将多功能机器人融入全球供应链，彻底改变了传统的物流和制造流程。这些机器人提高了订 单履行的准确性，缩短了交货时间，并使企业能够快速响应市场需求。通过自动化重复性任 务，并促进供应链内部的创新和敏捷性，企业可以将人力资源重新分配到更具战略性的角色。 据 Data Intelo 预测【12】，全球多功能机器人市场规模将从 2023 年的约 80 亿美元增长 至 2032 年的 210 亿美元，复合年增长率 (CAGR) 确定将代理 AI 添加到对规模和效率有巨大需求且需要适应性的工 作流中的机会。从仅自动化的角度重新思考跨孤岛的整个工作流 程，并在战略点将人员重新添加到新的工作流程中。从可访问高质 量数据、行为可验证且 ROI 高或足以证明投资合理的使用案例开 始。  将 AI 代理视为您委派工作的第 1 层数字同事。重新思考协作模 型、工作流程和团队策略，以最大限度地发挥 AI 代理的优势，这 些代理可以发现人 果。该公司首席产品和技术官 Salvatore Lombardo 表示：“Coupa 正在利用多 智能体 AI 功能动态、自主地匹配买家和供应商的需求，从而改变全球贸易。” “Agentic AI 将重新定义我们的用户体验，释放洞察力并带来令人惊叹的客户 成果。” 2 Blue Yonder（美国） Blue Yonder 刚刚推出了五个人工智能代理作为其新认知解决方案的一部分，具 体如下：

战略分解-风险扫描-优先级赋分 ”模型，通过政策图谱与风险热力图双 维 “ 驱动立项决策，并增加 战略分解颗粒度标准 ” “ 和 热力图更新频率 ”等具体参 数） （4 “ ）针对金融科技重构业务场景的趋势，如何重新定义内部审计的 客观 性 ”内涵，提升对数字化风控模型及算法偏差的审查能力？（如应扩展至算法可 解释性审查，构建数据治理审计框架，明确工具链具体组成（如 SHAP 解释器、 公平性测试模块等）） 、流动性风险管理有效性审计：抽取大额同业负债台账，验证到期日分布 与压力测试假设的一致性；通过资金管理系统追踪日内头寸波动，核查应急融 资 预案的可操作性。 3 、利率风险敏感性缺口审计：提取存贷款重新定价期限数据，构建久期 缺 口分析模型；对比银行利率冲击测试结果与独立模型的预测偏差。 4、表外理财业务穿透审计：使用 NLP 技术解析理财产品说明书，提取底层 资产类型及占比；关联托管系统 、审计方法：一是模型验证：聘请第三方精算机构复算衍生品公允价 21 值， 发现估值偏离度达较高；二是交易链分析：追踪 50 笔大额 IRS 合约对手 方，发 21 现 40%交易集中于 3 家关联私募基金；三是监管指标校验：重新计算风险加权资 产，显示因低估交易对手信用风险导致资本充足率虚高 0.8%。 3 、审计发现：衍生品估值模型未纳入极端市场波动参数，违反《商业银 行 市场风险管理指引》；通过与关联机构签订反向平仓协议，人为制造交易活

数据，并在数据不准确或不完整时要求更正。这包括个人直接提供的信息和 通过与生成式人工智能互动交互而生成的数据。然而，与传统数据库不同的 是，纠正人工智能训练数据具有挑战性，因为其数据规模庞大且相互关联， 这可能需要重新训练整个模型，并可能导致意想不到的后果。迄今为止，纠 正人工智能模型训练数据中已经获取的不准确信息的可行性尚不明确。虽然 ©2025 云安全联盟大中华区版权所有 17 有关数据标记和隐私保护技术的研究仍在进行，但确保 产生多方面影 响： ○ 数据删除：这可能需要用剩余数据重新训练模型，从而可能影响模型的 性能和适用范围。 ○ 数据修改：根据训练过程的不同，可能需要对特定数据点执行匿名处理 或编辑，这可能会影响模型的准确性和可解释性。 ○ 知识移除：如何识别千亿层深度神经网络中的已学知识，并移除特定的 信息呢？实际上，这意味着需要从头开始重新训练大型语言模型，从而既不经 济，也不环保。 从技术可 去标识化要求：即使是从受保护的健康信息训练的生成式人工智能生成 的去标识化输出也可能通过微妙的模式、相关或高级技术重新标识，从而引发 ©2025 云安全联盟大中华区版权所有 33 隐私问题并可能违反 《医疗电子交换法案》。虽然匿名化和假名化可以掩盖身 份，但在生成式人工智能的背景下，在模型内与其他数据源结合时，往往无法 阻止数据被重新识别。这就需要采用强大的隐私保护方法（如差分隐私、联邦 学习等）有效保护个人身份。

？ 1 2 What you wants ？ 1 3 Part2 ：大模型行业应用建议 Part1 ：大模型的技术演进 目 录 1 4 大模型时代，保险行业各个环节都值得用大模 型重新思考一次 保险营销 产品设计 客户服务 保险精算 团队管理 资产管理 营销 风控 1 5 1. AIGC （ AI-Generated 容）的出现，使传统的内容创作模式成本大大降低， 创作内容的数量大大提升。 2. AIGC+ 大模型，让我们面对的现实世界，被以数 千亿级的维度解构，同时，又被以不可思议的维度 重新组合了，进而产生了新的美学。 3. AIGC 时代的营销活动，越来越需要的只是“创意” 本 身 大模型时代的保险营销 来源 : 腾讯研究院 1 6 AIGC 时代，业务员的朋友圈展业助手

变成了现实，比如：智能和宽带正在普及每个人、每 个家庭、每个组织，甚至每辆车。 今天，我们正处在一个技术范式深刻变革的时代。两年前逐渐进入大众视野的生成式人工智 能，正以我们从未想象过的方式，重新定义未来的可能性。正因如此，我们比以往任何时候都更需 要前瞻的视野，更需要依靠科技的愿景与假设来指引前路。 过去的 2 年，我们的研究团队与业界 100 多名专家、学者、客户和伙伴进行了广泛的交流，组 五大基础技术的融合走向超级智能体 04 走向物理世界是 AGI 形成的必由之路 站在 2025 年，预判 AI 的进化轨迹，将是 未来十年的核心命题与终极挑战。其智慧进阶 的速度与深度，不仅将重新定义技术疆界，更 将重塑未来十年的全球格局。 自 2022 年底基于 Transformer 的大语言模 型（LLM）引爆行业以来，AI 技术处于快速迭 代过程中，但依然存在较多挑战，比如神经网 术的演进，数字世界与物理世界的边界正逐步消融，虚实融合正在成为新一代信息社会的基础体验 范式。这一趋势不仅会改变人类获取信息和交流的方式，还将深刻重构生产生活的底层逻辑。随之 而来的是，智能终端的定位也将被重新定义，从“信息的承载器”，演变为数字世界与物理世界互 通的“桥梁”，成为碳基生命与硅基生命交融的入口，推动人类迈入一个全新的感知与交互时代。 交互方式：从平面到空间、从单模态到多模态 15 交互范式的更新为虚实融合打开了入口，

al., 2025） 。计算范式正从通用数据中 心转向专为 AI 设计的“超节点”，这正在彻底改变数字基础设施的经济模型与设计理念：资本开支、 能耗曲线、网络与内存比重、运维与可靠性能力，都会被重新定价与重构。 本报告提出并论证：“超节点”将成为 AI 时代的核心计算单元。它通过近乎无阻塞的高带宽互联， 把数十到数百乃至数千个 AI 处理器（本文中提及的 AI 处理器泛指用于人工智能计算的加速器，如 子级故障等影 响范围较小的故障，可优先采用在线恢复策略，通过快速重启业务实现秒级恢复；对于节点故障、 作业故障等影响范围较广的故障，系统可优先调用超节点内备份节点接管任务，故障修复后的节点 则重新纳入备份资源池；当超节点内部缺乏可用备份节点时，系统将启动逻辑超节点迁移机制，将 故障节点业务快速迁移至其他可用节点，实现分钟级恢复。这种分级恢复策略确保不同类型业务在 故障发生时均能被实时高效地处理，以最小时间代价保障业务连续性。 AI 浪潮的驱动下，传统数据中心架构正面临通信、功耗和复 杂度这三重不可逾越的壁垒。作为应对这一系统性危机的革命性方案，AI 超节点通过高速互联技术 架构创新，并辅以软硬件全栈协同的深度优化，正在重新定义 AI 时代的算力基石。围绕超节点的产 业格局已经形成，AI 超节点的形态和技术路线将持续演化，其作为 AI 时代核心计算单元的地位已然 确立。面向未来，大模型技术会加速迭代，围绕超节点的软硬件技术也将持续演进，带来如下几个

大模型可以生成更自然、更流利 的语言，减少了生成输出时呈现 的错误或令人困惑的问题 语言生成能力 学习到的知识和能力可以在不同 的任务和领域中迁移和应用。这 意味着一次训练就可以将模型应 用于多种任务，无需重新训练 可迁移性高 1.2 大模型的发展历程 大模型发展历经三个阶段，分别是萌芽期、沉淀期和爆发期 1.2 大模型的发展历程 1.2 大模型的发展历程 大模型发展对算力的需求演变 1.3 好的答案 强化学习 不足之处： 数据准备成本高 时效性问题 需要收集、整理和标注大量特定领域的数据，这是一个耗 时费力的过程 对知识更新频繁的领域，微调后的模型可能很快会过时， 需要不断重新训练 4.10 大模型构建的技术方案选择 n 本地知识库 RAG（Retrieval-Augmented Generation），即检索增强生成，是一种结合检索技术和生成模型的技术框架， 旨在提升模型生成内容的准确性和相关性 息泄露的风险 减少模型幻觉 由于提问结合了业务知识，所以减少了模型的幻觉， 即减少了模型的胡说八道 实时知识补充 模型的回复结合了业务知识和实时知识，所以实时 性可以更好 不用重新训练模型，微调模型降低了成本 无需重新训练 4.11 本地部署大模型初级方法 步骤 安装Ollama 下载DeepSeek R1 运行DeepSeek R1 使用Open WebUI增强交互体验 具体安装过程请参考厦门大学数据库实验室博客

从历史上看，机器⼈的⼿和臂受限于执⾏简单重复的任务，但最近的突破已经开始缩 ⼩这⼀差距，使机器⼈更接近实现类似⼈类的灵巧性。 ⼀个值得注意的例⼦是⿇省理⼯学院的⼀个团队领导的项⽬，他们最近设计了⼀只 ⾼度灵巧的机械⼿，能够轻松重新定位2,000个不同形状的物体。这代表着在操纵各 种形状和⼤⼩的物体⽅⾯迈出的重⼤进步。 近年来最具代表性的机器⼈灵巧⽰例之⼀是达芬奇⼿术机器⼈。这个系统在2019年 获得了⼴泛认可，当时展⽰它在缝合葡萄时表现出的精准控制和细致触感。 型模型到⼩型模型的转变，⽽是从单⼀模型类别到模型组合的转变，客⼾将能够就 什么是最适合他们场景的模型进⾏决策”。 7. 自主充电 AI机器⼈的实⽤性将受到其需要时运⾏的影响。 这需要改进功率管理，包括稳健可靠的充电解决⽅案。⽬前，重新为机器⼈充电 的主要⽅法包括⼈⼯⼿动充电或⼈⼯更换电池。尽管有效，但这些⽅法需要⼤量 ⼈⼯操作，并可能导致停机时间。 考虑到电动⻋辆（EVs）更⼴泛的应⽤，需要更⾃主的解决⽅案是显⽽易⻅的。⼀项 在许多挑战。 在⾼速动态环境中安全稳定驾驶的技术是复杂且昂贵的，但两者都应该得到改进。例如， 百度最新的⽆⼈驾驶出租⻋成本低于其上⼀款机型的⼀半，约为28,500美元38。  29 邮轮重新启动带有安全驾驶员监督的⾃动驾驶 30 Zoox - 我们将测试范围扩⼤⾄奥斯汀和迈阿密；Zoox - 拉斯维加斯，让我们⼀起骑⾏ 31 Uber - 推动⾃动驾驶向前发展 32 中国发布了1.6万份⾃动驾驶汽⻋测试许可证

单点零散的改进显然已力不从心，因此，突破单点 瓶颈，构建一个具备持续演进能力的现代化运维体 系，已成为支撑政企业务可持续发展、实现战略目 标的关键系统性工程。这就要求政企用户跳出“救 火式”思维，以体系化、工程化的视角，重新审视 和规划适配业务智能化发展的现代化运维体系建设 路径。 首先，针对混合云运维体系，华为云提出以“四效”为目标，不断提升运维价值和运维能力。“四效”分别是 效益、效能、效率和效果。 其次 如何对当前问题清零？ 5W1H拟定改进措施 如何预防这个问题？ 预防措施固化到流程 表3.10 人员配置参考 推荐的工程方法 根因分析步骤 故障复盘 故障复盘是一种对故障发生及处理过程进行重新审 视、思考和探究的方法，旨在确定故障的根本原 因，并落实改进措施，以提升业务系统的稳定性和 连续性。故障复盘的步骤：梳理故障过程、确定参 会人员、准备复盘材料、复盘中讨论、复盘后落 实。其过程和方法与根因分析类似，此处不再赘 历史问题分析: 系统分析历史变更数据，识别与 当前变更相似的变更，并自动推送历史问题列 表、发生局点、问题工步、处理人员及解决方 案，提前预判风险。 变更实施复盘：通过对变更过程打点，在变更完 成后重新收集信息并上传系统，会自动总结升级 情况，并针对失败案例生成问题单。 变更经验推送：系统对历史变更问题和经验进行 精准推送，实现知识经验复用，提升现网变更风 险闭环效率。在创建新变更单时，系统会自动推

都需重复输入前几轮的内容。针对这些情况， DeepSeek 引入上下文硬 盘缓存 技术，将预估未来可能复用的内容，缓存至分布式硬盘阵列之中。一 旦出现 重复输入，重复部分直接从缓存读取，无需重新计算。这一技术不 仅有效缩 短了服务延迟，还极大地降低了最终的使用成本。 1 ）降低服务延迟：对于输入内容长且重复部分多的请求， API 服务的首 token 延迟会大幅降低。以 128K 的平衡，当算法发展达到平台期，无法通过进一步创新来推动发展时，就需要依赖于扩大规模来维持进步，这时转向 ASIC 的开发就变得至关重要。然而十年后，当规模扩张遭遇限制，又会重新聚焦于算法的创新，同时伴随半导体制造技术的 进步，一些可编程解决方案在性价比上将会重新获得竞争优势。当前为了满足 CSP 客户更高性能和更好功能的需求，定制 化 芯片 ASIC 的需求持续提升，牧本钟摆从标准化逐渐摆向定制化。 请务