智能体的期望等。调研范围应涵盖不同行业、不同规模的企业以及 个人用户，以确保数据的全面性和代表性。 其次，选择调研方法。可以采用多种调研方法，如问卷调查、 深度访谈、焦点小组讨论等。问卷调查适用于收集大量用户的反 馈，深度访谈则有助于深入了解个别用户的详细需求和痛点。根据 项目预算和时间安排，选择合适的调研方法组合。 接下来，设计调研工具。例如，设计一份结构化的问卷，涵盖 用户基本信 进行优化。在框架选择 上，TensorFlow 和 PyTorch 均适用于深度学习模型的开发，但 PyTorch 因其动态计算图和更灵活的调试能力，更适合快速迭代和 实验。 对于数据处理和存储，Apache Spark 和大数据生态系统（如 Hadoop）是处理大规模数据的理想选择，而 Redis 和 MongoDB 则分别适用于高速缓存和非结构化数据的存储。在模型部署方面， Docker 和 方案，同时支持自动扩展和负载均衡。 在 API 和微服务架构中，RESTful API 和 GraphQL 各有优 势。RESTful API 适合简单、标准化的接口，而 GraphQL 则适用于 需要灵活查询的场景。为了确保系统的安全性，OAuth 2.0 和 JWT（JSON Web Token）是身份验证和授权的可靠选择。 此外，版本控制工具如 Git 是必不可少的，而 CI/CD（持续集

本节主要讨论各类将大模型 用于具身智能感知与理解的方法, 讨论范围是文本、 图像和音频等信息, 其中感知的信息来源于环境与 人类用户. 1.1 多模态模型理解 多模态模型, 尤其是多模态大模型 (Large multi- modal model, LMM) 具有理解图像、场景文本、图 表、文档, 以及多语言、多模态理解的强大能力[29], 可 以直接用于具身智能对环境的理解, 并通过提示词 动 化 学 报 51 卷 Wang 等[25] 探索了使用 GPT-4V 赋能的具身 智能任务规划的可能性, 作者提出一个基于 GPT- 4V 的框架, 用于通过结合自然语言指令和机器人 视觉感知来增强具身任务规划. 框架使用视频数据 的初始帧和对应的文本指令作为输入, 根据输入的 指令和环境图像, 生成一系列动作计划. 研究人员 在多个公开的机器人数据集上进行实验 以适应不同的交 互任务. 1.2 多模态环境建模 一些工作利用多模态大模型对环境进行建模, 实现具身智能对空间信息的多模态理解. 以 CLIP 为代表的多模态大模型由于包含跨模态的理解能 力, 可以用于编码摄像头输入的图片与包含用户任 务自然语言, 实现对环境的语义建模, 以增强具身 智能系统对环境的感知. 需要强调的是, 虽然本节 与第 1.1 节都提到了多模态大模型, 但第 1.1 节内 容倾向于直接利用模型进行

数据检索模块：实现高效的分布式检索，满足实时查询需求。 通过上述模块的集成与优化，本方案将显著提升知识库数据处 理的效率和准确性，为 AI 大模型的训练提供高质量的数据支持。 最终，该方案将广泛应用于金融、医疗、教育等多个行业，推动人 工智能技术的深入应用和创新发展。 1.2 项目目标 本项目的核心目标在于构建一个高效、精准的知识库数据处理 系统，并基于该数据处理结果，训练出一个具备强大泛化能力和智 CNKI、IEEE Xplore）来采集，以获取高质量的领域专业知识。企 业数据库则包括内部业务数据、用户行为数据等，需通过数据脱敏 和合规性审查后纳入知识库。 为确保数据的全面性和时效性，网络爬虫技术可应用于社交媒 体、新闻网站、论坛等公开平台，采集实时信息。爬虫设计需遵循 目标网站的服务协议，避免对服务器造成过大负载，并使用反爬虫 策略（如 IP 轮换、请求间隔控制）降低被拦截的风险。此外，数 工具可分为以下几类： 1. Web 爬虫工具：适用于从互联网上抓取公开数据。常用的工 具包括 Scrapy、BeautifulSoup、Selenium 等。Scrapy 适用 于大规模数据抓取，支持异步处理和分布式扩展； BeautifulSoup 适用于解析 HTML 和 XML 文档，适合小规模 数据抓取；Selenium 则适用于动态网页数据的抓取，能够模 拟用户操作获取 JavaScript

构提供精准的业务决策支持。DeepSeek 的核心优势在于其高精度 的预测能力和强大的自适应学习机制，能够根据市场变化和用户需 求动态调整模型参数，确保其在金融领域的高效应用。 在金融银行领域，DeepSeek 技术可以广泛应用于多个场景， 包括但不限于风险评估、客户行为分析、智能客服、欺诈检测和投 资策略优化等。例如，通过深度学习和 NLP 技术，DeepSeek 可以 从海量交易数据中识别潜在的风险因素，预测客户的信用违约概 能够通过增强学习模型，自 动调整投资组合，以应对市场波动。以下是一些关键技术的具体应 用场景：  大数据处理：用于客户行为分析、交易记录监控与异常检测。  自然语言处理：用于智能客服、文档自动分类与合规性审查。  图像识别：用于身份验证、票据处理与自动化结算。  增强学习：用于动态定价策略、风险评估与投资组合优化。 为了直观展示 DeepSeek 技术的应用效果，以下是一个基于实 际数据的性能对比表： 测模型，能够帮助银行优化业务流程、提升风险管理能力以及增强 客户体验。而深度学习作为机器学习的一个重要分支，通过构建多 层神经网络，能够处理更为复杂的数据结构，特别适用于图像识 别、自然语言处理和时间序列分析等场景。 在金融银行领域，机器学习可以应用于信用评分、欺诈检测、 客户分群等任务。例如，通过对历史交易数据的分析，机器学习模 型可以预测客户的信用风险，从而为贷款决策提供依据。此外，机 器学习还

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。 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 定义的智能体具有长期和短期记忆、自主规划、工具使用和自动执行任务 的能力，能提高工作效率和用户体验。另外，智能体也分为单智能体和多智能体。单智 能体通过试错学习在单一环境中行动，追求最大奖励，多用于简易任务。多智能体在博 弈环境中行动，追求长期累积奖励，多用于复杂测试。 1.1Agent 模式架构解析 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 行复杂任务、能够使用 工具等四个特点。1）记忆模块：智能体像人类一样，能留存学到的知识以及交互习惯 等，这样的机制能让智能体在处理重复工作时调用以前的经验，从而避免用户进行大量 重复交互。短期记忆适用于所有上下文的学习，类似平常我们与 ChatGPT 沟通的模式； 长期记忆则保留知识和交互回忆，例如智能体在特定行业积累的大量数据和经验，则能 提供更专业、更具深度和个性化的回答，提升用户体验。2）规划模块：将复杂任务分

来进行细分。 首先，按照行业用途，人工智能可以广泛应用于以下几个细分 领域： 1. 金融服务：包括风险评估、信贷审批、客户服务自动化等，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 面，提升家居生活的便捷性与舒适度。 6. 教育：用于个性化学习方案、教育效果评估及学生行为分析， 优化教育资源配置。 通过行业细分，我们能够更清晰地看到不同领域对人工智能的 具体需求和痛点。这也为大模型 SaaS 平台的产品设计和功能开发 提供了重要的依据。 能寻求灵活性和创新性，以适应快速变化的市场。 再次，按照技术应用的不同，市场可以细分为：  自然语言处理：适用于聊天机器人、文本分析、语音识别等应 用，适合多种行业如客服、教育和医疗。  计算机视觉：可用于监控、自动驾驶及医学影像分析等领域， 需求不断增长。  机器学习/深度学习：支持预测分析、推荐系统等，用于金 融、零售及其他行业的数据驱动决策。 最后，从地域特征来看，市场细分也存在显著差异。北美和欧

埃森哲报告：AI 赋能保险，三大应用场 景如何重构价值链？ 人工智能(AI)使机器能够模拟和增强人类智能，它的出现正值保险和其他行业 数字化转型之际。尽管人工智能技术仍处于发展阶段，但在现实世界中，它 已应用于不同行业。人工智能正被用来解决各种各样的挑战，它使机器和系 统之间的交互更智能、更简单。 保险公司也逐渐进入这一领域，新一代人工智能技术有望帮助保险公司重新 定义其工作方式，打造创新产品和服务，提升客户体验。与此同时，这一传 的能力，使之远远超出了它们各自工作时的能力。 而人工智能的实际应用则要更进一步，它意味着结合智能技术和人类智慧， 并应用于商业的每一个流程，帮助企业解决最复杂的挑战，开辟新市场或者 创造全新的收入来源。 如果保险公司将人工智能重点应用于人力资源、工作流程和数据管理方面， 那么他们将从中获得最大效益。 在保险公司面临巨大压力之际，人工智能领域正在取得飞速进展。竞争变得 富的员工不用做可以自动化的重复性任务，而是有时间来完成更高质量的工 9 作，专注于需要人工服务或手动操作才能完成的任务。这一转变也会使得他 们的工作变得更加有趣。 多家企业已经将智能决策应用于保险流程。比如，南非的 Santam 保险公司 利用预测分析和机器学习来减少欺诈行为，提高运营效率。这一举措帮助他 们在前 4 个月节省了 240 万美元，并加快了索赔处理过程。 日本寿险公司富国生命保险(Fukoku

不同时间 段、不同路线及节假日等因素，计算出各站点的客流量波动。例 如，在高峰时段，AI 模型能够推荐最优的列车发车频率，以缓解乘 客拥挤现象，提升乘客整体出行体验。 其次，AI 大模型可应用于列车调度的实时优化。在实际运营 中，各种突发事件经常发生，如设备故障、自然灾害、突发的重大 活动等，这些都可能影响到列车的正常运行。通过对各类数据的实 时分析，AI 模型可及时生成调度调整方案，自动重新规划最优的运 大模型的核心需求是多样性和丰富性的数据。首先，技术数 据是基础，包括车载设备数据、轨道状态监测数据、信号传输数据 等。这些数据对于模型的训练至关重要，帮助其理解系统的动态特 性，并优化运行效率。例如，来自传感器的实时数据能够用于预测 设备故障，从而实现预防性的维护。 其次，运营数据也是必不可少的。这类数据包括客流量、列车 运行图、停站时间、日常维护记录等，这些数据可以反映出整体运 营效率与趋势。通过分析这些数据，AI 数据。通过对乘客行为的分析，能够优化服务、提高客户满意 度。此外，社交媒体与移动应用的数据分析也能提供关于用户 需求的深刻见解。 4. 环境数据：包括天气状况、施工信息、交通流量等外部因素的 数据。这些信息可用于分析与城市轨道交通相关的各种环境变 量，帮助模型更好地应对复杂的运营状况。 5. 历史数据：积累多年的历史数据是分析和建模过程中不可或缺 的部分。这些数据包括过往事件的数据记录，如故障事故、客

入的能力，确保数据 的完整性和时效性。 数据处理层是整个系统的核心部分，主要负责数据预处理、特 征工程和数据存储。该层对原始数据进行清洗、去噪、归一化等操 作，并通过特征提取和降维技术生成可用于模型训练的高质量数据 集。数据处理层还支持分布式计算框架，能够高效处理大规模数据 集，确保数据处理的效率和准确性。 模型训练层基于数据处理层输出的高质量数据集，采用多种机 器学习算法和深度学 训练管理模块提供模型训练的全流程支持，包括训练任务创 建、资源配置、训练过程监控和模型评估。该模块支持分布式训 练，能够充分利用计算资源，提高训练效率。训练管理模块还提供 自动调参功能，帮助用户优化模型性能。 考评管理模块用于对训练模型进行多维度的评估和测试。该模 块支持自定义评估指标，并提供丰富的测试数据集，确保模型的泛 化能力和鲁棒性。考评管理模块还支持自动化测试和人工测试的结 合，确保评估结果的客观性和准确性。 接口遵循统一资源定位符（URL）命名规范，使用 GET、POST、PUT、DELETE 等标准 HTTP 方法进行操作。例如， 用户管理模块的接口设计为：/api/users 用于获取用户列表，/ api/users/{id}用于获取特定用户信息，/api/users/create 用于创 建新用户。 为提高接口的可用性与安全性，系统引入 JWT（JSON Web Token）作为身份验证机制，所有请求必须在 Header

高效完成合同质检、条款比对等工作，大 幅 提升工作效率与准确性。 n 江苏银行已成功本地化部署微调 DeepSeek-VL2 多模态 模型、轻量 DeepSeek-R1 推理模型， 分别运用于智能 合同质检和自动化估值对账场景中。 资料来源：上海证券报，搜狐，中泰证券研究所 16 降本增效场景之三：智能合同质检 图表：江苏银行 AI 布 局 n AI Coding 能够替代低效工作 动态识别欺诈行为，提升风险预警精准度。 n 苏商银行通过深度融合 DeepSeek 系列模型技术， 构建“数据 + 算法 + 算力 + 场景”四位一体的智能决策体系， 该体系已成功应用于信贷风控、反欺诈监测等 20 余个业务场景，尽调报告生成效率提升 40% ，欺诈风险标签准 确率提升 35% ，构建起覆盖贷前、贷中、贷后的全生命周期智能风控网络。 18 应用场景：建信理财率先探索资产配置优化、风险预警等理财场景，同时通过金融语义框架将“抵押率”“偿债覆盖率”等术语转化为业务逻辑，应用于 合同 解析与风险建模 邮储银行 技术落地：依托自有大模型“邮智”，本地部署并集成 DeepSeek-V3 模型和 DeepSeek-R1 推理模型 应用场景：应用于智能客服“小邮助手”后，新增逻辑推理功能，可精准识别用户需求，提供个性化和场景化的服务方案，加快响应速度和任务处理效率