按照安全风险识别结果，结合人工智能应用场景安全属性以及 智能化水平等，综合研判确定人工智能应用安全分级。 注：安全分级参考我国人工智能应用安全分类分级有关国家标准，分为 低安全风险、一般安全风险、较大安全风险、重大安全风险、特别重大 安全风险五级。 d) 梳理人工智能应用前期规划、设计开发、验证确认、部署、运 行和监控、持续验证评估、退役下线等阶段所涉及的建设部署 方、运行管理方，对每个相关方分别按照其所涉及的阶段开展 明确人工智能应用安全的第一责任人，建立覆盖前期规划、设 计开发、验证确认、部署、运行和监控、持续验证评估、退役 下线等各阶段的安全责任机制，以及覆盖模型选型、数据源选 取、部署方式选择等关键决策及关键操作记录，支撑重大安全 事件的责任追溯。 6.2 设计开发阶段 设计开发安全指引包括： a) 在算法规则、模型框架、系统架构等角度，提升人工智能技术 可解释性、公平性、鲁棒性、可靠性、透明性、隐私保护、价 生成式人工智能服务安 全基本要求》中 5.2 的要求。 2) 涉及控制物理装置的，测试能否避免与其他物体发生任务 计划外的碰撞，且在任务执行过程中不出现剧烈抖动或者 频繁卡顿的现象。 3) 涉及重大决策的，对可解释性、透明性以及输入信息遭受 干扰时决策结果的鲁棒性进行测试，并挖掘后门攻击等安 全风险。 c) 安全测试结果未达到规划的安全能力的，当与安全能力差距较 小时，重复采用模型调优等手段提升安全能力并重新开展安全

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 40%的工作时间在数据清洗与基础核对上，而抽样检查覆 盖率不足 5%的现象普遍存在，隐藏了重大风险盲区。其次，复杂 交易场景（如跨境并购、金融衍生品）的审计依赖专家经验判断， 95% ≥ 合规性条款 52% 90% ≥ 关联交易 45% 85% ≥ 操作风险 37% 80% ≥ 第三，系统需要支持 7×24 小时持续监控能力，某跨国企业的 实践表明，实时监控可使重大风险发现时效从平均 14 天缩短至 2.8 小时。这些需求直接指向需要构建具备自然语言处理、多维关联分 析和自动化工作流能力的智能审计系统，而 DeepSeek 的技术架构 恰好能填补现有技术栈的关键缺口—— 关键审计判断逻辑采用混合决策机制： 1. 结构化数据规则引 擎：处理税率计算、勾稽关系校验等确定性任务 2. 深度学习模 型：处理关联方识别、异常交易检测等非结构化问题 3. 专家系 统：对重大风险事项启动预设审计程序链 应用层构建审计工作台界面，集成三大核心功能：智能抽样模 块采用分层贝叶斯方法，在 95%置信水平下将抽样量降低 40%； 底稿自动生成模块支持按证监会各板块要求一键生成差异化的审计

应急管理体系和能力是国家治理体系和治理能 力的重要组成部分，加强应急管理体系和能力建设， 对于防范化解重大安全风险、及时应对处置各类灾 害事故，保护人民群众生命财产安全和维护社会稳 定具有重要意义。智慧应急是应急管理信息化建设 的总体目标，强调要适应科技信息化发展大势，以信 息化推进应急管理现代化，提高监测预警、监管执 法、指挥决策、救援实战、社会动员等应急管理能力。 大语言模型是具有大规模参数的深度学习模 transformer，BERT） 的出现，以及 2022 年第四代生成式预训练模型（gen⁃ erative pre-trained transformer，GPT），人工智能领域 自然语言处理方向的重大突破，引领了大规模预训 练模型及应用研究的热潮。大语言模型技术的迅猛 进展正深刻地影响着机器系统智能化的轨迹，标志 着进入一个新的人工智能时代。从 BERT 到 GPT [1-2]， 这些模型通过深度学习和海量数据训练，不仅推动了 management brain[J]. Journal of Command and Control, 2025, 11（2）: 217-224 摘 要 大语言模型不仅是人工智能领域自然语言处理方向的重大突破，也正在改变知识获取与知识创新的模式。在研究大语 言模型的知识获取与创新的原理之上，探讨了其在应急管理信息化建设中的应用，针对智慧应急中面临的建设困境以及业务系 统智能化水平的局限，提出了基

制造 技术标准 核心专利 核心器件 高端设备 基础支撑保障 供应风险 政府决策需求 企业创新需求 航空航天、轨道交通、新材料、新能源、电子信息等战略产业、未来产业对产 业信息智能分析提出重大需求，呈现广泛、持续增长的发展态势。 产业发展决策：广阔的社会需求 关键核心技术突破 创新链产业链融合 科技创新体系优化 产业创新生态营造 技术创新路径规划 数字化转型方案 智能制造升级 万级产业节点标准库 ，形成了 100+ 产业链知识图谱， • 进出口贸易数据：全球海关 50 亿条进出口记录 ，覆盖全球 150 多个国家、 80% 以上贸易量 • 招投标事件数据：汇聚了全国重大项目招采数据 14 亿 + 、招投标项目 300 万 + 、金额 2.2 万亿 元 + • 产品供应链数据：整理了 28 大类通用零配件、 10 万件标准件模型、供应商数字产品 1.9 亿件 “ 大小模型协同”的智能体框架 任 务 规 划 工 具 模 块 记忆模块 典型应用场景 省级四链融合决策应用实践：浙江省产业一链通 浙江省产业一链通从“产业链治理现代化 ”重大改革出发 ，着眼解决标志性产业 链“优势不突出、链条不完整、循环不畅通、转移非正常”等问题 ，形成强链、补 链、 畅链、 固链四大业务举措。 • 企业用户 6.3 万家 • 累计访问量

谷歌发布 Transformer 模型,凭借自注意 力机制突破长序列数据处理瓶颈,推动模型并行化训 练和高效计算,使得人工智能( Artificial Intelligence, AI)领域迎来重大发展。 2018 年,基于 Transformer 的 GPT 和 BERT 等预训练模型问世,开启了自然语言处 理(Natural Language Processing,NLP) 展。 2021 年, Vision Transformer、MAE 等模型将 Transformer 架构引 入计算机视觉领域,为 CV 大模型注入新活力。 2022 年,生成式 AI 取得重大突破,OpenAI 开发的 ChatGPT 通过监督微调(Supervised Fine-Tuning,SFT)和基于人 类反 馈 的 强 化 学 习 ( Reinforcement DeepSeek 的知识蒸馏训练范式 2025 年 1 月,DeepSeek 发布开源推理模型 DeepSeek- R1,其性能与 OpenAI 的 o1 正式版持平,标志着中国在 AI 领域的一次重大探索和成功。 DeepSeek 通过开源策略, 显著降低了 AI 技术的使用门槛,推动了 AI 技术的普及。 与 GPT 系列的训练范式不同,DeepSeek 强调从预 训练到强化学习知识蒸馏的过程。

危险化工工艺安全预警 实时监测危险化工工艺参数与 人员作业，运用时序大模型与 视觉大模型，实现高危工艺异 常识别与安全预警，结合风险 库，形成快速处置方案推荐 重大危险源监测告警 针对储罐、管廊等重大危险源， 基于实时物联监测数据，通过 时序大模型动态分析危险源状 态，智能识别风险特征，实现 告警识别与告警原因细分类 动态风险点识别 通过多模态大模型实现物联网、

隐患治理 1. 量化制订方案 2. 统一形成治理体制 3. 统一组织治理力量 4. 形成治理 - 反馈闭环 平时 战时 AI 赋能应急数字化场景 两客一危 突发人群聚集 重大防疫事件 森林火灾 公路生命通道 重大气象灾害 解决方案 - 智能预警与决策支持 02 人工智能辅助决策 人工智能技术平台 / 框架 CPU 集群 云平台 CPU 计算 IP 网络 GPU 集群 GPU

《交通控制服务器》外观设计专利证书 - 《 一种智能交通的分布式冗余控制方法及系统》 专利证书 - 北京市新技术新产品（服务） 证书 - 中关村首台（套） 重大技术装备试验、示范设备 东土智能交通解决方案的核心竞争力 - 用新一代的工业物联网技术去推动智能交通行业向数字化转型 东土工业物联 网架构和工业 级产品的核心 技术 清华交通研究 院交通行业的 统控制，并且路段的灯控可以与路口的信控进行联动，避免破坏主路的 控制策略 智慧斑马线 • 农村道路特点：主干线与大量支路密集交叉，从支线汇入主 干的人流、车流经常会与主干线车流发生重大交通事故 • 系统采用短距离目标探测传感器检测支路上行人 、车辆的 存在，利用调制的照明灯照亮斑马线，高分贝喇叭广播安全 警示信息，同时点亮主路上的爆闪灯、照明灯，触发主路来 车方向 100

 外部环境风险： 1. 密切关注政策法规变化，确保项目符合相关法律法规要 求； 2. 建立与外部合作伙伴的沟通机制，及时获取外部环境变 化信息； 3. 制定应急预案，确保在外部环境发生重大变化时能够迅 速调整项目方向。 最后，团队应定期进行风险复盘，总结风险管理的经验和教 训，不断完善风险管理机制。通过以上措施，可以有效降低项目风 险，确保知识库数据处理及 AI 大模型训练项目的顺利实施。 这些措施将有效降低技术风险对项目的影响，确保知识库数据 处理及 AI 大模型训练项目的顺利实施。 5.1.2 数据风险 在知识库数据处理及 AI 大模型训练项目中，数据风险是一个 关键的管理领域，可能对项目的成功产生重大影响。数据风险主要 包括数据质量、数据安全、数据可用性和数据合规性等方面。 首先，数据质量问题可能直接影响模型训练的效果。低质量的 数据会导致模型精度下降或偏差增加。确保数据质量的措施包括数 应商或云服 务商建立良好的沟通机制，确保资源能够按需调配。 通过以上措施，可以有效降低项目进度风险，确保知识库数据 处理及 AI 大模型训练项目按时完成。同时，建议建立风险应急预 案，在出现重大延误时能够迅速调整策略，最大程度减少对项目整 体的影响。 5.2 风险评估 在知识库数据处理及 AI 大模型训练项目中，风险评估是确保 项目顺利进行的关键环节。通过对潜在的内部和外部风险进行全面

测试应模拟不同时间段的高峰流量，如每月发薪日或节假日， 记录系统响应时间和资源使用情况，确保在高负载下系统性能仍然 达标。 3. 安全验证 o 进行全面的安全测试，包括漏洞扫描、渗透测试等，确 保系统无重大安全隐患。 如对 SQL 注入、XSS 攻击等常见漏洞进行测试，确保系统能够 有效防御各类攻击。同时，验证数据加密和传输安全，确保敏感数 据不会被窃取或篡改。 4. 性能验证 o 通过性能 序代码以及相关依赖库。备份数据应存储于高可用且安全的存储系 统中，并定期进行恢复测试以确保其有效性。 在部署过程中，将分阶段进行，每个阶段完成后立即进行功能 测试和性能评估。若在某阶段发现重大问题，应立即停止后续部 署，并根据预先定义的回滚策略执行回滚操作。回滚策略应明确以 下步骤： 1. 停止新版本服务：立即停止新版本的服务，防止问题进一步扩 大。 2. 恢复旧版本：从备份中恢复旧版本的应用程序、数据库和配置 现有硬件、软件环境以及业务系统的兼容性。此外，每次升级后需 进行详尽的性能测试和业务验证，确保模型的稳定性和准确性。 为应对突发情况，需建立完善的回滚机制。在升级过程中，保 留旧版本的备份，一旦新版本出现重大问题，能够迅速回滚至稳定 版本，保障业务的连续性。同时，建立详细的升级日志，记录每次 升级的时间、内容、测试结果及相关责任人，便于后续追溯和分 析。 在团队协作方面，需明确维护和升级的职责分工，确保每个环