各地低空经济政策汇编 发展目标 主要任务 应用场景 零重力飞机工业 ZEROG AIRCRAFT INDUSTRY 2025 年 5 月版 构 建 地 球 上 第 三 种 交 通 生 态 编写说明 2016 年和 2023 年，通用航 ，“ 发 展通用航空和低空经济” 。 为贯彻落实党中央做出的重大决策部署， 2023 年底以来各地争先恐后出台了 一系列 促进低空经济高质量发展的政策文件， 确定指导思想和发展目标， 明确重点任务和保障措施。 零重力飞机工业作为一家专注研发制造电动载人航空器的主机厂， 高度关注各地政策发展， 不定期收集 汇 编省市县乃至镇街等各级地方政策并及时分享各方参考 。 为保证汇编资料的准确性， 我们在梳理过程中坚 我们在梳理过程中坚 持以 各地公开发布的官方文件为依据， 各地未公开发布的政策未被列入汇编成果 。 由于各地低空经济政策文 件数量 非常之多， 梳理起来工作量巨大， 因此我们在汇编过程中重点选取了发展目标 、重点任务和应用场景 等政策要 素， 同时尽可能保留了发布时间 、 发布机构和文件号等关键信息， 以便于各方查找原始文献。 零重力飞机工业十分乐意看到本汇编成果得到广泛分享， 如有其他需要请通过以下方式与我们联系。

家，定期分享经验，促进 知识交流和协作。 5. 评估与优化 持续评估⽣成式AI应⽤的 成效。定期收集员⼯反 馈，优化⼯具和流程。 2. 聚焦⾼价值任务 识别各部⻔⼯作流程中最 耗时、最重复、最低效的 环节, 节，特别是与信息流 相关的任务。 3. 试点AI⼯具 通过⼩规模试点，验证AI ⼯具的效果并积累经验。 ⽣成式AI企业智能增效五步法® 生成式AI企业智能增效五步法® 第⼀步：启动AI思维 创建开放的学习环境：鼓励员工积极尝试和反馈生成式AI工 具。 第⼆步：聚焦⾼价值任务 ⽬标： 识别各部门工作流程中最耗时、最重复、最低效的环节，特别 是与沟通相关的任务。 确定首批应用AI的领域，并设定明确的自动化目标。 实施步骤： 梳理⼯作流程：找出最需要优化的环节，尤其是那些涉及大量 文本生成、编辑或沟通的任务。 优先排序任务：根据任务的价值和自动化潜力进行排序，设定 具体目标。 客⼾类型 服务类别 选择并实施适合优先领域的生成式AI工具 通过小规模试点，验证AI工具的效果并积累经验。 实施步骤： 评估并选择AI工具：根据试点任务的特点和需求，选择合适的生成式AI工 具。 1. 小规模试点：从简单任务开始，逐步扩大应用范围。 2. 快速迭代优化：根据试点反馈，不断调整和优化AI工具的使用方式。 3. 创建⾼价值任务模板库： 分析过往成功案例，提炼高效沟通模式。 利用生成式AI，根据不同场景和目标受众，生成多样化的模板。

系列、文心一言、通义千问、腾讯混元以及科大讯飞表现较好。 金融垂类模型国外发展先行 ，国内成品问世。 1 ） 国外彭博 BloombergGPT 率先登场。 BloombergGPT 的混合训练方法使其模型在金融任务上 的表 现大大超过了现有的大语言模型 ，而在通用场景上的表现则与之相当 ，甚至优于现有模型。 AI4Finance Foundation 开发 FinGPT ，为金融大 型语言 模型提供互联网规模的数据 ；腾讯云公布腾讯云金融行业大模型 ， TI-OCR 大模型帮助银行解决 日常业务问 题；恒生电子进一步升级金融大模型 LightGPT ，并发布多款光子系列大模型应用产品 ；蚂蚁集团公布蚂蚁金融大模型 ，在多项金融 专属任务中表 现突出；东方财富、 同花顺加大 AI 研发技术投入 ，筹建人工智能事业部 ，重点推进金融垂直大模型研发应用。 投资建议：我们预计 2024 年金融垂类模型产品落地较多，建议关注具备 领域专业性 在金融领域具有专业的理解能力，更精熟于金 融术语和概念 灵活性和利用率高 大量数据训练提高了模型的准确率，并可以应 用于多种任务中 针对性的解决方案 更适合解决金融行业的具体问题，与行业需求 和合规性要求相匹配 可迁移性强 在数据量较少的特定任务上，通用模型也可以 通过微调进行有效的迁移学习，大大减少模型 的训练时间和计算资源 高精度和合规性 提供更精确、可信赖的金融信息和建议，同时

设备端 边缘服务器 本地一体机部署 私有云 公有云 来源：沙利文、头豹研究院 中国推理算力：定义与服务覆盖范围 关键发现 推理算力主要负责AI模型的推理任务，主要用于处理和执行已经训练好的模型进行实 际应用。这包括执行推理任务、处理实时数据和提供预测结果。推理过程通常对计算 资源需要快速响应，对实时性要求较高。 市场研读 2025/08 使用新数据推理出各种结论。  推理芯片的目标是在已经训练好 的模型上执行任务，推理芯片不 需要进行复杂的学习过程，其设 计重点是在保持高效计算的同时， 尽可能减少功耗。  因此，推理芯片比较关注低延时、 低功耗。可配置使用优化的推理 硬件，高效能的服务器和网络设 备如GPU、NPU或FPGA，这些硬件 能够高效执行模型推理任务，以 确保快速响应时间和稳定的服务。 但不一定需要与训练时相同的硬 件配置 Cache同步  每个NPU配备不少于200Gbps的RoCE接口  确保数据传输低延迟和高带宽 用户请求 任务调度 预填充实例 Prefill  任务类型：计算密集型  硬件需求：高算力NPU/GPU集群  优化目标：最小化首Token时延 解码实例 Decoding  任务类型：内存密集型  硬件需求：大容量内存+高内存带宽  优化目标：最大化Token生成效率 高性能RoCE网络

的功能逐渐清晰。目前 语音助手、修图、写作助手等功能成为主流。苹果通过 Siri，将 AI 当作手机不同 App 之间 联系的工具，而不是像此前三星和谷歌的 AI 应用更侧重于让 AI 去完成单一特定任务。未来 AI 软件由谁付费或发展成手机品牌商、芯片厂商、软件厂商、消费者的四方博弈，但随着 token 成本的下降和苹果较大的优质用户基数，模型 API 成本或持续下降，并推动应用加速 普及，AI 手机渗透率有望持续提升，形成正向循环。 取代了此前的插件商店（2024 年 3 月关闭），用户不仅可以在平台上分享自己创建的 GPTs，还可以从其他人那里获取各 种 GPTs，形成丰富的 GPTs 生态系统。GPT Store 定制版本可以针对特定任务或行业进行 优化，允许用户与外部数据（如数据库和电子邮件）进行简洁的交互。2024 年 5 月，随着 OpenAI 更新 GPT-4o 模型，ChatGPT 能够识别用户语音的感情，并输出语音，实现如同 指导AI AI AI AI 绝大多数工作可 以由AI完成 绝大多数工作仍然 由人完成 借助复杂的提示词完成自动 通过设定目标完成自动化 化 / 人类负责设定目标、提供资 源和监督结果，AI完成任务 拆分，工具选择，进度控制， 实现目标后自主结束工作 人类和AI进行协作，工作量 相当。AI根据人类prompt完 成工作初稿，人类进行目标 设定，修改调整，最后确认 人类完成绝大部分工作，向 AI询问意见，了解信息，AI

方面 GPT-3 训练 所需算力为 121528 TFLOPS，若 30 天内完成，需要 1558 颗 A100。内存角度， GPT-3 训练至少需要 3.2T 内存，至少 44 张 A100，推理任务则主要受显存限 制，需要 4 至 8 张 A100，因此完整的模型无法在终端上离线运行。 优化后大模型可在旗舰机型芯片上运行，AI 落地有望推动新一轮换机潮。 AI 部署本地化具有必要性，优势包括更低的延迟、更小的带宽、提高数据安 的超级海量的 数据，无需进行人工标注，即进行自监督学习；2）基础模型规模非常大，参数规 模从十亿到千亿级别；3）训练出的基础模型具有跨领域知识，而后通过微调用降 低成本的方法来训练，以适应不同领域的任务。AI 2.0 的巨大跃迁之处在于，它 克服了前者单领域、多模型的限制。 图1：AI2.0 时代的特征是通过超级海量数据无需标注训练一个大模型 资料来源：创新工场，国信证券经济研究所整理 以大语言模型（Large 作为验证，通过训练一个预测的计算最优模型 Chinchilla 来检验这个假设，该模 型使用与 Gopher 使用相同的 FLOTs，但具有 70B 个参数和 4 倍多的数据，最终在 大量下游评估任务中，Chinchilla 表现显着优于 Gopher，且其缩小的模型尺寸大 大降低了推理成本，并极大地促进了下游在较小硬件上的使用。 图6：2022 年最大的五个 transfomer 模型条件 图7：各模型位于

英伟达业绩实现与拆 解 04 风 险提示 请务必阅读正文之后的免责声明及其项下所有内容 请务必阅读正文之后的免责声明及其项下所有内容 一、 GPU 与人工 智能 l 全球数据总量及数据中心负载任务量大幅上涨，数据中心算力需求快速增长。随着 人工智能等新技术发展，海量数据的产生及其计算处理成为数据中心发展关键。 据 IDC 数据，全球数据总量预计由 2021 年的 82.47 ZB 上升至 突出需求，高并行度的深度学习算法在视觉、语音和自然语言 处理等领域上的广 泛应用使得算力需求呈现指数级增长。 据 Cisco 数据，全球数据中心负载任务量预计由 2016 年的 241.5 万个上升至 2021 年 的 566.7 万个，对应 CAGR 达 18.60% ；其中，云数据中心负载任务量 CAGR 预计达 22% 。 l 以模型中的参数数量衡量，大型语言模型的参数 在过去五年中以指数级增长。随着参数量和训练 请务必阅读正文之后的免责声明及其项下所有内容 图：简单任务中不同参数模型上下文学习性能 资料来源： IDC ，国信证券经济研究所整理 资料来源： Cisco Global Cloud Index ，国信证券经济研究所整理 图：模型参数规模大幅上涨带来算力需求提升 图： 2021-2026 年全球数据总量及预测 图： 2016-2021 年全球数据中心负载任务量及预 测 资料来源：《

联接、主动服务和智能进化等基本特征，作为支撑产城综合体的基 础，可结合产城综合体承载的人机物事的具体需求进行详细规划。 27 经济开发区“智慧园区”项目项目建议书 三、总体建设任务与分期建设内容 总体任务： 本次准格尔经济开发区智慧园区的建设，以智慧决策大脑为核 心，打造数据使能、基础设施两大基础平台，建设经济运行监测系 统、智慧能耗监测系统、智慧安全监测系统、智慧安全应急系统、 题数据以及数据综合决策的建库。 基础数据建库包括：人员、车辆、设备、资产、空间地理等。 业务主题数据建库包括：办公专题、能效信息、设备状态、视 54 经济开发区“智慧园区”项目项目建议书 频监控、任务派发等。 2）集约化服务平台 集约化服务平台通过定制开发和购买成熟的中间件产品，进行 相应的配置或二次开发，对系统建设提供统一的基础支撑和管理环 境，以降低应用系统建设的复杂度、提高可靠度。集约化服务平台 生微 小振动，并超过系统设定阈值时，系统即刻报警。并根据报警的性 质确定报警的级别。 系统通过声光等形式将报警信息传递给监控人员，并在系统中 生成报警信息发送至指挥中心。 监控人员下发告警任务到报警点附近的安保人员手持终端，安 保人员根据手持终端上显示的信息和路径规划前往事发地点进行处 理，并以文字，图片的形式回传处理结果，系统进行事件归档。 ●告警处理 道闸，视频，门禁，周界，停车，入侵，隐蔽报警等告警都会

，在业内被称为“ 国内首个金融行业通用大模型 ”。 2023 年 5 月下旬 ，度小满推出国内首个千亿级中文金融大模型“轩 辕 ” ，聚焦于金融名词理解、金融市场评论、金融数据分析和金融新闻理解等任务。恒生电子于 2023 年 6 月发布了金融大模型 LightGPT ，并 在 10 月份对其进行升级 ，至此形成“ LightGPT+WarrenQ+ 光子”体系 ，助力恒生大模型实现金融多场景应用。 妙想金融能力评测行业领先。一方面 ，使用开源金融评测数据集 OpenFinData 对妙想金融大模型的金融场景能力进行 360 度诊断。 在横跨金融知识、金融计算、金融解读、金融判别、金融分析、金融合规等六大金融模块共十九项金融任务维度的多元金融场景能力的 测试中 ，妙想金融大模型评测综合评分整体较高。 金融场景评测比较优势凸显。另一方面 ，研发团队针对常见金融应用场景 ，对妙想大模型和通用大模型的输出结果进行了人工标注盲 的加持， 80+ 中文金融任务的打磨，覆盖了金融绝大多数领域应用场景，且针对于金融任务， 回答速度极快，准确率较高，并支持多种语言输入与输出。 2 ）合规性、安全性高。充分学习中国的金融法律法规，在输出时符合中国金融市场的监管要求。 3 ）轻量化。支持私有化 / 云部署以及灵活 API 调用，推理端仅需一机 2 卡部署。金融机构可以基于 LightGPT 通过私域任务数据定制化精调大模 型，

.......................................................................... 7 图 7： Teams Premium 生成任务 .................................................................................................. GPT-1 2018 年 6 月 1.17 亿 约 5GB 1.3B 结合无监督学习及有监督的微调 GPT-2 2019 年 2 月 15 亿 40GB 15B 学习在无明确监督情况下执行多种任务 GPT-3 2020 年 5 月 1,750 亿 45TB 499B 结合少样本学习和无监督学习 GPT-4 2023 年 3 月 待公布 基于规则的奖励模型 数据来源：OpenAI，Medium 模型可以完成绝大多数文本和图像任务，具有成熟的生产力。根据 OpenAI 的官方介绍，GPT-4 可以接受文本和图像的信息，并允许用户指定任何图像或语言任务， 处理超过 25000 个单词的文本。除了在各种标准考试和不同语言情景下都有突出的表现 外，在图像的处理分析上，GPT-4 能够直接阅读并分析带有图片的论文，承担文本、音 频、图像的生成和编辑任务，并能与用户一起迭代创意和技术写作任务，例如创作歌曲、