之间，避免过度强调智能 化因素。 » 4. 可优化性 ：所有指标更新必须反映 ICT 行业 的发展趋势或市场和技术趋势的变化。例如， 原 GDI 中的“STEM 毕业生比例”指标已从 “科学、技术、工程及数学领域毕业生比例”更 图 3：GDII 指标框架 应用 下载量 消费者 电子商务 交易量 企业及 消费者 电子政务 水平 政府 消费者光纤覆盖 企业光纤覆盖 4G & 5G覆盖 人才与生态 数据生成 数字能源 政策 移动数据流量 ICT 总投资 固定宽带 用户数 移动宽带 用户数 数据规模 物联网 联接数 智能手机 渗透率 ICT 从业者 数量 STEM 毕业生 比例 初创企业 数量 开源 社区 参与度 互联网 参与度 频谱政策 绿色 能源政策 ICT 法律法规 ICT 专利数 数字化 转型政策 移动宽带体验 固定宽带体验 企业千兆园区 渗透率 充电便利性 绿色出行率 万兆企业出口 带宽部署率 IPv6部署率 联接 质量 17 全球数智化指数（GDII）2025 新为 GDII 中的“人工智能、机器学习、数据科 学及相关领域毕业生比例”。 » +1. 业务相关性 ：鉴于该指标体系对 ICT 行业 具有指导意义，新指标纳入时充分考虑了其与 当前 ICT 市场技术与产品的关联性。 人工智能相关衍生指标 » 人工智能 Token

同 的风险收益特征，投资者需根据自身的风险承受能力、投资期限以 及财务目标，确定各类资产的配置比例。 以风险偏好为例，投资者可以分为保守型、稳健型和进取型。 保守型投资者倾向于低风险资产，如债券和现金；稳健型投资者则 在股票和债券之间寻求平衡；而进取型投资者更注重高收益，可能 将较大比例的资金配置于股票和另类投资。目标设定则包括短期目 标（如购房、教育资金）和长期目标（如退休规划、财富传承）， 境、经济周期以及投资者个人情况的变化，都会影响资产配置的合 理性。因此，定期对投资组合进行再平衡至关重要。例如，当某一 资产类别的表现超出预期比例时，需要减持该资产，增持表现较弱 的资产，以维持既定的风险收益目标。 以下是一个简单的资产配置示例，适用于稳健型投资者： pie title 资产配置比例 "股票" : 50 "债券" : 30 "现金及现金等价物" : 10 "另类投资" 在实施资产配置规划时，还需考虑税收、流动性以及交易成本 等因素。例如，某些资产类别可能带来较高的税收负担，投资者需 通过合理规划降低税务成本。流动性需求较高的投资者应增加现金 及现金等价物的比例，以确保在需要时能够迅速变现。 此外，资产配置规划并非一成不变，而是需要根据市场变化和 个人情况进行动态调整。通过引入 DeepSeek 等先进技术，投资者 可以更加精准地分析市场数据、预测未来走势，从而实现更科学的

......146 8.1.1 审计周期缩短比例...................................................................................................................................148 8.1.2 人工工作量减少比例........................ .....151 8.2.1 错误率降低比例........................................................................................................................................154 8.2.2 风险覆盖率提升比例..................... 传统审计方法在长期实践中形成了以抽样检查、人工复核和规 则导向为核心的作业模式，但随着企业数据量指数级增长和业务复 杂度提升，其局限性日益凸显。在数据采集环节，审计人员通常依 赖静态抽样技术，例如固定比例抽样或随机抽样，这可能导致关键 异常数据被遗漏。某国际会计师事务所 2023 年的内部报告显示， 传统抽样方法对低于 5%发生频率的舞弊行为识别率不足 12%，而 全量数据分析能将该指标提升至

000公里以内的行程为例。 图13 | 出行eVTOL在城市空中快线场景下的主要特点 波士顿咨询公司 2025年9月 中国载人eVTOL行业白皮书 18 民航客运量 目标客舱比例 eVTOL转化率 年度监管 放开比例 机场接驳 245 695 778 2025估 2030估 2035估 2040估 0 年度总需求 平均单次 载客人数 每台日均 飞行时长 年均运营 天数 单次平均 2025–2040年 • 预计商务 座与一等座 旅客为目标 客群 • 假设未来 该比例保持 不变 • 预计2025年– 2030年，高 铁客运量增 速为7%， 2031年– 2040年为5% 80% 2025–2040年 • 参考铁路局 管辖范围内 行程占所有 行程的比例 • 假设未来该 比例保持不 变 0.6 包括抵达、 巡航、起飞 200 主要受 天气因素影响 4 0 106 1,139 2,330 eVTOL年销量 2025–2040（估），单位：台 55 305 324 +19% 高铁客运量 年度监管 放开比例 eVTOL 转化率 短途行程 比例 （铁路局管辖 范围内） 目标车厢 比例 （商务座与 一等座） 来源：中国国家铁路局；文献调研；专家访谈；BCG分析。 图15 | 出行eVTOL城市空中快线（高铁接驳）场景销量预测 波士顿咨询公司

语境中，或许更应关注 AI 幻象 问题，而非过拟合问题。 问题 3：从宏观信号到组合构建中，短周期模型得出的“打分指示”如何转化 为具体的战术配置权重（股债比例调整）？ 将短周期模型的“打分指示”转化为战术配置权重，核心是通过风险资产暴露系 数实现动态股债比例调整。综合打分区间（-1 至 1）被划分为若干风险等级，例 如得分小于或等于-0.5 时，定义为极端风险环境，此时股票仓位压缩至 20%以下， 债券及现金类资产占比提升至 转化过程中需同步分析各维度因子（如宏观、资金、情绪）对当前打分的贡献度， 形成“核心驱动因子矩阵”。例如，若宏观因子（如通胀领先指标）权重骤升， 则针对性增加周期股配置比例；若情绪因子（如市场热度得分）超过阈值（如 0.8）， 则动态调高债券对冲比例以抑制过热风险。这种分层逻辑既保留了不同风险等级 下的资产边界约束（如股票仓位上下限），也为宏观周期切换和投资者风险偏好 变化提供了弹性调整空间。 问题 4： 某金融企业的情感分数若处于同行业后 10%分位，即使其绝对值高于其他行业， 仍会被标记为异常。 为进一步优化模型对行业分布不均的鲁棒性，可引入行业分层采样与迁移学习的 组合策略。分层采样要求从每个万得一级行业中按比例抽取等量的正负样本（如 强制金融行业抽取与通讯服务行业等量的造假案例），以均衡化训练集分布。同 时，对样本稀缺行业（如公用事业），通过迁移学习复用相似行业（如能源）的 语料特征，结合行业独热编码的差异化标签进行领域适配。

大模型，可针对性解决上述痛 点：其多模态识别能力能实现医疗票据、交通事故照片等材料的智 能解析，将单证处理时间压缩 90%以上；内置的保险条款知识图谱 能自动完成责任匹配，使标准案件自动化处理比例提升至 70%。 2.1.2 人工审核成本高 传统保险理赔业务中，人工审核环节存在显著的成本效率问 题。理赔案件通常需要经过多级人工复核，从材料初审、验真、定 损到最终赔付决策，每个环节均依赖大量专业核保人员的投入。以 万元医疗费拆分为 5 次 2 万元索赔，此类案 件识别率不足 12%。 为量化现有问题，以下是某保险公司车险理赔欺诈识别数据对 比： 检测手段 识别准确率 误判率 平均处理时长 覆盖案件类型比例 规则引擎 38% 15% 0.5 小时 100% 人工审核 61% 22% 3.2 小时 45% 第三方调查 89% 5% 72 小时 8% 解决这一痛点的技术路径需满足三个核心要求：第一，建立多 等交通事故关键要素，实现 95%以上的实体识别准确 率。 模型支持的多模态输入处理能力显著提升了材料审核效率： - 文本材料：自动提取报案表、责任认定书中的 37 类关键字段（包 括时间、地点、责任比例等） - 影像资料：配合 OCR 技术解析医 疗发票，识别发票代码、金额、诊疗项目等核心数据 - 语音数据： 将通话录音转写文本后，同步标记情绪特征和争议焦点 理赔场景常见的语言处理挑战及解决方案对比如下：

化或归一化处理。同时，特征选择也是重要环节，可通过相关性分 析、卡方检验等方式筛选出对模型训练有显著影响的特征。 数据清洗与预处理的最后一步是数据分割。通常将数据集划分 为训练集、验证集和测试集，比例可为 7:2:1，以确保模型训练、 调参和评估的独立性。为增强模型的泛化能力，还可采用数据增强 技术，如文本数据的同义词替换、数据合成等。 以下是一个数据清洗与预处理的示例流程： 1. 原始数据加载 首先，需要对数据集中的缺失值进行全面的识别和分析。可以 通过统计每个特征中的缺失值比例来判断其严重程度。对于缺失比 例较高的特征，建议考虑删除该特征或进行特征的重新设计；而对 于缺失比例较低的特征，则可以采用填充或插值的方法进行处理。 常见的缺失值处理方法包括：  删除法：对于缺失值比例超过预设阈值（如 30%）的特征或 记录，可以直接删除。这种方法适用于缺失值比例较高且对整 体数据影响较小的情况。  填充法： 体、如何标注嵌套实体，以及如何处理缩写词等。 3. 制定质量控制标准 为了保证标注数据的质量，需要制定严格的质量控制标准。包 括： o 标注一致性的衡量方法（如 Kappa 系数、F1 分数） o 标注数据的抽样检查比例 o 标注错误的修正流程和反馈机制 4. 提供标注示例和规范文档 为标注员提供详细的标注示例和规范文档，帮助其快速理解和 掌握标注规则。示例应覆盖常见的标注场景和特殊案例，确保 标注员能够

下载量占据 140 多个国家榜首。 2 月 1 日消息，据彭博社报 道， DeepSeek 的人工智能助手在 140 个市场下载次数最多的移动应用 程序排行榜 上名列前茅，其中印度占据了新用户的最大比例。据 Appfigures 数据（不 包括中国的第三方应用商店），这款推理人工智能 聊天机器人于 1 月 26 日升 至苹果公司应用商店的榜首，此后一直占据全 球第一的位置。 l 国外大型科技公司已上线部署支持用户访问 l DeepSeek-V3 模型具有更优的模型性能 / 价格比例。随着性能更强、速度更快的 DeepSeek-V3 更新上线，模型 API 服务定价调整为每百万输入 tokens 0.5 元 ( 缓存命 中 )/2 元 ( 缓存未命中 ) ，每百万输出 tokens8 元。相比于其他模型性能和定价，该模型具有更优的模型性能 / 价格比例。 请务必阅读正文之后的免责声明及其项下所有内容 DeepSeek-V3 DeepSeek-V3 发布，性能对齐海外领军闭源模 型 图： DeepSeek-V3 等模型执行不同推理任务性能对比 图： DeepSeek-V3 具有更优的模型性能 / 价格比例 图： DeepSeek-V3 等模型多项评测成绩对比 资料来源： DeepSeek 官网，国信证券经济研究所 整理 资料来源： DeepSeek 官网，国信证券经济研究所 整理 资料来源： DeepSeek 官网，国信证券经济研究所

金流量表， 这些报表共同构成了分析的主体框架。 首先，资产负债表是评估借款人财务状况的起点。通过对资产、 负债和所有者权益的分析，可以了解借款人的财务结构和资产质量。 例如，总资产与总负债的比例能够反映企业的资本结构，而流动比 率和速动比率则能够衡量企业的短期偿债能力。在实际操作中，通 常会计算以下关键指标：  流动比率 = 流动资产 / 流动负债  速动比率 = (流动资产 - 为了优化模型性能，我们进行了详细的超参数调优。通过交叉 验证（Cross-Validation）方法，我们调整了 GBDT 模型的关键参 数，如树的深度、学习率和子样本比例。这些参数的优化能够显著 提升模型的预测准确性和泛化能力。 模型训练过程中，我们将数据集分为训练集和测试集，比例为 8:2。训练集用于模型的构建和参数学习，测试集用于评估模型的 性能。我们使用均方误差（MSE）和平均绝对误差（MAE）作为评 估指 20-30, 30-40 等） 客户年龄分段 财务信息 月收入 归一化 客户的月收入标准化处理 信用历史 信用评分 直接使用 客户的信用评分 行为数据 还款准时率 计算过去 12 个月的准时 还款比例 客户的还款行为表现 宏观经济 GDP 增长率 直接使用 客户所在地区的 GDP 增长率 最后，通过特征重要性评估和交叉验证，进一步优化特征集， 确保所选特征能够显著提升模型性能。特征选择与工程的最终输出

提升项目建设运营专业化程度 减小财政资金压力和投资风险 机制设计复杂，存在制度性风险 融资成本较高。 属于公共服务领域 ，市场化参与程度较高 、国家 安全和公共利益方面潜在风险较低 、需求长期稳 定 、使用者付费比例高于 10% （原则上属于能源 、交通运输 、市政公用 、农业 、 林业 、水务 、环境保护 、保障性安居工程 、教育 、 科技 、文化 、体育 、医疗卫生 、养老 、旅游等 行 业领域的项目 ） 家、地方和企业三方力量，由国家和地方按比例出资建设智能计算中心。 基于政府独立投资的建设模式 政府直接投资和管理，需要对项目的建设周期、存在风险、成本收益等有很高的把控能力。优势在于政府 直 接主导智能计算中心建设，可以起到示范效应，建设完成后智能计算中心所有权归政府所有。 基于特殊项目公司（ SPV ）的建设运营模式 政府与企业共同出资成立智能计算中心建设运营项目公司，政府与企业在合作 框 架协议下按比例出资建 设