募集资金基本情况 - 公司首次公开发行2200万股新股，每股面值1元，发行价格32.29元，募集资金总额7.1亿元，扣除发行费用后实际募集资金净额6.15亿元[1] - 募集资金已专户存储并设立专项账户[1] 募集资金使用情况 - 截至2025年5月31日，累计投入募投项目资金8860万元，占承诺投资总额25,971.67万元的34%[3] - 主要投向两个项目：基于工业互联网架构的智能MES系统优化项目和基于大数据的质量追溯与分析系统优化项目[3] 募投项目延期情况 - 延期项目为"基于大数据的质量追溯与分析系统优化项目"，原定完成时间未披露，调整后延期至2027年12月31日[3][6] - 延期原因包括：技术路线调整（从Cloudra大数据产品转向国产信创平台）、引入知识图谱技术、行业算法模型升级[4][5] - 市场环境变化促使功能升级：需支持动态追溯拓展（覆盖新增数据源）、根因分析模型（嵌入行业专家知识）、预警预测模型（从事后纠偏转向事前预防）[5][6] 项目重新论证 必要性 - 国家强化重点行业（食品/医药/汽车/电子/烟草）质量安全监管，新法规如《药品管理法》《食品安全法实施条例》推动追溯需求[7] - 消费市场对供应链溯源需求增长，企业质量管控投入增加，需信息化解决方案支持全流程追溯与预警[7][8] 可行性 - 技术底座采用国产信创平台，融合知识图谱与行业算法（如质量逻辑专家知识），实现动态追溯与根因分析[8] - 公司已采购相关软硬件并投入研发资源，资金可支撑项目持续开发[9] 预期效益 - 项目将提升公司大数据产品技术水平，增强市场竞争力与经营业绩，并扩展至绿色供应链管理等新场景[8][9] 审议程序 - 董事会及监事会于2025年7月25日审议通过延期议案，认为调整符合实际经营情况且未改变资金用途[9] - 保荐人兴业证券核查后认为决策程序合法合规，无损害股东利益情形[10][11]

公司AI产品入选创新案例 - 公司9个AI产品通过开源大模型集成应用能力质效评估，入选首批"开源大模型+"软件创新应用典型案例，成为入选案例数量最多的公司[1] - 评估涵盖接入能力、应用能力、模型性能、安全能力、兼容适配、运营管理等六个维度[3] - 产品聚焦销售、核保、理赔和风控等实际业务场景，从68个入围案例中脱颖而出[3] AI能力建设与生态构建 - 公司构建"保险+科技+服务"模式，升级建设AskBob、智能图像、知识图谱、仿真预测四方面AI能力[4] - AskBob引入预训练大模型技术，已在核保、理赔等场景应用，团财核保答疑实现24小时0等待，有效解答率超90%[4] - 智能图像大模型替代烟囱式小模型，新场景交付时效大幅缩短，内容创作效率提升95%[4] - 知识图谱覆盖5类知识体系，实现知识自动化构建[5] - 仿真预测在车险保费预测场景实现从0到1突破[5] 业务场景应用与价值创造 - 公司完成DeepSeek大模型本地化部署，围绕销售、核保、理赔、风控等场景打造AI助手[6] - 创小保AI助手实现单条营销内容百万级客户精准触达，提升非车销售能力[6] - 团非数字核保人实现"人工核保"到"AI自核"模式变革，自核率提升17pt，首次报价时效缩短至2小时以内[7] - 数字化风控体系实现每年AI减损金额超50亿元[7] 行业地位与未来规划 - 公司AI大模型技术已全面融入业务流程，展现AI技术创新实践上的强大实力[3] - 公司在ICDAR、EMNLP、Gartner等多个世界AI顶级会议比赛中获得冠军[4] - 未来将深化数字化转型，推进"人工智能+"行动[7]

健全就业公共服务体系 - 提出18项服务举措，目标建立均等普惠、功能完备、帮扶精准、基础巩固、数字赋能的就业公共服务体系 [1] - 明确属地服务责任，统一服务事项标准，制定发布统一服务清单和视觉识别系统 [1] - 促进区域服务协同，拓宽劳务协作机制范围，打造"龙字号"劳务品牌矩阵 [1] 完善就业公共服务内容 - 高效落实就业政策，深入开展法规政策宣传 [1] - 完善就业失业管理，畅通失业求助渠道，动态调整就业援助对象范围 [1] - 加强企业薪酬调查信息发布，强化岗位推荐和用人推荐 [1] - 持续优化创业服务，加强创业能力培训和专业化创业服务能力建设 [1] 推行针对性帮扶模式 - 完善发现识别机制，支持失业登记与低收入人口信息共享比对 [2] - 探索构建求职就业分级分类模型，精准判定就业困难类型和程度 [2] - 实施优先扶持和重点帮助，强化后续跟踪回访 [2] 打造基础巩固服务格局 - 提升市县综合服务能力，提供全链条就业公共服务 [2] - 健全基层就业服务网点，打造"15分钟"就业服务圈 [2] - 加强职业指导师等专业化队伍建设，扩大社会力量服务供给 [2] 强化数字赋能服务方式 - 应用人工智能、大数据、知识图谱等技术开发求职招聘信息智能分析功能 [2] - 强化就业大数据分析利用，推动就业数据"回流"地方 [2] - 支持开发智能招聘、政策评估等应用场景，打造数智就业服务模式 [2] 其他工作要求 - 统筹用好失业保险基金、各类产业引导基金促进就业 [3] - 完善政府购买就业公共服务制度 [3]

公司概况 - 公司业务起步时自行调研获取数据进行分析，大数据时代调研成为数据补丁，能为客户提供完整数据支持，较纯依赖大数据企业更具优势 [2] - 软件业务发展战略是业务经验模型化、模型算法化、算法软件化，核心竞争力是具备咨询公司基因，能识别需求、沉淀行业知识并建立模型，运用人工智能技术开发数据智能软件 [2] - 业务从数据收集与人工分析向自动分析转型，追求模型创新构建能力，使建模成常规手段 [3] 业务与技术落地 - 秉承问题导向，开发数据智能管理与分析模块，结合行业知识、算法模型与大模型技术形成数字化解决方案，应用效果获客户认可 [3] - 在“12345 政务服务便民热线”领域开发响应性算法模型机制，技术泛化能力可用于其他行业；结合相关算法开发派单系统；开发多种自助分析工具；开发事理图谱，搭建知识图谱生产五层框架，提高城市治理应用系统开发效率 [4] 知识图谱与大模型关系 - 整合零点有数与海乂知技术，知识图谱提供可解释逻辑骨架，解决大模型“幻觉”问题，提升大模型准确度；大模型打破知识图谱更新难题，解决构建高成本问题 [5] - 认为“图谱骨架 + 大模型引擎”深度融合将在多场景抢占数智先机，知识图谱与大模型技术混合智能决策已在部分客户落地，在非生成领域提升推理逻辑可解释性 [5] 知识图谱应用与融合 - 海乂知特种领域本体构建经验可复制到民用场景，如政务“政策推荐”借鉴特种业务情报分析框架提高精准度，其知识图谱技术积累有助于公司向多领域扩展 [5]

行业动态 - 武汉举办第三届软件创新发展大会并首次颁发"杰出软件工程师"荣誉称号 [1] - 获奖的20位工程师中85%来自民营企业 [7] - 获奖者分布在云计算、工业软件、地理信息软件、汽车软件等多个领域 [7] 公司案例 - 浮木科技专注于大模型和知识图谱联合驱动的软件智能生成平台，已在十余个领域完成平台验证 [6] - 浮木科技由武汉大学毕业生创立，团队放弃大厂高薪创业，目前处于高速发展期 [6] - 艾普工华研发国内首个制造大模型"艾问"，从工业软件领域跨界到人工智能领域 [6] 人才发展 - 武汉拥有超过40万开发者群体 [7] - 获奖工程师表示城市重视技术人才将促进工程师文化的形成 [7] - 软件产业是高端人力资源密集型产业，需要营造良好的工程师文化氛围 [7]

知识图谱技术突破 - AutoSchemaKG框架实现无需预定义模式的完全自主知识图谱构建 利用大型语言模型直接从文本提取知识三元组并动态归纳模式 显著提升可扩展性和领域适应性[1][7] - 实验证实该系统模式归纳与人类设计模式达到95%语义对齐 已构建ATLAS知识图谱系列包含超9亿节点和59亿边[2][17] - 创新性采用概念化方法 将实体/事件泛化为语义类别 建立跨领域语义桥梁 支持零样本推理并减少知识稀疏性[7][8] 技术实现路径 - 采用三阶段流水线提取实体-实体 实体-事件 事件-事件关系 支持多种大型语言模型并优化GPU加速[9] - 模式归纳阶段通过LLM生成抽象概念短语 整合邻近节点上下文信息增强语义理解 实现自动化类型泛化[11][12] - 计算资源消耗巨大 构建最大规模ATLAS-CC图谱需52,300GPU小时 处理9.373亿节点和59.6亿边[19][20] 性能验证 - 三元组提取质量优异 在ATLAS-Wiki上实体-实体关系F1达94.09% 事件-事件关系F1达96.01%[21][22] - 事件建模效果显著 多项选择题测试中事件级三元组准确率超95% 比实体级保留更丰富信息[23][24] - 多跳问答任务表现突出 与HippoRAG2集成后性能比传统检索方法高12-18% 在MuSiQue数据集EM达31.8%[28][29] 应用优势 - 领域适应性强 ATLAS-Wiki在宗教/哲学领域优势明显 ATLAS-Pes2o在医学/社会科学表现更佳[35] - 法律领域性能提升显著 比无检索基线高4个百分点 远超Freebase等传统知识图谱方法[32][35] - 学术资源转化高效 ATLAS-Pes2o基于Semantic Scholar摘要构建 在技术类任务中验证学术知识迁移价值[17][18]

2025消费金融生态大会 - 大会主题为"金融促消费·共启新征程"，系统探讨金融赋能提振消费的破局方向 [1] - 由重庆市委金融办等部门指导，消费金融服务联盟和打击金融领域黑产联盟主办 [1] - 汇聚500余位政府、学术、金融和科技领域代表 [1] - 发布全国首个消费金融行业发展状况指数——2025中国消费金融指数(CCFI) [1] CCFI指数概况 - 围绕消费金融市场的主体建设、产业生态和市场环境三个维度构建 [2] - 运用12组33项指标评估国内30个典型城市消费金融综合发展状况 [2] - 综合排名前十城市：上海、北京、重庆、深圳、广州、杭州、成都、苏州、南京和济南 [2] - 上海、北京和重庆包揽所有分项前三名，处于国内第一梯队 [2] 消费金融机构实力 - 机构实力十强城市：重庆、上海、北京、深圳、广州、杭州、天津、南京、成都和苏州 [2] - 重庆消费金融供给主体包括银行类机构、消费金融公司、汽车金融公司和网络小贷等 [3] - 重庆3家消费金融公司合计贷款规模占全国同业29.1%，居全国首位 [3] - 重庆拥有37家网络小贷机构，包括7家注册资本超50亿元的头部企业 [3] 重庆消费金融发展 - 在"双中心"国家战略引领下，重庆成为国内重要消费金融发展高地 [3] - 构建多层次消费金融体系，超80家消费金融供给主体 [3] - 消费金融公司及网络小贷科技创新处于行业前沿，涉及大数据、AI等技术 [3] - 设立国家金融科技认证中心、成渝金融法院等金融基础设施 [4] - 打造"渝金通""渝金盾"金融大脑支持数字金融场景应用 [4]

中国消费金融指数发布 - 国内首个公开发布的消费金融行业发展状况指数——2025中国消费金融指数(CCFI)正式发布 [1] - 指数以重庆为案例，总结重庆消费金融发展实践经验，提供"重庆标准" [1] - 消费金融供给主体包括银行类机构、非银类机构和地方金融组织 [1] 重庆消费金融发展水平 - 重庆与上海、北京并列国内消费金融综合发展第一梯队 [2] - 截至2024年底，重庆个人消费贷款余额达8922.53亿元(不含住房贷款)，同比增长9.9% [2] - 重庆已构建涵盖80多家消费金融供给主体的多层次消费金融体系 [2] 重庆消费金融创新能力 - 重庆消费金融公司及网络小贷公司科技创新处于行业前沿 [2] - 涉及大数据、人工智能、知识图谱等技术发明和应用创新 [2] - 3家消费金融公司累计申请专利技术和获得发明专利授权量占全国同业一半以上 [2] - 37家网络小贷公司发明专利授权量和软件著作权量分别占全国同业的三分之二和三分之一 [2] 重庆金融基础设施 - 截至2024年底，重庆设有国家金融科技认证中心和成渝金融法院 [3] - 成立全国首个跨区域社会组织"成渝银行业保险业消费者权益保护中心(重庆)" [3] - 打造"渝金通""渝金盾"金融大脑，提供底层金融基础设施支持 [3]

知识图谱技术挑战 - 可扩展性和性能问题：知识图谱扩展到数十亿节点/边时难以保持复杂查询和更新性能 由于图数据高度互联 查询可能触及图谱大部分 分布式图数据库在跨分区连接时仍面临性能瓶颈 垂直扩展存在限制[1] - 更新可扩展性问题：大型知识图谱中添加或更改数据成本高 尤其是启用推理时可能触发重新计算 部分架构将实时图谱与分析图谱分离以提升交互速度 但增加管理复杂度[2] 数据质量与完整性 - 数据质量挑战：知识图谱常聚合多源数据 易出现不一致和错误 自动提取过程可能引入噪声 导致虚假或过时信息传播 高质量知识图谱需结合自动化与人工验证机制[3] - 不完整性风险：知识图谱存在固有缺失 可能导致AI系统误判为错误(封闭世界假设) 需设计查询逻辑考虑不确定性 添加完整性元数据区分未知与错误信息[4] 模式设计与本体管理 - 模式复杂性：本体工程需平衡过度具体与过度松散 模式演变成本高 例如零售知识图谱需重构以纳入数字产品等新实体 过度设计本体易导致项目停滞[5][6] - 与非结构化数据集成：从文本/表格提取信息时易产生歧义 需人工监督或复杂流程 完全自动化构建知识图谱仍存挑战 需置信度评分和专家验证[7] 动态数据处理与伦理问题 - 实时数据应对困难：传统三元组存储不擅长流式更新 动态知识图谱实现复杂 版本控制方案无法捕捉连续变化 实时场景需划分处理逻辑[8] - 偏见放大风险：知识图谱可能反映历史数据中的性别/文化偏见 影响AI决策公平性 需采用去偏技术如重新加权或添加反事实数据[9] - 隐私合规挑战：整合个人数据易违反GDPR 28%用户画像研究存在隐私问题 需设计匿名化/访问控制机制 但会降低实用性[10] 实施与维护障碍 - 技术栈碎片化：RDF/SPARQL等技术学习曲线陡峭 缺乏专业人才 工具标准化不足 影响项目推进[11] - 持续维护需求：知识图谱需定期更新和本体演进 否则价值衰减 需明确治理机制和反馈回路[12] - 遗留系统集成困难：与关系数据库连接存在性能/模型不匹配 业务人员对SPARQL接受度低 可能导致知识图谱脱离主流程[12]

知识图谱融入AI解决方案的优势 数据互操作性和集成 - 知识图谱通过通用语义层统一不同来源数据，使用共享标识符和本体连接孤立数据（如CRM客户资料与财务系统交易关联）[2] - 遵循RDF、schema org等标准实现互操作性，新数据源只需映射到本体即可低摩擦插入[2] - 支持全面查询所有数据，无需手动关联数据库ID，形成对客户、产品等核心业务实体的全方位了解[2] - 可作为语义数据湖，所有内容互联且可发现，减少AI开发中80%数据整理时间[2] 查询功能提升 - 支持复杂临时查询（如"召回零件供应商"或"间接合作作者"），单条SPARQL/Cypher查询即可实现多跳检索[3] - 允许任意遍历路径和本体推理（如查询"车辆"自动返回轿车、卡车等子类），使推荐引擎能查询"用户朋友的朋友偏好"等丰富问题[3] - 数据模型可动态扩展，新增实体类型不破坏现有查询，传统数据库难以实现此灵活性[3] 可解释性增强 - AI决策可追溯至知识图谱特定事实路径（如医疗推荐基于病情Y+指南Z+生物标志物W的显性关联）[4] - 提供出处信息（如通过"assertedInStudy"边链接至文献DOI），满足监管行业对数据溯源的需求[5] - 福布斯科技委员会指出知识图谱是提升AI可解释性、可审核性的关键要素[5] 训练数据效率优化 - 知识图谱编码常识减少对带标签数据依赖，计算机视觉中可实现零样本分类（如通过条纹特征识别未知动物霍加狓）[6][7] - NLP领域问答任务性能提升30%，因直接注入知识图谱事实而非依赖训练文本出现频率[7] - 医疗/法律等专业领域可利用专家构建的知识图谱弥补数据稀缺问题[7] 符号与统计AI结合 - 神经符号AI结合知识图谱的逻辑推理与机器学习模式识别，减少大型语言模型40%幻觉现象[8] - 知识图谱生成候选答案由ML排序，或ML生成假设由图谱验证，形成协同效应[8] - 2025年系统综述强调知识图谱与大语言模型对提升AI理解、推理能力至关重要[8] 复杂推理与合规支持 - 支持语义推理（如从亲属关系自动推断"阿姨"身份），扩展隐含知识并确保逻辑一致性[9] - 可编码业务规则（如贷款审批不违反监管条款），在医疗AI中避免药物相互作用等禁忌方案[9] 外部知识整合 - 链接schema org、维基数据等全球知识生态系统，电商产品可自动获取维基实体描述[10] - 通过明确表示人口统计属性，知识图谱可检测NLP模型中性别-职业关联偏差[10][11] 机器学习特征增强 - 实体属性转化为预测模型特征（如推荐系统中"hasGenre Sci-Fi"特征使准确率提升25%）[12] - NLP任务融入WordNet关系后，词义消歧任务F1值提高15个百分点[12]