上合组织数字经济论坛核心观点 - 2025上合组织数字经济论坛在天津开幕 聚焦产业数字化转型、数字技术应用和数据价值挖掘等热点话题 [1] - 上合组织成员国在数字基建、传统产业转型、电子商务、数字支付、大数据应用等领域已开展广泛合作 未来将围绕产品、技术、服务要素深化数字经济合作 [3] - 中国发布《中国—上海合作组织数字技术工具箱》 包含50多项数字公共产品 将推出数字经济发展行动计划赋能产业转型 [5] 数字技术合作与产业转型 - 中国与柬埔寨合作建设互联网骨干网和光纤连接 加强数字基础设施互联互通 [9] - 数字技术在各个经济领域应用潜力巨大 教育和人才培养成为关键发展议题 [11] 数字经济发展成果与展望 - 数字化已深度改变生产方式和民生福祉 中国作为轮值主席国为上合组织数字经济发展注入动力 [13] - 论坛探讨数据治理、跨国人才培养、数字基建开放合作等议题 推动共建互惠开放的数字经济空间 [7][13]

行业动态 - 保险与精算四十人论坛青年论坛2025年年会在南开大学举行，主题为"数智赋能与保险新质生产力"，汇聚保险、科技、医疗等领域专家 [1] - 会议聚焦"保险科技与新质生产力创新""生成式AI和大数据在保险经营中的应用"等议题，探讨保险业数智化转型与创新发展 [1] 公司动态 - 镁信健康首席商务官郎立良受邀参会并发表《从数据到智能体:生成式AI如何赋能保险服务链路》主题演讲 [3] - 镁信健康构建了以mind42.ai为核心的AI模型体系，提供一站式医疗健康服务和保险支付服务 [5] 技术应用 - 生成式AI技术为保险服务链路优化与创新提供动力，正在重塑理赔审核、客户健康管理、风险控制、产品定价等环节 [5] - 数据治理是AI应用的关键，镁信健康通过多方合作优化数据治理流程，为AI模型训练提供坚实基础 [5]

人工智能+典型案例 - 广州市发布第二批"人工智能+"典型案例共34个，涵盖制造、安全、教育、医疗等领域[1][2] - 入选案例均为已落地项目，突出制造、安全、教育、医疗四大垂直领域，国企、民企、运营商参与均衡[2] - 典型案例包括知行机器人的"天空地一张图智能平台"提升公安打私等场景效率超40%[1][2]，中山六院生殖中心AI客服实现98.5%问答准确率[3]，乐庚"无感知AI数字课堂"提升课堂效率30%[3] 人工智能技术应用成效 - 平云模型开放服务平台支持30分钟快速构建大模型[1] - 趣丸科技"穗小信"数字人客服融合AI技术使政务咨询效率提升70%、政策知晓率达98%，带动企业数字化投入超2亿元[3] - 广州烟草廉洁风险识别平台、南方航空特权账号管理系统等安全类AI应用入选典型案例[7][8] 数据治理与DCMM发展 - 广州DCMM三级以上单位数量达77家，全国第一[5] - DCMM贯标企业数量从2011年116家增至2024年5760家[5] - 数据治理成为企业必修课，需通过人才培育、价值挖掘、市场布局三位一体推动传统行业落地[6] 垂直领域AI赋能方向 - 制造业因环节复杂成为AI赋能难点，但提升空间显著[4] - 广州聚焦垂直大模型发展，通过算力券、模型券等政策支持企业投入[5] - 典型案例显示AI在医疗(智能诊断)、教育(课堂批阅)、政务(政策服务)等场景实现技术突破[3][7][8]

数据要素×行动实施情况 - 国家数据局正在抓紧编制"数据要素×"应用场景指引，强化场景牵引，持续推进公共数据"跑起来"示范场景建设 [1] - 中央企业成立数字科技类公司近500家，约66%的行业龙头企业购买过数据，数据开发利用热情不断提升 [1] - 一批以数据为主营业务的企业成功上市，显示出数据企业发展潜力和活力 [1] 数据要素赋能效果 - 工业领域大型龙头企业通过汇聚产业链数据，实现高端产品研发周期、采购交付周期缩短30%以上，库存周期从3个月降低到1个月 [2] - 农业领域种植企业通过数据赋能施肥环节，综合提升产量5.5%，养殖企业实现海洋牧场海洋生物资源总量增加5.3倍 [2] 数据要素×大赛应急管理赛道 - 2025年"数据要素×"大赛应急管理赛道设置"提升安全生产监管能力""提升自然灾害监测评估能力""提升应急管理智能化水平"3个赛题方向 [1][4] - "提升安全生产监管能力"赛题方向围绕挖掘数据规律特征、探索数据融合分析、构建智能监管场景三个方面开展应用探索 [4] - "提升自然灾害监测评估能力"赛题方向从完善监测感知体系、提升预警响应时效、拓展救援评估方法三个方面开展应用探索 [4] - "提升应急管理智能化水平"赛题方向探索共建高质量数据集，拓展大模型智能化场景应用，推动智能机器人赋能实战化应用 [4] 数据要素发展措施 - 加快数据要素综合试验区创建，联合有关部门深入开展"数据要素×"试点，推动打破数据在重点场景应用的堵点难点问题 [3] - 构建全国统一的数据市场规则、设施和治理体系，繁荣培育市场经营主体，创造更加公平、更有活力的市场环境 [3] 数据要素×大赛特点 - 更加关注数据治理，注重标准体系建设、安全合规及高效流通，促进数据交易、交互、交换 [5] - 更加强调务求实效，通过强化场景的引领作用、问题导向及效益目标，打造"供数一用数一收益"价值闭环 [5] - 更加突出开放创新，突出技术创新与应用创新并重、行业高质量数据集建设及新模式新业态培育 [5]

AI善治联合体扩容 - 业内首个AI善治联合体"人本智能倡议"新增百度、MiniMax、浪潮信息、慧与科技等7家科技企业成员，覆盖大模型、算力基础设施及AI医疗等关键领域 [1] - 联合体成员总数近50家，形成技术研发、应用落地与伦理治理全链条覆盖 [1] - 人工智能治理被定义为技术发展的方向性框架，中国将安全与治理能力纳入AI能力建设核心组成部分 [1] 谷歌数据滥用案判决 - 谷歌因未经许可收集安卓用户数据被判赔偿加州用户3.146亿美元，涉及约1400万名居民 [2] - 陪审团认定谷歌在设备闲置时收发用户数据构成"强制性负担"，数据用于定向广告却让用户承担流量费用 [2] - 谷歌辩称用户已通过服务条款授权操作且未造成实际损害，但判决被视为数据透明化治理的标杆案例 [2] 迪拜空中出租车进展 - 迪拜成功试飞4座垂直起降空中出租车，最高时速320公里，计划2026年启动商业运营 [3] - 首条航线连接迪拜国际机场与朱美拉棕榈岛，飞行时间12分钟（较驾车缩短33分钟） [3] - 项目由迪拜交通部门与美国企业合作推进，标志着立体出行技术进入商业化倒计时阶段 [3]

战略篇 - AI战略成功的关键在于与业务的深度融合而非技术领先 技术领先但缺乏业务场景融合的项目易失败 银行业通过成熟AI技术强化风控降低坏账率 零售业通过AI优化供应链预测减少库存积压提升门店坪效 [2] - 并非所有问题都适合用AI解决 传统统计方法或自动化脚本可低成本高效解决的问题无需强行上AI 某公司曾用AI处理销售报表分析导致资源浪费且效果不佳 [3] - 追求长期价值的AI战略更易成功 短期ROI不明显但战略价值高的AI应用如用户画像和个性化推荐可提升用户粘性构建竞争壁垒 亚马逊早期推荐系统投入虽未直接盈利但长期形成护城河 [4] - AI项目成功标志是业务价值提升而非技术先进性 不以业务价值提升为目标的AI项目均被视为无效 企业需以实际业务提升评估AI投入产出 [5] 技术篇 - 影响AI落地的最大因素是"数据孤岛"而非人才或资金 数据分散标准不一导致AI模型训练和部署困难 大型企业需先进行数据治理和流程再造 [6] - 购买现成AI解决方案比完全自研更适合大多数企业 除非AI是公司核心竞争力否则无需从零研发 成熟AI平台和行业工具可快速实现AI能力 [7] - 模型实用性和可解释性比参数规模更重要 复杂深度学习模型可能成为"黑箱" 简单模型如决策树和逻辑回归更易理解信任和排查问题 [8] - 模型安全性、伦理与责任是红线 AI系统需建立完善数据治理和隐私保护机制 多层级安全防护和数据权限管控确保系统安全性 [9] 人才与组织篇 - 企业更需要既懂业务又懂AI的复合型人才而非单纯AI科学家 AI产品经理和解决方案架构师是连接技术与业务的关键桥梁 [10] - 提升全体员工AI素养比依赖个别AI精英更重要 全员AI培训可形成学习应用AI的整体氛围 类似丰田"改善"文化的"AI赋能"文化更有效 [11] - AI落地失败主因是组织文化和沟通问题而非技术 业务部门不配合需求不明确或缺乏高层支持导致项目失败 [12] - AI时代需要跨多领域人才而非单一技能人才 融合不同专业知识的跨领域人才能更好应对复杂多元业务需求 [13] 实施运营篇 - AI落地需持续运营优化而非一次性投入 数据变化和业务需求调整要求AI模型持续监控评估和迭代 需专门MLOps流程和团队支持 [14] - 专注于边界明确的小问题比颠覆行业更易成功 解决具体小问题如优化门店补货效率比构建"工厂大脑"更现实 [15][16] - AI工具的员工体验比模型智能更重要 操作复杂界面反人类的AI工具难以推广 简洁易上手的设计可提升采纳率 [17][18]

数据驱动的智能化服务构建 - 数据成为企业智能化服务升级的关键驱动力，行业巨头通过海量数据优化服务体验[1] - 招商银行每日分析数百万条客户对话数据优化语音识别模型[1] - 京东基于数千万次咨询记录迭代升级"京小智"对话流程[1] - 中国移动借助数亿用户交互数据完善全渠道服务[1] 数据收集与处理体系 - 企业需搭建全渠道数据采集网络，部署智能语音识别与自然语言处理技术实时抓取交互数据[1] - 中国移动将电话客服语音转化为文本数据，同步采集在线客服聊天记录[1] - 京东"京小智"对接商城订单系统获取客户购买历史等信息[1] - 企业通过语音评价、在线问卷等多渠道收集客户主观反馈[1] 数据标准化与洞察提炼 - 京东将客户咨询数据划分为多个细分标签，通过机器学习算法自动归类[2] - 招商银行发现"理财产品赎回到账时间"咨询占比高，优化知识库以可视化时间轴呈现答案[2] - 京东基于用户浏览记录训练商品咨询意图预测模型，自动前置相关信息缩短咨询时长[2] - 京东通过数据分析优化售后退换货流程，显著提升流程完成率[2] 智能服务中台建设 - 数据中台集中存储各类数据确保一致性[3] - AI能力中台封装通用AI模块支持业务场景快速调用[3] - 知识中台建立动态更新机制持续优化知识库[3] - 招商银行将金融领域语义解析算法封装为API供不同业务线调用[3] 人机协同与持续优化 - 中国移动将简单业务完全交由AI办理，占比达客服总量68%[5] - 招商银行AI在处理跨境汇款限额咨询时自动推送相关政策及操作指南[5] - 京东发现奢侈品退换货咨询时人工客服转化率更高，设置自动转接人工规则[5] - 京东通过分析退换货对话数据提炼客户情绪关键词与解决方案优先级映射关系，显著降低投诉率[5] 数据治理与业务融合 - 京东成立"智能客服专项组"实现客服部门、技术团队和数据分析部门协同[8] - 招商银行将反洗钱规则转化为AI客服对话限制条件提升金融风控能力[8] - 京东将商品关联规则嵌入AI客服回复逻辑提升关联销售转化率[8] - 企业通过大语言模型实现自动化洞察生成、自主优化建议和服务策略预测[8]

《政务数据共享条例》的定位与价值 - 《条例》是加快公共数据资源开发利用和提升政府数字化治理能力的关键举措 标志着政务数据共享工作进入法治化新阶段 [1][2] - 《条例》共8章44条 对政务数据共享管理体制 目录管理 共享使用 平台支撑 保障措施进行全面部署 是我国数据治理体系建设的里程碑式制度 [1] - 《条例》首次以行政法规形式确立"全国一体化政务大数据体系" 将现有数据平台纳入统一框架保障互联互通 通过优化目录管理和厘清权责链条打破数据孤岛 [2] 政务数据共享的实施预期与影响 - 《条例》将协调推进跨层级 跨地域 跨系统 跨部门 跨业务的政务数据安全有序共享 推动各层级各地域各部门数据互联互通 打破数据烟囱和信息孤岛 [3] - 《条例》以"谁管理谁负责 谁使用谁负责"原则厘清权责链条 确保数据共享时风险可控权责明确 解除供给方对数据安全顾虑 激活数据要素潜能 [3] - 在数字政府建设背景下 《条例》推动政府从经验治理走向数据治理 基于数据开展智能分析和精准研判 提升政策科学性与应变能力 [4] 政务数据共享面临的挑战与优化重点 - 当前存在政务数据平台多头建设重复建设问题 数据割裂标准不一影响平台效能 《条例》要求整合构建标准统一布局合理管理协同安全可靠的全国一体化体系 [5] - 需分阶段分步骤建立中央-省-市-县-乡五级贯通数据体系 整合各级各类数据资源 避免重复投资与信息壁垒 实现全域覆盖全量接入 [5][6] - 中央层面需出台统一技术标准数据接口规范安全管理办法 地方政府加强与国家平台对接 保持数据技术和共享策略统一 [5] 强化制度与技术联动保障数据安全 - 必须落实数据分类分级管理制度 完善政务信息采集范围与限制 严厉打击数据超范围使用和隐私泄露等滥用行为 [7] - 需建立健全授权使用机制 明确各环节安全责任主体 实现最小可用按需调用 遵循谁申请谁使用谁负责原则 [8] - 通过数据沙箱区块链存证实时审计等技术提供全链路防护 明确数据使用范围用途与期限 设置访问权限控制和调用审批机制 [8]

金融科技发展概况 - 银行业数字化转型进入深水期，中小银行依赖第三方合作，人工智能应用场景扩展到风险管理等领域，信创是未来3-5年主要领域，2024年国有六大行科技投入中邮储银行增速9.03%最高，交通银行IT/营收占比5.41%最高 [12][13] - 保险业数字化转型聚焦核心业务系统改造，向"小核心、大外围"架构发展，部分公司进行IFRS17新会计准则系统适配，贴近市场需求为新能源车主提供保险产品 [14] - 2024年中国金融科技市场规模3949.6亿元，增速9.7%，银行科技占比73%，预计2025年起以13.3%复合增长率增长，京沪深为第一梯队，广东、上海、北京金融科技企业数量前三 [17][19] - 新兴市场如东南亚、拉美对移动支付需求大，中国技术成本较欧美低30%以上，香港虚拟资产交易中心建设等为出海提供途径，中资制造业企业出海推动跨境支付需求 [27][28][29] 金融科技前沿和趋势 - 2024年全球人工智能市场规模170亿元，中国生成式AI市场规模45.9亿元，大模型逐步取代传统算法，AI Agent向核心业务渗透，金融机构需完善AI治理体系 [37][38][42] - 2024年全球区块链市场规模逼近4000亿元，中国达39.94亿元，央行数字货币在跨境支付等场景应用，香港《稳定币条例》出台推动区块链发展 [44][46][48] - 2024年中国云计算市场规模超8378亿元，金融云市场规模逾187亿元，金融机构加速上云，构建"云智一体"技术底座，IDC预测2026年90%金融机构将采用多云战略 [50][52][59] - 2024年中国量子通信市场规模约892亿元，量子技术在金融分析、加密等领域应用，预计2030年量子加密技术融入央行数字货币系统 [35] - 2024年中国大数据产业规模7320亿元，数据资产入表市场前景广阔，金融机构向"数据驱动"转型 [35] 中国金融科技竞争力评价与TOP100企业 - TOP100企业分为综合服务与技术平台、垂直领域创新、前沿技术应用三类，北京41家领先，前五大区域占比超八成，45家企业已出海，海外收入增长20% [4] 典型案例 - 博彦科技展示全球化服务，马上消费金融的"爱马平台"应用于反欺诈等领域 [5]

2025汉诺威工业博览会十大工业技术趋势 核心观点 - 工业技术趋势呈现AI、边缘计算、数据治理与可持续性深度融合的特征，推动行业向智能化、自动化与绿色发展转型 [1][14] 分项技术趋势 生成式AI工业应用 - 生成式AI已成为工业软件标配功能，主要应用于代码编写简化、数据分析和用户支持的聊天机器人场景 [4] - 几乎所有头部工业软件公司都展示了集成GenAI能力的应用方案 [4] 代理型AI发展现状 - 代理型AI仍处于早期阶段，当前演示多局限于简单自动化任务如数据检索和工作流执行 [5] - 大型云服务商和软件厂商重点宣传代理能力，但尚未实现真正的自主行为 [5] 边缘计算转型 - 工业边缘计算从硬件设备向集成AI软件栈演进，实现操作型AI本地化运行 [6] - 新一代边缘AI堆栈包含模型训练、部署、推理和MLOps工具，完成工业环境下的AI生命周期闭环 [6] DataOps平台演进 - DataOps平台从数据集成向工业AI使能者升级，成为展会访问量最高展区之一 [7] - 数据治理成为平台标准功能，支持GDPR合规、数据血缘追踪等需求 [7] 数字主线技术 - 融合AI的数字主线打通产品全生命周期数据流，实现设计-制造-服务全流程协同 [8] 预测性维护革新 - PdM从纯软件转向集成专用传感器的软硬一体方案，竞争焦点转向传感器质量与系统兼容性 [9] - 应用范围扩展至螺栓、润滑系统等传统忽视的资产类别 [9] 专用5G发展 - 专用5G在美亚地区采用率提升，但受限于基础设施适配、行业设备开发和频谱监管等集成难题 [10] AI赋能可持续性 - AI升级碳排放管理系统，优化能源消耗预测并简化ESG合规报告流程 [11][12] 机器人交互创新 - 认知AI与语音交互成为机器人技术新方向，通过语音命令降低非专业用户使用门槛 [13] 数字孪生进化 - 数字孪生从虚拟镜像发展为实时决策助手，应用于运营、培训和质量控制场景 [14]