更深刻地改变着社会的方方面面。目前，国家正按照“点、链、网、面”体系化 推进全国一体化算力网络工作，综合算力指数作为衡量我国算力发展水平的重 要标尺，相关研究工作意义深远。 随着 AI 在千行百业加速渗透，算力赋能数字经济社会的效能，不仅仅取决 于算力、存力、运力以及发展环境本身，模型能力也成为决定人工智能深度赋 能的关键。因此，中国信通院研究团队持续优化综合算力指标体系，在往年基 础上，增加模型能力的呈现，从算力、存力、运力、模力、环境多个维度，更 快速发展。算力、存力、运力以及模型能力的协同 发展水平成为衡量地区数字竞争力的关键。算力支撑数据处理与计 算，存力保障数据的高效存储与调用，运力保障数据的跨域传输， 模型能力则深度释放算力在各场景的应用效能。如何更科学的评估 我国综合算力发展现状，全面把握区域产业短板与优势，成为推动 我国数字经济高质量发展的新命题。 我国正处于数字经济加速跑的关键期。近年来，我国在算力领 域取得了显著进展。一是算力结构不断优化，技术创新成果频出； 区域算力资源协同还处于初级阶段，缺乏统一的调度平台和协同机 制。东、西部地区算力供需存在对接不够顺畅，信息不对称、资源 匹配度不高等问题。同时，不同区域的算力政策、标准不一致及算 力网络传输效能不足，导致算力资源在跨区域流动和共享时也面临 诸多障碍，制约了全国算力资源的优化配置和高效利用。二是基础 软硬件水平亟待进一步提升。硬件方面，我国在高端芯片制造工艺、 高性能服务器等关键技术环节与国际先进水平存在一定差距，部分

情感需求类：陪伴型智能体 ............................................................................... 11 2.3 效能讨论：成本与价值间的博弈 ....................................................................... 12 3.未来展望：人工智能发展迅猛，智能体商业化落地 请务必阅读正文之后的信息披露和法律声明 9 表 1 AI Agent 类型盘点以及具体应用 AI Agent 类型 具体描述 应用领域 基于效能的 Agent 基于效用的 Agent 在具有多种潜在结果的复杂决策环境 中表现出色--比如平衡不同风险以做出投资决策，或者 权衡价格与成本。 金融交易、价格追踪系统、智 能电网控制 Store，海通证券研究所 2.3 效能讨论：成本与价值间的博弈 打造智能体并不是 0 成本，大语言模型的 token 消耗就是最直观的成本展示。由于 智能体的运行机制内包含反思和深度学习，这使得其在 token 消耗方面比传统大语言模 型高。相比于单智能体，多智能体又多了一层交互端的消耗，当多个智能体讨论且进入 错误循环中，无效成本将会显著提升。所以在效能方面，对智能体进行成本讨论以及优 化策略十分重要。

所示，与传统模式 相比，大语言模型提供了一种全新的知识管理模式， 利用大语言模型技术重塑应急系统的知识获取、知 识共享、知识创新、知识应用等关键环节，突破系统 智能化发展的困境，更好发挥应急知识管理的效能。 3.1.1 知识获取 在基于大语言模型技术的知识获取中，应急知 识内化于模型的海量参数中，能够处理传统知识管 理模式下无法处理的默会知识，获取这类应急管理 实践中极其宝贵的经验知识、技能知识、部门知识 战。面对世界变局加速期间新兴风险、复杂风险的加 剧，新发展理念下对高水平安全的要求，应急大脑以 协同创新能力、全域感知能力、决策支持能力为依托， 支撑监测预警、社会动员、监管执法、救援处置、辅 助决策等各项应急管理业务系统效能的进一步提高。 4 结论 本文在研究大语言模型的知识获取与创新的原 理之上，针对当前智慧应急中面临的困境以及业务 系统智能化水平的局限，基于大语言模型技术重构 智慧应急的知识管理模式，在此基础上构想能够协

所的专家顾问供需缺 口达 37%。最后，实时审计需求与滞后分析能力的矛盾突出，特别 是在区块链、云计算等新技术应用场景中，传统审计方法难以实现 交易链路的全流程穿透。 以下数据直观反映了审计效能瓶颈的关键指标： 指标维度 行业平均值 监管期望值 差距率 异常交易识别时效 72 小时 ≤24 小时 200% 全量数据分析覆盖率 12% ≥90% 650% 审计调整事项回溯准确 率 F1 值连 续 3 个审计项目下降超过 5%时触发模型再训练流程。 4.3.1 大数据分析与可视化 在审计领域的大数据分析与可视化场景中，智能体通过多维度 数据融合与交互式分析技术实现审计效能的质变。系统采用分布式 计算架构处理 TB 级审计日志、财务凭证及业务流水的实时解析， 通过预置的审计规则引擎自动识别异常数据模式。例如，对银行流 水数据实施聚类分析时，智能体可在 10 分钟内完成传统团队 清单。 技术团队需建立热修复通道，对以下高优先级问题实现 24 小时内 响应： - 规则引擎误判率超过阈值 - 多源数据对接异常 - 审计底稿自动生成格式错误 业务融合期重点监控人机协作效能，通过埋点采集三类核心数 据： 1. 人工复核率变化曲线（目标：每周下降 15%） 2. 高风险事项发现耗时对比（基准值：传统模式 8.5 小时/项） 3. 审计程序执行完整度（要求：AI 辅助下达到

，持续改善搜推广、语音/视频处理以及中小模 型的推理体验。 云原生方案形成整体保障：除了算力层面的降本措施，云服务商还通过持续增强弹性伸缩、 Serverless以及统一运维等云原生解决方案的效能，实现硬件、算法、平台、服务的协同进 化。例如，在强化弹性伸缩能力时，综合运用编排调度（例如Kubernetes）、服务监控、服 务治理以及相关的配置管理等云原生能力，在提高弹性伸缩的速率的同时，持续增强自动化 云原生架构带来系统架构和技术栈的新问题：例如如何处理微服务间频繁的通信、复杂的拓 扑、多样化存储以及动态多变的负载等，并强化隔离保障安全。云服务商通过持续增强弹性 伸缩、Serverless以及统一运维等云原生解决方案的效能，帮助用户降低成本。例如，在强 化弹性伸缩能力时，综合运用编排调度（例如Kubernetes）、服务监控、服务治理以及相关 的配置管理等云原生能力。 �� �.� AI数据处理与计算协同的复杂度激增

）。 AIGC 时代，大模型作为基础设施，将为千行百业赋能，场景广阔，潜力无限。具体到保险行 业， AIGC 有望在保险产品设计、精算、营销、运营、客服等全链路环节提供深度的技术加持，推动行业提升效能，实现高 质量发展的 同时，进一步提升普惠金融服务的广度与深度，为中国消费者提供更智能、更便捷、更有温度的保险产品与服务。 AIGC 时代，应用为王。为了解当下国内外主流大模型在保险领域应用的成

速工具，通过优化内存管理、连续批处理、CUDA核心优化和分布式推理支持等技术手段， 显著提高大型语言模型的推理速度和效率。 以智能体（AI Agent）方式将大模型能力嵌入现有业务流程，可以进一步提升业务效能。 智能体可以看作是大模型能力的接口或代理，它可以与企业的业务系统无缝对接，实现自 动化的决策支持、数据分析、内容生成等功能，从而提高业务流程的智能化水平。智能体的 设计和实现通常依赖于以下多 发流程，以全面提升 研发工作的效率和质量。 在构建大模型的数据基础方面，华农保险在代码大模型项目进行过程中，对超过1000 万行的自有系统代码进行了清洗和语料库构建，确保了模型训练的高质量和高效能。此 外，华农星问中台在2024年下半年新增的大模型文本数据标注功能，将大幅助力数字人项 目的数据扩展和标注工作，为华农保险在人工智能领域的深入探索提供强有力的数据支 撑，进一步推动公司数字化转型和智能化升级的步伐。 中，按照每日追踪和数据复盘 的方式，去引导和培养开发团队在代码开发过程中对于大模型的应用习惯。经过半年多的 模型优化和落地使用，代码大模型的辅助赋能效果超过代码总数的20%，很好地推进了研 发效能的提升。 华农保险采取多场景试点&重点领域聚焦的方式，探索大模型的多元化应用场景，确 保对大模型应用的认知与行业水平保持同频共振。同时，结合自身实际情况专注于重点领 域，希望通过资源投入实现单

加快建设创新浙江、因地制宜发展新质生产力 广西 不能妄自菲薄、行动迟缓 江西 强化企业科技创新主体地位，推动科研成果向现实生产力转化 安徽 在抢占科技制高点上奋勇争先 江苏 找准“一中心一基地一枢纽” 甘肃 着力提升科技创新效能，深入实施研产融合科技攻关赋能计划 重庆 部署实施“人工智能+”行动 山东 建立科技创新和产业创新融合机制 湖北 到2030年，具有全国影响力的科技创新高地加快形成 -10- DeepSe

据处理的实 时性和高效性。 下面是一个概念图示，展示了 AI 算法在铁路沿线监测的核心 应用框架： 通过以上的技术方案设计和算法应用，铁路沿线实景三维 AI 大模型可以在实际运行中充分发挥效能，提升铁路运输安全，降低 运营成本。随着技术的不断进步与算法的不断优化，未来铁路沿线 的智能监测系统将会更加高效和可靠。 2.2.1 深度学习模型 在铁路沿线实景三维 AI 大模型的应用中，深度学习模型扮演 优化运输调度：模型通过分析实时交通流量，能够动态调整列 车运行计划，减少列车的等待时间和停靠时间。经济效益的提 升方面，该段落的运输效率提升了 20%，大大缓解了高峰时 段的拥堵情况。 4. 资源管理效能：在对设备维护和资源配置的管理上，模型提供 了更加高效的决策支持。例如，预测设备的维护周期和需求， 降低了不必要的维护成本，提升了资源利用率。 根据以上实施效果，我们可在下表中总结此次典型铁路段落的 大模型的训练、数据处理及部署可 能遭遇技术瓶颈或算法错误，导致模型效果不佳。为了应对这一风 险，需进行以下措施： 1. 引入多种算法进行对比测试，选择表现最优的模型。 2. 定期进行模型验证和调整，确保其在实际应用中的效能。 3. 设立技术支持团队，及时处理模型运行中出现的问题。 其次，在数据安全和隐私方面，使用铁路沿线的图像和地理信 息数据可能存在泄露或滥用的风险。针对这一风险，建议采取如下 措施： 

职能团队能够在整个供应链范围内更快地协作并 解决问题，而不仅仅在供应链的某一环节。 最后，企业必须重新审视其治理方式和领导 风格，从被动的危机管理模式，转向主动的风险评 估与预防。那些能够前瞻性地思考未来风险并致 力于提升团队效能的领导者，将引领供应链走向 更具韧性和适应性的未来。 归根结底，自主化系统的兴起将从根本上改 变企业的组织结构，以及人与人、人与技术之间的 协作方式。这同时也是重塑工作方式、重塑劳动 力的契机。只有当企业重塑其组织架构以支持截