........ 7 3.1.2 联通河北政务云智算中心利用数字化平台实现智能建造技术实践 ....................... 8 3.1.3 L1&L2 联动节能在广东移动深圳宝观液冷数据中心的创新实践 .......................... 9 3.1.4 广东电信韶关数据中心间接蒸发冷却技术应用 ............................... 但空洞，导致算力与本地产业的智能化需求不匹配；智算中心是“能耗巨兽”，在规划阶段 若未充分考虑绿色节能技术和集约化设计，将导致后期运维成本极高，难以持续。缺乏前 瞻性的规划设计易导致智算中心建成即落后。 在运维阶段，如何将不同架构、不同厂商的算力资源高效池化、统一调度和管理，是 一个巨大的技术挑战。智算集群对稳定性与可靠性要求极高，AI 训练任务通常需要连续运 行数天 问题管理，实现告警事件远程查看，现 场问题手机易处理闭环等。 通过智能建造施工管理模式，将现场管理信息集成在平台系统 中，实现 PC 端和手机端网络远程访问，提高了管理人员对现场的管控能力，实现设备感知、 设计协同、远程监控等效果，如图 3 所示。 图 3 智能建造数字化平台 3.1.3 L1&L2 联动节能在广东移动深圳宝观液冷数据中心的创新实践 面对机楼改造难度大、复

80% 以上能 力，就足以压缩闭源的生存空间。 DeepSeek 能力能够比肩 OpenAIo1 ，开源使各行业机构能够轻松获取前沿模型能力， 且可直接进行私有化部署或商业化开发。 开源易获得： DeepSeek 使私有化部署模型也能够追平前沿闭源模型水 平 图表：闭源模型与开源模型的差距正在缩小 资料来源： Epoch AI ，中泰证券研究 所 资料来源： AI 产品榜，中泰证券研究 15 降本增效场景之二：大模型助力信贷审批 n 在银行的日常运营中，处理海量的合同、报表等文档 是一项繁琐且易出错的任务，传统人工审核方式效率 低下，难以满足业务需求。 DeepSeek-VL2 等多模态 模 型具备高精度的文档解析能力，能够提取文档中的 关 键信息， 高效完成合同质检、条款比对等工作，大 本报 告仅供本公司的客户使用。本公司不会因接收人收到本报告而视其为客户。 n 本报告基于本公司及其研究人员认为可信的公开资料或实地调研资料，反映了作者的研究观点，力求独立、客 观和公正，结论不受任何第三方的授意或影响。本公司力求但不保证这些信息的准确性和完整性，且本报告中 的资料、意见、预测均反映报告初次公开发布时的判断，可能会随时调整。本公司对本报告所含信息可在不发

合多源数据（如征信记录、社交媒体数据等），DeepSeek 可以为 银行提供更全面的客户画像，从而更准确地评估贷款风险，减少不 良贷款率。 在风险管理领域，DeepSeek 的应用同样值得期待。通过对宏 观经济数据、市场波动和客户行为的深度分析，DeepSeek 可以为 银行提供实时的风险评估和预警，帮助其更好地应对市场不确定 性。例如，DeepSeek 可以预测不同经济情景下的贷款违约概率， 从 分析，能够识别出可能导致重大损失的操作风险点。例如，通过对 交易流程的监控，系统可以自动检测异常交易行为，及时发出预 警，防止欺诈和操作失误的发生。 此外，DeepSeek 还支持风险管理的可视化分析，通过生成直 观的风险报告和仪表盘，帮助管理层快速了解风险状况，做出基于 数据的决策。  实时监控和预警系统：通过 DeepSeek，银行可以建立一个 24/7 的风险监控系统，实时跟踪各项风险指标。  自动化报告生成：DeepSeek 会立即发出警报。 为了提高检测的准确性，DeepSeek 采用了多种算法模型，包 括但不限于随机森林、支持向量机和神经网络。这些模型经过大量 的训练数据优化，能够在复杂的交易环境中准确区分正常和可疑交 易。例如，在信用卡欺诈检测中，模型的准确率可以达到 98%以 上，极大减少了误报和漏报的情况。 为了进一步提升系统的响应速度，DeepSeek 还实现了实时数 据处理和决策功能。当系统检测到可疑交易时，能够在毫秒级别内

随着金融市场的日益复杂化和数据量的爆炸式增长，传统的股 票交易策略在应对高频、多维度市场信息时逐渐显露出局限性。尤 其是在波动性加剧的市场环境下，依赖人工分析的历史数据预测和 决策制定不仅耗时费力，还易受主观情绪影响，导致策略执行上的 偏差。因此，引入基于人工智能技术的高效解决方案成为提升交易 效率和准确性的迫切需求。 在这样的背景下，DeepSeek 作为一个集成了深度学习、自然 语言处理 史交 易数据、实时市场数据、财务数据、新闻舆情数据等。通过 DeepSeek 的数据处理能力，系统将能够快速清洗、去重、标准化 这些数据，并构建高质量的训练数据集。此外，系统还将引入特征 工程模块，自动提取关键特征，为后续的模型训练提供有力支持。 模型构建是项目的关键环节，将采用 DeepSeek 的深度学习框 架，设计并训练多层次的神经网络模型。这些模型将针对不同的交 易策略进行优 ，进行数 据特征提取和模式识别，优化现有的交易策略。第三阶段，将实现 实时交易监控和自动化决策，确保系统能够对市场变化做出快速响 应。最终，通过持续优化和迭代，项目将实现智能化的股票量化交 易系统，提升交易效率和收益稳定性。 为实现上述目标，项目将遵循以下关键指标： - 数据覆盖率： 确保历史数据的完整性和实时数据的准确性，覆盖主要市场和行 业。 - 模型精度：通过交叉验证和回测，确保模型预测的准确性和

摘 要 训练数据是人工智能发展的核心要素之一。训练数据清 洗是保证模型训练质量的关键步骤。通过保障训练数据的清 洗活动安全，确保所有直接用于模型训练的数据的质量，不 包含违反社会主义核心价值观的、歧视性的内容，不存在商 业违法违规、侵犯他人合法权益的现象，提升模型抵御对抗 性风险、满足特定服务类型的安全需求的能力。本文件给出 了训练数据清洗活动的安全原则、风险识别维度、清洗方法 和 损坏 等问题，导致其无法被正常读取、解析或有效利用。 4 e）数据重复性：训练数据中存在大量重复记录，可能导致模型 过拟合或资源浪费。 4.2 违反社会主义核心价值观的内容风险 训练数据中包含违反社会主义核心价值观的内容，可能导致人工 智能模型生成或传播对个人、群体或社会造成负面影响的内容。主要 风险包括： a）煽动颠覆国家政权、推翻社会主义制度； b）危害国家安全和利益、损害国家形象； 特征分布上表现出显著异常的恶意样本，及时隔离异常数据。 表 1 安全风险与清洗方法映射表 安全风险 缓解方法 数据质量风险 5.1 数据质量处理 5.2 数据来源控制 5.6 安全验证方法 违反社会主义核心价值观的内容风险 5.2 数据来源控制 5.3 内容安全审查 歧视性内容风险 5.3 内容安全审查 5.5 偏见缓解方法 商业违法违规风险 5.2 数据来源控制 5.3 内容安全审查 侵犯他人合法权益风险

45674—2025 的规定。 8 应用场景安全指引 8.1 策划创作场景 策划创作场景安全指引如下： a) 应落实播前审查要求，避免出现文化歧视倾向、历史虚无主义 表述、社会公序良俗违背等价值观偏差。 b) 应保障知识产权，人工智能使用的图片、视频、声音等素材应 符合知识产权法律法规要求，具有版权或得到相应的授权许可。 c) 部署基于关键词、语义识别、图像比对等内容审核工具，对人 工 设置初审、复审、终审等多层级人工审核机制，每级指定专人 负责内容审查，及时发现并纠正潜在问题。 f) 审查训练数据合法性与价值观合规性，并建立人工智能应用全 生命周期日志，记录数据、模型、输入及交互，日志应防篡改、 可追溯。 g) 建立人工智能训练数据和输出内容的价值观、歧视内容、商业 违法违规、他人合法权益等评估、监测和预警机制，及时发现 和处置风险。 h) 人工智能生成合成内容应嵌入元数据隐式标识。 构的歌词。 4 辅助新闻生产 辅助信息采集、稿件撰写、多语言翻译、 多媒体整合。 5 演播室场景设计 辅助生成演播室背景与舞台视觉。 6 人物形象设计 基于文本描述生成写实或风格化人物外 观、表情及姿态。 7 服化道设计 依据角色设定与场景需求生成服装、妆容、 道具。 8 音乐编曲 根据旋律、歌词或风格描述生成音频片段、 MIDI 序列或乐谱。 9 关键帧生成 根据剧本或分镜描述生成动画关键帧或故

确保客户数据的安全性与隐私性。 （4）构建负责任的大模型研发应用体系。在保险行业AI研发与应用过程中，应深入研究 并践行“以人为本、智能向善”的理念，制定具体操作指南与最佳实践，推动AI设计、研发及 应用的价值观与伦理观与保险行业法规相契合。同时，积极探索适应AI时代的版权保护与 开发利用制度，持续推进高质量基础语料库与数据集建设，为保险行业大模型的安全发展 提供有力支撑。此外，还需制定并完善大模型伦理审查准则、规范与指南，建立健全伦理审 （4）构建安全对齐数据集。为降低大模型在保险应用中产生不真实、偏见、不道德等风 险，需构建安全对齐数据集，该数据集包含丰富的有监督正样本和恶意样本，旨在确保模 型输出符合保险行业的法规、道德准则及人类价值观。 （5）强化知识产权保护。在训练数据选取环节，加强知识产权保护意识，采取有效措施 防止侵犯知识产权的行为。 （6）遵守数据跨境与出口管制规定。在向境外提供大模型服务时，应严格遵守数据跨 境流 升模型对保险领域的理解和生成能力；思 维链技术（CoT）通过展示详细推理过程的样例，增强模型输出的逻辑性和可信度；价值对 齐技术，特别是基于人类反馈的强化学习（RLHF），确保模型决策与人类价值观和保险行 业规范保持一致，同时探索基于人工智能反馈的强化学习（RLAIF），以进一步提升模型的 道德和合规性。 （4）可解释性、可预测性提升。首先对模型内部机制、推理逻辑、技术接口及输出结果

1）。 - 血液检测数据对接：与第三方实验室合作，支持用户上传血红蛋 白、维生素 D 等关键指标，系统生成补充建议。 表 1：常见营养缺口与解决方案示例 | 高频缺口营养素 | 易缺乏人群 | 平台推荐干预方式 | |—————-|————|——————| | 维生素 B12 | 素食主义者 | 强化谷物推荐+ 周度监测 | | 钙 | 绝经后女性 <800mg/ d >2500mg /d 骨质疏松/肾结石 维生素 B12 <2.4μg/d - 神经系统损伤 营养素 不足阈值 过剩阈值 关联健康风险 膳食纤维 <25g/d >70g/d 肠易激综合征 症状关联分析 平台将实验室数据与用户报告的主观症状（如疲劳、脱发）进行关 联分析。例如： - 当用户同时出现血清铁蛋白<15μg/L 和乏力症状时，系统优先建 议铁代谢相关检查 - 的营养 素缺乏或过剩是优化饮食方案的关键步骤。以下列举常见营养素缺 乏的典型症状及对应的临床意义，供用户和健康管理师参考： 宏量营养素缺乏 - 蛋白质：肌肉萎缩、水肿（尤其是下肢）、头发稀疏易断、伤口 愈合延迟。儿童表现为生长迟缓。 - 必需脂肪酸（如 Omega-3）：皮肤干燥脱屑、视力模糊、关节疼 痛、注意力不集中。长期缺乏可能增加心血管疾病风险。 微量营养素缺乏 - 铁：疲

和数据安全伦理原则，防止数据泄露和滥用。 02 隐私保护与数据安全伦理 伦理道德问题凸显 法律行业需制定专门的 AI 智能伦理 道德准则，明确 AI 智能应用应遵循 的基本伦理原则和行为规范，确保其 符合社会价值观和道德标准。 制定 AI 智能伦理道德准则 01 建立 AI 智能伦理审查和监督机制， 对 AI 智能法律应用进行定期审查和 监督，及时发现和纠正不符合伦理道 德的行为，保障法律行业的健康发展。

事件的责任追溯。 6.2 设计开发阶段 设计开发安全指引包括： a) 在算法规则、模型框架、系统架构等角度，提升人工智能技术 可解释性、公平性、鲁棒性、可靠性、透明性、隐私保护、价 值观对齐等内生安全能力设计。 b) 基于开源资源进行二次开发的，在尊重研发者智力投入的基础 上，遵循相应开源协议规范。对所使用的开发框架、代码等进 行安全审计，并关注开源框架安全及漏洞相关问题，识别和修