境 外 接 数 据 能 效 监 管 智 慧 城 市 移动端 智 能 照 明 楼 控 电 梯 定义数据 功能逻辑分析推导数据 数据链路规划贯通南北 配置硬件 按需配置定义接口 预留冗余适度超前 顶层规划 顶层设计，解析痛点 规划场景，定义需求 搭建架构 南向数据汇聚边缘 PLC 关 系 敷 据 库 移动端 进 玄统 体 化 设 备 等 时 时 B 辉 智 能 照 明 楼 控 电 梯 据 设计 目标：模块选择，应用设计 成果：信息化初设文本 硬件配置 目标：配置硬件，定义接口 成果：智能化设计图纸 实施路径 实施 目标：定制开发，软硬件交付 成果：信息化平台，智能化工程 玛查电压复动 2 号叠电发 动 蜃 世 查 寻 1 号进描断电 B 周月统计 0 南设计 HD 系统集成与数字赋能 楼控系 HDM 能 工 程 中 心 2 0 2 2 5 从 V01 到 V02 2022 年 V01 2023 年 V02 loT-HD 智慧办公集成管理平台 loT- HD 智 禁 办 公 集 成 管 理 平 台

作思路体系化推进全国一体化算力网络工作，持续提升算网综合供 给能力，一是稳步推动优化算力布局，实现算力中心“单点提质”； 二是着力强化技术协同创新，促进算力产业“串珠成链”；三是适度 超前建设网络设施，加快网络升级“连算成网”；四是持续丰富算力 应用场景，引导模式创新“全面赋能”。 然而，在算力产业高速发展过程中，也暴露出一系列亟待解决 的问题。一是跨区域资源协同机制亟待进一步完善。目前，我国跨 古算力发展成效显著，算力分指数分别提升 6 名、8 名。浙江数字经 济发达，算力需求旺盛，建成并投运多个智算中心项目，推动算力 规模持续扩大，算力业务收入多，规模与质效均衡发展。内蒙古土 地、风电等能源资源丰富，算力中心建设成本低，智算中心集群化 发展，规模快速增长，算力分指数提升。 北京算力分指数有所下降，一是政策引导算力需求向周边及西 部迁移；二是由于土地资源、电力能源紧张，大规模建设算力基础 我国省级行政区存力分指数 Top10 为广东省、江苏省、河北省、 北京市、内蒙古自治区、上海市、贵州省、福建省、山东省、浙江 省，具体情况详见图 10。 综合算力指数 21 存力 Top10 东部地区占八成，仍是数据存力的核心承载区。广 东电子商务、金融科技等产业发达，产生大量数据，企业需提升存 力规模和质量以满足高效存储和快速调用需求。江苏企业数字化转 型程度高，对数据存储需求大且标准高，从而推动了省内存力发展。

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。 �� 1.1 技术全面升级，为复杂的企业在线业务提供保障 企业在线业务的受众范围和功能复杂度在快速增加，在金融交易、电商直播、实时游戏等场景 下，服务端动辄需要支持百万级并发连接和毫秒级响应要求，应对海量的网络协议处理、页面加 载、安全等事务。企业云计算客户不仅对算力密度有极致追求，还期望通过连接性能和存储技术 持续的融合创新，助力企业的国际化布局 面对智能化、全球化、融合化的发展浪潮，国内云服务商凭借自身在互联网创新、跨境电商以及 AI创新应用等领域的创新优势，不仅可以为自身拓展新的广阔发展空间，也为全球市场带来新的 发展机遇与变革动力。 互联网创新推动全球市场繁荣：国内云服务商在互联网创新方面的成果优势，一方面体现在 业务的示范效应，例如在电商、社交媒体、在线教育、远程办公等互联网服务领域，国内云 服务商具有丰富的融合开发 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 需求和偏好，优化选品和营销策略，有效保障交易数据的安全合规要求。

难以应对这些 挑战，亟需通过技术手段提升效率和竞争力。人工智能（AI）技术 的快速发展为企业提供了新的解决方案，尤其是在商务场景中，AI 智能体的应用能够显著优化业务流程、提升决策精准度并降低成 本。 在当前的市场环境中，企业不仅需要处理大量的数据，还需要 实时分析这些数据以做出快速的业务决策。AI 智能体通过其强大的 数据处理能力和智能分析功能，能够帮助企业实现数据驱动的决 策， 优化 其响应策略。 此外，我们还注重智能体的可扩展性和模块化设计。通过将其 核心功能模块化，我们可以根据不同的商务需求灵活组合和配置， 实现快速定制化开发。这不仅提高了开发效率，还降低了维护成 本。最后，我们强调数据安全和隐私保护，在智能体的设计和开发 过程中，严格遵循相关法律法规，确保用户数据的安全性和隐私 性。 通过上述方法论的实践，我们能够确保商务 AI 智能体应用服 务 个性化服务与客户体验优化：商务 AI 智能体能够根据客户的 个性化需求提供定制化服务，如个性化推荐、定制化报价等。 通过深度学习和自然语言处理技术，智能体可以与客户进行自 然交互，提升客户体验。例如，在电商平台上，智能体可以根 据客户的浏览和购买记录，推荐符合其偏好的商品。 4. 跨平台与集成能力：商务 AI 智能体通常具备跨平台操作的能 力，能够与企业现有的 ERP、CRM、SCM 等系统无缝集成，

平台的目标客户主要包括但不限于 中小企业、金融机构、医疗健康、教育和电商等各类行业。中小企 业希望通过成本相对较低的 SaaS 服务，降低技术门槛，实现智能 化转型；金融机构和医疗健康行业则需要依赖大模型提升风控、数 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 小型企业 （SMB）、教育和研究机构以及政府和公共部门。每一个细分市场 都有其独特的需求和应用场景。大型企业通常需要强大的 AI 能力 来提升运营效率、支持决策和推动创新，而中小型企业则更关注成 本效益、可用性以及易用性，以便于快速部署和应用。 以下是主要目标市场的特征：  大型企业 大型企业在数据处理、客户关系管理、预测分析等方面对 AI 应用的依赖度越来越高。它们倾向于选择定制化的解决方案， 通 过大模型分析交易数据和客户信息，提升服务效率和准确性。 2. 医疗健康：利用大模型进行医学图像识别、基因组学分析、个 性化治疗方案规划等，助力医生提高诊断准确率及治疗效果。 3. 零售与电商：应用于个性化推荐、库存管理、消费者行为分析 等方面，帮助商家提升销售和客户满意度。 4. 制造业：通过预测性维护、质量控制和供应链优化，提升生产 效率，降低成本。 5. 智能家居和物联网：在设备智能化、用户交互和数据分析方

日数据为例， DeepSeek V3 和 R1 推 理服 务占用节点总和， 峰值占用为 278 个节点，平均占用 226.75 个节点（每个节点为 8 个 H800 GPU ）。假定 GPU 租赁成 本为 2 美金 / 小时，总成本为 $87,072/ 天。如果所有 tokens 全部按照 DeepSeek R1 的定价计算，理论 上一天的总收入 为 $562,027 ，成本利润率 545% 环境反馈调 整推理逻辑，为定制化 AI 方案提供基础。 图表： QwQ-32B 模型表现 资料来源：阿里，中泰证券研究所 8 性能：开源 QwQ-32B 性能比肩满血 R1 ，再次降低部署成 本 n 通过将 DeepSeek-R1 的推理能力蒸馏到更小的模型中，较小的模型也能具备强大的推理能力。 DeepSeek 开源了从 15 亿 到 700 亿参数的 R1 蒸馏版本。这些模型基于 多模态模型和 R1 推理模型 成效展示：合同质检准确率达 96% ，自动化估值对账场景日均节省 9.68 小时人工工作量，风险预警响应速度提升 20% DeepSeek 应用进展 数据来源：中电金信研究院公众号，中泰证券研究所

销 活动期间系统处理客户咨询的放弃率骤增至 28%，直接导致潜在商 机损失约 230 万元/月。此外，传统规则引擎的客户分群准确率每 季度下降约 7%，需要持续投入大量人力进行规则维护，年维护成 本中位数达 15 万元/每千用户。这些痛点严重制约了 CRM 系统在 智能经济时代的价值释放，亟需通过大模型技术实现根本性突破。 1.2 DeepSeek 大模型的核心能力 DeepSeek 客户生命周期管理展开，覆盖从获客到售后服务的全流程。以下是 核心场景的详细实施方案： 智能客户洞察与分层 通过大模型分析客户历史交互数据（通话记录、邮件、工单），自 动生成客户画像标签体系。例如，对电商行业客户可提取购买偏好 “ ” “ （如 高客单价数码产品倾向者 ）、服务敏感度（如 物流时效敏感 ” 型 ）等维度，结合 RFM 模型输出动态分层结果。 数据输入类型 模型处理逻辑 输出维度示例 实施过程中需特别注意三个关键点： - 建立人工复核通道，对自动生成的工单摘要进行二次确认 - 设置服务降级预案，当模型置信度低于 70%时自动转人工 - 定期清洗对话数据，剔除无效样本提升训练质量 该方案在某电商平台试点期间，使客服人力成本降低 37%，首 次响应时效提升至 98% within 30 秒，工单误派率从 15%降至 6%。建议初期配置 3 人运维团队负责模型监控和知识库维护，后 续可随业务量增长逐步扩展。

物品的互联网 今天 Eh 文 人的智力 工业 3.0 应用电子信息技术， 进一步提高自动化 水平 电力 工业 2.0 将人类带入分工明 确、大批量生产的 流水线模式和“电 热力 工业 1.0 创造了机器工 厂的“蒸汽时 代 ” 1970 年代 初 20 世纪 初 18 世纪 末 能楼 字 新范式的本质：替代了人类专家的角色，把人从开发链条中移出 这些资源主要包括训练所需的算力、数据和推理算力。看起来，只要持续投入资金， 就 能获得持续且可预测的智能提升； 2. 预测这一趋势的规模定律，在多个数量级上都得到了验证。使用同等水平人工智能的 成 本，大约每 12 个 月 下降 10 倍。价格降低显著促进了使用量的增加。从 2023 年初 GPT-4 的 token 成本，到 2024 年年中 GPT-40 的 token 成本变化中，我们可

告投放位置及内容等，从而增强乘客的整体出行体验。 此外，智能客服系统的建设也是 AI 大模型在城市轨道交通领 域的应用之一。通过自然语言处理和机器学习技术，智能客服能够 为乘客提供实时咨询、问题解答和服务引导。这不仅节省了人工成 本，还提高了服务响应的效率和质量，使乘客在出行中感受到个性 化和人性化的服务。 最后，安全监控与事件处理的智能化也是一个重要的应用场 景。AI 大模型可以集成多种传感器数据，包括视频监控、人流监测 接下来，在模型训练与预测阶段，AI 大模型可以采用深度学 习、时序分析等先进技术，进行对客流量的预测。通过使用历史数 据进行模型训练，模型将学习到不同特征与客流量之间的关系。 预测的客流量可以展示成以下表格，反映不同时段的预测情 况： 时间段 预测客流量 预计车次安排 07:00-08:00 1500 10 班 08:00-09:00 2000 12 班 12:00-13:00 1200 单位时间内运输的乘客数量 成本 行业内外部运营成本 乘客满意度 乘客对出行的整体体验评分 通过综合考虑上述指标，候选方案经过多轮模拟与优化，可以 为实际运营提供切实有效的决策支持。该方案不仅可以降低运营成 本，还能显著提升乘客的满意度，进而提升城市轨道交通系统的整 体运行效率与韧性。在未来的应用中，可以通过不断学习和调整， 使得系统适应不断变化的交通需求和运营环境，从而实现智能化的 城市轨道交通管理。

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 作为真实数据的重要补充，在人工智能领域扮演着日益关键的角色。合成数据作为算法、 生成模型及模拟技术的产物，能够 2.1.2 地方与行业政策 生成式AI行业发展至今，北京市、上海市、浙江省、广东省、吉林省、湖南省等省市纷纷 出台人工智能政策，包括鼓励平台企业运用生成式人工智能，将生成式AI技术充分应用于 电商领域、长视频领域、医疗领域等。举例来说，北京设立1亿元支持AI发展，上海推进高质 量计算基础设施建设，深圳设立1000亿元AI基金等，各地形成了激烈的“政策竞赛”。 2.2.1.2.1 地方政策 动人工智能应用落地，构建大模型赋能经 济社会发展的全景图。行动计划提出，将通过实施5个对标全球领先水平的标杆型应用工 程、组织10个引领全国的示范性应用项目、推广一批具有广泛应用前景的商业化应用成 果，力争到2025年底形成3至5个先进可用、自主可控的基础大模型产品、100个优秀的行 业大模型产品和1000个行业成功案例。力争率先建设AI原生城市，推动北京市成为具有全 球影响力的人工智能创新策源地和应用高地。