一级片网址-福利片在线观看-热久久久-亚洲性网-简单av网-久久综合婷婷-国产精品极品-www.日日日-欧美激情亚洲色图-欧美成人aaa-手机看片日韩日韩-成人免费观看av-国产日韩精品中文字无码-新天堂网-男女羞羞动态图

DeepSeek現(xiàn)象對中咨公司

推進數(shù)智化轉(zhuǎn)型的啟示

包英群 李曉鳴 袁云飛

摘要：DeepSeek現(xiàn)象對國內(nèi)外相關(guān)行業(yè)產(chǎn)生了巨大沖擊，相關(guān)話題熱度持續(xù)攀升。本文結(jié)合DeepSeek現(xiàn)象，深入分析大模型的發(fā)展歷史、底層技術(shù)機理，闡述DeepSeek的創(chuàng)新點及其帶來的啟示，進一步明確了中咨公司數(shù)字化項目在大模型應用、系統(tǒng)搭建和軟件開發(fā)方面堅持的三大系列原則，同時提出了“信息化、數(shù)字化、數(shù)智化”的發(fā)展愿景，旨在以數(shù)智化手段賦能咨詢工作，不斷鞏固國家高端智庫的戰(zhàn)略地位。

一、數(shù)字化項目前期工作進展和未來展望

（一）數(shù)字化項目前期進展

中咨數(shù)字化項目已取得階段性成果，主要體現(xiàn)在以下幾個方面：

1.基礎設施方面。完成了現(xiàn)有機房改造及新大樓機房建設，購置了較為先進、適度超前的基礎軟硬件。

2.數(shù)據(jù)底座方面。建設了支持綜合查詢及可視化展示的中國統(tǒng)計庫，構(gòu)建了基于業(yè)務資料的可擴展知識庫應用，推動管理類數(shù)據(jù)的全面融通。

3.工具和應用開發(fā)。開發(fā)了可編輯的網(wǎng)狀圖、思維導圖、熱力地圖等工具，為供應鏈、產(chǎn)業(yè)演進、競合等部門級應用提供支撐。

4.量化模型方面。研發(fā)了具有自主知識產(chǎn)權(quán)的量化模型，避免過度依賴國外軟件的現(xiàn)象。

5.AI咨詢實驗室方面。開發(fā)了研究報告生成助手、制度問答助手、知識庫助手、經(jīng)營統(tǒng)計助手等系列應用。2025年春節(jié)后的第一周，在本地部署了DeepSeek-R1蒸餾的千問32B開源大模型。

（二）數(shù)字化項目的未來展望

中咨數(shù)字化項目致力于實現(xiàn)從“能用”到“好用”再到“智用”的轉(zhuǎn)變，努力打造一個更加智能、高效、協(xié)同的工作環(huán)境，為公司的持續(xù)發(fā)展提供有力支撐，逐步實現(xiàn)從“信息化”到“數(shù)字化”再到“數(shù)智化”的跨越。未來建設效果主要體現(xiàn)在以下五個方面：

一是基礎設施全面升級，助力高效運營。分批次完成機房改造建設，優(yōu)化運行環(huán)境；完成全部基礎軟硬件上架部署，大幅提升計算能力和存儲能力，構(gòu)建AI算力平臺；建設三級等保的網(wǎng)絡安全體系，確保系統(tǒng)安全穩(wěn)定。

二是構(gòu)建數(shù)據(jù)中臺，實現(xiàn)數(shù)據(jù)共享和決策加速。完成公司40余年業(yè)務資料的數(shù)字化和向量化，完成現(xiàn)有管理域系統(tǒng)歷史數(shù)據(jù)的清理、整合和遷移，形成統(tǒng)計數(shù)據(jù)庫。實現(xiàn)統(tǒng)一管理和共享數(shù)據(jù)，初步解決“信息孤島”和“數(shù)據(jù)煙囪”問題，不斷豐富數(shù)據(jù)底座；實現(xiàn)中咨數(shù)據(jù)融合查詢與調(diào)閱，無論是公文資料、項目數(shù)據(jù)、行業(yè)數(shù)據(jù)、歷史業(yè)務資料等，員工都可以通過簡單搜索迅速獲取，提高工作效率。

三是打造算法模型庫，賦能業(yè)務創(chuàng)新。完成常用算法模型的雙代碼開發(fā)，打破國外技術(shù)依賴，搭建起自主知識產(chǎn)權(quán)的量化分析算法模型庫。提供統(tǒng)計分析工具，構(gòu)建個性化數(shù)據(jù)分析應用，助力項目經(jīng)理使用專業(yè)量化工具產(chǎn)出高質(zhì)量研究報告，營造“不量化不研究”的環(huán)境；輸出中咨標準，提升行業(yè)話語權(quán)和影響力；利用數(shù)字化平臺，開展數(shù)智咨詢業(yè)務，成為公司高質(zhì)量發(fā)展新的增長極。

四是打造中咨AI大腦，提升智能化水平。初步構(gòu)建通、專融合的AI賦能應用體系，打造一批智能化應用場景，讓AI成為每位員工的智能助手，逐漸實現(xiàn)數(shù)據(jù)智能歸類、知識智能推薦、業(yè)務智能聯(lián)動和“事情推著人走”的事件驅(qū)動業(yè)務模式，提升管理和業(yè)務工作的智能化水平。

五是全方位優(yōu)化各類應用，打造個性化工作環(huán)境。基于共性支撐平臺和系列工具集，充分集成和融合AI能力。打造“千人千面”工作臺，依角色和場景需求，自主搭建數(shù)據(jù)看板，管理層可實時查看經(jīng)營指標、業(yè)務人員聚焦項目進度，實現(xiàn)精準賦能；實現(xiàn)知識傳承體系化，打造個人、部門、公司三級知識庫，促進知識積累沉淀，借助智能搜索縮短人才培養(yǎng)周期，輔助快速開展咨詢服務；靈活響應管理與業(yè)務需求，利用自定義流程引擎、自定義表單、低代碼平臺等共性構(gòu)件和工具集自主搭建各類應用，減少系統(tǒng)二次開發(fā)。

二、DeepSeek現(xiàn)象

（一）背景情況

2023年5月，幻方量化基金創(chuàng)始人梁文鋒投資成立人工智能企業(yè)DeepSeek。2024年5月，該公司開源發(fā)布第二代大語言模型（V2），該舉措直接引發(fā)行業(yè)大模型市場價格跳水。同年12月發(fā)布的第三代模型（V3）在大模型主流評測榜單中位居前列。2025年1月20日，DeepSeek宣布推出對標GPT-o1的DeepSeek-R1模型，并同步了開源模型權(quán)重、公布了模型技術(shù)方案。同日，梁文鋒出席了李強總理主持的座談會并發(fā)言。

DeepSeek-R1發(fā)布后，引發(fā)AI大模型行業(yè)震動，歐美AI產(chǎn)業(yè)主要公司股票紛紛下跌，尤其是英偉達（NVIDIA）單日市值下跌近17%（約6000億美元），創(chuàng)美股最高記錄。2025年1月28日，前谷歌CEO埃里克?施密特表示DeepSeek的崛起是全球AI競賽的轉(zhuǎn)折點，OpenAI CEO山姆?奧特曼同期表態(tài)認可其技術(shù)路線。此后，歐美AI巨頭紛紛宣布上線DeepSeek服務。

（二）DeepSeek現(xiàn)象分析

DeepSeek僅用了幾分之一的成本做出了與GPT-o1性能接近的大模型，這一成果對全球而言無疑是一個震撼，有人稱之為國運級科技成果，但隨之而來的是圍繞“DeepSeek是國運級成果還是抄襲造假”的討論：

支持觀點認為，DeepSeek是國運級科技成果。DeepSeek已經(jīng)開源，在美國對英偉達芯片限售、基礎算力不足的前提下，通過技術(shù)創(chuàng)新以低成本實現(xiàn)了接近OpenAI的效果。雖然低成本并非像網(wǎng)傳的那樣，不是550萬美元對幾百億和幾千億美元的差別，但DeepSeek訓練成本僅為美國人的幾分之一基本屬實。

反對觀點認為，DeepSeek涉嫌抄襲、數(shù)據(jù)造假、數(shù)據(jù)安全。但經(jīng)分析研判，對于這些指控應該不成立。一是關(guān)于抄襲指控不成立。DeepSeek論文中公布的參數(shù)量為671B，如此巨大的參數(shù)量使其難以直接抄襲現(xiàn)有模型。GPT-3及后續(xù)產(chǎn)品均為閉源，源代碼不可見，無法直接復制。DeepSeek可能從OpenAI的產(chǎn)品中蒸餾數(shù)據(jù)用于訓練，此舉名義上違反了OpenAI的商業(yè)協(xié)議。然而，這更像是口水仗，例如OpenAI擁有《紅樓夢》的知識，并不擁有《紅樓夢》等公共知識的知識產(chǎn)權(quán)。二是數(shù)據(jù)造假指控不成立。DeepSeek的論文和模型已開源，科研人員可以輕松驗證其低成本訓練的真實性。雖然未計算數(shù)十億元的基礎設施投入、人工費等成本，但相對較低的訓練成本是事實。三是數(shù)據(jù)安全指控不成立。這方面指控可能更多出于政治方面的考慮，例如華為、字節(jié)跳動此前也遭遇過同樣的指控。

（三）DeepSeek現(xiàn)象對國內(nèi)咨詢行業(yè)的沖擊

早在2023年，以GPT-3為代表的人工智能大模型的出現(xiàn)，對全球各行業(yè)帶來了顯著沖擊。美國編劇協(xié)會甚至在紐約和洛杉磯舉行了抗議游行。在大模型出現(xiàn)后，用戶需求質(zhì)量的提高和咨詢效率的提升都是必然的，就像從馬車到汽車的轉(zhuǎn)變，從紙筆手寫報告到電腦文檔處理的轉(zhuǎn)變，不適應新技術(shù)終將被淘汰。

三、人工智能發(fā)展歷程和大模型的技術(shù)原理

（一）發(fā)展歷程

從人工智能的發(fā)展來看，最初可以分為兩個主要陣營：符號人工智能和以感知機為雛形的亞符號人工智能。

符號人工智能其基本假設是智能問題可以通過“符號推理”過程解決，這一理論可追溯至法國科學家帕斯卡和德國數(shù)學家萊布尼茨。帕斯卡于1642年設計并制作了世界上第一臺數(shù)字計算器，而萊布尼茨完善了二進制。智能機器的概念起源于英國的查爾斯?巴貝奇和艾倫?圖靈的開創(chuàng)性工作，尤其是圖靈提出的邏輯機通用模型——圖靈機，奠定了現(xiàn)代計算機的理論基礎，并提出了評估機器是否智能的標準，即圖靈測試。

亞符號人工智能其出現(xiàn)歸功于行為主義認知理論的崛起，其思想基礎是“刺激-反應理論”。美國心理學家羅森布拉特在神經(jīng)元模型的基礎上提出了感知機模型，奠定了神經(jīng)網(wǎng)絡的基礎。

算法是計算能力和符號演算的邏輯基礎。人工智能模型的訓練需要訓練集和驗證集：訓練集用于灌入海量知識，驗證集則用于在已知答案的情況下讓模型進行判斷。如果模型輸出正確，則強化獎勵；如果錯誤，則修正模型的輸出，這一過程即為調(diào)參。

面對一個未知內(nèi)部構(gòu)造的對象，如何推斷其特征？信號處理領域已提出有效方法，其中最著名的是傅里葉變換。傅里葉提出，黑箱的輸入函數(shù)與特征函數(shù)的卷積等于輸出函數(shù)。傅里葉變換將復雜的積分求解轉(zhuǎn)化為頻域中兩個函數(shù)的乘積，從而通過逆運算推算黑箱的特征函數(shù)。200年后，人工智能深度學習在傅里葉變換基礎上，構(gòu)建多層神經(jīng)網(wǎng)絡，參考傅里葉變換的逆運算思想求解特征函數(shù)。人工智能的核心依賴于算力和算法，對于世界究竟是什么樣的，機器自己是沒有真實感知的。學者們找到了一個退而求其次的路徑，即通過構(gòu)建“目標函數(shù)”對真實問題建模，通過機器求解特征函數(shù)。

2023年，GPT-3通過分析網(wǎng)絡上的海量文字，預測單詞間的關(guān)聯(lián)，表現(xiàn)出令人驚嘆的能力。盡管有報道稱它能“直接理解”自然語言，但其實它只是通過“見多識廣”快速生成文本，并不具備真正的理解能力，無法像人類一樣認知復雜的語義或文化背景，也缺乏超越語言的生活常識和全人類共識。

1956年由約翰·麥卡錫聯(lián)合香農(nóng)、明斯基、羅徹斯特等人共同發(fā)起的達特茅斯會議是計算機科學的一個里程碑，也是人工智能發(fā)展史的重要事件。麥卡錫在會上首次提出“人工智能”概念，確立了研究目標，使其成為計算機科學中一門獨立的學科。盡管當時計算機性能落后，但麥卡錫等人仍對人工智能的實現(xiàn)充滿信心。會上，數(shù)學家主張用數(shù)學邏輯和演繹推理作為理性思維的語言，另一些人則支持通過歸納法從數(shù)據(jù)中提取統(tǒng)計特征并用概率處理不確定性，還有人主張從生物學和心理學中汲取靈感。這些爭論持續(xù)至今，其成果的融合形成了現(xiàn)代人工智能技術(shù)。達特茅斯會議后，符號人工智能陣營占據(jù)主導地位。20世紀60年代初，明斯基、麥卡錫、西蒙與紐厄爾分別在麻省理工、斯坦福和卡內(nèi)基梅隆創(chuàng)建了具有影響力的實驗室，這些機構(gòu)至今仍是全球人工智能研究的高地。

1969年，明斯基與同事出版了《感知機》一書，指出感知機的能力有限，但通過增加神經(jīng)元“層”可顯著增強其能力，從而形成多層神經(jīng)網(wǎng)絡。然而，由于缺乏通用算法和算力支持，多層神經(jīng)網(wǎng)絡的研究未能廣泛展開。1971年，感知機理論的提出者羅森布拉特去世后，相關(guān)研究陷入停滯。計算能力不足曾使多層神經(jīng)網(wǎng)絡發(fā)展受阻，但硬件算力的持續(xù)進步為人工智能注入了新動力。1975年，19歲的比爾?蓋茨從哈佛大學退學，與保羅?艾倫共同創(chuàng)立微軟，正是看準了計算機硬件快速發(fā)展的潛力。2025年是摩爾定律提出60周年，硬件能力每1.5年翻一番，60年來算力提升顯著。2010年后，深度學習成為人工智能主流范式，谷歌創(chuàng)始人拉里?佩奇和謝爾蓋?布林通過“谷歌大腦”團隊推動了這一技術(shù)的發(fā)展。

（二）人工智能的主要技術(shù)點

1.神經(jīng)網(wǎng)絡

神經(jīng)網(wǎng)絡是人工智能的核心技術(shù)，通過多層神經(jīng)元的連接，神經(jīng)網(wǎng)絡能夠捕捉復雜的模式。以手寫數(shù)字識別為例，假設要識別一個28×28像素的手寫數(shù)字，傳統(tǒng)方法會先分析圈和線段的特征，比如9可以切分成一個o和一個線段，但直接從784個像素判斷這些o和線段的特征跨度較大。于是，可以將圈拆分為小弧線，線段拆分為更小的線段，逐層分析。神經(jīng)網(wǎng)絡的工作原理可以分為幾步：第一層處理784個像素的灰度值，第二層提取小弧線和小線段的激活度，第三層提取圈或線段的激活度，最后一層輸出0-9的識別結(jié)果。一個四層神經(jīng)網(wǎng)絡的參數(shù)量約為13000個。

圖1 神經(jīng)網(wǎng)絡識別示意

與傳統(tǒng)技術(shù)不同，神經(jīng)網(wǎng)絡的中間隱藏層（如第二層和第三層）的工作機制并不完全可知，科學家們無法明確解釋隱藏層如何處理信息，但通過大量訓練，神經(jīng)網(wǎng)絡能夠自動學習并識別模式。在訓練過程中，輸入已知的像素值和正確的輸出結(jié)果，利用傅里葉逆變換思想求解黑箱的特征函數(shù)，這相當于大模型通過訓練集和驗證集進行學習。整個神經(jīng)網(wǎng)絡可以看作一個函數(shù)，其參數(shù)（權(quán)重和偏差）通過矩陣計算捕捉特定模式。大模型的基本原理也與此類似。

2.Transformer框架

傳統(tǒng)自然語言處理技術(shù)存在梯度消失、無法支持長序列、信息衰減等問題，限制了其發(fā)展。2017年，谷歌大腦團隊提出了Transformer框架，其核心是自注意力機制，能夠捕捉長距離依賴關(guān)系并支持并行計算。

例如，在處理“下雨了，出門記得帶雨傘”時，傳統(tǒng)技術(shù)會因詞序衰減而降低了“下雨”與“雨傘”之間的關(guān)聯(lián)度，而Transformer框架通過自注意力機制記錄位置信息，使相關(guān)詞在向量空間中靠近，從而準確關(guān)聯(lián)。此外，GPU在處理Transformer提出的并行計算這類任務時表現(xiàn)出色，這也是GPU在AI領域爆火的原因。

3.大模型機器學習

大模型應用分為三個環(huán)節(jié)：預訓練、微調(diào)和推理。預訓練方面，通過訓練集賦予模型通用知識，類似于學校教育。使用的模型架構(gòu)、訓練數(shù)據(jù)、訓練方法不同，模型能力也會有差異，這一階段成本較高，例如OpenAI訓練GPT-3的成本高達1200萬美元。微調(diào)方面，在預訓練基礎上針對特定任務（如法律、醫(yī)學）進行的進一步訓練，成本一般不到預訓練的10%，但微調(diào)成果難以復用至其他模型，不同模型通常需要多次微調(diào)，效果和性價比等方面還存在一定的爭議。推理方面，是使用訓練好的模型對新數(shù)據(jù)進行預測的過程，成本在一千萬以內(nèi)即可起步。

圖2 大模型應用環(huán)節(jié)示意

4.RAG和向量數(shù)據(jù)庫

RAG（檢索增強生成）是一種結(jié)合檢索和生成機制的技術(shù)，適用于需要高準確性場景。其核心是通過向量庫構(gòu)建私有數(shù)據(jù)庫，實現(xiàn)基于語義和上下文的檢索，而非關(guān)鍵詞匹配。公司數(shù)字化項目中已經(jīng)開發(fā)了資料向量化軟件，項目經(jīng)理可以將資料存入向量庫，構(gòu)建可擴展的個人、公開知識庫。

5.算力卡和工具集

在算力服務器領域，全球主要有兩個生態(tài)：英偉達和華為。英偉達的生態(tài)在全球范圍內(nèi)廣泛采用，國內(nèi)許多GPU和算力服務器廠商也以英偉達為標桿；華為的昇騰系列則因技術(shù)封鎖等限制，需自主研發(fā)工具和協(xié)議，生態(tài)體系明顯受到了很多制約，相對規(guī)模較小。例如，英偉達使用PyTorch、CUDA和InfiniBand，而華為則自主開發(fā)MindSpore、CANN和RoCE。

截至2023年底，中國眾多企業(yè)聲稱自主研發(fā)的大模型數(shù)量達200余個，這一現(xiàn)象被稱為“百模大戰(zhàn)”。然而，多數(shù)公司僅購買算力服務器，對開源模型（如LLaMA2）進行微調(diào)或不做微調(diào)，僅開發(fā)Agent智能體，便宣稱“自研國產(chǎn)大模型”，利用品牌口碑占領市場、尋求政策支持。斯坦福2024年報告顯示，中國僅有20個基礎模型，遠低于美國的109個。有專家指出，所謂“自研”大模型不少是套殼。

相比之下，DeepSeek成為一股清流，其開源技術(shù)和大模型為科研人員提供了驗證和重現(xiàn)的機會，有助于整個行業(yè)降低成本、提高效率。在OpenAI閉源、英偉達限制芯片供應、特朗普政府星門計劃的背景下，DeepSeek以較小成本打造全球第二的大模型，證明“技術(shù)壁壘沒有想象的那么大，錢也不一定那么花。”

四、DeepSeek的技術(shù)創(chuàng)新點

DeepSeek的創(chuàng)新點眾多，主要體現(xiàn)在以下幾個方面：

1.多頭潛在注意力機制

這是一種減少計算量和壓縮訓練內(nèi)存的機制。如圖書檢索，傳統(tǒng)方法是為每本書都建立完整的索引和摘要，而DeepSeek的方法則像是建立了一個智能分類系統(tǒng)，先記一個簡單的“標簽”，需要時再從標簽還原出詳細信息，類似于將“計算機技術(shù)、三樓右側(cè)第二排”簡化為“C2-3”編碼。

2.混合專家模式

根據(jù)任務的需要，模型會動態(tài)地激活專家子集，共享專家處理通用特征，路由專家處理特定任務，未被激活的專家不會占用計算資源。以數(shù)學問題為例，傳統(tǒng)模式中可能整個數(shù)學內(nèi)容都由同一個“數(shù)學專家”處理。在DeepSeek的混合專家模式中，共享專家會處理句子的語法結(jié)構(gòu)和通用特征,不同的路由專家則分別處理方程識別、判別式計算、求根公式相關(guān)的數(shù)學特征等。

3.多Token預測機制

傳統(tǒng)方法逐個Token預測，導致文本生成不連貫，且效率較低。DeepSeek同時預測多個Token，可以有效提升生成文本語義上的連貫性和輸出的流暢度。

4.PTX連接底層GPU

CUDA是英偉達的框架，而PTX是CUDA的底層指令集架構(gòu)。DeepSeek通過直接編寫PTX代碼，顯著提升了GPU的利用率和傳輸效率，不僅有助于減少對英偉達GPU數(shù)量的依賴，更在硬件層調(diào)度上積累了進一步推動國產(chǎn)GPU產(chǎn)業(yè)鏈發(fā)展的經(jīng)驗。

嚴格說，DeepSeek的創(chuàng)新模式，在本質(zhì)上未展現(xiàn)出超越現(xiàn)有Transformer框架的原始理論，仍然只是在既有的技術(shù)體系內(nèi)的深耕和打磨。但是DeepSeek的創(chuàng)新極具工匠精神，為全球人工智能技術(shù)的推進起到了極大的促進作用。

五、DeepSeek現(xiàn)象帶來的啟示和數(shù)字化項目推進的原則

（一）DeepSeek帶來的啟示

一是開源大模型不一定比閉源大模型或者商用大模型差。

二是大模型應用不一定依賴天量的、高配的算力；大模型本地化部署是具備可能性的。

三是人工智能技術(shù)迭代迅猛，數(shù)字化發(fā)展中心寧愿多花力氣、以我為主、打好基礎，追求將來可以靈活選擇和切換，而不應綁死在某個大模型或者硬件上。

（二）中咨公司大模型應用原則

中咨公司數(shù)字化項目的大模型應用原則是：支持多種開源大模型、適配多種算力服務器、構(gòu)建本地的知識庫、不斷豐富和擴展個人知識庫、聚焦開發(fā)Agent應用和低代碼平臺。

在中咨公司的數(shù)字化項目建設中，數(shù)字化發(fā)展中心堅持將大模型和數(shù)據(jù)采用本地化部署策略，確保數(shù)據(jù)安全和核心競爭力。部署商用大模型部署成本高昂，且會在當前大模型技術(shù)日新月異的階段過早鎖死技術(shù)路線，因此項目最終選擇了開源大模型本地化部署，并采用松耦合設計，可以靈活地選擇任一大模型進行應用。目前，項目已經(jīng)適配了多種開源大模型和算力服務器。這次DeepSeek現(xiàn)象表明，數(shù)字化項目確定的大模型使用的一系列原則是正確的。

（三）數(shù)字化項目的其他原則

按照同樣的思路，數(shù)字化發(fā)展中心制定了公司數(shù)字化項目其他兩個系列的原則：

1.系統(tǒng)搭建方面

構(gòu)建由關(guān)系型數(shù)據(jù)庫、圖數(shù)據(jù)庫和向量庫等組成的大規(guī)模數(shù)據(jù)底座，構(gòu)建可擴展知識庫，提升知識庫應用價值；建設泛構(gòu)件化平臺和數(shù)據(jù)中臺，將應用軟件工具化，研發(fā)多工具和小應用，搭建低代碼或零代碼平臺，實現(xiàn)快速搭建各類應用。

2.軟件開發(fā)方面

定制軟件開發(fā)需掌握源代碼和知識產(chǎn)權(quán)，軟件開發(fā)需兼容國產(chǎn)芯片、國產(chǎn)數(shù)據(jù)庫和國產(chǎn)操作系統(tǒng)等國產(chǎn)化環(huán)境，模型可遷移、可復用、可共享。

六、結(jié)束語

本項目應用大模型的路線規(guī)劃：第一階段，即當前項目處于此階段，聚焦免費開源大模型的本地化部署，在確保數(shù)據(jù)不外流的前提下，可以輔以對接商用大模型的流量訪問。第二階段，在大模型市場競爭格局明朗后，挑選持續(xù)更新且性價比高的大模型，進行商用本地化部署，視情況開展微調(diào)工作。生成式大模型存在局限性，“生成”與“幻覺”像硬幣的正反面相伴而生。開發(fā)中發(fā)現(xiàn)，允許發(fā)散的研究報告生成助手較易實現(xiàn)，但需要嚴格精確的制度問答助手在消除幻覺時難度大，正逐步探索解決方案。

公司數(shù)字化工作需要全體員工共同參與，積極搭建個性化應用，分享經(jīng)驗并提出優(yōu)化建議；構(gòu)建可擴展的知識庫，豐富公司數(shù)據(jù)庫；積極使用圖譜工具和量化模型，形成“不量化不研究”的工作習慣。

數(shù)字化發(fā)展中心將繼續(xù)做好技術(shù)支撐工作，以期盡早實現(xiàn)“人人可構(gòu)建知識庫，人人可開發(fā)應用”的愿景。

注：文中部分圖片來源于網(wǎng)絡，版權(quán)歸原作者所有，若有侵權(quán)請聯(lián)系刪除。