注： MMLU 是一种针对大模型的语言理解能力 的测 评，用以评测大模型基本的知识覆盖范围和理解能力。 开源 限制访问 私有 200 150 100 50 0 2022 2023 l 23 年 3 月以来， OpenAI 所发布的 GPT-4 已经具备了多模态理解和多类型内容生成的能力，使得 AI 真正具备了重 塑人 20% 300 250 15% 200 150 10% 100 1EFLOPS ，至 2027 年将达 1117.4EFLOPS 。 EFLOPS 2020 2021 2022 2023 2024 2025 2026 2027 250 200 150 100 50 0 数据总量（ ZB ） YoY 23% 22% 22% 21% 21% 20% 20% 19% 智能算力是构建大模型的重要底座， AI

AI相关公司（以寒武纪-U为例）从2024 年9月开始股价明显上涨。 图：英伟达股价走势图 图：寒武纪股价走势图 -200% 0% 200% 400% 600% 800% 1000% 1200% 英伟达(NVIDIA) -100% 0% 100% 200% 300% 400% 500% 寒武纪-U 资料来源：Wind，国联民生证券研究所 AI&医疗复盘 时间节点 分医疗AI产品偏消费医疗的概念，跟公立医院的体系定位有差异。 图：TDOC的股价走势 图：HIMS的股价走势 -200% -100% 0% 100% 200% 300% 400% 500% 600% 700% 800% TELADOC HEALTH -200% 0% 200% 400% 600% 800% 1000% 1200% HIMS & HERS HEALTH HIMS股价走势图 -600% -400% -200% 0% 200% 400% 600% -200 0 200 400 600 800 1000 1200 2020 2021 2022 2023 2024Q3 营业总收入（百万美元） 净利润（百万美元） 收入同比（右轴） 利润同比（右轴） -200% -100% 0% 100% 200% 300% 400% 500%

12.1 灰度发布策略......................................................................................200 12.1.1 分阶段上线................................................................................202 12 级。核心目标是通过大模型技术解决传统银行业务中高人力成本、 低效率、服务标准化不足等痛点，同时确保符合金融行业严苛的合 规与安全要求。 在技术实现层面，首要目标是建立符合金融场景需求的领域知 识增强框架。通过构建包含 200+银行业务场景的专属知识库，覆盖 信贷审批、风险管理、客户服务等核心业务模块，使模型在金融术 语理解、监管政策解读等任务中的准确率达到 92%以上。关键性能 指标包括：客户咨询意图识别响应时间≤800ms，复杂业务查询的 交易或 漏检欺诈行为）可能引发客户投诉或监管处罚。 为实现实时性目标，需满足以下技术指标： 场景 延迟要求 吞吐量（TPS） 实时交易风控 ≤50ms 10,000 ≥ 智能客服响应 ≤200ms 5,000 ≥ 市场行情分析 ≤100ms （增量更 新） 1,000 ≥ 准确性方面，需结合业务阈值设定性能基线： 1. 风险识别类场景：欺诈检测准确率≥99.5%，召回率≥98%；

2.2.3 *ABeam 2024-2029 % [1] 2025 53 2029 750 [1] AI *ABeam / 27.6 53 103 200 387 750 0 100 200 300 400 500 600 700 800 2024E 2025E 2026E 2027E 2028E 2029E CAGR =93.6% 2.2.4 AI 15 Take-off and Landing eVTOL eVTOL eVTOL eVTOL eVTOL 80 50-100 150 / 150-300 200-300 / 200-400 250-350 / eVTOL * ABeam eVTOL eVTOL eVTOL 81 eVTOL - ◼ eVTOL eVTOL eVTOL 2024 6 E20 2023 10 TC 2024 10 VE25-100 2023 9 TC 2024 10 X3-F 2024 11 TC M1-B 2024 12 TC AE200 2024 8 TC 2024 11 TC 3 5 TC PC PC 3 6 TC TC AC , PC , AC TC AC AC 20 eVTOL OC OC

k 智能体展 现出显著优势： 指标 传统规则引擎 DeepSeek 智能 体 召回率 68% 92% 误报率 23% 8% 响应延迟 120ms 45ms 支持药物种 类 1,200 6,800 该技术方案已通过国家医疗信息安全三级等保认证，支持国产 化芯片适配，在保证系统稳定性的前提下，可帮助三甲医院将门诊 病历自动化处理效率提升 3 倍，同时将临床决策支持系统的误诊率 该方案需重点突破三个技术瓶颈：第一，医疗实体关系的动态 建模，要求构建覆盖 500+疾病种类的本体库，支持 ICD-10 与 SNOMED CT 的双向映射；第二，多源异构数据的实时处理能力， 需在 200ms 内完成包含 DICOM 影像、LIS 检验数据、HIS 医嘱信 息的综合分析；第三，安全合规框架下的模型迭代机制，必须满足 等保 2.0 三级要求，实现数据脱敏准确率 99.99%且审计日志全留 智能体目标覆盖率 检验指标异常组合 41% 90% ≥ 药物-基因相互作用 18% 85% ≥ 并发症关联规则 57% 95% ≥ 通过部署 DeepSeek 智能体，可实现诊断效率提升 200%（从 平均 26 分钟/例降至 8 分钟/例），并将个性化治疗方案匹配度从 当前的 58%提升至 89%。该系统特别适用于肿瘤、心血管等复杂 疾病领域，预计可减少 17%的过度医疗行为。 2

..................................................................................................200 10.2.1 技术迭代规划.................................................................................... 略，投诉场景解决率提升 40% 实时决策支持能力 在核保风控场景中，系统可同步处理客户健康告知、医疗影像报 告、既往理赔记录等多维度数据，实现： 1. 高风险案件自动预警 （响应速度<200ms ） 2. 差异化核保建议生成（覆盖 83 种常见疾 病） 3. 人工复核焦点自动标注（减少 70%核保员重复工作） 该技术架构已通过金融级数据安全认证，支持私有化部署条件 下的实 理赔资料退回率 32% 8% -75% 客户等待时长 22 分钟 5 ≤ 分钟 -77% 风险控制方面，部署基于 DeepSeek 的智能风控引擎，建立动 态核保模型和反欺诈识别系统。通过整合 200+风险特征维度，预 期将高风险保单识别准确率提升至 92%，较现有规则引擎提高 40 个百分点，每年减少欺诈损失约 1200 万元。系统将实现实时风险 评分可视化，支持核保人员快速决策。 客户服务创新是另一重要目标，拟打造

化服务，包括材料智能初审、责任认定建议、赔付计算等核心功 能。模型每周进行增量训练，持续吸收新出条款和最新判例，确保 决策依据的时效性。 关键技术实现路径包括： 1. 建立保险知识图谱，包含超过 10 万个实体和 200 万条关系，覆盖疾病编码、药品目录、伤残等级等 专业体系 2. 开发专用的文本清洗和标注工具，处理扫描件 OCR 识 别后的非结构化文本 3. 构建理赔案例相似度计算模块，实现历史 符合监管透明性要求 模型安全机制采用三重保障：输入层设置敏感信息过滤模块自 动脱敏；推理层通过不确定性检测避免低置信度决策；输出层配置 人工复核触发规则。在压力测试中，系统单节点可并发处理 200+理赔请求，错误率低于 0.5%，完全满足大型保险公司日均数 万笔理赔的业务需求。通过持续监控和 A/B 测试框架，模型保持每 月至少 1%的性能提升速度，确保技术优势的持续性。 3.1 大模型的基本原理与架构 微调技术实现预训练模型向理赔场景 的快速迁移，仅需更新 0.1%参数即可适配核保规则变更 在架构设计上，模型采用动态计算路径优化技术。对于简单理 赔案件（如小额医疗险），模型自动激活浅层网络分支，推理延迟 控制在 200ms 内；对于复杂案件（如重大疾病争议），则启用全 量参数计算，结合外部知识图谱进行多轮逻辑推理。这种弹性架构 使得 CPU 利用率相比传统静态模型提升 40%。 模型性能通过以下机制保障：

是在区块链、云计算等新技术应用场景中，传统审计方法难以实现 交易链路的全流程穿透。 以下数据直观反映了审计效能瓶颈的关键指标： 指标维度 行业平均值 监管期望值 差距率 异常交易识别时效 72 小时 ≤24 小时 200% 全量数据分析覆盖率 12% ≥90% 650% 审计调整事项回溯准确 率 68% ≥95% 40% 为突破这些限制，领先机构已开始探索智能审计路径。德勤 2024 年技术展望显示，采用机器学习模型的审计项目将关键风险 12%，而 全量数据分析能将该指标提升至 89%。 审计证据的时效性存在显著短板。传统手工处理流程平均需要 3-5 个工作日完成单个会计科目的核查，而上市公司季度报告涉及 的科目数量通常超过 200 个。这种延迟导致审计结论往往基于过时 数据，某证券监管机构统计显示，采用滞后数据的审计报告对财务 风险预警的误判率高达 34%。 人工判断的主观性引入系统性偏差。不同审计团队对相同会计 事项的职业判断差异率可达 多轮对话中能持续追踪审计证据链条。 性能优化方面采用分级响应策略：简单查询（如法规条款检 索）响应时间<500ms，复杂分析（如财务舞弊信号识别）启用异 步处理机制，通过任务队列保证系统吞吐量维持在 200+并发请 求。安全模块集成国密 SM4 算法对审计数据进行传输加密，并设 置三级权限隔离（项目组/质控组/合伙人），操作日志留存满足 ISO 27001 标准要求。 系统部署采用容器化方案，基于

中传输，实现 “单光纤双信道” 的并行传输。 这一设计使传输容量在 QPSK 基础上翻倍：单偏振 QPSK 在 100GHz 信道间隔下可传输 100Gbit/s，而 DP-QPSK 则能实现 200Gbit/s 传输，且无需额外占用频谱资源，大幅提升了光纤的带宽 利用率。目前，DP-QPSK 已成为 100G/400G 光传输系统的主流技 术，是骨干网承载大容量数据业务（如云计算、高清视频）的重要支 24=16）二进制数 据。在此基础上继续使用偏振复用技术将容量翻倍以后，DP-16QAM 的传输容量相比 DP-QKSP 可以增加一倍。例如 100GHz 通道间隔下， DP-QKSK 信号通常传输 200Gbit/s，DP-16QAM 则可以传输 400Gbit/s， 对应了 400ZR 的标准速率。 (3)PCS-64QAM 64QAM 是 64 进制正交幅度调制的简称，作为 QAM 技术的 64QAM 的出 现为单波 1.6T 及未来光网络铺平道路。 3.硬件的封装与集成 （1）CFP 系列：100G/200G 时代的过渡方案 2010 年前后，CFP（Centum Form-factor Pluggable）系列模块开 始商用，主要用于 100G/200G 长距离传输，如骨干网和城域网。最 早的 CFP 模块尺寸较大（82×144×13.6 mm），功耗高达约 24W，采

2024E 2025E 2026E 2016 2017 2018 2019 2020 2021E 600 500 400 300 200 100 0 250 200 150 100 50 0 资料来源：英伟达官网，国信证券经济研究所整理 负载任务量（万个） YoY 数据总量（ ZB ） YoY 表：国内外科技企业发语言模型发布情况 700 600 500 400 300 200 100 0 mm 市场规模（亿元） YoY 2019 2020E 2021E 2022E 2023E 2024E 60% 50% 40% 30% 20% 10% 0% 800 700 600 500 400 300 200 100 0 2018 2019 2020E rate （ Mbps ） 安路科技 PH1A 系列 PH1A180SFG676 2022 28nm 210240 3277 396 1866 紫光同创 Logos-2 系列 PG2L200H 2020 28nm 239700 2528 500 1066 AI 芯片包括 GPU 、 FPGA 、 ASIC 等，不同芯片定制化程度存 在差异 请务必阅读正文之后的免责声明及其项下所有内容