成员所全球组织中的成员。 版权所有，不得转载。 智慧银行：以人工智能驱动转型并创造价值 2 目录 引言 阶段二：融合 概要 阶段三：演进 调研结论 为迎接人工智能奠定基础 简介 主要考虑因素 阶段一：赋能 打造智慧银行 毕马威：以经验与诚信为您的人工智能转型保驾护航 03 04 05 08 11 15 22 28 32 37 40 © 2025 毕马威华振会计师事务所（特殊普通合伙） 技 术升级需要成本，实施存在风险，而且高管希望转型但 却对领导这项工作犹豫不决，使得挑战显得更为严峻。 如欲将自身打造成为智慧型金融机构，银行应该积极拥 抱人工智能，将其视为可持续发展的驱动因素之一。银 行可以通过将人工智能融入从营销和客户服务到欺诈防 范和风险管理的各项职能当中，构建以客户为中心的创 新解决方案，从而既能增强盈利能力，又能提高客户忠 诚度。本报告提供的措施建议和真知灼见，能够有助银 催化剂。为充分挖掘人工智能的潜力，银行 必须以开放的心态拥抱变革，并将人工智能 融入成为推动以客户为中心实现可持续发展 的一大核心因素。 Francisco Uría 全球银行业与资本市场主管合伙人 毕马威国际 调研结论 阶段二 阶段三 主要考虑因素 为迎接人工智能奠定基础 为您的人工智能转型保驾护航 简介 概要 引言 引言 打造智慧银行 阶段一 © 2025 毕马威华振会计师事务所（特殊普通合伙）

受物理⼈⼯智能驱动，机器⼈将彻底改变产业。1” 特斯拉CEO埃隆·⻢斯克表⽰，某种形式 的机器⼈市场——⼈形机器⼈——可能每年超过10亿台，我们最终将拥有的机器⼈数量将超过 ⼈类。2 这个新市场有3个主要推动因素: 1. 技术-多项技术进步，特别是⼈⼯智能（AI）的发展，已经显著改变了机器 ⼈的前景 2 经济-机器⼈可以解决劳动⼒短缺问题。随着⼈⼝⽼龄化和更为严格的移⺠政策加剧，短 缺问题变得更加棘⼿ 2049 2050 Hourly wage AI机器⼈的崛起 物理人工智能即将来袭 我们预测到2035年时，将有13亿台AI机器⼈在我们周围移动，到2050年将达到40亿台。这其中的三个主要推动因素将是技术、经济和改善。以下是⼀些关于机器⼈崛 起的数字。 机器人单位数量（以百万计）按类型预测 来源：花旗经济研究部 2024 2025 2030 2035 2050 CAGR ⾃动驾驶汽⻋ 27 GPS：全球展望与解决⽅案 2024 年 12 ⽉ 市场份额的竞争已成为取胜即拥有⼤部分份额的经济形势。如果这种情况发⽣在⼈⼯智 能机器⼈领域，将加速采⽤。 当我们将这⼀数据点加⼊技术、经济和改善动⼒因素时，我们相信‘⼈⼯智能机器 ⼈正在接近你’。因此，我们预计到 2050 年，将有 40 亿台⼈⼯智能机器⼈在我们 周围活动。这⼀结论如下图所⽰，并在本报告中有更详细说明。 图 4. 类型预测的机器人单位数量

40家具有代表性的需求方与供给服务商数据，涵盖业务运营、市场份额等关键信息。 • 案头研究：通过收集和分析最新的市场报告、政策文件、新闻报道等公开资料，我们系统地回顾了算力中心行业的发展历程、驱动因素、 竞争格局等基本情况，有效把握当前市场的最新动态和发展趋势，为报告奠定了理论基础。 二、模型搭建与测算： • 供需模型搭建：从专业的行业视角出发，我们将一手调研获取的、来自超40家具有代表性的 二、模型搭建与测算： • 供需模型搭建 • 模型测算逻辑： ➢ 供给端：我们详细梳理了共20家全国性及区域性第三方算力中心服务商的运营容量及规划容量情况，并综合考虑各厂商的土地资源、 能评资源、资金实力等多方面因素。结合信通院等权威机构统计披露的算力中心服务商历史市占率等相关行业数据，模型中所选取 的20家第三方算力中心服务商占据当前市场中绝大部分在运营容量的份额。随着AI技术取得的突破以及需求方对算力基础设施的要 求方的服务器采购情况及供给侧的客户结构等历史数据分析，以上厂商持续且稳定带来了市场中绝大部分的定制批发需求，预测期 内，假设上述15家需求方定制批发需求在整体市场中的占比将维持当前水平不变。 ➢ 其他考量因素：本报告研究重点为算力中心定制批发业务相关供需研判，三大运营商及部分地方算力运营商在承接批发定制型算力 业务上占比较小，为更好聚焦其供需分析，本供需模型中供给端未直接引入运营商业务情况，而作单独分析，详见附录。

将弃光率从19%降至3.2%，日前预测精度提高 至94.7%。 2、优化调度决策：基于精准的发电预测，AI 大模型可以综合考虑电网的负荷需求、不同新能源电站的发电能力、储能设备的状态等多 方面因素，制定出最优的电力调度方案。这有助于提高电网对新能源电力的消纳能力，降低弃风、弃光率，提高新能源发电的利用效率。 10 ◼ 能源管理： 1、电网状态监测与故障诊断：利用 传感器网络收集电网的实时运行数 模拟分析发现新的材料组合和结构设计。 4一、能源生产与管理 （一） 4二、能源市场与交易 （一） 13 ◼ 市场供需分析与预测： 1、需求预测：根据经济发展、人口增长、产业结构变化等因素，Deepseek可以对能源的市场需求进行准确预测。例如， 通过分析城市的人口增长趋势、工业发展规划以及居民生活方式的变化，预测城市未来的电力需求增长情况，为电力企 业的规划和投资提供依据。 2、供应分析：对于能源的供应端， 4二、能源市场与交易 4三、能源数字化转型 （一） 17 ◼ 能源网络优化与安全管理数字化： 1、智能电网优化：在智能电网中，Deepseek大模型可以对 电网的拓扑结构、电力负荷、分布式能源接入等因素进行综 合分析，优化电网的运行方式和潮流分布。通过实时调整变 压器的分接头、断路器的开关状态等，提高电网的供电质量 和可靠性，降低电网的损耗。 2、故障预测与预警：基于历史故障数据和实时监测数据，AI

�� �� �� �� �� �� �� �� �� �� �� �� �� �� IDC观点 当前，企业所处的发展环境正在经历深刻变革，新技术、新环境、新业务等 多元因素成为影响企业创新方向的关键。生成式人工智能技术快速发展，更 广泛的行业自动化用例已经无处不在。新的业务形态和商业模式正在持续出 现，企业既要高度关注新的市场机会，也要在面对存量市场竞争时，不断提 新技术、新环境、新业务， 催生企业高质量发展新需求 在业务变化加速和多元化市场竞争态势的影响下，企业的生存和发展都面临诸多 新的挑战。对企业管理者而言，业务持续受到各类不确定因素的影响，运营管理 和决策的难度不断增加。企业如何快速聚焦有利因素，保障核心业务的稳定发 展，并适时探索新业态、新模式，寻找第二增长曲线，是企业自上而下最为关注 的话题。 企业IT架构的演进，应始终与企业业务发展保持高效的协同。在企业上云已经进 利用多云协同支撑未来的业务拓展需求，在此过程中积累了诸多具有代表性的多 云应用场景： 场景一：构建冗余环境。利用异构云环境提供容灾备份服务，其区别于传统 的同构备份或两地三中心模式，更多是企业综合考虑诸多因素后，采用异构 云所设计的备份方案。企业可在多个云环境中部署关键业务系统，实现多活 容灾架构，或在不同云之间定期备份数据，增强系统的容错能力和灾难恢复 速度。例如，一些制造业企业基于合规要求，将数据在私有云上进行备份。

、决策、执行等操作的机器人。 定义及分类：从机械化、单一化向高度智能化、泛在化迈进， 智能机器人历经数十年技术革新与应用探索，仍在持续突破 资料与数据来源：公开资料，月狐研究院整理 5 驱动因素 社会驱动：人口老龄化加速、蓝领工作人力缺口大、高科技 平民化共同驱动智能机器人渗透 • 根据国家统计局最新数据与联合国有关老龄化的划分标准显示，我国人口增长动力减弱，老龄化人口占比增长，我国已全面步入中度老龄化社会并且老龄化仍在 年轻群体意愿低 3 工厂普工、建筑零工等工作环境危险、 任务繁重，工人精神与肉体压力大， 认可度低。许多危险性大或者繁重辛 苦的工种已经面临招工困难的局面。 繁重、危险工种招工难 6 驱动因素 政策驱动：从国家战略到地方政策培育沃土支持机器人产业 发展 资料与数据来源：公开资料 发布单位 时间 政策 定位 产值 企业 产品/技术 应用场景 密度 北京市机器人产业创新发展行动方 案（2023—2025年） 国家发改委 2024年6月24日 关于打造消费新场景培育消费新增长点的措施 拓展智能机器人在清洁、娱乐休闲、养老助残护理、教 育培训等方面功能，探索开发基于人工智能大模型的人 形机器人。 7 驱动因素 技术驱动：关键硬件实现国产化自研或大幅降价，大模型的 爆发降低开发成本，共同促进机器人落地通用场景 资料与数据来源：公开资料 数据收集与预处理 在智能机器人开发中，大模型 可整合来自摄像头、传感器等

由于不同行业、不同企业在数据 治理、经营模式、技术应用、组织结构、人才积累等方面存在显著差异, 且在智 能化发展水平上呈现出整体差距,因此企业在进行智能化转型时还受到规模、 资 源投入、业务范围等内在因素的影响。基于此,企业智能化转型框架必须在普遍 规律和企业特性相结合的基础上,建立起系统性、 客观性、可迭代、且具备量化 能力的分析框架和评估体系。 更多干货请关注公众号“管理技术化平台” 8 +智能业务运营*权重 (30%) +数字底座* (30%) +组织与文化变革*权重 (20%) 。最终总分在 1 到 5 分之间, 分数越高代表该企 业的智能化成熟度越高。受数据可获得性和指标覆盖面等客观因素限制,本成熟 度得分可能无法完全反映所有细分行业的发展差异化特征。但可以将该智能化成 熟度得分作为长期观察和分析行业智能化转型的参考和依据,进而为中国企业提 供务实可行的经验案例、趋势预判和对策建议。 更多干货请关注公众号“管理技术化平台” 27 3.1 企业运营价值仍是第一诉求, 同时战略价值日益凸显 随着科技的不断进步, 智能化的战略价值日益凸显, 已成为企业在 激烈市场竞争中脱颖而出的关键因素。 同时, 智能化转型成为推动 行业进步和社会可持续发展的重要力量。 企业对智能化的未来价值 期待更加理性和务实, 追求多元价值, 努力平衡长中短期利益。 在当今经济格局中,新质生产力概念的兴起为企业发展注入了新的活力与挑

模仿学习，一些在线方法已经提出以解决这个问题。 在端到端自主驾驶的背景下一般采用DAgger方法。 因果混淆。即模仿者会利用并依赖于输入组件与输 出信号之间的错误相关性（模型可能会将某些表面 上相关的因素，如天气、交通状况，错误地认为是 决定驾驶行为的关键因素，从而导致决策不准确）。 逆最优控制（IOC） 逆最优控制是一种从专家示范中学习 的算法，通过观察专家驾驶员的行为 来推测出一个“奖励函数”。这个奖 励函数可以理解为：专家做出的每一 行为 和学习行为，系统通过不断调整自己的行为，使得这个 “判别器”无法再区分专家的行为和系统自己的行为。 在自动驾驶的场景中，奖励函数的定义非常复杂， 因为要考虑的因素众多，比如路况、交通规则、其 他车辆的行为等等，而且这些因素是动态变化的。 所以，优化奖励函数非常困难。 成本学习（Cost Learning） ：将“奖励函数”替换成 “成本函数”，两者含义相反。在成本学习中，自动驾驶 QN）应用 在Atari游戏中，通过学习来控制游戏中的角色。 在自动驾驶中，强化学习的目标是让车辆学会在复杂多变的交通环境中做出最优决策，例如如何转弯、加速、刹 车等。由于驾驶过程中存在众多不确定因素，如交通流量、路况变化等，决策任务极为复杂。强化学习通过让系 统与环境互动，不断优化驾驶策略，从而提高驾驶的舒适性和安全性。 强化学习在应用中面临的主要挑战是需要大量的数据进行训练，而现实中很难保证所有可能的情况都能被模拟出

( ( ( 9 所选成功因素 战略、经验数据以及人工智能框架 每个用例可能需要不同的AI配置 方法 要从起点到规模化成功，对人工智能和数据的全面视角至关重要。 来源：Strategy& 分析 B 用例 什么？（？） 探索 发展 A 影响 D 抱负 （为何？） 路线图 哪种方式？（） 愿景/抱负 成功因素 成熟度 执行计划 C 策略 企业 如何？

6）。 图 6 数字孪生技术在供应链金融场景中的实施步骤 （六）绿色金融 1.应用场景概述 绿色金融的全面数字化转型离不开数据的收集，绿色数 据的准确性和完整性是影响绿色金融产品设计的重要因素。 28 通过应用数字孪生技术和物联网等感知技术，可以构建绿色 金融场景的数字模型，并实现绿色金融的数字全景视图。 2.解决业务问题 （1） 拓展绿色金融数据获取能力 数字孪生技术可以帮助收集碳排放、能源消耗、水资源 平台提供每分钟交易数据，有些则提供每秒数据）使得填补 数据空白时难以找到合适的数据，进而影响建模的准确性和 可靠性。 其次，数据治理过程中的挑战亦不容忽视，由于系统故 障、人为错误或其他技术因素，关键数据常面临丢失或损坏 的风险，因此导致的数据不完整，可能直接影响市场模拟预 测、风险管理、投资组合优化等金融模型的构建和评估，甚 至导致决策偏差。 37 为应对这些挑战，金融行业需加大对数据治理的重视， 提升客户体验，并简化产品开发流程。例如在风控场景，金 融机构会利用数字孪生技术拓宽数据采集广度、模拟信贷客 户行业视图、强化对未知风险的模拟能力和防范能力，就绿 色金融而言，自然灾害、气候风险等因素具备不可预测性， 金融机构可以借助数字孪生模拟气候变化带来的自身资产 质量的影响，对当前绿色金融业务的资产负债情况进行评估 和压力测试，从而更好地制定业务发展策略，提升风险防范 能力。这些技