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 ⽬标： 培养领导层和关键员工对生成式AI的认知，了解其在提升生产 力方面的潜力 实施步骤： 组织AI思维培训：重点介绍生成式AI的基础知识、应用场景和 优势。 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 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 具体服务 个⼈客⼾ 储蓄与投资 储蓄账⼾、定期存款、投资基⾦、股票交易账⼾ 贷款和信贷 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。

.............................................................................. 23 广告：AI 算法优化推送机制，生成式 AI 实现自动化广告制作 ........................................................................... 23 搜索：引入大模型后，Bing 模型通常具备图像理解、图像生成 能力。部分最前沿的闭源大模型，例如 GPT-4o、谷歌 Gemini，支持的模态更加多元，能 够理解文本、图像、音频、视频（帧），并生成文本、图像、音频。2022 年 9 月，红杉资 本预计还需要近十年的时间，大模型才能实现实习生级别的代码生成、好莱坞质量的视频 和区别于机械声的人类质量语音，但是实际进展远超当时预期，Sora 已经能够生成 60s 的 高质量视频，GPT-4o 的作用不断深化，生成式 AI 新的应用不断被解 锁。通过对 AI 在搜索、电商零售、办公、金融法律、影视游戏，医药、教育、汽车等行业 应用前景的分析，我们认为，AI 应用的落地节奏或与行业数字化程度成正比，我们看到 AI 大模型在互联网（搜索+广告营销）、办公、金融等领域率先迎来“iPhone 时刻”。其中最 值得关注的应用包括：1）文本生成在电商、金融、医疗等行业替代传统客服；2）文本和 图像生成在办公、

61%）、以及缺乏动态客户画像更新机制。这些 缺陷导致现有智能助手仅能处理 11%的客户需求，远未达到替代人 工的标准。 1.2 DeepSeek AI 大模型的优势与应用潜力 DeepSeek AI 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 其次，在知识管理方面，模型通过持续学习机制保持知识实时 更新：  动态同步最新监管政策与行内产品手册  自动归档典型服务案例形成可复用的对话模板  支持跨 13 种业务文档的即时检索与摘要生成  维护超过 2000 个金融术语的精准解释库 第三，在风险控制层面，模型内置三重防护机制：通过意图识 别准确拦截 98.6%的敏感问题询问；基于行为特征分析的欺诈检测 模型 AUC 值达 其次，构建动态客户画像系统，通过 API 对接银行 CRM 系统 实时获取交易数据，结合 DeepSeek 的推理能力生成个性化推荐方 案。测试数据显示，AI 智能体可同时处理 200+客户画像维度，较 人工客户经理分析效率提升 40 倍。典型应用场景包括： 1. 根据客户资产变动自动触发理财产品推荐 2. 识别潜在贷款需求后生成预审批方案 3. 监测异常交易实时推送风险提示 第三，实现与银行现有系统的无缝集成。智能体将通过

大学人工智能教育教学研究中心 浙江大学人工智能教育教学研究中心 浙江大学人工智能教育教学研究中心 浙江大学人工智能教育教学研 浙江大学人工智能教 浙 编码器Encoder 处理输入序列 解码器 Decoder 生成输出序列 Google (2017): Attention is all you need 嵌入层Embedding Word Embedding: 目的是将这些非结构化的文本信息转化为结构化 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 中心 智能教育教学研究中心 大学人工智能教育教学研究中心 浙江大学人工智能教育教学研究中心 浙江大学人工智能教 浙 DeepSeek-R1：监督微调+强化学习训练 DeepSeek-R1-Zero （强推理模型） 推理导向强化学习 （准确率奖励+格式奖励） 纯强化学习训练 低可控：生成文本可 读性差、语言混乱 高探索自由度 => 推理能力自我觉醒 （更长的思维链、更深层次的 推理路径） DeepSeek-V3 （基础模型） 监督微调 强化学习 图源自《ReFT: Reasoning

............................................................................ 7 图 7： Teams Premium 生成任务 ................................................................................................ ............. 13 图 25： AI 生成 3D 模型 ...................................................................................................................... 14 图 26： AI 自动生成动态的 3D 人脸模型 ................ 迭代更新，人工智能掀起科技潮 GPT 升级至四代，模型能力高速提升。ChatGPT 是由 OpenAI 开发的自然语言生成 模型，采用 Transformer 神经网络架构（又称 GPT-3.5 架构），基于大量的语料库使用指 示学习和人工反馈的强化学习（RLHF）来指导模型训练。模型可理解并生成对各种主 题的类似人类的响应，是 AIGC 技术进展的成果。2023 年 3 月 15 日，OpenAI 正式官宣

1-405B 等其他开源模型，并在性能上和世界顶尖的闭源模型 GPT-4o 及 Claude-3.5-Sonnet 不分伯仲。 l DeepSeek-V3 模型生成速度提升至 3 倍。通过算法和工程上的创新， DeepSeek-V3 的生成吐字速度从 20TPS 大幅提高至 60TPS ，相比 V2.5 模型实现了 3 倍的提 升，能够 为用户带来更加迅速流畅的使用体验。 l DeepSeek-V3 ：在传统的注意力机制中，推理期间的键值 (Key- Value ，即 KV) 缓存往往占用大量资源。而 MLA 则另辟蹊径，通过低秩联 合压 缩技术，大幅削减了注意力键 (keys) 和值 (values) 的存储空间。在 生成过 程中，仅需缓存压缩后的潜在向量，这一举措显著降低了内存需求， 但在 性能上与标准多头注意力 (Multi-head Attention ， MHA) 相比毫不逊 色，有 力地保障了模型运行的流畅性。 性。 2 ）面向推理的强化学习。和 DeepSeek-R1-Zero 方式相同，但引入了语 言一致性 奖励，对推理密集型任务进行特别优化。 3 ）拒绝采样与监督式微调。使用已训练的 RL 模型来生成新的训练数据，通过构建推理数据和非推理数据提升模型的通用能力。 4 ）全场景 强化学习。为了同时平衡推理能力和通用能力，将不同类型的奖励机制有机结合，再次进行强化学习。 DeepSeek-R1(-Zero)

业务条线收入提升，推动行业稳健发展。 AI 赋能互联网金融：在 C 端智能投顾自动化定制建议，赋能人工投顾提效，提升智能投顾的普惠性与个性化服务体验，在 B 端利用 AI 大模型 解析数据生成投研报告，助力分析师提炼关键结论。此外，打开 AI 驱动的金融产品创新、企业级 AI 解决方案服务等新生业务新局面，推动服务 效率和业务增长双重跃升。 AI 赋能保险行业：推动保险价值链实 是专业知识与大模型能力相结合的行业大模型应 用体系，是通用大模型在垂直行业的有效实践。金融大模型的应用将改变金融科技范式，重塑金融机构工作方式和服务生态， 目前已在金融咨询、 产品介绍、内容文本生成、虚拟客服等方面得到实际应用，随着“大数据 + 大算力 + 强算法”升级，金融大模型将在更多细分领域带来新技术的变 革。 经验反哺 技术支持 n 与基础大模型相比，金融行业大模型结合金融 技术优势： DeepSeek-R1 凭借“性能倍增、成本递减”特性 ，在数据处理、逻辑推理及多模态分析方面表现突出。 安全合规：本地化部署满足金融行业数据安全要求，结合 RAG （检索增强生成）和 AI Agent 技术，构建智能中台。 场景渗透：应用已从内部效率工具（如智能问答、流程指引）延伸至核心业务。 行业展望： DeepSeek 将进一步推动智能投顾、个性化财富管理等场景落地

，基于大模型自动生成大纲和创作思路 ，思 路中包含所需指标来源。飞研创作可以协助使用者编辑思路 ，完成研报编写； 3. 【绘图】基于选取数据为使用者编辑创作出更具有艺术创造力的可视化图形； 4. 【灵动看板】帮助使用者基于问题生成逻辑以图形呈现的可视化分析； 5. 【翻译】为使用者智能翻译研报及公告等内容； 6. 【纪要】根据音频或文档智能识别重要内容， 自动生成会议纪要； 【光子 · 文曲】可以帮助投资顾问提供实时市场数据分析和智能文章润色等功能； 2. 【光子 · 善策】根据会话记录实时分析客户意图，精准定位客户标签，自动检索相关的金融产品及资讯信息，生成专业观点和建议； 3. 【光子 · 慧营】服务企业资管运营、托管运营，为运营工作提供系统智能辅助解决方案； 4. 【光子 · 方圆】为合规和业务人员提供智能问答和一键式合规设置等服务。 WarrenQ-Chat 基于大模型叠加搜索和金融数据库，通过对话指令，轻松获得金融行情、资讯和数 据，且每一句生成的对话均支持文本溯源，确保消息准确性。 ChatMiner 可以帮助快速提取文档中的信息，提供精准检索与定位，精炼或拓 展文本。 LightGPT+WarrenQChat 优势： 1) 金融领域生成能力强。基于 2000 亿中文 tokens 的加持， 80+ 中文金融任务的打磨，覆盖了金融

Titan 和 AIGC 服务 Bedrock ，以 及 A I 编 程 助 手 AmazonCodeWhisperer 。 Tita n 系列模型分为用于内容生成 的文本模型 Titan text 和可创 建矢量 嵌 入 的 嵌 入 模 型 Titan Embeddings 。 此外 ，基 于自研推理和训练 AI 芯片 的最新实例 AmazonEC2Trn1n 通用大模型案例，多家企业推出相关产 品 vivo eueuw 你通义千 问 AI 国外 GPT 系列在金融领域表现较好。 GPT 系列能较好理解金融术语，解答金融相关问题，且具备一定的实时性，在金融领域能够自 动生成金融报告、做市场研究、客服机器人等。 国内百度文心、阿里通义千问、腾讯混元以及科大讯飞在金融领域表现较好。百度文心一言具备较高的实时性，且金融术语的理解较 好，准确度高，能够在金融新闻分类、问答系统和智能写作中发挥作用。 估客户风险； AI 还可以实时监测交易和市场波动，及时制定策略。 当前国内外金融行业都在主动拥抱大模型。 IDC （国际数据公司）一项调研显示，超半数的金融机构计划在 2023 年投资生成式人工智能 技术，只有 10% 的金融机构表示没有试验计划。国外自 BloombergGPT 后，也出现了如 FinGPT 等一系列金融大模型。而国产金融大模型也 已分出了 明显的两个“流派”。一派来自于传统金融机构

S0980522090001 l GPU 是人工智能时代下满足深度学习大量计算需求的核心 AI 芯片。 过去五年，大型语言模型的参数规模以指数级增长；从 2018 年起， OpenAI 开始发布生成式预训练语言模型 GPT 以来， GPT 更新换代持续提升模型 及参数规 模； 2022 年 12 月， OpenAI 发布基于 GPT-3.5 的聊天机器人模型 ChatGPT ，参数量达到 1750 速计算平台，并且完善针对 AI 加速计算及数据中心的 GPU 、 CPU 、 DPU 三种芯片产品结构。 AI 布局方面，早在生成式 AI 变革初期就已参与并与 OpenAI 、微 软合作。 2023 年 3 月，英伟达在 GTC 大会上推出 4 个针对各种生成式 AI 应用程序进行优化的推理平台，其中发布带有双 GPU NVLink 的 H100 NVL 加速计算卡， 以支持 ChatGPT 0 Tensor Core GPU ， 及 其 Quantum- 2 Inf iniBand 网 络 平 台 ， 可 用于研究和加速 DALL-E 和 Stable Diffusion 等生成式 AI 模 型。 2023 年 3 月 14 日，微软宣布加强和英伟达的合作，将 GPU 从 此前的 A100 升级到 H100 ，推出专门针对人工智能开发的全新的 ND H100 v5