务场景融合，再到数字化创新赋能业务升级， 推动企业整体数字化转型，以数字化转型伙伴 的身份和企业一起见证了数字化发展过程中遇 到的很多问题和挑战。 目前，勤达睿在大中华区的业务专注于为 数字化技术提供整合及可靠的数字化运营服务， 能够全方位参与企业数字化转型从关键任务型 IT 基础架构的设计、构建、管理并不断更新的 全流程，统筹企业的数字资源，提供陪伴式的 服务。 总之，面向未来的增长，“数字化运营” 总结来看，数智价值链中的数智活动包括 三个职能： 数据整合：完成三项整合目标 数据整合职能即从价值链各个活动采集并 整合数据资源，并在此基础上完成数据加工和 特征工程，促进企业内部数据要素的流通使用。 例如，银行业实施智能营销项目，需要整合顾 客的账户活动、投资理财、消费、过往的营销 互动、在网银上的点击流等数据，再进行智能 分析。 基建阶段，数据整合职能面对的突出挑战 是纯粹技术层面的，例如如何有效存储海量数 据。进入价值变现阶段，数据整合职能应完成 数据采集、数据加工和特征工程三个目标。数 据采集和数据加工的概念相对清晰。特征工程 指从原始数据中提取具有商业价值和管理意义 的数据特征项，从而让智能分析项目直接使用 这些特征，大大加速智能分析的效率。同时， 这些工作应该集中在企业层面完成，避免某个 业务活动缺乏全局数据、不同业务活动对数据 重复提取的问题。 当下，数据整合职能面对的一个突出挑战

DeepSeek-R1 的反洗钱智能分析实践》 等真实案例与技术解析，营造“用中学、学中优” 的创新文化。 ①痛点：可疑交易分析与反洗钱报告生成依赖人 工，耗时长、负担重、存在疏漏风险。 ②方案：整合反洗钱系统数据，利用 SQL 高效提 取可疑交易信息。通过精心设计的提示词工程注入反洗 钱规则逻辑，并利用 RAG 提供专业案例和法规依据生 成反洗钱报告，大幅提升通用模型在专业风险识别上的 现状，确保战略与公司资源禀赋、业务定位深度契合； 三是可量化目标，通过设定关键指标实现成效追踪。另 一方面，需配套可落地的实施路径：一是组织协同计划， 通过设立专职机构与跨部门协作机制，打破信息孤岛； 二是资源整合计划，数字化投入匹配业务规模与战略优 先级；三是能力建设计划，涵盖人才培养、文化塑造及 生态合作，形成可持续的数字化支撑体系。 东方证券制定数字化转型专项规划，立足金融科技 发展前沿，结合公司实际经营需求，系统构建了数字化 智能安全体系驱动敏捷创新与效率跃升。 在数字基础建设方面，东方证券聚焦数据中心布局 优化，通过建设多地数据中心，实现资源利用率科学调 配。同时着力技术升级与安全强化，一方面推进云原生 架构建设，整合 DevOps、容器管理等平台提升服务交 付效率；另一方面构建安全平台和零信任体系，实现漏 洞全生命周期管理和 AI 驱动的数据防护。 座，强化网络安全与运维体系，丰富数字化场景应用， 营造

型，则进一步凸显了AI在病理诊断这一传统高壁垒领域的潜力，有望缓解我国病理 医生短缺困境，提升诊断效率与准确性。从技术融合视角看：DeepSeek的多模型协同能力正成为行业新范式。例如，医渡科技将其整合至 “AI医疗大脑”YiduCore，实现疾病洞察报告的精准生成；智云健康则通过DeepSeek-R1优化慢病管理的数字化流程；而恒瑞医药更将模 型应用纳入内部考核体系，推动AI渗透至研发、生产与管 过程来生成数据。  DeepSeek-V3系统通过语义解析电子病历和影像特征智能比对，显著提升了呼吸系统疾病的诊断准确率。此外，DeepSeek- R1模型在乳腺癌新辅助化疗方案优化中，通过整合全外显子测序数据和影像组学特征，生成个体化用药敏感性预测模型，显著 提高了病理完全缓解率  DEEPSEEK通过多模型技术融合，在医疗领域展现出显著的应用潜力。其核心技术依托于深度学习和自然语言处理，致力于开 读任务中，结合了图像 识别模型对检验报告中的图像数据进行分析，以及自然语言处理模型对报告中的文字描述进行理解，然后将两者的结果进行融合 ，从而增强了回答的逻辑性与可解释性。在综合报告解读任务中，更是整合了多个不同类型的模型，对来自患者的各种检验数据 、病历信息等多源数据进行全面分析，使得 “小域医” 能够为用户提供更精准、可靠、便捷的 AI 咨询服务。  在医学影像诊断方面，亦实现了多模

.....................................................................................82 四、 审计数据资产深度整合................................................................................................... 遍面临三大挑战：一是数智化审计人才短缺，复合型能力（业务+ 全国内部审计数智化转型发展研究报告（2025） 43 数据+风控）培养滞后，80%以上企业认为人才缺口是主要制约因素； 二是系统整合与数据治理复杂，数据孤岛、标准不一、权限管理等 问题影响模型应用和审计证据链建设；三是内部审计角色定位与技 术融合尚需强化，部分行业转型仍停留在工具应用层面，未能充分 实现“数据驱动的治理与价值创造”。此外，资金投入不足、顶层 电力行业普遍采取一种渐进式的转型路径，通常以建设审计作 全国内部审计数智化转型发展研究报告（2025） 47 业平台为起点，逐步实现数据整合与模型应用，并已呈现出头部引 领、梯队跟进的鲜明格局。行业多数单位遵循此路径，先建设覆盖 审计全生命周期的作业管理平台，再依托企业级数据中台整合数据， 进而开发应用审计模型。在建设模式上，87.5%的企业选择内外部结 合或独立开发。目前，行业已呈现明显梯队分化：第一梯队（国家

中心的建设。各 类算力资源如何实现高效整合，服务于千行百业，进而实现算力的商 业闭环是业界普遍关心的话题。本白皮书针对算力发展新态势和算力 业务新需求，在 2024 年《算力城域网白皮书》基础上，对算力城域 网的网络需求、网络架构、应用场景和关键技术等方面进行了更新和 完善，旨在应对算力快速发展带来的各种挑战，实现城域范围内异构 算力的资源整合和高效供给。 算力城域网白皮书（2025 Network（COMAN）。 算力城域网白皮书（2025 版） 5 验结果表明算效、TTFT、TPOT 等指标劣化小于 3%，充分证明算力 城域网方案的技术可行性。 算力城域网具备算力高效整合、算力无损输送、算力服务即取即 用等关键能力，通过构建 AIDC 与用户之间的安全高速通道，支撑城 市算力和行业算力就近服务本地算力用户。算力城域网通过高弹性、 高吞吐、高可靠的一跳入多算等网络新型服务能力，为政府、企业、 稳定和数据无损传输能力，实现用户私域存储与 AIDC 之间的高效拉 远训练。模型训练阶段当前面临单 AIDC 算力资源受限、零散算力资 源未利用等问题，亟需通过分布式协同训练实现算力资源高效整合， 要求网络提供无损、高吞吐的高性能算间互联。模型推理阶段包含推 理结果生成和推理结果下发两个关键步骤：推理结果生成需要大量算 力资源以保证海量用户并发推理体验，网络需具备无损传输、高可靠

IDSA），以及后续的盖亚-X（Gaia-X） 跨领域数据平台，为欧盟数据空间的技术架构和治理模式奠定 了基础。例如，工业数据空间（IDS）通过标准化接口促进供应 链协作，欧洲健康数据空间（EHDS）整合跨境医疗数据以加速 科研。此外，欧盟通过《数据治理法》（DGA）、《通用数据保护 条例》（GDPR）等法规，进一步规范数据共享的合法性、隐私 保护与互操作性，确保数据空间在技术、法律和协同机制上的 二是作为数据应用服务平台。数据已成为企业和社会发展 的重要战略资源，如何充分挖掘数据的价值，为企业和社会的 发展提供有力的支持，已成为数据应用领域的研究热点和发展 趋势。可信数据空间作为一种创新的数据治理与运营模式，通 过整合多源异构数据，运用先进的数据分析技术和人工智能算 法，为用户提供全方位、多层次、个性化的数据应用服务。围 绕数据资源的流通、共享和应用，可信数据空间将吸引众多数 据服务商、技术供应商、应用开发商、数据安全服务提供商等 创、加强数据开发可信管控。 一是提高数据资源供给质量。数据资源的高质量供给是数 字经济发展的基础。可信数据空间通过数据资源汇聚融合、智 8 能治理技术等创新手段，实现数据的高效整合和智能化管理。 这不仅能够提升数据资源供给数量，还能显著提高数据质量。 例如，通过数据清洗、数据标注等技术，可去除数据中的噪声 和错误，提高数据准确性和可靠性。 二是提升数据资源流通效率。数据要素“无流通、不价值”，

...60 5.2.1 起步阶段....................................................................... 61 5.2.2 整合阶段....................................................................... 61 5.2.3 智能化阶段.......... 更高的节点，或利用电价谷值进行计算，实现“绿色调度”。 5 分布式算力感知与调度是现代计算范式的核心支柱。它通过构建 全域资源认知神经网和智能调度决策中枢，实现了对泛在、异构、动 态算力资源的有效整合与按需供给。其核心在于全局化资源视图、多 目标动态优化、高度环境适应、跨域无缝协同、智能学习进化以及对 可持续性的深度关切。随着算力网络（CPN，Computing Power Network） 发改委等部门推动的“东数西算”工程，核心目标并非简单的“数据 西迁”，而是构建全国一体化的算力网络体系。推动该技术发展，能 将地理上广域分布、架构上高度异构、权责上分属多域的海量算力资 源，通过智能化感知与调度，整合成逻辑统一、弹性敏捷、安全可控 的国家级“算力资源池”。这不仅从根本上解决我国东西部算力供需 不平衡的结构性矛盾，更能通过统一调度形成规模效应，为国家重大 科研项目、经济社会发展提供澎湃且经济的算力支撑，从而在全球数

倘若将现实世界数字抽象概括成数据、信息、认知、知识、决策、智慧等要素， GenAI 用于数 据的采集 处理、信息的整合提炼，辅助认知的推理构建、知识的理解生成 ; Ā 表 21ÿ 金融行业生 r 式 AI 机会点 Ā 谱 资料来源 ÿ 度小满 沙利文，中信建 维度 人类认知困难 AI 认知困难 人机协同价值突破点 客户画像 碎片化数据整合 ( 如跨平台 交易、消费等 ) 非结构化信息解读 ( 如面谈 微表情、家族传承理念 展上。 u 长期 : 驱动敏捷转型，塑造差异化竞争力 • 长期积累下， AI 促使证券机构实现敏捷转型，形成区别于同行的差异化竞争力，在不断变化的市场环境中占据优势地位。 AI 能够整合和梳理企业内外部 各类 数据，打破数据孤岛，为企业决策提供坚实的数据基础。同时， AI 助力打破传统协同壁垒，以项目或业务线条为导向，构建矩阵式组织架构。 Ā 表 28ÿ 证券行业 AI 应用 ¿ 在长端利率下行和优质非标资产供给收缩的背景下，亟需挖掘与保险资金属性相契合的创新性投资机会，以此来增厚投资收益和提 升组合分散化程度 ，这对保险公司投资能力的深度和广度都提出更高要求。大模型技术有助于提升投研效率，并可通过整合内部 数 据和研究成果推动实现高效的知识管理和共享，助力对海外资产、另类资产的投资能力建设，为优化资产配置结构奠定基础。 长端利率下行背景下，保险资金投资安全垫逐步变薄，对风险的全面

（AI胰岛素剂量推荐，医院级应用） 强化学习模型减少低血糖事件50%， 覆盖ICU/门诊场景 SaaS订阅 （医疗机构采购） Hims & Hers Health HIMS.N 100 AI健康管理平台 （整合GLP-1减肥药+心血管健康服务，个 性化方案生成） 为客户提供个性化用药方案；用户健 康数据与Labcorp实验室测试结果联 动分析 DTC订阅制 （远程医疗+药物配送） 海外代表公司案例——Hims 费获取定期配送的药品及在线医疗服务，类似“药品领域的Costco”。 ➢ 直接面向消费者（DTC）：通过线上平台（网站和APP）完成咨询、处方开具及药品配送，减少中间环节，降低成本。 ➢ 供应链整合与贴牌生产：与仿制药厂合作生产自有品牌药品，通过精简SKU和大批量采购控制成本，同时提升品牌溢价。 资料来源：Wind，公司官网，国联民生证券研究所 注：数据截至2025年3月4日 HIMS收入和净利润情况 200 250 订阅用户数量（万人） 平均订单价值AOV（美元，右轴） 3 B2C远程管理 总结 与上一轮Open AI相比，DeepSeek在远程医疗诊断与治疗带来的新影响： ➢ 多模态数据整合与精准诊疗：通过融合基因组学数据、医学影像及电子病历等多维度信息， 实现了更精准的疾 病预测和个性化治疗方案生成。 ➢ 可视化推理过程：传统的AI模型训练过程如同一个黑匣子，输入数据后直接输出结论，缺乏透明度。DS通过可视化推理过

VR/AR技术的深度应用实现文化资源“活化”流转，助力精神消费品质 升级。二是“一老一小”需求牵引市场细分，数字民生消费服务进入精 准化发展阶段。智慧养老设备从单一功能向定制化服务解决方案升级； 优质教育资源的数字化整合与远程传输技术成熟落地，推动教育数字化 资源向偏远地区下沉，倒逼产业从“资源覆盖”向“精准供给”转型， 催生细分领域新增长点。三是城市智能体构建产业协同生态，推动消费 服务全链路效率革命。传统商圈数字化改造加速推进，智慧商店、人工 术、供应链和营销资源整合。在监管趋严背景下，完善的合规机制、数 据安全体系与风险管理能力将成为核心竞争力。 二、需要关注的几个问题 （一）行业数据集发展参差不齐，高质量标准仍待厘清 当前，行业数据集匮乏、标准缺失、质量低下等问题直接影响了 人工智能模型训练效果与应用成效。一是部分行业数据供给不足，如医 疗行业患者诊疗、健康管理、临床试验等数据涉及个人隐私，医院等机 构在数据整合共享时面临诸多阻碍和风险，导致医疗影像识别、疾病预 构在数据整合共享时面临诸多阻碍和风险，导致医疗影像识别、疾病预 测等相关数据集建设困难；制造行业存在设备运行数据分散、数据格式 不统一、接口不兼容等问题，数据采集、整合成本高昂，难以形成基于 真实工业场景的数据集。二是数据标准不一，不同数据场景下所需数据 格式和版本、数据标注标准、数据质量评估评价标准等不统一，重点行 业主流价值数据集引领带动作用未充分体现。三是数据集缺失、尺度不 一，在数据采集加工过程中，由于存在设备故障、人员操作不当、数据