能运营等场景的应用，探索了其在提升客户体验、优化流程、 强化风控的潜力。通过具体案例实践，为金融行业数字孪生 应用提供借鉴和指导。 1 一、数字孪生介绍 （一）数字孪生的概念与发展 数字孪生（Digital Twins）概念于 2003 年提出，最初 被定义为与物理产品对应的虚拟数字化模型。2010 年，美国 开始在航天与军事领域推广数字孪生，通过模拟和优化航空 器和航天器的数字化模型以改进其性能。2014 器和航天器的数字化模型以改进其性能。2014 年后，如西门 子、达索等世界知名的工业软件公司开始在各自擅长的工业 领域提出数字孪生的衍生概念与应用方案。 2015 年，国内航空工业领域吸收并应用了数字孪生概 念，通过集成各类传感器采集的数据，使用机器学习等人工 智能算法，建立可实时更新的“拟真”模型，以支撑各类航 空工业产品的生命周期内的各项活动。 数字孪生是集成了多物理量、多尺度、多概率的系统， 经过最初在航空航天领域的应用，逐渐扩展到电力、城市管 年，中共北京市委金融委员会办公室联合人民银行 北京市分行、国家金融监督管理总局北京监管局、北京证监 局、市科委中关村管委会、市经济和信息化局印发实施了《北 京市推动数字金融高质量发展的意见》 2，提出搭建数据开放 共享机制，通过数字孪生、联合建模、图计算等技术手段， 对数据资源进行价值挖掘和关联分析。 （三）数字孪生体系架构 数字孪生体系架构需支撑数字孪生的核心目标，建立与 物理空间等价的虚拟实现表达，并在全生命周期内支撑物理

全球经济增长放缓、通胀压力高企，企业利润空间持续收窄，倒逼企业必须通过流程智能化实现 “刀刃向内”的降本革命。 在显性成本层面，流程智能化通过自动化直接压缩资本开支。例如，美的集团对于供应链流程进行 智能化改造，可以显著降低库存周转天数。在隐性成本层面，AI 驱动的合规与风险审查成为核心 | 2025 爱分析 · 流程智能化实践报告 7 工具。供应链核心企业通过创建实时监控全球供应商风险的智能化审查流程，从而规避天灾等自然 业新品上市速度、重 塑用户体验，提高创新成功率。 在产品创新领域，流程智能化通过敏捷开发与需求响应闭环重构价值链。比如，服装企业通过创新 的研发流程，实现从门店需求采集到服装设计定稿仅需数周时间，大幅提高了爆款服装命中率。在 用户体验领域，流程智能化则体现为个性化服务与快速响应。比如，企业客户服务部门通过 AI 流 程创新，可以提高客户投诉响应速度，从而拉升 NPS。 当技术迭代、 地方法论与关键 成功要素。 实践方法论 1，需求诊断与场景锚定 流程智能化的实施必须始于精准的业务需求识别与场景选择。首先，企业需通过对于内部流程的抽 象挖掘，映射绘制出端到端业务流程图。其次，再结合历史数据挖掘关键瓶颈。比如，制造企业可 以通过绘制端到端采购流程，评估各个流程节点耗时在全流程中占比，从而找到关键场景。 具体的场景选择，企业应遵循“痛点优先、价值可测”原则。比如，场景价值度高低的评判应当交

展现出了巨大的潜力与价值。多地政务系统纷纷接 入 DeepSeek，积极探索其在民生服务、城市治理、公文处理等方面的应用场景。 特别是在政务热线中，DeepSeek 发挥了重要作用。以 12345 政务服务热线为例， 通过接入 DeepSeek，热线系统拓展了智能文本机器人应答、智能辅助填单、智 能工单分类和智能工单转派等功能，充分展现了人工智能大模型在提升政府服务 效能方面的巨大潜力。 就目前而言，对 DeepSeek 重。这不仅 有助于提升政府服务的质量和效率，也有助于推动数字政府的智能化转型。 本报告梳理了 DeepSeek 在政务热线及其他政务场景中的应用现状与成效， 分析了其技术优势与面临的挑战，期望通过深入观察与研究，为政务热线的智能 化升级、数智化发展提供经验，推动“人工智能技术+政务热线”应用实践的持 续创新与深入发展，助力构建高效、智能、便民的政务服务新模式。 2 一、大模型赋能政务热线：从数字化到数智化跃迁 非紧急救助热线，成为 全球第一个专门开通市民热线的城市1。此后，巴尔的摩的市民热线不断升级， 尤其是 CitiStat 系统的研发和启动，不仅将市民热线数据进行实时汇聚整理，而 且赋能市直部门进行高效管理，通过建立健全政府绩效评估机制，对政府回应公 民的速度和质量进行有效评估。1997 年，美国达拉斯市将二十多条热线和多个 呼叫中心合并为非紧急呼叫中心 311。基于通话录音，该热线及时记录市民反映

展现出了巨大的潜力与价值。多地政务系统纷纷接 入 DeepSeek，积极探索其在民生服务、城市治理、公文处理等方面的应用场景。 特别是在政务热线中，DeepSeek 发挥了重要作用。以 12345 政务服务热线为例， 通过接入 DeepSeek，热线系统拓展了智能文本机器人应答、智能辅助填单、智 能工单分类和智能工单转派等功能，充分展现了人工智能大模型在提升政府服务 效能方面的巨大潜力。 就目前而言，对 DeepSeek 重。这不仅 有助于提升政府服务的质量和效率，也有助于推动数字政府的智能化转型。 本报告梳理了 DeepSeek 在政务热线及其他政务场景中的应用现状与成效， 分析了其技术优势与面临的挑战，期望通过深入观察与研究，为政务热线的智能 化升级、数智化发展提供经验，推动“人工智能技术+政务热线”应用实践的持 续创新与深入发展，助力构建高效、智能、便民的政务服务新模式。 2 一、大模型赋能政务热线：从数字化到数智化跃迁 非紧急救助热线，成为 全球第一个专门开通市民热线的城市1。此后，巴尔的摩的市民热线不断升级， 尤其是 CitiStat 系统的研发和启动，不仅将市民热线数据进行实时汇聚整理，而 且赋能市直部门进行高效管理，通过建立健全政府绩效评估机制，对政府回应公 民的速度和质量进行有效评估。1997 年，美国达拉斯市将二十多条热线和多个 呼叫中心合并为非紧急呼叫中心 311。基于通话录音，该热线及时记录市民反映

时代下的 RL 新范式：后训练扩展律 Post-Training Scaling Law DS-R1 独立发现了一些通往 o1 路上的核心理念，并且效果还好到受到了 OpenAI 的认可 如何通过有效的 Test-Time Scaling 和 Train-Time Scaling 提升模型的推理能力？ 得益于纯大规模强化学习 ， DeepSeek-R1 具备强大推理能力与长文本思考能力，继开源来备受关注。 来进一步优化性能 DeepSeek-R1 系列跳过对于大规模人工标注数据的依赖 无需构建和维护高质量的 SFT 数据集，而是让模型直接在 RL 环境中进行探索 类比：初学者在没有老师指导的情况下，通过不断的尝试和错误来掌握一门新的技能。 这种自主学习的方式，不仅节省了大量的标注成本； 更重要的是，它让模型能够自由地探索解决问题的路径，而不是被预先设定的模式 所束缚。 DeepSeek-R1 引入 language consistency reward 衡量长推理 链 可读性（通过计算 CoT 过程中目标语言的占比） 推理准确率奖励： 结合 accuracy of reasoning tasks and reward for language consistency 成效： 通过 GRPO ，模型在 AIME 2024 等数学基准上取得了 显著 提升， pass@1

到端模型强大的学习能力，使其能 从大量驾驶数据中自动学习复杂的驾驶模式和场景特征。 传统智驾系统的感知层、决策规划层和控制执行层之间 相互独立，信息传递容易积累误差，且智驾方案依赖于 工程师通过代码制定的规则，难以处理所有复杂场景， 边际效应随着智驾能力的提升呈现几何式骤减。与基于 规则的传统自动驾驶算法结构相比，端到端算法基于数 据驱动，可以实现信息的无损传递。同时，端到端架构 2016 年 发 表 的 论 文 《 End to End Learning for Self-Driving Cars》。同年，英伟达发布了 基于卷积神经网络（CNN）的端到端自动驾驶系统DAVE-2， 通过摄像头图像直接输出转向指令。这是端到端技术的早期 尝试，标志着自动驾驶从模块化向一体化迈进的起点。 2017年：Wayve.AI成立并发布“Learning to Drive in a Day”。Wayve 到端神经网络模型，成为首个商业化端到端自动驾驶产品。 • 技术突破与现实应用阶段（2019年-） 2021年：特斯拉发布BEV（Bird Eye View）技术。特斯拉在 AI Day上公布了BEV技术架构，通过多传感器融合实现感知 模块的端到端化，为后续端到端技术的全面应用奠定了基础。 2023年：特斯拉FSD V12发布。特斯拉正式推出FSD V12版本， 采用端到端架构，实现了感知、决策、规划的一体化，显著

语音交互、机器学习、深度学习等人工智能技术应用于机器人上的智 能体。其工业应用包括两个层次，一是嵌入各类智能软硬件的机器人 产品在生产操作、物流配送等典型工业场景中的应用，二是智能化的 工业控制平台通过集成人工智能技术与工业机器人等设备，在产线优 化和试验验证等群体智能场景中的应用。 本报告分为研究背景、技术趋势分析、应用现状分析和前景展望 四个部分。首先，从技术突破、大国竞争和市场前景三个角度，分析 “机器人+人工智能”工业应用的发展背景；其次，从技术趋势的角 度，回顾人工智能与机器人融合的三大技术方向，分析在人工智能大 模型推动下，以人形机器人为代表的具身智能技术的前沿进展；接着， 从应用场景的角度，通过全球 88 个案例分析“机器人+人工智能”在 典型场景、行业中应用情况；最后，从技术、产品和应用三个方面， 展望“机器人+人工智能”在工业场景中的应用前景。 牵头编写单位： 信通院（江苏）科技创新研究院有限公司 高速互联网络、大容量高速存储等技术，实现了大规模的算力供给， 为处理复杂、不规则的计算任务（如自然语言处理的长序列数据、计 算机视觉的多尺度图像特征）创造了条件；在软件方面，分布式训练 框架、预训练大模型、多模态数据处理等技术也通过精细化算力管理 提升了大模型的训练和推理速度，为机器人的大规模应用提供了基础 支撑。 2 （二）“机器人+人工智能”是新一轮大国竞争的关键 全球各国纷纷出台相关政策，抢滩布局“机器人+人工智能”产

器、传感器与感知模组、伺服电机、灵巧⼿、操作系统、⼤⼩脑系统-基础模型-功能 模型、芯⽚与算⼒平台、软件与仿真平台等⽅⾯，均取得⻓⾜进步。在此基础上，部 分企业通过操作系统、专业模型、训练仿真、算⼒系统、数据 API 等⽅⾯的开放⽣态 搭建，实现从“卖机器⼈”转向输出“平台+⽣态”，通过开放平台构建开发者⽣态，有⼒ 加速了该领域技术的产业化、⽣态化进程。 特征之三，⼈形机器⼈的具⾝智能⽔准从“开始试⽤”⾛向“初步可⽤”。国内多次机 系统环节通常包 括环境感知、决策规划和运动控制三个环节，形成感知→决策→执⾏的闭环控制。 感知模块作为具⾝智能的“信息采集和处理器”，通过建⽴对外部环境的感知和理 解，为决策和⾏动提供⽀持。感知模块主要⽤于对象识别、位置定位、场景理解等⽅ ⾯，通过摄像头、激光雷达等多种传感设备的输⼊数据进⾏处理，进⽽从不同模态的 数据中获得多维环境信息。humanoid robots 决策模块作为 动作。 ⾏动模块的主要任务包括导航、物体操作和物体交互。导航通过四处移动寻找⽬标位 置；物体操作需要接触物体并通过操作改变物体状态。 反馈模块作为具⾝智能的“调节器”，通过多层交互不断接收来⾃环境的反馈经验并 进⾏调整优化，提⾼对环境的适应性和智能化⽔平。反馈模块主要依赖⼤模型加速反 馈经验的学习，形成闭环的优化过程：通过⼤模型处理收集到真实交互数据，实现更 细致的环境感知；然后⼤模

企业在 AI 领域砥砺深耕、前瞻 II 布局。作为科技领域的先锋企业, 企业凭借对 AI 技术的深度应用, 将其巧妙转 化为自身降本增效的强大生产力工具,也带领众多合作伙伴开启了全新的发展篇 通过 "全栈 AI" 的战略布局, 企业从智能终端领域的 "一体多端" , 到智能 基础设施领域的 "一横五纵" ,再到面向不同客群的智能解决方案领域的 "一擎 三箭" , 全方位勾勒出人工智能蓬勃发展的壮丽画卷 智能创新发展和融合应用取得积极进展, 行业应用活力涌现。从企业管理、 生产制造到客户服务, AI 技术的应用层出不穷。企业通过机器学习、深度学 习等技术,构建出更加精细化的管理体系和更高效的生产模式。 例如, 借助 自然语言处理技术,客服机器人在响应客户咨询时表现出了前所未有的效率 与准确率; 在制造业中,通过智能算法优化生产流程,减少资源浪费, 大幅 提升了生产效率。从垂直融合到泛化应用, 人工智能正凭借全面连接、信息 业清晰识别现状、科学指导转型路径的方法论。企业基于自身的转型经验和众多 客户的服务案例, 总结出一套企业智能化转型框架。这套框架来源于实践, 最终 又要回归实践, 始终秉持 "动态迭代、与时俱进" 的理念,通过企业的智能化转 型实践和行业赋能行动,将实际操作中积累的经验融入到理论模型中,逐步形成 新的理论优势, 不断攀登创新的思想高峰。 2024 年 AI 重塑后的“企业智能化转型框架”和“企业智能化成熟度模型”

们无法像深度学习时代那样随意试错。有限的现金流，意味着每一家企业必须全面考察 场景、技术、风控、商业化等方方面面，才能做出决定。 因此，今年的人工智能报告将研究核心放在了“场景”与“产品”之上，尝试通过洞悉医院、 药企、械企多方的供需逻辑，分析先驱者们的实战案例，为 AI 企业下一步的布局、选 品、研发、商业化提供参考建议。 核心观点 1. 伴随 AI 应用的持续扩展与需方对于 AI 认知 .................................................8 图表 5 2024 年 1-9 月通过第三类医疗器械注册准入的医疗 AI 产品（上）...........8 图表 6 2024 年 1-9 月通过第三类医疗器械注册准入的医疗 AI 产品（下）...........9 图表 7 PV-iDose 支持不同 TPS 计划剂量分析、叠加、不同影像序列的剂量叠加15 历经十余年的发展，医疗产业对于 AI 的认知已经由最初的质疑转变为接受，甚至连医 生这个群体，都开始拥抱 AI，主动进行个性化 AI 的创造。 然而，认可 AI 与为 AI 付费是有差异的。许多医疗 AI 通过与目标用户合作的方式进入医 疗机构与药械企业，并在试用阶段中获得用户的认可，但他们中大多数最终不会为手中 的 AI 买单。 归根结底，AI 只有满足用户的切实需求，且能实现一定规模的溢出价值时，这项技术才