我们的调研显示，大多数企业才刚刚开始探 索和部署自主化能力。尽管约25%的受访企业已 开启自主化征程，但在从0（完全人工）到100% （完全自主）的指数体系中，供应链各项活动的自 主化成熟度中位数仅为16%（平均成熟度则为21%）。 预计在未来五到十年内，该成熟度中位数将大幅 提升至42%。 为了更深入地理解如何向更高自主化水平迈 进，我们将典型的供应链流程划分为9个集群和 29项具体活动（见图3）。例如，“生产制造”集 segmented into 28 activities grouped in 9 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 标杆，正迅速从当前主要由人工驱动的 运营模式转向增强型人工决策模式，这 对整个行业具有深远的启示意义。 • 流程导向型行业（如石油天然气、化工） 目前相对滞后。然而，其未来可观的成 熟度增长（如油气行业，预计增长超过 21%）预示着这些行业的应用势头日益 增强，有望缩小与离散制造业的差距。 • 尽管取得了显著进展，但尚无行业预计 能在未来五年内实现完全自主化，这 反映了业界对技术成熟度、运营复杂性、 监管环境以及人工监督必要性的现实

. 20 图 10 省级行政区存力分指数 Top10....................................................................... 21 图 11 省级行政区存力分指数-存力规模 Top10......................................................22 图 12 省级行政区存力分指数-存力质量 图 20 省级行政区环境分指数 Top10....................................................................... 32 图 21 省级行政区环境分指数-资源环境 Top10.......................................................33 图 22 省级行政区环境分指数-市场环境 （四）存力分指数 1.整体情况 我国省级行政区存力分指数 Top10 为广东省、江苏省、河北省、 北京市、内蒙古自治区、上海市、贵州省、福建省、山东省、浙江 省，具体情况详见图 10。 综合算力指数 21 存力 Top10 东部地区占八成，仍是数据存力的核心承载区。广 东电子商务、金融科技等产业发达，产生大量数据，企业需提升存 力规模和质量以满足高效存储和快速调用需求。江苏企业数字化转 型程

于应急预案、行动指南、历史案例、法律规范等显性 知识，缺乏诸如专家知识这一类在长期专业工作中 积累的经验、技能、组织记忆等隐性知识。显性知 识通常适用于常规决策中结构化问题的解决，隐性 知识则是临机决策能力提升的关键 [19，21]。然而，知识 管理模式不适用无法言明的、复杂的隐性应急知识， 这类重要的应急知识游离在系统之外，这也是制约 辅助决策功能的客观局限。 2.3 环境适应性挑战 应急管理实践需要应对自然环境、政治经济环 modernization of emergency capabilities[J]. China Emergency Management, 2022（7）: 24-31.（in Chinese） [21] 李振华, 薛耀文 . 应急知识管理、组织记忆与即兴决策能 力提升机理及路径研究 [J]. 科技管理研究, 2017, 37 （20）: 211-218. LI Z H, XUE Y W. Research

1 大模型技术近一年的发展演变· · · · · · · · · · · · · · · · · · · · · · 9 1.2 大模型技术在保险行业的应用现状及成效···············21 1.1.1 数据：多措并举缓解短缺状态· · · · · · · · · · · · · · · · · · · · 10 1.1.2 算力：单芯片算力达新高，国产化初具规模· · · · · · · · · · · · · · 45 1.2.1 应用现状· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 21 1.2.2 应用成效· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 23 1.2.3 面临挑战· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 125 图14 图15 图16 图17 图18 图19 图20 图21 图22 图23 图24 图25 图26 图27 图28 � � � 2023年被誉为“大模型元年”，在这一年里，中国见证了超过200个大模型的竞相涌 现，正式拉开了“百模大

...................................................................................................21 3. 应用场景规划........................................................................................ 8 的适配层，仅 更新 0.5% 的参数量即可实现以下性能提升： - 意图识别准确率从 82%提升至 94% - 工单分类 F1 值达到 0.89 - 响应生成 BLEU-4 分 数提高 21% 关键参数配置： 持续优化机制 建立闭环反馈系统实现模型迭代： 1. 在线学习 模块实时捕获客服人员的修正操作（如改写自动生成的回复） 2. 每周增量训练时引入硬样本挖掘（Hard 均 45 分钟缩短至 8 分钟，准确率提升 32%。关键数据对比如下： 指标 接入前 接入后 提升幅度 客户需求响应时效 2.3 小时 0.8 小时 65% 服务方案通过率 68% 89% 21% 高净值客户留存率 76% 92% 16% 制造业客户三一重工的案例显示，DeepSeek 模型在设备售后 场景中实现： - 故障描述自动归类准确率达 94% - 维修方案推荐匹 配度达

均使用了基础模型进行赋能, 展现出令人 惊讶的理解、判断和行动能力. 随着大模型的发展, 近年基于大模型的具身智 能工作已经成为研究热点, 各类试图将二者结合的 工作层出不穷. 尽管目前有一些以具身智能为主题 的综述[21−23], 但并未聚焦于大模型. 目前也有综述研 究大模型在机器人上的应用[24−28], 但不同的是, 本文 的内容更倾向于从具身智能的角度介绍二者如何有 机结合, 并加入对模型规划层级的分类探讨 于纯语言输入, 描述性句子用于指定目标对象和动 QT-Opt Pick anything Jaco play Push T TOTO 1M Episodes from 311 Scenes 21 Institutions across 34 Research labs 22 Embodiments 527 Skills Pour Stack 60 Datasets 1 798 Attributes intelli- gence via learning and evolution. Nature Communications, 2021, 12(1): Article No. 5721 21 Liu Hua-Ping, Guo Di, Sun Fu-Chun, Zhang Xin-Yu. Morpho- logy-based embodied intelligence: Historical

用场景下的更多应用，如探索智慧办公场景下的宣传文案、智能周报、文章翻译、会议纪要等细分场景。 n 我们认为，随着 DeepSeek 开源降本， 中小银行有望加速部署应用，快速追赶与大行之间差距。 资料来源：信通院、中泰证券研究所 21 落地进展：大行发力早，中小银行推进更快 50% 40% 30% 20% 10% 0% -10% -20% 2022 金融科技投入（亿元） 2023 金融科技投入（亿元）

......20 2.1.2 外部数据来源.............................................................................21 2.1.3 数据采集工具及方法..................................................................23 2.2 数据清洗与预处理 周：系统集成与接口开发 - 第 18-19 周：功能测试与性能测 试 - 第 20 周：修复 bug 与系统优化 第五阶段：项目交付与维护（第 21-24 周）。在此阶段，项目 将正式交付并进入维护期。主要工作包括： - 第 21 周：用户培训 与文档编写 - 第 22-23b 周：试运行与用户反馈 - 第 24 周及以后： 系统维护与持续优化 整个项目周期为 24 周，为确保项目按时完成，每个阶段都预 15-18 周：开发模型代码，搭建训练环境，进行初步 的模型训练和调试。 o 第 19-20 周：完成模型优化，调整超参数，提升模型的 性能和泛化能力。 4. 模型训练与验证阶段（第 21-28 周） o 第 21-24 周：使用预处理后的数据集进行模型训练，记 录训练过程中的关键指标和结果。 o 第 25-26 周：对训练好的模型进行验证，使用独立的验 证集测试模型的准确性和稳定性。 o

|——————–|————–|——————| ———-| | 数据处理效率 | 100 笔/ 小时 | 800 笔/ 小时 | 700% | | 异常检测准确率 | 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 金流向分析 | 可疑交易检出率提升 35% | | 底稿自动生成 | 按照 AS 2201 标准的结构化输出 | 编制时间缩短 60% | | 准则合规检查 | 实时对照 CAS 21 号等最新准则条款 | 合规问题发现率提高 28% | 具体到审计效率提升路径，DeepSeek 可构建端到端的智能辅 助系统：在计划阶段自动生成风险矩阵，基于被审计单位行业特征 （如 据通过 ETL 管道进行清洗与标准化，关键步骤包括： - 字段对齐：将企业财务 数据字段映射至统一审计标准模板，例如将客户自定义科目 “ （如 其他应收款- ” 关联方 ）映射至 CAS 21 标准科目。 - 异常检 测：基于孤立森林算法自动识别金额异常波动（如单笔交易超过上 季度均值 3σ ）或分录模式异常（如频繁午夜过账）。 - 上下文增 强：注入审计知识图谱数据，包括企业股权结构、行业风险指标

教育课堂评价系统 .............................................................................................. 21 图 12 智医随行大模型 ...................................................................................