2025年规划和自然资源行业应对DeepSeek浪潮的思考报告

绩效管理绩效管理实施过程KPI与BSC规划和自然资源行业应对广州市基础地理信息中心DeepSeek浪潮的思考何正国中国城市规划学会城市规划新技术应用专业委员会目录页 CONTENTS PAGE未来展望与思考四四横三纵应对路径三大模型技术原理二DS影响千行百业一绩效管理绩效管理实施过程KPI与BSC一、 DeepSeek影响千行百业1.接入DeepSeek热潮2.对千行百业的影响1、三大科技巨头同日接入 DeepSeek1月31日，英伟达、亚马逊和微软这三大美国科技巨头在同一天宣布接入DeepSeek的大模型。英伟达将这一模型应用于其GPU加速卡和数据中心中以提供更高效的计算能力；而亚马逊则利用自身的云计算平台优势来推广该模型的使用；至于微软将其集成到现有的软件产品和服务中去以增强用户体验。1、中国基础电信运营商接入 DeepSeek2月1日：中国电信“息壤”平台接入，华为昇腾云服务部署推理服务。2月3日：中国联通“星罗”平台集成，覆盖270+骨干云池。2月5日：中国移动适配全版本模型，火山引擎支持多尺寸部署截至 2025 年 3 月，已有超过百家国内外企业宣布接入DeepSeek，覆盖政务、互联网、制造业、汽车、医疗、能源、金融、手机、教育、科技等多个领域，形成从底层算力到终端应用的完整生态闭环。1、千行百业深度拥抱 DeepSeek自 2025 年 2 月以来，北京、广东、江西、新疆等省市相继宣布接入 DeepSeek 大模型，通过智能导办、工单处理、公文写作等场景创新，推动政务服务从“人工密集型” 向 “数据智能型” 转型。1、DeepSeek赋能政务效率提升2、技术普惠：让AI不再是巨头的专属工具DeepSeek 大模型正以“低成本、高性能、开源化” 的创新路径，打破技术垄断壁垒，推动 AI 从巨头专属走向全民共享。其技术突破不仅重塑了全球 AI 竞争格局，更通过生态赋能为发展中国家提供了技术追赶的新机遇。2、行业重构：从效率优化到模式改变DeepSeek通过“技术穿透、数据觉醒、模式重构”的三重跃迁路径，其核心价值不仅在于单点效率提升，更在于通过AI与产业场景的深度融合，重塑行业决策底层逻辑。DeepSeek 一、在行业应用方面，DeepSeek 成效显著制造业中，汽车设计仿真迭代加快，零部件参数优化从月级缩至天级，研发周期缩短超 50%；医疗领域，医学影像检出率提升 20%，药物研发靶点筛选效率突破，研发周期缩至传统模式的三分之一 。二、决策模式从经验驱动向“数据 + AI ” 协同驱动转变金融风控中，传统依赖规则与经验难应对实时风险，DeepSeek 构建协同网络，通过实时数据驱动模型动态学习，反欺诈准确率从 90% 提至 99.7%，推动决策转向算法实时优化，实现精准动态风险识别。2、提振算力产业链：助力国产算力成长DeepSeek 高效算法助力国产芯片商用，性能提升，相关企业股价上涨，中下游也各有积极表现。资本市场投资逻辑转变，转向聚焦技术落地效能与商业变现能力的理性回归。一、算力产业链：让国产算力 “能用、好用”DeepSeek 高效算法助力华为昇腾、寒武纪等国产芯片商用，性能达国际 60% 以上，相关企业股价两月涨超 30%。中游：超算及地方平台接入技术，中小企业算力成本降 。下游：带 AI 功能手机销量涨 120%。二、资本市场：“砸钱堆参数” 转向 “解决实际问题”投资逻辑彻底转变，过去资本追捧 “万亿参数” 的大模型竞赛，如今聚焦 “能否落地赚钱”。寒武纪、海光信息等国产算力企业利润涨超 50%，估值从 30 倍跃升至 80 倍，成资本市场新宠。DeepSeek 绩效管理绩效管理实施过程KPI与BSC二、 大语言模型技术原理1.语言模型概述2.Transformer结构3.语言模型构建流程人工智能核心要素算法是指解题方案的准确而完整的描述，是一系列解决问题的清晰指令，算法代表着用系统的方法描述解决问题的策略机制。简单来理解，算法就是解决问题的方法和步骤。算力是指计算机的处理的能力，由于深度学习的算法，涉及非常多的参数（不同功能的AI算法参数的个数是不同的），有的AI算法的参数达到几千亿上万亿。数据是用于训练AI的，也就是AI算法通过大量的数据去学习AI中算法的参数与配置，使得AI的预测结果与实际的情况越吻合。这里说的数据是指经过标注的数据，不是杂乱的数据。所谓经过标注的数据是指有准确答案的数据。1、语言模型概述语言是人类与其他动物最重要的区别之一如果人工智能想要获取知识，就必须懂得理解人类使用的不太精确、可能有歧义、混乱的语言。 逻辑思维以语言的形式表达 知识以文字的形式记录和传播1、语言模型概述语言模型（Language Model，LM）目标是建模自然语言的概率分布词汇表 V 上的语言模型由函数 P(w1w2...wm) 表示，表示词序列w1w2...wm作为一个句子出现的可能性大小。对于任意词串 w1w2...wm∈ V+，则有 P (w1w2...wm )⩾ 0，并且对于所有词串，函数 P (w1w2...wm ) 满足归一化条件：由于联合概率 P (w1w2...wm ) 的参数量十分巨大，直接计算 P (w1w2...wm ) 非常困难。如果把w1w2...wm看作一个变量，那么它具有 |V|m 种可能。按照《现代汉语词典（第七版）》包含7万词条，句子长度按照20个词计算，模型参数量达到7.9792*1096的天文数字。1、语言模型概述为了减少 P (w1w2...wm ) 模型参数量，可以利用句子序列通常情况下从左至右的生成过程进行分解，使用链式法则得到：由此， w1w2...wm的生成过程可以看作单词逐个生成的过程。首先生成 w1，之后根据 w1 生成 w2，再根据 w1 和 w2 生成 w3，以此类推，根据前 m − 1 个单词生成最后一个单词 wm语言模型训练就是要学习词、句内在的语言模式和语言关系，对这种关系进行建模。1、语言模型概述学习语言模式 观察词语顺序：通过大量文本如“我 爱 吃饭” 、 “他 喜欢 跑步”等，识别出主语通常在句首，动词居中，宾语在句尾的基本句子结构。 统计词语搭配：模型统计词语的搭配频率，比如“美丽”常与“花朵” 、 “风景”相伴， “快速”则常与“奔跑” 、 “行驶”等词搭配。这一过程帮助模型理解词语间的搭配习惯，从而判断哪些词语组合更为合理，形成对语言模式的认识。学习语义关系 理解词语含义：大模型通过大量文本中的使用场景来理解词语含义。比如，当看到“苹果”一词频繁与水果、食物、红色的圆形物体等描述相关联时，模型就能逐渐明白“苹果”指的是一种具体的水果。 分析句子语义：以“猫在桌子上”为例，模型能识别出“猫”是主体， 在……上”表示位置“关系， “桌子”是位置的对象，从而理解句子所表达的空间关系。 学习上下文关系：例如，在“小明生病了，所以他没去学校”这句话中，模型通过“所以”以及前后句子的内容，能够明白生病是没去学校的原因，这是因果关系的一种体现。同时，模型也能理解转折、并列等其他语义关系。句子： 我是一名AI工程师。字： 我 / 是 / 一 / 名 / A / I / 工 / 程 / 师 / 。