对 行业和产业的影响。同时，也强调了AI技术对保险行业的影响深远，将改变保险公司的运营 模式和服务效率和质量，为服务规模化提供重要的支持。未来，随着技术的不断发展，AI技 术将推动科技产业价值规律的变化，更加注重应用的创新与服务的提升。 • 保险公司在应用AI技术方面的优势和能力：保险公司可以通过分析自身优势并利用AI技术提 高运营效率，包括在产品设计、市场营销、核保及理赔等环节。AI应用研发框架的流式会话 ，因此，针对每一个问题的解释 回答，不仅要聚焦一个重要的因素，同时在一些必要阶段需要进行升维/抽象化，使得最终的问 题具有通用性。在这个例子中，最终可能会将问题抽象聚焦为：“看不清楚未来的趋势和规律” “缺乏明确的定位”“无法有效识别机会”等。 挖：洞见问题本质 在当前不确定的环境中，保险 企业在经营上面临的挑战之一 是消费者行为的不断变化，这 些变化都包括什么？ • 数字化互动增加：消费者 在大周期中，影响科技应用的社会因素也是不容忽视的，这里以“创新扩散理论”，说明技术创新 改变社会的规律。 除了将科技周期和文化适应度纳入考量，帮助企业更好地洞察保险行业的未来走向。三轮规模化 变革，则为企业提供了更为清晰的行业技术发展规模路径： 卡洛塔·佩雷斯（Carlota Perez）的研究总结了科技革命与金融系统的规律。 ►一系列技术革命组成的科技大周期呈现S型的扩散曲线，整体可以分为两个阶段：【导入期】

的总体目标，强调要适应科技信息化发展大势，以信 息化推进应急管理现代化，提高监测预警、监管执 法、指挥决策、救援实战、社会动员等应急管理能力。 大语言模型是具有大规模参数的深度学习模 型，通过对海量文本的训练习得语言的统计规律， 从而具有理解和生成自然语言的能力，实现人机之 间的有效通信。自2018年双向编码表示模型（bidirec⁃ tional encoder representations from transformer，BERT） 现[9-10]。优势在于从数据中学习的能力，善于处理复 杂的、模糊的问题。 1.1.2 主动学习 与传统结构化的知识获取方式相比，大模型采 用自监督学习方法，主动捕捉训练文本中更深层次 的特征和规律，而非在预设知识结构下的信息抽 取[11]，从而具有突破已有认知局限实现创新的潜能。 1.1.3 数值计算过程 模型通过优化其预测下一个单词（如 GPT）或填 充缺失单词（如 BERT）的能力，来调整多层神经网络 BERT）的能力，来调整多层神经网络 模型的内部大量神经元连接权重参数，实现对知识 的获取。这一参数调优过程在连续平滑数值空间进 行，与符号化表示的知识获取中的离散符号操作相 比，可以捕捉更为复杂和细致的规律，实现对过往 经验的超越。 1.1.4 知识分布式隐式表示 与符号化知识表示不同，模型获取的知识内嵌 于神经网络模型的海量参数中，无需对其进行显式 表示，这种分布式隐式表示能够处理符号化知识表 示无法处理的情况，例如，无法言明的复杂知识。

基于短周期的大类资产和风格配置规律图 图 11 : 四象限下股债配置和风格 / 行业规律 请务必阅读正文之后的免责声明及其项下所有内容 资料来源： Wind ，国信证券经济研究所绘 制 中周期：聚焦资产比价 中周期框架下的资产配置以均值回归为核心思想。均值回归认为，资产价格在长期会围绕其内在价值波动，即使短期内出现偏离，最 终也会回归到长期平均水平。这种规律在金融市场中普遍存在，是资产配置的重要依据 产配置的重要依据 中周期框架强调在中期维度（ 3-5 年）进行资产配置。与短期波动不同，中期维度的资产价格比价关系更稳定，均值回归规律也更为明 显。通过压缩观察窗口，投资者可以更好地捕捉资产价格的阶段性偏离，并据此调整配置策略 图 12: 中周期配置思路 请务必阅读正文之后的免责声明及其项下所有内容 资料来源： Wind ，国信证券经济研究所整 理 请务必阅读正文之后的免责声明及其项下所有内容 第三步 历史回溯，挖掘先验权重对未来的解 释程，以及与实际变化的差异 这一过程实质上是在探索“权重优化路 径”，以便为 AI 提供学习依据，指导其 在未来动态调整权重的规律 这一过程是 AI 的学习过程，让 AI 基于底稿中 的历史数据进行“静态学习” ，并挖掘先验 权重与实际变化之间的差异进行“动态纠偏” 这一过程是 AI 迭代学习成果的应用， 使 AI 基于当前（或预测）的周期和宏

在大盘择时、行业轮动、识别财务瑕疵等应用中涉及 到的项目细节、技术原理以及方法对比与优化进行了详细的回答：本文系统 梳理了 AI 技术在策略优化、风险识别与决策闭环中的关键作用，通过动态 学习机制与智能决策框架的构建，AI 能将历史规律挖掘与实时信号解析相结 合，形成具备自我进化能力的智能投研体系。 AI 通过非线性建模技术重构动态赋权机制，显著提升市场适应性。不同于经 典风险平价模型的静态风险分配逻辑，AI 融合 XGBoost 因子对市场趋势 的影响规律，并将其转化为初始权重基准。该过程首先通过 XGBoost 对历史股债 市场数据（如宏观经济指标、资金流向等）进行特征重要性分析，量化各因子对" 股债强弱走势"的解释能力，筛选出具有长期稳定性的高价值因子；然后将这些因 子重要性结果作为训练样本输入 DeepSeek 模型，使其学习因子与市场状态的关联 模式；最后结合当前市场环境，AI 基于历史规律生成初始权重框架，再通过动态 基于历史规律生成初始权重框架，再通过动态 赋权机制进行实时调整。这种方法的优势在于既保留了传统模型的逻辑可解释性， 又能通过 AI 动态适应市场变化，同时避免了直接训练大模型带来的复杂性和资源 消耗。 整个流程体现了"历史规律挖掘-规律映射学习-实时预测应用"的技术路径，通过 XGBoost 的先验分析为 AI 模型提供可靠的初始基准，再结合 DeepSeek 的推理能 力实现权重的动态优化，在保证模型稳定性的同时提升对市场变化的适应能力。

可以进一步将这种思路扩展到思考过程是搜索过程的特例，比如 rStar-Math, SoS 都可以用类似的思路来理解。 ➢ 本质上，STaR一类的方法是希望模型能够学习到MetaCoT, 即问题到答案映射 过程背后的深入规律 ➢ 但是对于问题的结构要求性高，对于复杂数学推理任务可能难以自我迭代 ➢ 难以融入 Rule-Based Reward for RL训练 ➢ PureRL加持下，业界的技术实践更多Focus on 直接利用SFT蒸馏可以学习到数据中的推理范式，虽然在推理分数上的表现有所提升，但是更多是去拟合数 据中的Pattern, 很难学习到数据背后的数学规律和MetaCoT ➢ 强化学习则是通过试错和尝试，鼓励模型在最大化奖励过程中学习到推理背后的规律，获得的泛化性和推理 表现上界更高 ➢ SFT 主要负责记忆而很难进行OOD泛化，基于ORM的RL泛化能力较好 [1] ➢ SFT规范模型输出格式，使得后续的RL可以获得更高的收益 单智能体系统下 的安全，并不保证多智能体系统安全 \AI系统伪装已被“安全对齐”，行为欺骗监管 ➢ 随着 VLA \ Agent 等模型下游和赋能应用兴起，确保模型AI系统准确应对不确定性，考虑物理规律下的人 类价值观对齐至关重要 ➢ 在复杂动态环境中不仅要短期安全，还要确保长期行为的安全性，例如对操作环境造成影响。 ➢ 通过形式化验证和RL，提升AI系统的可靠性与处理复杂推理问题的能力。通过构建形式化数学数据库，

同时提供详尽灵活的数据分析工具，可以实现单设备 1 年、1 季度、1 月、1 周整体趋势分析，从 历史层面分析出业务运行规律，方便的发现业务运行异常；多指标相对分析，实现管理对象的纵 向比较，找到影响具体的异常指标集。 通过对历史记录分析，为管理方式改进提供基础数据，贴合业务指标变化的规律，整合人力 资源，实现关键时段重点关注的优先级理念；为用户年度管理数据的统计提供可能，配合北塔快 速报表开发能 传统运维关于被管对象“警戒值”，而一旦超过警戒值意味着一定程度的“损失”已经发生，有没 有办法在提前一点发现风险呢？答案有多种，通过业务基线的偏离判断异常就是其中一种。 智慧运维平台能根据历史记录自动生成基线，并可按照业务变化规律，形成以日基线、周基 线的数据对比，一旦实时数据大于基线比对点一定范围，即生成智维事件，便于分析；当出现多 次越界后，系统主动通知用户，提示运维风险。 ഀ� 基线方式的引入，降低了用户对于“ 了解昨日关键指标波动最大的 5 个资源，便于本日重点分析 ഀ� 主机 CPU 波动分析 网络设备 CPU 波动统计 线路流量均值波动统计 2.4.1.4. 日常运维 在运维过程中，运维系统在后台进行规律性监测，但是由于业务上的定期整修、环境的变化， 管理要求的提高均需要运维管理人员对于系统运维工作进行干预操作，为了更好的实现日常运维 的各项管理，BTSO 提供日常运维菜单，为用户提供场景化工作入口，包括对现行监控方式的查看、

智能（Intelligence）：以模型为核心，是对真实世界的模拟和解释 人类智能 • 抽象（语言）：概念，数字，理念 • 逻辑（理性）：归纳，演绎，类比 • 计算（模型）：科学方法 • 基于观测经验，发现规律 • MIT：一切问题都是模型问题 • 模型：一个映射，一个函数 科学范式 • 用语言逻辑方法获取理论模型：模糊 • 用解析数学方法获取数学模型：精确 • 用计算数学方法获取数据模型：近似 第一代（规则系统）：推理为核心 2. 第二代（知识工程）：知识为核心 3. 第三代（数据模型）：学习为核心 ◼ 从机器学习到深度学习 1. 任务：判别、预测，通过学习数据分布规律 2. 边界：有规律、可以数字化，属于经验科学 3. 要素：机器学习-深度学习 • 模型：神经网络模型（分层；单向） • 策略：损失函数定义 • 算法：反向传播+梯度下降  从感知智能到认知智能

AIGC延伸扩展人脑智能，降低使用门槛，应用影响力无限泛化 麦克卢汉提出，媒介是人的延伸。AIGC技术作为一种人造工具（媒介），是对人脑计算、思考、判断、学习等内在能力的延伸，同 时在巨量数据的加持下，AIGC在发现、认识、运用规律上有着明显的优势，是人的智能在机器形态上的规模化聚集、运作和反应， 突破了人类能力的边界；而AIGC的问答式交互、无需下载和配置等特性，使得AI技术的使用门槛大大降低，AI技术走向平权化；同 时，联 AIGC工具 人脑智能 AIGC人工智能 计算、思考、 判断、学习能力 通过模拟人类大脑，具备了思考、判断、学习能力 人类投喂巨量数据和语料，AI能力涌现 AI能够更深入地解析和发现事物特点、问题及规律 7 ©2024.2 iResearch Inc. 概念、经验得以传授和传承；数字语言的出现，生活和学习中各类数字工具的应用，表示人类对世界的认识和规律把握的能力增强， 人类认知和沟通的障碍降低，知识经验传授和传承的范围进一步扩大；机器语言的出现，人类把数字语言体系外化给机器，并演变 为各类模型、算法，由此人类认识世界、改造世界的能力通过机器得到了放大、倍增和质变。大语言模型作为最新的技术突变成果， 在发现、认识、运用规律上相较于人类有着明显的优势，人造工具突破人类认知和能力的边界，推动教育内容和评价、教学方法的

以用户为中心的一体化云协同研发，通过多软 件的融合，打破了行业竞争给用户带来的云上 信息孤岛，建立起以客户为中心的协同研发设 计互联网环境 Project Content 智能决策 通过深度学习和算法，发现和寻找规律对未知的数据进行分析和预测，可 以提供数据服务和决策支撑。 算法 | 决策 互联网技术以及数据分析技术，实现对企业的智能化、数字化、图像化、 分阶层的实时管理 行为 | 分析 通过对业 流程管控 支持对跨部门事件处理工作的全流程把控， 通过将办公流程或预案流程的相关要素以 及当前状态进行可视化管理 决策支持 支持对工厂管理部门既有海量数 据资源，提供栅格、聚簇、热图、 活动规律等多种可视化分析手段 联合指挥 深度整合各级别、各部门、各地区 联动资源，对大规模联动资源进行 可视化管理 监测预警 对工厂运维管理各领域的核心指标进行态势监 测与可视分析，全面描绘工厂运行现状

技术成果： 提高模拟精 度 考虑流域空间异质性的组合水文预报模 型 组合水文预报模型 产流空间异质性规律 P15 将水文学原理和数据驱动模型相耦合 ，构建物理函数约束的深度学习模型 ，在深度学习模型中考虑了 流域产汇流的物理机制 ，使深度学习模型测预测结果更符合物理规律。 耦合物理机制的深度学习： 产汇流机制约束的深度学习洪水预报模 型 技术成果： 提高模拟精 度 在损失函数中嵌入物理机制