14.2%基准水平。项目落 地后将分三阶段替代客户经理 60% ” 的工作内容，最终形成 智能体 处理标准化需求+ ” 人工专注复杂咨询 的协同服务范式。 1.1 银行业客户经理的现状与挑战 当前银行业客户经理面临多重挑战，主要体现在服务效率、客 户需求复杂度以及人力成本三个方面。传统客户经理平均需要同时 维护 200-300 名客户，导致服务响应时间长达 24 小时以上，且高 端客户与普通客户的服务资源分配失衡。根据 大模型作为国内领先的生成式人工智能技术，在 金融领域展现出显著的技术优势与应用潜力。其核心能力建立在千 亿级参数训练基础上，通过融合金融行业知识图谱与银行业务数据 微调，具备精准的语义理解、多轮对话管理和复杂业务逻辑推理能 力。在银行客户经理场景中，该模型展现出三大差异化优势： 首先，在服务效率维度，DeepSeek 可实现毫秒级响应速度， 单日可处理超过 50 万次客户交互，相当于 500 名人工客户经理的 最终目标是实现智能客户经理对初级客户经理岗位的完全替 代，在试点分行达成 40%的人力成本节约，同时将客户满意度 (NPS)提升 15 个百分点。项目将分三阶段推进：三个月内完成基础 问答能力部署，六个月内实现复杂业务处理，十二个月内达成全业 务场景覆盖。通过持续迭代的强化学习机制，确保智能体每月更新 业务知识库，保持对监管政策变化的即时响应能力。 2. 智能体功能设计 智能体功能设计围绕银行客户经理的核心工作场景展开，通过

，②金融垂类大模型。 1 ）双方优劣具有相对性。通用大模 型 优势：泛用性强、灵活性和利用率高、可迁移性强。劣势：特定领域深度较浅、模型复杂、训练时间长；金融垂类模型优势：领域专业性、针 对 性的解决方案、高精度和合规性。劣势：适应性限制、更新和维护复杂度、数据利用率低。 2 ）通用大模型通过金融语料训练超越金融垂类模 型 可能性较小。通用大模型在行业数据量 ，性价比 ，精确性、适用性、实时性、推理速度 特定领域深度较浅 可能不具备特定领域（如金融）的深入理解和 专业知识 适应性限制 由于主要针对金融领域，因此在其他领域的适 用性可能有限 模型复杂 通用大模型的结构非常复杂，使得模型的解释 性变得困难，导致模型的计算量增加，影响模 型的效率 更新和维护复杂度 金融政策和法规的变化可能要求模型频繁更新 以保持准确性和合规性 训练时间长 通用大模型的训练需要大量的计算资源和时 间，这对于一些小型企业来说是一个挑战 相对性。通用语言大模型在泛用性、灵活性、数据利用率、 迁移性上相比金融垂类更有优势，而在专业性、针对性、高精度和合规性上，金融垂类模型更胜一筹；在复杂度问题上，通用语言大模 型在结构上更加复杂，影响模型效率，而金融垂类模型则是在更新维护上具有复杂性。 数据来源：东吴证券研究所整理 1.1. 通用 + 金融 VS 金融垂类：优劣势 对比 图表：通用与金融垂类大模型优劣对比 5 使用

01 14 第二章 零售数字化行业概览 � 全球零售行业概览 �.� 零售行业的定义和分类 �.� 零售行业的演变历程 �.� 零售行业的复杂性 � 主要零售数字化企业全球化拓展概况 �.� 多点数智有限公司Dmall Inc �.� 其他零售数字化企业出海 � 亚洲零售数字化行业概览 � 自由切换线上 线下场景，如线上下单产品后线下自提或者线下体验产品后线上下单购买。零售 商通过数据驱动可以实现精准运营，优化选品和营销策略，实现商品的智能库存 管理和个性化推荐。 供应商管理的复杂性。零售业供应商管理的主要特点之一是供应商和销售终端的 平均规模较小，数量众多且分布零散，这极大地增加了零售企业的市场覆盖成本 和供应商管理难度。大型零售企业通常需要与更多类别的供应商建立联系，供应 门店需求与供应商供应之间的壁垒，从而降低零售企业的运营成本，提高业务效 率。 �.� 零售行业的复杂性 助力零售赢在数字时代 Empower Retailers to Thrive in the Digital Age �� 区域差异性。零售市场呈现出高度差异化的区域特征，地理环境、消费习惯与经济 水平发展的多元性共同塑造了复杂的商业格局。一、二线城市以规模化连锁业态 为主导，标准化超市与便利店形成密集网络；而三、四线及下沉市场仍广泛分布着

预训练语言模 型（PLM） 大语言模型 （LLM） Seq2Seq建模 基于循环神经网络RNN描述单 词序列的概率 • 优点：通过词嵌入和隐 藏层，上下文捕捉和泛 化能力较强； • 缺点：计算复杂度高， 面对长文本序列仍会有 “灾难性遗忘”问题 基于文本概率分布建模 通常基于马尔可夫假设建立词 预测模型（N-gram） • 优点：可解释、计算速 度快 • 缺点：从前向后单向计 不同的空间中进行上下文理解，使得模型获得了对输入序列有更细致透视，丰 富了其表示，带有多样化的上下文信息。 前馈网络Feed Forward 捕捉序列中元素之间复杂关系的多功能组件。通过使用线性变换和非线性激活 函数，前馈网络使模型能够处理复杂语义，促进文本的稳健理解和生成。 Google Transformer：引入注意力（Attention）学习, 2017 浙江大学人工智能教育教学研究中心 学生模型优化：利用软标签监督训练小模型，使其学习 到教师模型的决策逻辑和特征表示，从而提升性能。 数据蒸馏与模型蒸馏的深度结合 模型蒸馏是一种将大型复杂模型（教师模型）的知识迁移到小型高效模型（学生模型）的模型压缩技术，其 核心目标是在保持模型性能的同时，显著降低模型的计算复杂度和存储需求，使其在资源受限的环境中部 署。 DeepSeek蒸馏技术的关键创新 链式思考推理迁移 ➢ 知识传递的深化：不同于传统蒸馏仅模仿输出结果，

进行训练，在文本分析、机器翻译、机器写作等自然语言处理应用领域表现出色。 l2022 年 12 月， OpenAI 发布基于 GPT-3.5 的聊天机器人模型 ChatGPT ，具有出色的文字 聊天和 复杂语言处理能力。 ChatGPT 的发布引爆 AI 领域，海内外科技公司纷纷宣布发布大 语言模型， 而用户爆发式增长对大语言模型的算力需求同样带来挑战， AI 芯片成为算力提 升关键。 版本 GPT 芯片比较 种类 定制化程度 可编辑性 算力 价格 优点 缺点 应用场景 GPU 通用型 不可编辑 中 高 通用型较强、适合大规模并行运算；设计和制造工艺成熟。 并行运算能力在推理段无法完全发挥。 高级复杂算法和通用性人工智能平台。 FPGA 半定制化 容易编辑 高 中 可通过编程灵活配置芯片架构适应算法迭代，平均性能较高；功耗较低； 开发时间较短。 量产单价高；峰值计算能力较低；硬件编程困难。 91.9% ，依然是实现数据中心加速 的首选。 GPU 通用型较强、适合大规模并行运算，设计和制造工艺成熟，适用于高级复杂算法和通用性人工智能平台。 lAI 芯片又称 AI 加速器或计算卡，是专门用于处理人工智能应用中大量 计算任务的模块。随着数据海量增长、算法模型趋向复杂、处理对象异 构、计算性能要求高， AI 芯片能够在人工智能的算法和应用上做针对性 设计，高效处理人工智能应用中日渐多样繁杂的计算任务。

AI 大模 型在边缘端落地，有望推动新一轮换机潮。 以大语言模型为核心，以语言为接口，控制多 AI 模型系统，构建“贾维斯” 式智能管家。我们认为大语言模型不仅可以实现对话、创意，未来也有望作 为众多复杂 AI 模型的控制中心，同时也是接受用户指令的交互窗口，实现 《钢铁侠》电影中“贾维斯”式综合智能管家。23 年 5 月，Google 推出 PaLM 2 轻量版 Gecko，其可在最新的旗舰机型上离线运行。同月，OpenAI ......................12 “贾维斯”式智能管家，引领全新换机需求 ....................................... 16 大语言模型有望成为复杂 AI 系统的控制中心和交互入口 .................................... 16 当前旗舰机款手机芯片仅可运行优化版十亿参数级大模型 ............... 模型（语言由简单的向量表示），到更复杂的 RNN 模型、LSTM 神经网络，再到 2017 年 Google Brain 提出 Transformer。Transformer 不再基 于对每个单词的单独理解进行处理，而是将句子和段落作为一个整体进行处理， 使 LLM 能够从自然语言中深入理解人类的意图，并让一系列应用成为可能：从描 述中生成艺术创作、将大量非结构化数据提炼成简洁的摘要、更准确的翻译、回 答复杂的查询等。

升级至四代，模型能力 高速提升。2023 年 3 月 15 日，OpenAI 正式官宣了多模态大模型 GPT- 4，ChatGPT4 将输入内容扩展到 2.5 万字内的文字和图像，较 ChatGPT 能够处理更复杂、更细微的问题。最新版的 GPT-4 在 ChatGPT 的 GPT- 3.5 基础上主要提升了语言模型方面的能力，并添加了多模态功能，在 不同语言情景和内部对抗性真实性评估的表现都显著优于 GPT-3 技术进展的成果。2023 年 3 月 15 日，OpenAI 正式官宣 了多模态大模型 GPT-4，ChatGPT4 将输入内容扩展到 2.5 万字内的文字和图像，较 ChatGPT 能够处理更复杂、更细微的问题。 表1：历代 GPT 表现情况 模型 发布时间 参数量 预训练数据量 Tokens 学习目标 GPT-1 2018 年 6 月 1.17 亿 约 5GB 1.3B 局限性。边缘计算指的是将计算和数据存储能力移动到接近数据源的边缘设备，如 AI 边缘计算盒子、物联网设备等，而不仅仅依赖于远程的云服务器。边缘计算在成本、时 延、隐私上具有天然优势，也可以作为桥梁，预处理海量复杂需求，并将其导向大模型。 人工智能的未来既需要终端侧 AI，也需要云端 AI。在终端侧运行 AI 应用可提升成本效 益、增强隐私性、个性化并降低时延；与仅在 CPU 或 GPU 上进行 AI 工作负载处理比

制了企业对全局数据的综合 分析和利用能力。 2）异构系统对接困难 服饰时尚企业使用的系统通常来自不同的供应商，存在技术平台和数据格式的差异。这给系统对接带来了困难，需要克服数据 交换和转换的复杂性，且增加了系统集成的成本和风险。系统之间的信息交互受限，导致数据无法实时、准确地在不同系统间 流动，进一步影响了数据管理的效率和一体化视角的实现。 3）数据一致性问题 由于存在烟囱式系统建设 式，服饰时尚行业的供应链能够更好地适应市场需求，并实现持续增长和竞争优势。 2.3.1 多品牌多法人多组织 2.3.2 价格和营销策略 2.3 消费者体验升级 进行全渠道整合时，服饰时尚企业往往面临着多品牌、多法人和多组织等复杂情况。特别是在跨渠道结算方面，企业信息化 系统必须具备支持多组织的能力，以满足不同法人主体的结算需求。虽然直营体系相对较为简单，但当直营门店接到一个 由加盟商发货的订单时，就会引发一系列问题。 等方面。 1）结算痛点 手工操作与繁琐流程：传统的结算流程通常依赖于手工操作和纸质文档，这不仅耗费大量的时间和人力资源，还容易出现 错误和延误。例如，手写账单、填写结算单、核对付款等环节等环节复杂且耗时，导致结算效率低下。 资金流动性不稳定：过去，服饰时尚行业通常依赖于订货会，这种模式使得资金流动性变得不稳定。客户支付的及时性难以 保障，企业可能面临长时间的等待甚至拖欠款项的风险，从而影响企业的现金流和正常运营。

吸引了资本投资的激增，尤其是转向合资企业、贷款 /信贷设施和收购。这种转变反映了获取投机融资的 难度越来越大，以及新校园规模的不断扩大，现在需 要显著更多的资金。产品供应不足加速了新的发展， 大型、复杂的建筑吸引了创纪录的资本。不久前，5 0MW被认为是一个大型园区，但现在100MW以上的 园区已是常态。平均每兆瓦的建设成本为1100万美 元 2 ，一所校园现在可能需要数十亿美元的投资— —对于 超大规模主导地位 来源：摩根士丹利 2025年超大规模资本支出（以十亿美元为单位估算） 亚马逊 谷歌 元 微软 2024年，超大规模企业主导了美国数据中 心市场。这些公司凭借其庞大的规模、技术 复杂度、运营效率、强大的信用评级和全球 影响力来保持竞争优势。除了建设新设施外 ，它们还租赁现有数据中心以满足不断增长 的需求。它们巨大的购买力已将第三方托管 业务变成了一场争夺其首选市场空间的竞赛 。下方的图表展示了这种控制力。 复合年增长率（Com 自2019年以来 来源：Colliers U.S. Research, Green Street 库存（兆瓦） 委派 计划 有限的可开发土地、电力短缺以及竞争加剧 使得权益过程变得更加复杂和耗时。 芝加哥提供了数据中心友好的税收优惠政策， 并于2019年通过了关于数据中心设备的具体法 律。 该地区寒冷的气候和丰富的淡水支持了人工 智能工作负载的效率冷却，同时自然灾害的 风险较低。

中国：云服务系列  推理是指利用训练好的大模型， 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 全栈自主可控：从昇腾硬件、推理引擎到模型服务，实现技术链路100%国产化， 保障企业数据安全与业务合规。  灵活选型模型：支持DeepSeek-R1满血版（671B参数）至轻量化蒸馏模型的灵活部 署，覆盖从复杂决策到高并发交互的全场景需求。  异构算力融合：同步兼容多元算力，支持企业按需构建混合算力集群，释放资源 潜力。 市场研读 2025/08 例如，处理超长文本或音视频输入时，KV Cache 等缓存机制面临巨大压力。多级缓存技术（如HBM + DRAM + 专业存储）通过“以存代算”策略显著减轻计算负担，提升推理效率，支持更长上下文理解和更 复杂任务处理。  多机并行推理支撑超大模型与多模态应用 面对千亿级参数模型和百万级长度多模态输入带来的计算与内存挑战，多机并行推理成为必然选择。通过 节点内NPU高速互联与节点间RoCE网络协同，实