clusters of similar nature of task 按相似特征划分的 活动集群 20. 21. 生产控制 质量控制 设计、研发与战略采购 1. 创意构思/创新 2. 新产品/新服务的设计、测试与验证 3. 采购寻源、供应商选择及合同磋商 4. 供应商发展与关系管理 计划与排程 5. 供需集成计划 6. 生产排程/物料需求计划（MRP） 7. 运输计划 14. 15. 16. 生产/制造 产品组装 产品包装 设置、维修与切换 质量与生产控制 运营采购 预警、风险、改进 17. 18. 19. 产业化（初始设备设置、规模扩大） 切换（包括清洁） 维修 22. 23. 供应商合同签订 采购到付款 24. 25. 26. 异常或风险检测及预警 评估与根因分析 内部及与供应商共同执行改进计划 [全球专家组观点] 预警、风险、改进 5 运营采购 8 设置、维修与切换 9 25 50 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 未来状态描述 主要由 人工驱动 主要为 自动化 增强型 人工决策 自主化 质量与生产控制 1 生产制造 2 客户与现场支持 3 6 运输 7 计划与排程 设计、研发与战略采购 4 基于AI解决方案的自动化质量控制，根据预警自动调整生产控制。

材料价格、人工成本、施工进度等，传统方法难以高效处理。 - 动 态变化快：市场材料价格、人工成本等因素波动频繁，传统的静态 分析方法无法及时响应变化。 - 跨专业协作难度高：造价管理需要 与设计、施工、采购等多个专业部门协同工作，信息流通不畅容易 导致误差和延误。 - 风险管理不足：传统方法在风险预测和应对措 施上较为薄弱，难以提前识别潜在的成本超支或工期延误风险。 DeepSeek-R1 大模型通过引入深度学习算法，能够在以下方 对预测结果的解释，帮助用户理解影响造价的关键因素。 此外，DeepSeek-R1 还结合了强化学习算法，通过与实际工 程环境的交互，不断优化模型的决策能力。例如，在材料采购策略 优化中，模型通过与供应链管理系统的集成，能够动态调整采购计 划，以最大程度降低成本并满足工程需求。 2.4 模型训练与优化 在 DeepSeek-R1 大模型的训练与优化过程中，采用了分布式 训练架构，结合大规模的工程造价数据集进行迭代训练。数据集涵 施工图纸和工程量清单，详细计算各项工程的直接成本、间接成本 及税金等。大模型可以通过自动化生成工程量清单，减少人为误差， 并结合市场价格动态调整预算，确保预算的实时性和准确性。此外， 施工图预算还需考虑施工组织设计、材料采购计划等因素，确保预 算的可执行性。 在招投标阶段，工程造价的核心在于工程量清单的编制与投标 报价的合理性。工程量清单需准确反映工程的全部内容，避免漏项 或重复计算。大模型可以通过智能识别技术，自动生成工程量清单，

在保持审计证据链完整性的前提下，实现技术赋能的实质性突破。 流程自动化（RPA）的局部应用虽能提升基础核对效率，但在 面对非结构化数据（如合同文本、邮件通信）时仍显乏力。某上市 公司审计案例显示，其采购循环审计中仍有 62%的供应商资质验证 需要人工复核扫描件，这类场景亟需具备多模态处理能力的智能体 支持。同时，审计质量控制的最后一公里问题突出，现有系统缺乏 对审计底稿逻辑完备性的自动校验能力，导致约 财务总账、明细账 字段映射（科目代码→标准科 目体系） 关系型数据库 表 半结构化数 据 电子发票、银行对账 单 JSON/XPath 解析 文档数据库存 储 非结构化数 据 采购合同、审批邮件 OCR 识别+NLP 实体抽取（金 额、签约方） 知识图谱三元 组 数据清洗阶段需部署规则引擎与机器学习双校验机制： 1. 规 则校验层：实施强制约束（如借贷平衡校验、凭证号连续性检测） 银行回单 | ” ” 出现 银行业务凭证 及银行 LOGO | 中 | | 采购合同 | ” 包含 合同协 ” 议 及双方签章页 | 低 | 对于复杂场景，系统采用两级分类策略：先通过关键词匹配进 行粗分类，再使用基于 BERT 的细分类模型处理模糊案例（如区分 服务合同与采购合同）。分类结果实时反馈至审计工作底稿系统， 并标记低置信度记录供人工复核。 异常处理机制包括：

服务器，每台服务 器配备不少于 32GB 显存和 1TB 的高速存储空间，以确保模型训练 和推理的高效运行。 接下来，制定详细的部署时间表，确保各个阶段的任务按时完 成： 1. 第 1 周：完成硬件采购和安装，进行初步的系统配置和网络调 试。 2. 第 2-3 周：搭建模型运行环境，包括安装深度学习框架（如 TensorFlow 或 PyTorch）、配置数据库和中间件。 3. 第 4 周：将 万元人民币。此外，还需要考虑电力消耗、冷却系统以及 数据中心租赁或建设的相关费用，预计年度费用为 300 万元人民 币。 为确保预算的合理性和可控性，建议将项目分为多个阶段，每 个阶段的预算分配如下：第一阶段（硬件和软件采购）1500 万 元，第二阶段（人员招聘和培训）1200 万元，第三阶段（系统部 署和测试）800 万元，第四阶段（运营和维护）700 万元。监控机 制对成本控制尤为重要，采用项目管理软件和财务分析工具定期审 大模型在银行系统的顺利部署和 长期稳定运行。 16.1 成本分析 在部署 Deepseek 大模型于银行系统的过程中，成本分析是确 保项目可行性和可持续性的关键环节。首先，硬件成本包括服务 器、存储设备和网络设备的采购与维护。考虑到深度学习模型的复 杂性和计算需求，需配置高性能 GPU 服务器集群。初步估算，每 台服务器的成本约为人民币 50 万元，预计需要 10 台服务器，总计 500 万元。此外，还需考虑数据存储设备，预计成本为

资源配置方面，需合理分配人力、物力和财力。核心开发团队 包括 5 名开发工程师、2 名测试工程师和 1 名系统架构师。硬件资 源包括服务器、存储设备与网络设备，需提前采购并部署至开发环 境。项目预算需涵盖人员成本、硬件采购、软件许可与运营维护费 用，确保资金充足。 项目实施过程中，需与相关方保持密切沟通，包括业务部门、 技术团队与外部供应商。定期向相关方汇报项目进展，获取反馈并 调整 程师，确保系统的稳定运行和后续维护。此外，还需配置专门的财 务人员和采购人员，负责预算管理和资源采购。 在硬件资源方面，应根据系统规模和数据处理需求进行合理配 置。开发环境和测试环境需要配备高性能服务器、存储设备和网络 设备，确保系统开发和测试的顺利进行。生产环境则需要考虑系统 的扩展性和高可用性，配置冗余设备和负载均衡设备。此外，还需 采购必要的软件工具和开发框架，包括数据库管理系统、机器学习 平台和开发工具等。 预算的编制应全面考虑项目的各个方面，包括人力成本、硬件 采购、软件许可、培训费用和运维成本等。具体预算编制可参考以 下示例：  人力成本：项目经理 1 人，系统架构师 1 人，数据工程师 2 人，算法工程师 2 人，软件工程师 4 人，测试工程师 2 人，运 维工程师 1 人，财务人员 1 人，采购人员 1 人，预计总人力成 本为 500 万元。  硬件采购：高性能服务器 10 台（每台 10 万元），存储设备

析。例如，在客户服务领域，AI 智能体可以通过分析客户的历史行 为和偏好，提供个性化的服务建议，从而提升客户满意度和忠诚度。 此外，在供应链管理方面，AI 智能体能够实时监控库存水平，预测 市场需求，并自动调整采购计划，以确保供应链的高效运转。 其次，商务 AI 智能体的应用不仅限于单一的业务环节，而是能 够贯穿整个企业价值链。从市场营销到财务管理，从人力资源管理 到产品研发，AI 智能体都能够通过智能化的数据处理和分析，帮助 智能体能够通过预测模型和机器学 习算法，提前识别潜在的业务风险，如市场波动、供应链中断等， 并提供相应的应对策略。例如，智能体可以监控供应链中的各环 节，预测可能出现的延迟或中断，并自动调整采购计划，确保生产 的连续性。 最后，商务 AI 智能体还支持与现有企业系统的无缝集成，无 论是 ERP、CRM 还是财务系统，智能体都能够与企业现有的 IT 架 构无缝连接，确保数据的实时同步和流程的自动化。通过 需求波动，优化库存管理，减少库存积压和缺货风险。例如，零售 企业可以利用 AI 智能体动态调整采购计划，确保供应链的高效运转。 在财务和会计领域，AI 智能体能够自动化处理大量的日常财务 工作，如发票处理、账单核对、税务申报等。这不仅提高了工作效 率，还减少了人为错误。例如，企业可以利用 AI 智能体自动识别 和匹配发票与采购订单，确保财务数据的准确性和一致性。 人力资源管理中，AI 智能体可以帮助企业进行简历筛选、面试

亿 + 6000 万 + 23 万 + 42 万 + 最具权威的产业链、供应链数据资源 海量数据资源 国家工业互联网大数据中心 浙大 CCAI 产业链大数据中心 工信部采购中心 高管信息 法人社会组织 招标采购公告 招投标主体 每日招采公告 标的数据 l SupXmind 基础平台： 充分融合大模型 + 知识图谱的前沿技术 ， 贯穿从“大数据 ”到 “ 大知识”到“大模型”全流程

运维复杂度⸺人力与资源的双重负担：云计算的分布式架构和动态资源调度需求增加了运维 难度。大型企业可能使用跨区域、跨云环境下数以千计的实例，处理自动化扩容、故障转移 等复杂任务。企业需投入大量的云原生开发和运维人才，采购昂贵的监控与自动化工具等。 成本控制⸺算力性价比难题：企业多云集群和异构计算资源的效率和适配不足，使算力成 本长期居高不下，弹性能力的缺失造成的大量云实例闲置，也加剧了浪费现象。在企业加速 业 RAG。在文档提取洞察、智能合规审计等场景中，实测智能体表现优异，任务平均处理时间大幅 降低。搭载至强 ® 6 处理器，在承载同等规模智能体服务时，所需服务器节点数量减少了 30%， 金融机构由此可降低 25% 的硬件采购与运维成本。 安全应用：在线支付的“刷脸”瞬间，需要同时完成活体检测、人脸比对和交易风险评估。英特尔 处理器的强大算力确保了 ZOLOZ 服务在极端并发压力下，保持低于 100 毫秒的响应速度。蚂 关于 IDC 国际数据公司（IDC）是在信息技术、电信行业和消费科技领域，全球领先的专业的市场调查、 咨询服务及会展活动提供商。IDC帮助IT专业人士、业务主管和投资机构制定以事实为基础的技术 采购决策和业务发展战略。IDC在全球拥有超过1100名分析师，他们针对110多个国家的技术和行 业发展机遇和趋势，提供全球化、区域性和本地化的专业意见。在IDC超过50年的发展历史中， 众多企业客户

能挖掘应用，我们将从设备、技术人员、资金、时间和运营支持等 多个方面进行资源配置。 首先，设备配置方面，我们需要针对视频数据的处理和存储需 求进行合理规划。根据视频监控点的数量和数据流量，计划采购多 台高性能服务器，并配置必要的存储设备，以确保数据存储和快速 处理能力。以下是设备配置的初步计划： 设备类型 数量 规格说明 高性能服务 器 10 台 CPU：16 核，内存：64GB，存储：2TB 网络安全专家 1 人 数据安全与网络防护 项目管理人员 1 人 整个项目的协调与推进 在资金方面，考虑到设备采购、人员培训、软件开发及运营维 护，我们初步制定如下预算计划，确保资金到位且合理分配。其 中，也要考虑到不可预见的支出，以应对可能出现的技术难题。 费用类别 预算金额 说明 设备采购 100 万元 包括服务器、存储及网络设备 人员工资 80 万元/年 包括所有技术人员的薪资 软件开发 各类软件许可及开发成本 运营维护 30 万元/年 系统运营及日常维护费用 在时间管理方面，我们需要对项目进行详细的进度安排，确保 各阶段任务按时完成。项目实施计划初步设定为六个月，具体安排 为：前两个月进行设备采购与部署，第三个月进行系统集成与测 试，第四个月进行人员培训与初步运行，第五个月进行优化与调 整，第六个月进行全面评估与总结。 最后，在运营支持上，确保与当地公安单位及相关部门的密切 联系，以

部大模型接入和应用，聚焦具体场景、联合头部厂商完成大模型应用落地。 3.保险业落地实践篇 3.1 大模型落地路线 3.1.1 落地路线方法论 在保险企业寻求解决业务问题的过程中，直接采购已经训练好的大模型成为一种越 来越受欢迎的策略。众多模型服务商不仅提供将自家模型部署在客户环境中的能力，而且 与云平台的紧密合作，使得大模型服务可以通过云托管的方式提供，这种灵活的使用模式 进一步降低了保险企业使用大模型的门槛。 对于不涉及数据安全的场景，通过对多家商用大模型进行评测，优选市场上综合效果 表现出色的大模型，直接实现云服务接入。同时搭建智能路由体系，支持根据能力和性价 比自由切换调用。对于有数据安全的应用场景，采用采购商业大模型或基于开源大模型自 研两种方式，需综合平衡应用场景特点、大模型的智能性、成本、实现时间，并行从两种方 案进行择优选择。 （2）第二层：保险通用能力层 沉淀通用保险知识，构建“最懂保 自身实际情况，评估业务需求复杂度、可获取的数据量、现有计算资源及成本效益，权衡利 弊，选择最适合自身需求的大模型尺寸。 为满足内部多样化场景的需求，阳光正言GPT的建设采用了多尺寸大模型构建的 思路。 （1）千亿级大模型建设采用采购商业大模型和基于开源大模型自研两种方案，根据具 体业务场景择优选择。考虑到千亿级大模型训练需要的算力和数据巨大，主要研发推理加 速技术，以提高模型响应速度、并发并降低硬件成本。利用提示词、检索增强生成和智能体