平台与治理框架的标准化。其次，对AI赋能技术进 行战略性投资，通常先从目标明确的试点项目入 手，待方案验证有效后再进行规模化推广。最后， 重塑人与技术的协作模式，推动人的角色从执行 例行工作转变为战略性指导与统筹监督。 在自主智能供应链的转型浪潮中，未来的分 界已然清晰可见：那些积极拥抱自主智能供应链 的企业，将创造出前所未有的商业价值，并构建起 强大的运营韧性；而那些固守传统、不愿革新的企 业，则将面临日益严峻的生存挑战，甚至可能被市 那么，这对企业员工而言意味着什么？我们 的研究表明，在自主智能供应链的生态系统中， 人力依然是核心要素。事实上，最高效的自主智� 供应链体系将实现人员角色转型⸺从任务执行 者转变为系统决策的指导者与监督者。我们观察 到，这一转变正通过“人机协作”的渐进式发展 在企业中逐步实现，每个阶段都推动着效益提升。 此外，通过将资深团队成员数十年积累的专 业知识和洞察进行系统化梳理与编码标准化，自 的情况下，仍能维持知识体系的可持续性。 实现自主智能供应链 6 我们的调研发现，通过人工监督关键流程节点 （即“人机协同”）来实现自主运营，能够显著提升 效率、敏捷性和可持续性，这对于适应动态环境中 的突发变化至关重要。 这种方法既能充分发挥AI驱动系统的强大 能力，又能保留人工监督，以进行战略决策与必要 干预。 例如，企业可以首先从财务成果入手，进而提 升运营速度、敏捷性，并优化成本。我们的受访者

效果明显好于传统方法 l 从非结构化的对话中挖掘结构化的知识 l 将知识进行沉淀和统一维护 l 提高客服效率和质量，提升用户体验 l 知识点数量庞大，无监督的聚类方法效果很差 l 词向量不适合表示句子语义 l 无监督和有监督方法相结合 l 词向量和句向量相结合 l 机器与人工相结合 深度学习的应用：知 识挖掘 解决 方案 知识库 主要 挑战 核心 价值 层次聚类 层次聚类 相似度计算 词向量训练 句向量训练 相似度计算 问题检索 人工审核 问题挖掘 主题词挖掘 目标 [Conneau 2017] 有监督 学习 无监督 学习 历史语料 主题词 预处理 l 基于知识库和历史语料训练具有较强 语义泛化能力的问答模型 l 提高问答机器人的召回率和准确率 l 用候选回复辅助客服，提升服务效率

党组织党员情况、学习数据、党务工作情 况、平台运营情况等进行汇总统计。  以整个党内生活数据为基础，进行智能分 析，提醒各项工作事务执行情况，指导工 作开展。  以图表形式直观展示应用单位党建工作开 展情况，便于展示和监督。 党建大数据中心 特色功能模块建 设 - 红黄蓝预警机制 平台功能  系统采用红黄蓝分类预警功能，实现党务工作量化指 标考核过程的预警，从蓝色提醒到黄色预警，最后红 色告警等不同等级的预警功能有效的告知党务工作者 党务工作指引，指导三会一课、谈心谈话、公益活 动等各项工作开展；  提供丰富的党员教育学习内容和激励机制，助力基 层党员学习更便捷、更有成效；  为党组织提供智慧党建工具，提升党务工作效率并 进行有效的监督管理；  为党组织提供大数据中心，助力领导决策，并工作 成果可视化呈现。 方案优势 数字技术与党务工作、党员教育的创新结合  有多模块、组件化的功能组件，支持直接接入应用， 帮助节省开发时间；

调 整 网 络 单 元 间 连 接 权 重 来 实 现[9-10]。优势在于从数据中学习的能力，善于处理复 杂的、模糊的问题。 1.1.2 主动学习 与传统结构化的知识获取方式相比，大模型采 用自监督学习方法，主动捕捉训练文本中更深层次 的特征和规律，而非在预设知识结构下的信息抽 取[11]，从而具有突破已有认知局限实现创新的潜能。 1.1.3 数值计算过程 模型通过优化其预测下一个单词（如 最近的一些研究也证实了大语言模型技术在科 学研究中知识创新的潜能[12-13]。利用自然语言处理 技术从大量的科学文献中自动提取知识，生成研究 假设，驱动科学试验，开启了科学发现的新模式。 材料科学领域的研究人员利用无监督词嵌入技术自 动学习该领域科学文献，通过高维向量空间的位置 关系分析不仅能捕捉材料结构、属性、元素周期表 等抽象概念，还能发现隐藏的结构-属性关系，从而 找到新的热电材料[14]。利用人工智能技术捕捉人类 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 等，能极大丰富应急管理系统的知识体系，从而加 强系统应对复杂灾难情境的能力。同时，知识的内 化依赖于模型的自监督学习机制通过对海量数据训 练完成，相较于结构化的知识被动获取，大模型对 应急知识的获取不再是信息搜索，而更接近于学习 的本质，是理解、消化、吸收至海量的模型参数中。 所以，模型的自主学习能够不局限于已有的认知结

通过多头潜注意力机制（ Multi-Head Latent Attention ， MLA ）进行优化；在后训练阶段采用冷启动 + 大规模强化学习 方 式，不再使用传统 SFT 做大规模监督微调， 甚至绕过了一些 CUDA ，采用 PTX 汇编来提升能力；在推理场景下通过 大规模 跨节点专家并行（ Expert Parallelism ， EP ）来优化通信开销，尽可能实现负载均衡。 入不断攀升，市场 同质化竞争加重的风险。 n 报告信息更新不及时的风险。存在信息更新不及时的风险。 24 风险提示 n 中泰证券股份有限公司（以下简称“本公司”）具有中国证券监督管理委员会许可的证券投资咨询业务资格。 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

究机构Epoch估计，机器学习可能会在2026年前耗尽所有“高质量语言数据”。据Gartner 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 进一步训练的技术。它通过利用特定任务的数据集，调整模型的部分或全部参数，将行业 知识内化到大模型中，从而提升模型在特定任务上的表现。微调的效果直接受到数据质量 和微调策略的影响。 常用的微调方法包括有监督微调和低秩微调。有监督微调在标注数据上进行模型参 数的调整，而低秩微调则通过低秩矩阵减少更新参数量，从而降低计算资源的消耗。微调 策略的选择应根据任务需求、数据量和计算资源等因素综合考虑。 3.1.2.3 ，具体包括： （1）数据收集：从可靠来源收集大量、高质量的数据，确保数据的全面性和代表性。 （2）数据预处理：对收集到的数据进行清洗、去重、校验等预处理操作，提高数据质量。 （3）数据标注：对监督学习任务中的数据进行标注，确保标注的准确性和一致性。 （4）数据增强：通过数据增强技术生成更多的训练样本，提高模型的泛化能力。 （5）数据存储与访问：建立高效、安全的数据存储和访问机制，确保数据的可访问性和

率。 在数据分类环节，可以通过以下方式提升效率和准确性：  使用自动化工具进行初步分类，减少人工工作量。  结合聚类算法（如 K-Means）对数据进行无监督分类，发现 潜在的类别特征。  在复杂场景下，可以采用半监督学习方法，利用少量标注数据 和大量未标注数据进行模型训练。 通过以上步骤，可以实现数据的高效标注与分类，为后续的模 型训练和预测提供高质量的基础数据支持。 4 求和数据特性，确定适合的模型类型。对于金融领域常见的任务， 如信用评分、欺诈检测、市场预测等，通常可以选择监督学习模 型、无监督学习模型或深度学习模型。监督学习模型如逻辑回归、 随机森林、梯度提升树（GBDT）和 XGBoost 在分类和回归任务中 表现优异，尤其适用于有明确标签数据的场景。无监督学习模型如 K-means 聚类和主成分分析（PCA）则适用于客户分群、异常检测 等任务。深度学习 民共和国网络安全法》、《个人信息保护法》以及国际标准如 ISO 27001 和 PCI DSS。建立完善的数据隐私保护机制，确保客户信息 的收集、存储和处理均在合法合规的框架内进行。设立专门的数据 保护官（DPO），负责监督和实施数据保护策略，确保各项操作符 合法规要求。 此外，实施访问控制策略，基于角色的访问控制（RBAC）确 保只有授权人员才能访问敏感数据。定期对员工进行安全培训，提 高其安全意识和应对安全事件的能力。建立应急响应机制，制定详

显。根 据国际内部审计师协会（IIA）2023 年报告，78%的审计机构表示 现有技术工具难以应对跨系统数据关联分析需求，而监管机构对审 计时效性与准确性的要求却逐年提高，例如美国公众公司会计监督 委员会（PCAOB）将重大错报风险检测窗口期缩短了 30%。 审计行业当前的核心痛点集中在三个维度：首先，数据处理的 低效性导致人工成本居高不下。以财务报表审计为例，审计师平均 需要耗费 模型训练阶段采用 DeepSeek-R1 审计专用框架，基于 Transformer 架构进行领域适配： 训练过程分三阶段推进： 1. 基座模型微调：使用 20 万条标注 审计条目（含违规/正常标签）进行监督学习，学习率设为 3e- 5，batch size=32，训练 3 个 epoch 2. 强化学习优化：构建审计 专家反馈机制，对模型输出的 500 个高风险案例进行人工校正，通 过 PPO 且可扩展的智能分析能力。以下是具体实施方案： 模型选型与优化 采用 DeepSeek-R1 企业版作为基础模型，针 对审计场景进行三重优化： 1. 领域适配：使用 20 万条审计报告、 函证记录和底稿数据进行监督微调（SFT ），重点提升以下能力： - 异常模式识别准确率提升 42% - 会计准则引用正确率提升 38% - 风 险指标关联分析速度提升 5.8 倍 2. 量化压缩：通过 GPTQ 量化技术将模型体积压缩至原大小的

成从概念到实际应用的 蜕变。用户在 Agent（智能体）模式中给 AI 设臵目标和身份，并提供 Prompt（提 示词）。AI 自主拆分任务、使用工具、完成工作，用户仅负责设立目标、提供工具 资源和监督结果。  赋能两类实体领域，成本与效益的博弈：AI Agent 目前的应用大多都在概念层面， 但随着大模型竞争加快、政策鼓励研发投入、更多企业参与 AI 研究等因素，应用 层面的 AI Agent 有望完成从概念到实际应用的蜕变。 用户在 Agent（智能体）模式中给 AI 设臵目标和身份，并提供 Prompt（提示词）。 AI 自主拆分任务、使用工具、完成工作，用户仅负责设立目标、提供工具资源和监督结 果。OpenAI 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 参与度更高，但也不是完全由 AI 代 理。用户需要给 AI 设计一个目标和身份，以及需要使用的工具。配上更为复杂的 Prompt， AI 能自主进行任务拆分，使用工具并结束任务。用户只负责设立目标、提供资源、监督 结果。 图1 人类与 AI 的交互模式 资料来源：腾讯研究院，海通证券研究所 以 LLM 为核心，四模块铸造 AI Agent。从 OpenAI 的定义来看，智能体以大语言模

OVMM 基准测试, 提供了高质量的多房间家庭环 境, 以支持在仿真和物理环境中进行广泛的基准测 试. 为了解决开放词汇移动问题, 文献 [103] 利用 CLIP 等大规模预训练模型的能力, 以弱监督的方式学习 场景的 3D 语义表示, 构建了一个从空间位置到语 义特征向量的映射函数, 能够处理分割、实例识别、 空间语义搜索和视图定位等多种任务. 文献 [86] 提出了 C2F-ARM 算法, 机器人基于大语 言模型提议潜在的有趣任务与技能; 接着, 生成包 含适当空间配置的物体及资产的模拟环境; 然后, 将高级任务分解成子任务, 选择最优学习方式 (强 化学习、运动规划或轨迹优化), 生成训练监督; 最 终, 学习获取新技能的策略. 类似地, Scaling up and distilling down[44] 提出 了一个在模拟器中进行学习的框架, 使用大语言模 型指导高层规划, 并利用基于采样的机器人规划器 并将其重新定位到仿人机器 人的运动中, 从而实现“影子跟随 (shadowing)”. 通 过这种方式, 人类操作员可以远程操作机器人收集 全身数据, 用于学习真实世界中不同任务的技能. 此外, 系统还利用收集到的数据进行监督行为克隆, 训练基于视觉的技能策略, 使机器人能够通过模仿 人类技能自主完成任务. 为实现在实验室外同样可行的数据收集, Chi 等[38] 提出了直接从人类演示中转移技能到可部署 的机器人策略的框架