件产品、AI教育应用、教育内容 制作、客服家校沟通、教育企业内部业务等方向，通过结合通用大模型的能力优势 与垂直数据，突破AI在部分学科/教育场景中的应用瓶颈，赋能降本增效。预计随行 业进入AI深度整合的新阶段，将有更多阶段性原生AI教育软硬件产品涌现，创新教 育模式、重构学习体验。其中，教育智能硬件赛道有望率先得到突破，值得重点关 注。 行业格局方面，在DeepSeek概念火热、用户普遍使用教育行业产品的背景下，对

建议。这不仅提高了诊断的准确性，还可以减少医生的工作负担。 基于以往的病例数据，模型能够识别趋势和模式，从而为疾病的早 期发现和预防提供数据支持。 其次，在治疗方案的制定过程中，生成式大模型同样具有重要 的作用。模型能够整合各类医疗信息，包括患者的病史、当前病情 及最新的医学研究成果，为医生提供个性化的治疗建议。例如，针 对肿瘤治疗，可以通过模型生成多种治疗方案，并对每种方案的有 效性及可能的不良反应进行评估。 医疗场景中的应用潜力。这包括对现有技术的评估以及对各类医疗 实践需求的深刻理解，以确保所选应用方向具有实用性和必要性。 其次，旨在搭建一个可供临床验证的 AI 生成式大模型框架， 实现医疗数据与模型输出之间的有效整合。通过与医疗工作者和技 术团队的合作，将数据处理流程、模型训练及生成结果的反馈机制 紧密结合，以确保模型在实际应用中的准确性和可靠性。 再者，本研究还将评估 AI 生成式大模型在提升医疗效率及改 首先，大模型展现出卓越的学习能力，能够有效分析和处理海 量数据。与传统模型相比，大模型在训练过程中利用更深层次的网 络结构，提高了特征提取的多样性和准确性。尤其是在医疗领域， 模型能够整合不同来源的数据，包括病历、影像、基因组信息等， 形成全方位的患者画像。这种整合能力对于个性化医疗和精准治疗 具有重要意义。 其次，大模型在自然语言处理方面表现出色，使其在医疗文档 和交流中的应用尤为突出。例如，通过对医学文献、病历记录和患

通过企业架构模型，银行能够打通业务与技术的壁垒，实现业务流程与 IT 系统的高效协同。 • 提升业务敏捷性，使银行能够快速响应市场变化和客户需求，增强竞争力。 促进业技融合 • 企业架构建模帮助银行梳理和整合各项业务能力，形成全面的能力地图，为数字化转型提供 清晰的方向和路径。 • 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 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 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 具，优化算力资源配置策略，在 满足业务需求的同时，降低硬件 和云服务成本，提升整体经济效 益。 高性能算力资源配置与弹性扩展方案 05 数据治理与知识图谱构建 多源异构数据清洗与标准化处理 数据源整合：银行系统中存在大量多源异构数据，包括结 构化数据（如交易记录、客户信息）和非结构化数据（如 文档、邮件），需要通过数据清洗和标准化处理，确保数 据的一致性和可用性。 数据清洗技术：采用基于规则和机器学习的清洗方法，识

3 地理信息系统（GIS）集成.................................................................53 3.3.1 GIS 数据的获取与整合...............................................................55 3.3.2 GIS 在模型中的应用............... 4. 实现与现有铁路管理系统的无缝对接，提升数据利用效率，实 现资源的共享与协同。 5. 推动铁路沿线的绿色管理，通过智能化手段实现更为高效的资 源配置与环境保护。 本项目希望通过技术的引入和整合，不仅提升铁路的运行安全 和效率，同时深化对铁路沿线环境的理解与管理，为未来的智慧铁 路建设奠定基础。 1.1 铁路运输的重要性 铁路运输作为现代交通体系的重要组成部分，对于国家的经济 发 车通行信息和沿线景观介绍，增强客户的整体满意度。 4. 推动可持续发展 加强对沿线生态环境的监测，支持绿色出行政策，减小铁路运 输对环境的影响，推动铁路的可持续发展。 5. 实现智慧铁路生态系统 构建多层次的智慧铁路生态，整合各类数据，如气象、交通、 旅游等，通过语义分析和深度学习实现智能决策，使铁路系统 能够更好地适应外部变化。 以下是本项目在实施过程中将开展的主要工作内容：  数据采集与模型构建 o 收集

集、 数据处理、模型训练和结果反馈四个阶段。  数据采集：实时采集列车位置、速度、客流量等相关数据，并 结合天气、事件调度等外部条件。  数据处理：利用大数据技术对采集到的信息进行清洗、整合和 存储，以便后续的分析应用。  模型训练：通过机器学习算法，训练出针对特定城市轨道交通 特征的调度优化模型。  结果反馈：在实施调度方案的同时，实时将执行结果与预设目 标进行对比，不断调整优化模型，以提高调度的准确性。 在城市轨道交通运营中，准确预测客流量与合理安排车次是确 保运输效率与服务质量的关键环节。通过 AI 大模型的引入，可以 利用海量历史数据和实时数据，进行更精准的客流预测，从而优化 车次安排，提高运营效率。 AI 大模型可以通过整合多个因素来预测未来某一时段的客流 量，包括节假日、天气变化、特殊事件、站点历史客流等。这一过 程通常分为数据收集、特征工程、模型训练与预测等步骤。 首先，数据收集阶段需要从多个渠道获取客流数据和相关属 图表展示数据来源分析可以帮助更直观地理解各类数据的获取 方式及其关联。 综上所述，经过系统分析和整合，城市轨道交通行业 AI 大模 型的数据来源覆盖了多个方方面面。通过合理规划数据的获取渠道 和协作伙伴，有望为 AI 大模型的应用提供强有力的支持，从而提 升城市轨道交通的运营效率和乘客体验。加强数据整合与应用，能 够在更高层次上实现智能交通的目标。 3.1.1 站点与车辆历史数据 在城市轨

人的优势包括创造力、认知力、价值判断等，机 器的优势在于计算能力、存储能力等，系统智能的 提升在于将人的能力与机器的能力有效整合[18]。系 统中人机协作的效率和效果仍然受到人机协作的自 然度、信息处理能力、交互系统智能水平、工作流程 等方面的制约，缺乏有效的机制将人的优势与机器 的优势整合起来。 2.5 智能层次局限 通过引入大数据、人工智能技术系统智能化水 平得到了较大提高，例如，视频识别技术应用在安 知识创新是对已有知识的深度挖掘、整合和创 新之上，实现更深层次的知识洞见和理解，这一过 程也称知识生产。应急管理领域知识创新涉及到管 理学、社会学、心理学、工程学、信息科学等多个学 科知识的交叉融合，是一种应用情境中的跨学科知 识生产，具有强烈社会弥漫性特点[24-25]。与单学科或 多学科的知识生产不同，知识生产者并不是按照传 统的学科结构整合，而是复杂灾害情境下产生的问 题处理需求而整合。随着问题的出现，涉及问题处 3.2.2 概念模型 大语言模型应急大脑以大语言模型技术带动知 识管理机制的创新，促进知识资源在应急管理系统内 的整合、优化和利用，实现系统智能化发展的突破。 概念模型如图5所示，由以下4个部分组成：应急知识 库系统，感知系统，思维系统和人机交互系统。知识 流将这4个部分有机整合在一起，形成智慧应急的内 核，支撑包括监测预警、社会动员、监管执法、救援 处置、决策指挥等应急管理全过程业务系统。 图5

化和个性化服务方 面。其次，监管环境的复杂性要求银行在合规性和风险管理上投入 更多的资源，以确保业务操作的合法性和透明性。此外，技术创新 的快速迭代对银行的技术基础设施提出了更高要求，如何有效整合 新兴技术如人工智能、区块链和大数据分析，成为银行提升运营效 率和竞争力的关键。最后，客户数据的隐私保护和安全性问题也日 益突出，银行需要建立更加严密的防护机制，防止数据泄露和欺诈 行为的发生。以下是金融银行业务的具体挑战： 结果触发相应的预警 机制。例如，当发现某笔交易与客户的常规行为模式存在较大偏差 时，系统会立即通知风控团队进行核查，从而有效降低金融欺诈的 发生率。 在信贷风险评估中，DeepSeek 通过整合多源数据（包括客户 的信用记录、收入水平、资产负债情况等），构建全面的信用评分 模型。与传统评分模型相比，DeepSeek 的模型能够更准确地评估 客户的还款能力，从而帮助银行优化信贷决策流程，降低坏账率。 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 带来显著的效益提升。其灵活的数据整合能力和强大的分析算法， 使得银行能够更好地应对市场变化和客户需求，从而在激烈的竞争 中保持领先地位。 3. 金融银行应用场景 在金融银行领域，DeepSeek 技术的应用可以显著提升业务效

本次交易将进一步优化公司业务结构、完善公司在运动控制及机器人业务领域的产业链、扩大 公司 业务规模、壮大公司主营业务， 有利于进一步提升上市公司的综合竞争能力、市场拓展能 力、资源 整合能力，进而提升公司的盈利水平，增强抗风险能力和可持续发展能力， 以实现公 司快速发展。 8. 本次交易尚需履行的决策和获得的批准 1 、上市公司召开股东大会审议通过本次交易； 个人喜好管理：自由定制个人癿喜好，实现 信息癿个性化喜好配置。 个人收藏管理：管理个人癿收藏信息，取消 及查看。 案例：某国有银行企业风险预警 关系图谱风险预警：通过互联网采集平台，整合行内外客户关联不交易信息，通过 OEC 平台进行深度挖掘不加工，识别 4 类客户关联关系，如：投资关系、担保关系、 管理关系、股权关系四维度图谱。 混合算法引擎 KNN 决策树 SVM 案例：某国有银行企业风险预警  担保关系 担保关系识别 用智慧发现信息价值 Discover information 股权结构 投资关系 担保关系 4 、关联关系图谱：通过互联网采集平台，整合行内外客户关联与交易信息，通过 OEC 平台进行深度挖掘与加工，识别 4 类 客 户关联关系，如：投资关系、担保关系、管理关系、股权关系四维度图谱。 案例：某国有银行企业风险预警 企业关联关系图谱

可以精准 预测潜在的安全风险，并及时发出预警信息。 3. 高效调度与响应：在突发事件发生时，AI 能够帮助指挥中心 快速调度资源，制定响应策略，提高处置效率。 4. 数据整合与共享：通过构建视频数据平台，整合各类监控资 源，为决策提供依据，促进信息共享。 这些措施不仅能够有效预防和减少安全事故的发生，还能够增 强公众对安全管理的信任感，有助于构建一个安全、和谐的社会环 境。 最 大模型与现有监控系统结合，能更 快地从历史视频数据中检索到相关信息，为调查和事后分析提供便 利。 在数据整合方面，AI 大模型不仅仅局限于视频监控数据的分 析，还能够与其他类型的数据源进行融合，包括社交媒体、传感器 数据等，从而建立更全面的公共安全态势感知能力。通过多源信息 整合，公共安全部门能够更全面地理解复杂的安全环境，提高方案 设计的科学性与可行性。 推动公共安全领域的 AI 大模型应用还需明确以下几个重点： 大模型应用还需明确以下几个重点：  加强数据治理，确保数据隐私与安全。  推动跨部门合作，整合资源，提高数据共享的效率。  加强对 AI 大模型的信誉评估与监督，以确保算法的透明性与 公正性。  进行算法模型的定期更新与优化，提升其对新兴安全威胁的应 对能力。 通过以上措施的实施，公共安全能够更好地利用 AI 大模型的 潜力，形成一种快速、灵活且智能的安全管理模式，为社会公众提

向多模态和跨模态转变。  投资建议：我们认为未来智能体（AI Agent）的前景十分广阔，随着大模型的发展， 智能体将从概念走向实际应用，成为各行业的重要助力。通过多模态大模型，智 能体能够整合图片、语音等异构数据，提高任务处理效率，并解决跨行业、跨领 域的问题。技术方面，智能体具备长期和短期记忆、自主规划、工具使用和自动 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。 Agent 有效减少人类工作总量，人与 AI 协作才是最终形态。人类与 AI 交互可大致 分为三种模式。Embedding 模式中大模型可以填补一些信息缺失，完成少量子任务，例 如总结信息等等。用户最终会整合挑选 AI 提供的信息，并自主完成任务。Copilot 模式 则更加智能化，AI 可根据用户设定的流程去执行任务。例如让 AI 根据写一段稿件或者 根据需求编程，但其对 Prompt 的要求也更高。在 这些将有望加速人工智能从感知向认知的转变。这些技术成果还能够解决其他单项技术 领域（如自然语言处理和计算机视觉）所面临的瓶颈问题，例如视觉领域的盲区和遮挡 问题。此外，自动驾驶的激光点云、时空感知与测绘信息等更多类型的模态数据也将被 整合到大模型中。未来，政府、金融、制造、能源、医疗、零售等多个行业的智能化应 用将逐步转向多模态和跨模态的形式。