671B 的应用效果，有望进一步催生银行落地应用。 n 我们认为金融行业人工智能的应用价值大体可以分为三个层次： 降本增效，价值创造与决策赋能。在实际银行落地应用 中，可能包括： 1 ）降本增效：智能客服、信贷审批、合同质检； 2 ）价值创造： AI 编程、智能风控、智能营销等； 3 ） 决 策赋能： 深度分析和决策辅助。 n 从实际落地应用情况看， 大行发力更早， 中小银行正 一体机的出现为机构提供了全新的解决方案，凭借其开箱 即 用、软硬件一体化设计等优势， 正在成为很多中小银行智能化转型的重要选择。 n 建议关注：宇信科技、京北方、天阳科技、长亮科技、百融云等。 n 风险提示 ： AI 技术落地不及预期、竞争加剧、信息更新不及时等。 2 核心观点 DeepSeek 开源、低成本、强推 理 助推银行业应用 1 n DeepSeek 模型在 Post-Train 阶段大规模应用了强化学习方法。 图表：金融行业 AI 应用的三个层次 金融行业人工智能的三层价值创造 资料来源：中泰证券研究所 13 n 降本增效场景通常基于大模型的生成能力，进行人力替代或赋能，在银行业 AI 应用场景中落地最早。 n 商业银行主要通过人工客服和智能客服两种方式为客户提供咨询服务。人工客服工作强度高、处理和响应时间相对较长， 而当下智能客服难以覆盖全部服务场景。如工商银行在远程银行业务中将知识搜索与大模型生成能力结合，实现基于实

经过一年的实践与沉淀，可以看到，2024年是大模型技术在各行各业的应用落地之 年。这一年，我们见证了大模型技术从理论探索走向实际应用，从概念验证进入规模化部 署的关键阶段。因此，本年度《大模型技术深度赋能保险行业白皮书》的编写，不仅是对过 去一年技术发展的总结与回顾，更是对未来应用前景的展望与规划，旨在为保险行业的智 能化转型提供技术参考和实践建议。 白皮书基于阳光保险的大模型落地实践经验，深入剖析了大模型技术在保险行业的落 业的落 地应用路线。我们详细阐述了数据准备、模型精调、工程化适配、模型评测等关键环节的技 术要点和注意事项，为行业同仁提供理论指导和操作建议。除此之外，成功的落地应用需要 保险公司和科技公司紧密合作，共同构建开放、共享、协同的创新生态。这些内容为保险行 业探索大模型技术的应用提供了宝贵的经验和启示。 在优秀案例展示部分，白皮书通过一系列具有代表性的案例，充分展示了大模型技术 在保险行业 保险业数智化转型进展· · · · · · · · · · · · · · · · · · · · · · · · 37 3.1 大模型落地路线· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 43 3.1.1 落地路线方法论· · · · · · · · · · · · · · · · · · · · · · · · · · · ·

态，国产算力加速替代；软件层面，PyTorch、TensorFlow 等框架降低 AI 开发门槛，模型 即服务成为新趋势；应用层面，AI 渗透至智能驾驶、智慧城市、生物医药等领域，推动智 算产业化落地。 未来趋势方面，绿色化，智能化和算网融合是算力未来发展趋势。降低 PUE，采用液 冷、可再生能源技术是绿色低碳发展主要的方向；算力调度与网络协同极大提升资源利用 率；大模型持续进化，推动智算向更高阶发展。 施的重要布局节点。该智算中心的集成交付面临规模巨大、系统复杂，软硬件耦合度高，交 付流程繁多等挑战。中讯邮电咨询设计院承担该智算中心的设计和集成交付工作，全流程支 撑集成交付各个环节，保障项目落地。 深圳智算中心建设规模包括 230 台 GPU 服务器及 36 套磁盘阵列，提供 691Pflops 智能 算力。网络结构复杂，外部连接 CUII、169 等，内部细分为管理、业务、参数面及样本面等 系统的功耗平衡点；利用华为产品全家桶的优势，提出基于 BestDC 的 L1&L2 联动节能平台，实现风液比、风冷系统、液冷系统三平衡；在满足 PUE 考核标准的 前提下，实现数据机房总能耗最低，并成功在广东移动深圳宝观智算中心落地实现。 此项目部署了基于 AI 的数据中心能效优化系统 BestDC，将 AI 与 L1&L2 联动节能技术 紧密结合，精准实现节能减排。部署完毕后，系统在第三方测试机构见证下，通过模拟常规

68% | 89% | 21pp | | 底稿生成完整性 | 75% | 98% | 23pp | | 监管更新响应时效 | 2-3 周 | 实时 | 99% | 在实际落地层面，人工智能技术已展现出与审计场景深度结合 的潜力。以应收账款审计为例，智能体可实现： - 自动匹配销售订 单、出库单与收款记录的三单一致性校验 - 动态计算账龄分析并可 视化逾期风险分布 智能体，计划实现审计作业流程的范式转 ” ” ” 移：从 人工主导抽样检查 转变为 AI ” 驱动全量分析 ，最终使高风 险事项识别准确率提升至 92%以上，同时将项目平均交付周期压缩 40%。技术落地路径将优先聚焦应收账款核对、关联交易穿透、费 用异常波动等六大高频场景，确保方案在 2024 年审计季前完成生 产环境验证。 2.1 审计效率提升的迫切需求 随着企业数字化转型的加速和商业环境的复杂化，传统审计模 查全率（Recall）下限 92% （高风险审计点） - 误报率 （False Positive）上限 3%（避免过度审计） 通过上述技术组合，可确保模型在审计场景下同时满足准确 性、时效性和可审计性要求，实际落地时需配合审计专家的规则引 擎进行混合决策。 4. 智能体功能模块 在审计领域，智能体的功能模块设计需紧密贴合实际业务场 景，通过模块化能力覆盖审计全流程。核心功能模块分为数据预处 理、风险

DeepSeek API 网关 - 构建 CRM 数据预处理管道 - 开发意图识别微 调模块 1. 系统功能增强 o 智能工单自动分类 o 实时对话质量监测 o 预测性客户分级 2. 业务场景落地 o 售前咨询智能导购 o 投诉预警主动干预 o 高价值客户识别模型 项目预算控制在现有 CRM 年维护费用的 120%范围内，确保 6 个月内完成生产环境部署。技术团队将重点关注模型冷启动阶段的 - 合规性校验：内置监管规则库（如金融行业话术禁用词），实时 检测并标注风险内容。 - 实战训练模块：通过模拟对话环境，让销售人员进行话术演练， 系统从清晰度、说服力等 5 个维度评分。 落地价值 - 缩短新销售人员的培训周期至 2 周（原需 6 周） - 试点客户数据显示，优质话术使首次接触的商机转化率提升 22% - ” ” “ ” 通过语义分析发现，包含 解决方案 、 为您定制 每年两次渗透测试与漏洞扫描 部署数据血缘追踪系统，记录从 CRM 原始数据到模型训练数 据的完整流转路径。发生安全事件时，可快速定位影响范围并生成 合规报告。所有隐私保护措施需通过独立第三方验证，确保方案可 落地执行。 6.1 数据加密与传输安全 在 CRM 系统与 DeepSeek 大模型集成过程中，数据加密与传 输安全是保障企业核心数据资产的关键环节。所有敏感数据（如客 户个人信息、交易记录、沟通日志等）在存储和传输过程中必须采

0”、持续推出具备全新推理大模型能力的智能硬件产品。 四、以DeepSeek为代表的高性能低成本通用模型将加速 推动AI教育产品、场景创新 DeepSeek引发的行业热潮，标志着通用大模型能力提升、成本降低为AI教育规模 化落地带来了关键转折点。未来，通用大模型将主要以两大路径赋能AI教育企业： l 路径一 教育企业自研教育大模型，融入DeepSeek 等通用模型能力 以DeepSeek为代表的通用大语言模型为基座，教育垂类大模型为核，以减少通用 行。通过合作头部大模型，教育企业可节省技术、算力等方面的资金与人员投入， 更专注于应用场景，发挥自身学情数据、教育业务、行业认知层面的优势，深度挖 掘AI教育模式及产品服务创新。 截至目前，DeepSeek能力主要落地于智能教育硬件产品、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

通过以上结构的安排，本文旨在为城市轨道交通行业的管理者 和技术团队提供全面而具体的 AI 大模型应用实施指南，以推动行 业的数字化转型。在实施过程中，将重点考虑安全性、可行性与经 济性，确保各项技术能够落地实现，最终为城市轨道交通提供更高 效、安全和友好的服务。 2. AI 大模型在城市轨道交通的应用场景 在城市轨道交通行业中，人工智能大模型的应用场景广泛且切 实可行，能够有效提升运营效率、增强乘客体验以及优化资源配 Boosting），结合多个模型的优势，提升最终预测准确度。 对于训练数据的监控与反馈机制，建议建立实时监测系统，对 模型在实际应用中的表现进行持续追踪，从而在必要时调整模型或 重新训练。 在实际应用落地中，我们也需要注意部署和持续迭代更新的环 节。合理的模型部署能够保障线上服务稳定，并确保实时数据能够 被及时采集，这对于模型持续学习和优化至关重要。在此基础上， 建立模型性能的监测机制，以评估各个关键指标，如预测准确度、 模型需要具备良好的适应 性。使用模块化的架构设计可以使得系统在后期更新和维护时更加 “ ” 灵活，避免出现 孤岛 效应。 最后，在模型的应用过程中，进行定期评估与优化至关重 要。AI 模型在落地应用初期，其性能可能会受到各种外部因素的影 响，因此需要实时监控模型的运行效果，基于反馈进行持续优化。 对于模型性能下降或者适应性减弱的情况，应及时进行调整与实 验，以确保其持续为城市轨道交通提供有效支持。

回顾国内供应链近十年的发展历程，大部 分龙头企业通过ERP的实施落地，在当时已具 备线上化、自动化能力，从而推动企业向数字 化供应链的探索。高科技电子行业及快消零售 行业的数字化变革已经初具成效，AI算法嵌入 流程辅助决策；伴随DeepSeek等生成式AI技 术的普惠，数字化的领头羊们已开始加速规划 自主化能力与落地探索。 10 实现自主智能供应链 11 End to end supply

启动阶段 业务量变化，服务调整难度大 TI 平台价 值 TI 平台价 值 TI 平台价 值 TI 平台价 值 痛点 腾讯云大模型知识引擎 基于大模型应用开发平台，助力客户加速大模型应用落地 （零代码） 知识引擎应用开发平台：面向初级开发者 & 企业运 营 腾讯云全栈 AI 服务上线 DeepSeek 模型 通过 DeepSeek API 和应用开发平台多级能力，满足用户各类需求

发展趋势以及患者预后情况。 综上所述，医疗场景对 AI 生成式大模型的需求主要集中在数 据处理能力、个性化医疗、流程优化、互动智能等多个方面。这些 需求指向了 AI 技术在医疗场景中应用的广阔前景，为技术的落地 提供了坚实的基础。 根据市场调研数据，医疗行业对于 AI 技术的投入持续增长， 预计在未来的五年内，医疗 AI 市场规模将达到千亿元，年均增长 率超过 30%。这一市场趋势进一步证明了我们对 生成式大模型 在医疗应用领域的可行性分析是非常及时和必要的。 通过对这些需求的全面分析，我们明确了 AI 生成式大模型在 医疗行业中的重要作用，未来的技术研发和应用需要贴合这些需 求，以实现真正的落地实施。 3.1 患者管理需求 在医疗领域，患者管理是提高医疗服务质量和效率的关键环 节。随着人口老龄化和慢性病患者数量的增加，传统的患者管理方 式已逐渐显现出其局限性。基于 AI 生成式大模型的患者管理系统 是必须关注的重点。此领域相关法律例如《健康保险携带与责任法 案》（HIPAA）以及各类地区性数据保护法规，需要进行深入调研 和分析。通过建立合规机制，明确数据使用的边界和保护措施，可 以有效降低法律风险，提高应用落地的安全性。 伦理方面，AI 在医疗场景中的应用必须尊重患者的自主权与知 情权。在 AI 决策过程中，患者应被告知数据如何使用以及可能的 风险，确保透明度。在设计和实施 AI 应用程序时，应当坚持以患