DeepSeek 技术是一种基于大数据和人工智能的高级分析工 具，旨在通过深度学习和自然语言处理技术，为资产配置规划提供 精准的数据支持和决策建议。其核心优势在于能够处理海量复杂数 据，快速识别市场趋势和风险因素，从而优化投资组合的配置效 率。DeepSeek 系统通过集成多源数据，包括宏观经济指标、行业 动态、市场情绪以及历史交易数据，构建了一个全面的数据分析平 台。其独特之处在于能够实时更新数据，并结合机器学习算法不断 "股票" : 50 "债券" : 30 "现金及现金等价物" : 10 "另类投资" : 10 在实施资产配置规划时，还需考虑税收、流动性以及交易成本 等因素。例如，某些资产类别可能带来较高的税收负担，投资者需 通过合理规划降低税务成本。流动性需求较高的投资者应增加现金 及现金等价物的比例，以确保在需要时能够迅速变现。 此外，资产配置规划并非一成不变，而是需要根据市场变化和 更高的长期收益；而临近退休的投资者则可能更注重资产的保值， 增加债券和现金的比例。此外，市场环境的变化、经济周期的波 动、政策法规的调整等因素，都可能影响资产配置的合理性，因此 定期进行资产配置的再平衡是必要的。 总之，资产配置是一项系统工程，需要综合考虑多种因素，通 过科学的方法和工具，制定并执行切实可行的投资策略，以实现投 资者的长期财务目标。 2.2 资产配置的目标 资产配置的目标是通过合理分配不同类型的资产，以实现投资

....163 8.2 国际钢铁企业的 AI 应用案例............................................................165 8.3 成功因素分析....................................................................................167 9. 持续改进与未来展望 数据，识别出潜在的瓶颈和优化点。例如，利用 AI 算法预测和调 节炉温、压力等生产参数，从而实现更高的产量和更低的燃料消 耗。 其次，AI 能够在产品质量检测中发挥重要作用。传统的质量检 测往往依赖人工检查，效率低且容易受到主观因素影响。采用计算 机视觉和深度学习技术，AI 能够分析产品表面的缺陷，实时识别出 不合格品。例如，通过机器视觉系统对钢材表面进行扫描，AI 可以 自动识别裂纹、凹陷和其他缺陷，大幅提高检测精度和效率。 进行实时监控与调整。 轧制则是通过机械设备将铸成的钢锭或钢坯加工成各种规格的 钢材。轧制过程分为热轧和冷轧两种，热轧可以提高生产效率，而 冷轧则通常能够获得更好的表面质量和机械性能。在轧制过程中特 别需要考虑的因素包括轧制温度、轧制速度和辊间隙等，这些参数 的变化将直接影响成品的尺寸和质量。 整个钢铁生产流程中，各个环节的数据采集和监控也是非常重 要的，借助现代信息技术和 AI 大模型的应用，可以实现对生产全

在对每一个问题进行解释回答时，会出现很多的相关因素，需要尽量聚焦主要原因，剪除次要原 因。以下图示例为例，首先提出一个初始问题：保险公司该如何布局AI能力？其次，根据抛出的 第一个问题去思考相关的答案。比如，保险公司需要通过布局AI来提高其效率和精准度，个性化 产品和服务，专注创新和长期发展等。在这些可能的答案里，找到专注创新和长期发展是企业需 要布局AI能力的根本因素。然后，再进一步思考保险公司为何要专注于创新和长期发展？进一步 探究是因为目前复杂的经济环境和科技变化让企业的未来充满不确定性。当找到了“未来的不确 定性”是企业需要关注的重要原因后，再深入去思考这些导致“不确定”因素具体是什么，等等。 上述例子在不断深挖问题的过程中，可能使得问题本身变得破碎，因此，针对每一个问题的解释 回答，不仅要聚焦一个重要的因素，同时在一些必要阶段需要进行升维/抽象化，使得最终的问 题具有通用性。在这个例子中，最终可能会将问题抽象聚焦为：“看不清楚未来的趋势和规律” • 风险评估：分析行业内的主要风险， 包括市场风险、信用风险、操作风险 等。 • 合规要求：确保对行业合规要求有深 入理解，以适应监管环境的变化。 • 可持续发展：考虑环境、社会和治理 （ESG）因素如何影响保险行业的长期 发展。 • 战略规划：基于各类参考系综合分析， 制定长期的业务发展战略和规划。 技术成熟、市场趋于饱和； 有闲阶级和资本的出现； 新的投资机会短缺；经济 大概率出现“滞胀”；自满

讨医疗AI相关热点、痛点及实际问题，以期为医疗AI在广西的应用和落地绘制蓝图、切准方向，推进相关合作等。 本报告以人工智能在医疗场景中的应用为主体，结合广西的地方特色，通过动脉网·蛋壳研究院的调研及分析，分别从： 经济要素、人口结构因素、疾病谱要素及供给要素四个宏观维度洞察广西的医疗发展现状，并提出需要重点关注的四大变化 及由此衍生出的六大机遇与挑战。在宏观层面，我们将会提出发展建议；在微观层面，我们将会重点聚焦人工智能的四大落 壮族自治区在医疗人工智能领域带来建设性的发展规划，帮助医疗人工智能产 品在广西实现真正落地。 研究目的： 广西医疗产业现状洞察：从“变化”开始，重点关注四大宏观维度 从“变化”开始，四大驱动因素引发广西未来医疗产业变革。经济要素——引发的医疗消费能力变化；人口结构要素——引发的医疗受 众人群结构变化；疾病谱要素——引发的医疗刚性需求变化；供给要素——引发的医疗服务能力变化。 人口结构要素--引发的医疗受众人群结构变化 57.3 59.9 60.0 2013年 2014年 2015年 2016年 2017年 每万人拥有卫生技术人员数 0.2% 机遇与挑战并存，以政策为抓手应对“六大”机遇与挑战 四大“变化”因素引发居民的医疗期望上升、政府支付负担上升、老年人医疗需求增加、城镇医疗机构负担加剧、高致死率疾病刚性需求增 加、医生缺口及负担明显加剧等六大现象。面对机遇与挑战，我们认为：以政策驱动“新技术”落地解决广西医疗领域供需矛盾。

分钟，而在非高峰时段，候车时间也超过了 8 分钟。这种长时间的 等待不仅影响了乘客的出行效率，还可能导致乘客选择其他出行方 式，进而影响公共交通的客流量。 其次，车内拥挤问题也是乘客体验差的一个重要因素。特别是 在早晚高峰时段，车内乘客密度大，空气质量差，给乘客带来了极 大的不适。根据某城市公交公司提供的数据，高峰时段的车内乘客 密度达到了每平方米 8 人，远超出舒适标准。这种拥挤不仅影响了 过对这些数据的实时分析，系统能够动态调整车辆调度策略，例如 在高峰时段增加班次，或在低峰时段减少车次，以实现运力与需求 的匹配。 其次，系统需要支持多目标优化算法，综合考虑乘客出行体 验、运营成本和能源消耗等因素。例如，系统可以通过算法预测未 来 30 分钟的乘客需求分布，并根据预测结果动态调整车辆的发车 间隔和行驶路线。优化目标包括但不限于： - 最小化乘客等待时 间； - 最大化车辆满载率； 算法的精准度还体现在对乘客需求的精确预测上。通过分析历 史数据、天气条件、节假日等因素，DeepSeek 算法需准确预 测未来某一时段内的乘客流量分布。这有助于优化资源配置， 避免高峰期运力不足或低峰期资源浪费。 3. 路径规划与导航 DeepSeek 算法需为公交车辆提供最优路径规划，避免因路线 选择不当导致的延误或能源浪费。精准的路径规划算法应综合 考虑以下因素： o 实时道路状况（如施工、事故等）； o 交通信号灯状态；

其中，无论在中国，还是在美国，数据中心的能效提升是确定性较强的部分。 PUE都受到监管机构或ESG政策的约束，近十年来全球数据中心平均PUE仅从1.65 降至了 1.58，并非影响近年来数据中心用电量增长的核心因素。 这些研究报告，对于人工智能技术最发达、电力市场化程度最高的美国研究比较 充分，为关于中国的研究提供了基准性的参考，但忽视了中国所面临的芯片系统 技术的挑战及能源电力市场的差异性。这些报告对美国智能算力增长和电力需求 2028 年该占比将升至超过 14%。 中国算力增长预期，不确定性主要在技术 对于中国而言，国产芯片的迭代速度与产能瓶颈，即芯片能效提升预期，以及 算力增长预期中的算力供给问题，才是最敏感的影响因素。因此，重估中国 AI 算力与电力在不同情景下的预期，主要从较不确定的芯片创新的角度，而非美 国的较确定的算力增长的角度。 中国目前无法通过官方渠道同步获得英伟达最先进的 GPU。美国降下的“硅幕”， 年，技术保守情景约 需要 14700 万张等效 A100；技术乐观情景则需要累计部署等效的 1700 万张 A100，970 万张 H100，1125 万张 B200。为简化讨论，暂不考虑因折旧等因素， 存量算力改由更高能效芯片提供等情况。 测算方法与结果 中国智能算力用电量增长预测 16000 14000 12000 10000 8000 6000 4000 2000 0

色。随着计算资源的不断优化和训练数据的规模化扩展，大模型的 参数量从最初的几亿迅速增长到数百亿甚至上万亿，例如 OpenAI 的 GPT 系列和谷歌的 PaLM 模型。然而，参数量并非唯一的关键 因素，模型的架构设计、训练效率和推理性能也在不断优化，推动 了技术的实际落地应用。 在建筑设计领域，大模型技术的应用潜力巨大。首先，通过融 合多模态数据（如文本、图像和三维模型），大模型可以辅助设计 生成多个备选方案，并根据预设的评价标准，自动筛选出最优方 案。这不仅提高了设计效率，还确保了设计方案的质量。例如，在 城市规划项目中，模型可以根据交通流量、人口密度和环境因素， 生成多个规划方案，并推荐最优方案。 最后，DeepSeek 大模型的安全性和可扩展性也是需求分析中 的重要考虑因素。模型需要具备强大的数据处理能力，能够处理大 规模的建筑数据，同时还需要具备良好的数据安全机制，确保设计 数据的安全性和隐私性。此外，模型还需要具备良好的可扩展性， 对于大型公共建筑和城市综合体项目，大模型在城市规划和景 观设计中也有广泛应用。模型可以分析城市的人口密度、交通流 量、土地利用等因素，帮助规划师制定科学的布局方案。例如，在 商业综合体设计中，模型可以模拟人流分布，优化商业业态的布 局，提升项目的经济价值。同时，大模型还可以结合地形数据和环 境因素，生成最优的景观设计方案，增强建筑与自然的融合。 在建筑遗产保护与修复领域，大模型也展现出其独特的优势。 通

舱、智能驾驶/远程驾驶、智慧公交、智慧高速、智慧停车、城市交 通大脑等。相较单一场景，综合应用场景的技术复杂度最高，受国家 和民众的关注度也最高，一旦解决方案成熟，其释放的经济社会效益 也最大。受限于多种因素，目前此类应用还处在商业落地的早期。 二、人工智能在交通领域的业务应用现状 （一）人工智能在交通领域应用的产业环境趋好 1. 政策面利好 交通信息化和智能化是我国从交通大国向交通强国迈进的重要 等。其中，使用人脸识别技术的身份核验已经广泛应用在民航、高铁 等场景，在新型冠状病毒4疫情期间，非配合式体温测量系统也在地 铁等场景得到广泛使用。 2. 载运工具 载运工具是交通运输系统中非常活跃和重要的因素，其创新往往 会引起交通运输系统的重大变革。人工智能技术正在从智能化、电动 4 此处特指 2019 冠状病毒（COVID-19）。 人工智能在交通领域业务应用白皮书 9 城市智能交通规划可以分为短期规划和长期规划。短期规划中， 通过分析居民出行行为和偏好，精确把握其出行时空特性，进而开展 线网规划、车辆规划等内容，例如公交线路的优化、潮汐车道的设置 等。长期规划则需要考虑更多因素，如城市规模扩张、人口数量增长、 车辆数量增加，以及资源、环境、安全等方面的制约，在此基础上规 划交通基础设施建设、交通枢纽设置等。 5. 基础设施 人工智能在交通基础设施中的应用涉及设计、建设、运维、管理

有效探测、收集信息或实施攻击行为,进而增加系统弹性,提 高系统的主动防护水平[６Ｇ８]. ２．１．２ 部署移动目标防御需要考虑的因素 １)确定需要保护的关键目标,并确定移动目标防御在网 络中的部署位置,以提供更全面的保护; ２)需要在系统安全和性能之间进行平衡,同时考虑系统 复杂性、资源需求和管理成本等因素[１０]; ３)需要定期评估 MTD 策略的有效性,并 及 时 更 新 防 御 机制和策略,以适应不断变化的威胁环境; 略.但单阶段博弈模型只考虑了攻防过程中各种随机因素稳 定不变的情况,并不符合真实网络攻防情景[５５]. ②多阶段博弈指所有参与者可以在多个阶段进行决策, 根据其他参与者的决策及时调整策略,每个阶段的决策都可 能影响后续阶段的决策和收益.参与者之间进行相互博弈, 力求自身收益最大化.多阶段博弈模型考虑了长期攻防对抗 中,攻防策略改变等随机因素的影响,扩大了移动目标防御机 制在攻防场景下的适用范围 ComputerScience 计算机科学 Vol．５１,No．１１A,Nov．２０２４ 以有效地阻碍网络攻击进程,增大攻击成本,从而增强目标系 统的安全性能[１２Ｇ１５]. ３．１．２ 部署欺骗防御需要考虑的因素 １)防御者部署的欺骗环境不能干扰真实业务系统的正常 运行,并且需要在安全性和系统性能之间进行平衡. ２)防御者必须具有欺骗环境的控制权,能够辨别欺骗环 境和真实业务系统的不同之处.在欺骗环境被攻击者识破并

结合综合通胀指标，研判近月股债强弱 应用价值：对短期股票盈利与估值提 供指引，捕捉交易机会，把握市场短期 波动节奏 中周期 判定核心：关注“资产价格”向“内 在价 值”回归的路径，分析经济周期、企业盈 利趋势等因素 应用价值：指引 3-5 年维度的资产配 置决策，优化股债配置结构，平衡成 长 性与价值回归 长周期：科技驱动的结构性变迁 判定核心：科技革命驱动的 40-60 年 的超长期经济周期 国信周期框架：统筹短、中、长，多维视角指引资配 美林时钟框架（工业增加值 +PPI ）：经济增长周期和通货膨胀周期 货币信用框架（货币政策目标 + 信用脉冲）：关注的两大因素为货币周期和信用周期 财政货币框架（货币政策力度指数 + 财政政策力度指数）：关注的两大因素为货币政策周期和财政政策周 期 信贷库存框架（票据余额增速 + 贷款余额增速）：类比实体库存周期从金融角度来刻画库存周期的波动 产能库存嵌套框架（ 年核心 矛盾是海外地缘影响下的企业增收不增利，锚定利润增速指标； 2022 年核心矛盾是融资数据剥离掉短期票据和贷款的冲 量，回归企业中长期信贷对利润的持续支撑； 2023 年关注点在于剥离国央企贷款因素，找到衡量居民信心的家庭部门中 长贷款增速，流动性焦点从国内变迁到海外； 2024 年关注财政脉冲发力对实体信心的修复 图 18 ： 2020 年以来大类资产配置模型的选择和变迁历程 请务必阅读正文之后的免责声明及其项下所有内容