 通过建立一 些定性或定 量的数据管 控评价考核 指标，去评 估及考核数 据相关责任 人职责履行 情况、数据 管控标准及 数据政策的 执行情况 等  规范了数据 管控过程 中，各个环 节日常任务 处理的运作 模式，例如 数据定义如 何变更、数 据冲突如何 协调等。  采用专门的 技术平台支 撑管控流程 的自动化， 发布管控组 织制定的一 些相关标准 和规范，及 时反映管控 过程中存在  梳理企业数字化转型 ETL 流程各环节的数据质量要求，指定数据质量检查规 则、评价指标、管控流程，并落地实施数据质量管理系统  梳理企业数字化转型包含的技术元数据，如：数据字典、 ETL 任务、 ETL 流 程、 BI 语义层等，制定相应的管控流程 并 落地实施元数据管理系统  同步企业数字化转型 ETL 建 设，实现了数据质量管理系统  收集并整合了消费企业所有技 术元数据，实现了数据生命周 集群实现了进出数据平台数据的暂存，业务数据交换组件实现了业务系统每日增量数据加载，数据区数据交换组件 实现了基础计算平台与管理分析平台间的数据交换  流程 调 度 平台：自主开发的流程 调 度 引擎实现整个数据平台的数据处理任务调 度 和运行  管理分析平台：由 X86 分析型数据库集群、 BI 软件 1J2EE 应用构成，实现了面向应用的数据加工、管理、分析服务  实时分析平台：由高档 X86 服务器组成的集群，实

产品，央国企愿意 投入极高预算。央国企应用RPA+AI面临两大挑战：行业特定需求变化和跨部门协调。此外，RPA结合AI语言大模型和智能体，形成新的自动化模式APA，实现从“规则化 任务处理”向“动态决策和复杂环境任务处理”的转型。 ◼ 央企数字化转型加速，数科公司成为RPA/APA产品的重要推广渠道，未来趋势中，数科公司在央企RPA采购链条中的占比将迅速提升至40%-50%，央企数科公司将迅速占 RPA；（4）按技术特性，分为执行式机器人、交互式机器人和协同式机器人。 5 控制台 设计器 机器人 运行自动化任务 机器人脚本设计、开发、调试 和部署的配套开发工具 完成自动化任务的执行操作， 可以是不同类型的机器人 RPA平台核心，负责管理机器人、 任务调度、监控运行状态等 按运行 模式 按部署 位置 按应用 领域 按技术 特性 有人值守 无人值守 桌面型RPA 完全自动化处理流程，适用于不需要人工干预的后台任务，如数据输入和系统维护 适用于没有特定行业属性的业务流程，如财务管理、人事管理、销售管理等 在通用RPA的基础上，针对特定行业或领域的需求进行定制和优化 最为基础的一种形式，主要执行预定义的工作流程，适用于重复性高的任务 增加了与人类用户的交互，可能需要人类用户提供某些信息或做出决策 允许人工干预和实时控制，适用于需要快速响应和人工审核的任务 运行在个人电脑上，适用于简单的自动化任务

ERP 系统用于统一基础数据源，生 产 主计划的排产，以及生产产品内 料配 方的管理。 称量系统主要用于管理各种物料 的称 量防差错。 配料系统主要用于管理内料半成 品的 工单任务，排产计划，称量计 划，配 料计划，物料数据追溯，报 产等。 备料称量流程 基础资料 原料仓库 配方管理 生产工单 生产任务单主要包含内容如下：生产工单号，生 产 指令单号，产品编号，产品名称，配方代号， 生产 车间，生产设备组，预计产量，称量时间， 配料时 间，实际产量。 生产任务单根据生产预计产量以及配方工艺，计 算 该批次所需的所有物料实际量，以及根据排产 的设 备计算称量物料进入的设备。 生产任务单状态分为：待生产，生产中，生产完 取消 四个状态，状态均可通 过 扫描作业来完成。 生产任务单开始生产之后可以对称量物料进行扫 描 投料。 生产管理 - 生产任务 生产管理 - 生产任务 每个排产任务单认定为一个生产批次，便于做生产数据追溯，同时每个排产任务单均有其生产状态，以及工单执行的结果。 所有的生产

文本生成、图像生成、视频生成、声音生成 … … 人类社会 中的问题 AI 定义： 一种先进的人工智能聊天机器人，能理解和生 成自然语言，用于回答问题、写作、翻译、编程、学习 辅助，甚至可以进行情感支持和角色扮演等多种任务。 母公司： OPENAI 创始人： Sam Altman 成立时间： 2015 年 里程碑： • 2022 年 11 月 30 日， ChatGPT 3.5 上线 • 2 用高级功能，而初学者可能更 依赖于易用性和指导。 • 这是基础且关键的因素， 因为 模型的性能直接决定了 AIGC 的质量和有效性。 • 一个强大的模型能够更准确、 更快速地处理复杂任务，生成 质量的内容 • 即使拥有高能力的模型，如 果用户无法有效地与之交点， 其潜力也难以充分发挥。 • 交互技术的优劣直接影响用 户体验，包括易用性、响应速 度和个性化等方面 度和个性化等方面 = 模型能力 × 交互技术 × 专业能力 生成 效果 Prompt 昵称：咒语 是用于引导或指示 AI 生成特定内容或执行特定任务 的 “ 关键词”、“短语”、“句子” 备注：这些“关键词”、“短语”、“句子”的质量 ，决定了 AI 给你的内容是不是相关、准确和高质量以及是不是符合你的预期。 什么是 AI 提示 词 让 AI 扮演一个角色

一系列下游任务的模型 预训练语⾔模型“预训练 + 微调”技术范式 ⼤规模⽆标注 ⽂本数据 模型预训练 不同特定任务 有标注训练数据 模型微调 测试数据 最终模型 从海量数据中自动学习知识 Ø Big-data Driven，模型基于大规模语料训练而成； Ø Multi-tasks Adaptive，支持多种任务，包括自然 语言生成NLG和自然语言理解NLU类的任务； Ø Few-shot 框架在机器翻译中取得显著进步，其分布式学习和强大编码能力受到广泛关注。 Ø 2018 年 Google 和 OpenAI 基于Transformer 提出了预训练语言模型 BERT 和 GPT，显著提高了NLP 任务的性能，并展示出广泛的通用性。 AlexNet (图灵奖得主 Hinton) CAN (Gioodfellow. 图灵奖得主 Bengio) Word2Vec (Google. 引用78550) 为确保中国大模型的长远发展和避免外部制裁风险，国内AI计算芯片的自主研发将成为关 键战略方向。 数据产权标准深化 优化和完善现有数据标准和规范，是 推动大模型“燃料”质量提升和数量增长的重要驱动 力，在2024年将作为产业发展的首要任务。 “套壳”微调策略 为满足产业实际需求并适应中小企业的发展特点，“套壳”微调（即在现有大模型基础上 进⾏针对性调整）将成为除行业巨头外企业的主要发展策略。 人工智能伦理责任 随着大模型性能

每个项目只发生一次； > 不确定性： 需要较多的协调活动 ; > 目标性： 项目目标非常明确 ，进度质量时间要求清晰 ， 并以合同书或协议书方 项目是为完成某一独特的产品、 服务或任务所做的一 次性努力。 ? 式明确 第 4 页 一般公司有哪几类项目 产品开发项目： 基于明确的外部市场需求 ，充分利用货架化技术模块快速、低成本低 风险地形成产品的活动。 定制开发项目： ) 使用 。 预研项目： 为了支撑各产品线、研发部的发展或其项目而进行的预先研究活动。 平台项目： 为形成企业共用基础模块 ( CBB) 而进行的开发活动 。 第 5 页 对项目的任务、资源和成本进行计划控制以及管理的过程； 项目管理的目的在于在一定预算内达到既定的最终明确目标， 同时达到 可 接受的质量水平。 端到端的以产出为核心各资源配合面向交付业务和交付的项目管理， 单板总体设计 单元测 和单元测试 任务 SOW 目计划 设计规 ( 更新后 的 ) 划 目 计 ) ( 项 项 格 架层次对应的流程和项目管理框架 产品开发子项目 n ( 三级计 划 ) 内部立项 外部触发 CBB

5%，预计到2026年市场规模将达到13.6万亿 元，通过促进专业化和标准化，推动中国企业的现代化经营管理。 技术变革：1）大模型：大模型赋予生成式AI应对复杂任务的泛化能力，拓宽企 业服务的能力边界。将行业专业知识、企业私有数据与大模型相结合，降低模型 幻觉，提高对特定任务的适应性，可以更加符合专业场景的诉求。 2）Agent：大模型兴起后，Agent与大模型两者融合相互成就。AI Agent通过 选择性综合大模 在信息化进程的推动下， 逐渐衍生出平台型服务 和租用型服务 • 从生产要素的角度，这 一阶段的企业服务以劳 动密集型为主，知识密 集型为辅 劳动密集 • 基于大规模数据训练而来的大模型 在跨领域、多任务的处理中表现出 更强的学习和理解能力 • 各细分赛道的企业服务厂商，通过 寻求叠加大模型能力，对现有服务 进行升级，实现服务价值的跃升 • 结合企业管理理论与各类技术手段， 促进企业流程标准化，提升企业经 键收益？（2023年10月/12 月）；N= 2,835。 来源：德勤2024年一季度《企业生成式AI应用现状》，艾瑞咨询研究院整理及绘制。 生成式AI重塑企业服务 大模型赋予生成式AI应对复杂任务的泛化能力，拓宽企业服务的能力边 界，实现服务价值提升 生成式AI是一种基于已有数据生成新的数据实例的人工智能技术，得益于Transform架构大模型的自注意力机制和泛化能力，由大 模型加持的生成

普惠普适。DeepSeek、百度“文心一言”、阿里巴巴“通义千问”等国内 央国企智算创新实践报告（2025 年） 4 超大规模模型正加速演进，认知能力不断提升。同时，“预训练大模 型+下游任务微调”的新范式，已成为破解人工智能技术落地难题的重 要突破口。国内厂商纷纷加码大模型投入与研发，如 DeepSeek 也通 过与企业合作构建垂类模型，助力中小企业搭建智能客服等应用，加 速其数字化进程。阿里云通过 不可或缺的管理工具。在资源管理方面，智算平台通过虚拟化、容器 化技术以及高效的集群管理能力，实现各类异构计算、存储、网络等 资源的集中管理和高效利用，支持大量智算芯片、服务器的并行计算， 以及不同任务间的资源合理分配，提升整体资源利用率。在服务运营 方面，智算平台能够实时监控业务系统的运行状态，优化业务处理流 程，及时预警并处理潜在问题，保障业务稳定运行。同时，通过能效 控制，可以有效降低 台和技术仍存在诸多不足，主要体现在以下两个方面。一是资源分配 方式相对粗放。当前的资源分配通常以整卡为单位，或通过较为简单 的虚拟化方式在一台智算服务器上构建多个虚拟机。这种粗粒度的分 配模式难以灵活满足各类人工智能任务对资源的差异化需求，导致部 分 GPU 资源常处于闲置状态，显著降低了算力资源的整体利用效率。 二是算力资源未能被充分利用。人工智能算法模型的设计缺陷、算力 优化工作不到位，以及模型框架与底层芯片之间的适配性不佳，都可

亿参数的语言大模型 (LLM) ，专门针对各种金融数据进行了训练，以支持金融行业内 的各种 自然语言处理 (NLP) 任务。 Bloomberg GPT 代表着这项新技术在金融行业的开发和应用迈出了第一步。该模型将协助彭博改进现有的金融 NLP 任务，例如情感分 析、 命名实体识别、新闻分类和问答等。 BloombergGPT 将帮助整理 Bloomberg Terminal GPT 在金融任务上的表现显著优于同规模模型 Bloomberg GPT 在一般任务上的表现不输同规模模型 u 擅长金融任务，性能远优于同规模模型。 Bloomberg GPT 在金融领域的相关任务中表现出较高的性能和专业性。同时，模型在预训练阶段就已经学习到了大量金融知识，使得在 后 续的微调任务中能够更快地适应特定场景。 使用内部特定的评估标准对模型进行多个任务评估，发现 Bloomberg Bloomberg GPT 在金融任务上的表现明显优于现有的类似规模的开放模型 （ GPT-NeoX 、 OPT-66B 、 BLOOM-176B ）。此外，模型在金融任务上的表现远高于在一般任务上的表现，但其处理一般任务的性能 仍不 输于同规模模型。 2.3 AI+ 证券应用案例： Bloomberg GPT 资料来源：《 BloombergGPT: A Large Language Model

用户支持与培训：提供面向业务部门的技术支持和培训，帮助 他们理解和使用 AI 大模型底座。制定详细的操作手册和最佳 实践指南，降低用户的使用门槛。 为确保项目的顺利进行，项目团队将采用敏捷开发方法，分阶 段实施各项任务。每个阶段的目标和交付物将根据企业需求和市场 变化进行动态调整。通过持续迭代和反馈，确保项目的最终交付物 能够满足企业的实际需求，并在数字化转型过程中发挥重要作用。 1.4 项目预期成果 本 全 面、高效且可持续的数字化转型 AI 大模型底座。首先，我们将构 建一个高性能的基础大模型，该模型将具备多模态处理能力，能够 支持文本、图像、音频和视频等多种数据类型，并且在多个特定领 域任务上表现出色。该模型的训练将基于大规模、高质量的数据 集，确保其在各类业务场景中的泛化能力和准确性。项目完成后， 预计该模型在关键业务指标上的准确率将达到 95%以上，推理速度 将优化至毫秒级，能够满足企业对实时响应的需求。 在计算资源配置方面，项目将采用容器化技术和 Kubernetes 集群管理平台，实现计算资源的动态伸缩和高效调度。具体资源配 置如下：  CPU 资源：每个 AI 模型训练节点配备至少 64 核 CPU，支持 高并发计算任务。  GPU 资源：每个训练节点配备 8 块高端 GPU，如 NVIDIA A100，以加速深度学习模型的训练和推理。  内存资源：每个节点配置不少于 256GB RAM，确保大规模数