[Table_ReportInfo] 《计算机行业跟踪周报 350 期：信创操作 系统持续发展，人形机器人落地前景可 期》2024.08.11 《医疗 IT 订单月度数据跟踪系列：7 月中 标订单表现平淡，政策有望加速医疗 IT 需求释放》2024.08.08 《计算机行业 2024 年 8 月研究观点：各 地政府积极布局，低空经济进入加速落地 期》2024.08.06 [Table_AuthorInfo] 管理等都能被 垂类智能体覆盖。结合多模态大模型，自动化和情感需求类智能体已落地。但商 业化智能体仍需考虑成本问题，由于智能体之间的交互过程可能出现错误循环且 输出结果不一定符合需求，tokens 成本远高于普通 LLMs。  人工智能发展迅猛，智能体商业化落地：未来多方面推动人工智能发展，应用级 别智能体有望快速落地。国内各地相继出台关于人工智能的发展政策，推动其为 重要的研究方向。预计 2026 ....................................................................... 12 3.未来展望：人工智能发展迅猛，智能体商业化落地 ..................................................... 13 3.1 海内外政策推动人工智能发展加速 ...................

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· · · · · · · · · · · · · · · · · · · · · · · · · · · ·

热线数据报告：围绕投诉、求助、建议与举报信 息开展时空定位、问题萃取、颗粒缩放、精细诊 断等多维度分析，输出周期报告和专题报告 大模型赋能政务热线应用 n 联通数智公司联合辽宁产互等打造政务热线大模型，已落地辽宁、北京等多省市12345项目 -22- 大模型辅助政府经济决策  2023年10月，服务北京发改委面向经济领域数据查询及分 析、报告撰写、经济领域知识问答等业务场景，实施经济大 模型， 源 大数据的独特优势，基于全国高质量经济语料，打造经济垂 直领域大模型，模型在查数据、问知识、做推理、快分析等 经济领域任务中都表现良好。 广东政数局 ”粤经济“平台 n 经济运行大模型落地北京发改委、广东政数局等多省市项目 -23- 大模型赋能公安智能化 n 联通数智公司联合北京联通等打造元景公安大模型，在北京西城、安徽省厅等多省市视侦智能化升级项目试点应用  在北京西城区 大模型医疗应用服务平台：提供模型微调、测评、推理加速等全链路工具箱，为医院管理、临床、教学、科研等工作提供新范式。 -25- 大模型赋能船舶设计 n 联通数智公司、上海联通与中船海舟联合挂牌成立联合实验室，探索大模型落地中船海舟船舶设计等应用场景  针对大模型处理公式计算和图表理解的不准确问题，使用5万条增量 数据对元景70B大模型微调训练，提升基础大模型计算的准确率；  针对上万页造船规范知识中的复杂问题，运用元景RAG技术中级联

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

研报名称：拟全资控股北京久安，增强公司市政工程实力 政策： 1. 分析师：庞琳琳 政策名称：水十条 ---- 研报名称：尘埃落地，水处理巨头再起航 2. 分析师：庞琳琳 政策名称：国家推广 PPP 的政策 ---- 研报名称：尘埃落地，水处理巨头再起航 新技术： 1. 分析师：庞琳琳 技术名称： MBR+DF 技术 --- 研报名称：尘埃落地，水处理巨头再起航 定增： 1. 分析师：庞琳琳 发行股数： 14,780 万股 发行单价： 发行单价： 42.16 元 / 股 募集金额： 62.3 亿元 --- 研报名称：尘埃落地，水处理巨头再起航 2. 分析师：邵琳琳 定增对象：国开金融 ---- 研报名称：定增入股漳州发展，再度演绎武 控模式 3. 分析师：邵建军 定增时间： 8 月 15 日 募集金额： 61.87 亿元 ---- 研报名称：巨额定增完成 静待业绩释放 4. 分析师：邵建军 发行股数： 1

15/80 口能源领域智能化目前大多停留在数据采集和信息展示阶段，尽管研究成果丰富，但 实际应用有限，尤其难以突破落地应用的瓶颈 期待发展趋势 — - 现有发展趋势 口主要解决数据采集和信息展示，停 留在“展示大屏”阶段 口学术发表算法成果很多，实际应用 极少，落地“最后一公里”很难 智个 能 化 程 度 → 时 间 范式困境主要原因一：场景多、碎片化、个性化，定制化开发成本高 … · 能源领域传统 Al 发展困境 DeepSeek 等带来的新范 式 例子：自动化研发，微软提 出工业 级 Agent 落地方案 RDAgent 53/30 2024 年 11 月 28 日，微软开源 RDAgent, 致力于打造一个工业研发过程的自动化助手，专注于数据驱 动 场景，通过提 不合理的期望管理 大模型团队不了解业务 缺乏清晰的产品 / 技术路线 技术方案过度设计 缺乏对技术发展的认知 沉迷于模型训练 高估项目的成功率 低估评估的重要性 忽略微调的隐藏成本 导致大语言模型项目落地失败的十大潜在风险 68/80 报 告 提 纲 DeepSeek 等带来的新范 式 大语言模型应用的科研案例 · 临近奇点： AGI 将带来颠覆 未来展望和结论

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