中 泰 证 券 研 究 所 n DeepSeek 开源使金融机构能够轻松获得前沿模型能力，且大幅降低部署成本。其通过对训练方式、算法架构和推理方 法 的工程化优化大幅降低了部署成本。近期采用大规模 RL 训练方法的阿里 QwQ-32B 等模型也在缩小规模的同时达到了 DeepSeek R1 671B 的应用效果，有望进一步催生银行落地应用。 正在成为很多中小银行智能化转型的重要选择。 n 建议关注：宇信科技、京北方、天阳科技、长亮科技、百融云等。 n 风险提示 ： AI 技术落地不及预期、竞争加剧、信息更新不及时等。 2 核心观点 DeepSeek 开源、低成本、强推 理 助推银行业应用 1 n DeepSeek 模型在 Post-Train 阶段大规模应用了强化学习方法。 R1 使用了冷启动 + 大规模强化学习方法， R1-Zero 版 本模 型使 DeepSeek-R1-Zero 自然涌现 long-CoT 能力 DeepSeek-R1-Zero 的能力随步数提升 4 n DeepSeek 通过优化训练方法显著降低了算力消耗，使其在大规模数据处理中的成本更具优势。 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

...155 8.3 成本节约分析..........................................................................................................................................................157 8.3.1 人力成本节约........... ......................................................................................159 8.3.2 时间成本节约................................................................................................. 计时效性与准确性的要求却逐年提高，例如美国公众公司会计监督 委员会（PCAOB）将重大错报风险检测窗口期缩短了 30%。 审计行业当前的核心痛点集中在三个维度：首先，数据处理的 低效性导致人工成本居高不下。以财务报表审计为例，审计师平均 需要耗费 40%的工作时间在数据清洗与基础核对上，而抽样检查覆 盖率不足 5%的现象普遍存在，隐藏了重大风险盲区。其次，复杂 交易场景（如跨境并购、金融衍生品）的审计依赖专家经验判断，

例，充分展示了大模型技术 在保险行业的广泛应用场景和显著价值。这些案例涵盖了客户服务、理赔定损、营销推广、 承保核保等多个方面，它们充分证明了大模型技术在提升服务效率、优化客户体验、降低运 营成本、增强风险管理能力等方面的巨大潜力，为保险行业的智能化转型提供了有力的实 践支撑。 更重要的是，我们深刻认识到大模型技术与保险行业的深度融合，不仅将推动保险业 务模式的深刻变革，还将重塑保险行 ，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。 软件、系统、框架不断完善，除硬件层面的提升外，国产芯片还注重与软件、系统、框架 等关键环节的协同发展。通过构建自主可控的软件生态体系，国产芯片能够更好地与国产 操作系统、数据库、中间件等关键软件产品实现无缝对接和高效协同。这有助于提升国产 芯片的整体性能和稳定性，降低用户的使用成本和维护难度。 庞大数据量，相 Cloud不断扩展其计算资源，提供了更灵活、更 强大的计算服务。这些平台的支持使得研究人员和企业能够更容易地访问到高性能的计 算资源，加速了大模型的研发和应用。云计算的弹性扩展能力也使得资源的利用更加高效， 降低了研发成本。例如，AWS推出的基于Blackwell GPU的Amazon EC2实例，将为用户提 供强大的AI推理性能和便捷的接入方式。 （5）端侧算力发展 端侧大模型定义为运行在设备端的大规模人工智能模型，这些模型通常部署在本地