论坛主题与核心观点 - 论坛主题为"AI时代下的未来范式"，由上海交通大学上海高级金融学院和上海交通大学人工智能学院联合主办 [1] - 当前处于以数据驱动为核心、以大模型为代表的新一轮AI发展浪潮 [1] - 中国AI发展关键在于突破先进算力和底层技术瓶颈，探索适合国情的发展路径 [1] AI技术发展趋势 - 大模型应用架构将沿"公域AI SaaS化"和"私域AI中台化"两大方向演进 [1] - 金融从业者需聚焦"最后一公里"，发展垂域能力以区别于通用AI [1] AI创业与投资趋势 - 中国公司出海及全球化产品开发成为新趋势 [1] - AI创业者年龄显著年轻化，传统工作经验重要性下降 [1] - 市场关注点从模型技术壁垒转向应用场景探索 [1] 人才培养计划 - 上海高级金融学院启动"科技强国人才培养专项计划" [2] - 计划面向新兴战略产业和科创企业的实际控制人、联合创始人或主要股东 [2] - 采用"产学研"协同培养模式，助力科创企业快速发展 [2]

在全球碳中和进程加速推进、企业碳管理需求从合规性向价值创造升级的转型阶段，人工智能技术正重 塑着碳管理行业。 "当前碳管理的核心矛盾，在于效率提升与深度管理的失衡。"近日，在2025GCMC.中国碳管理论坛 上，碳阻迹创始人兼CEO晏路辉对21世纪经济报道记者指出。 总体来看，晏路辉将碳管理划分为"上下半场"。上半场合规性工作可被AI替代，下半场则聚焦范围3碳 排放管理、供应链碳管理、高质量碳信用等复杂领域。 根据《温室气体核算体系》(GHG Protocol)，范围三排放包括价值链中不受公司直接控制的间接排放， 共分为15个类别。据晏路辉介绍，商务旅行、员工通勤等简单场景已可通过AI统计碳数据，但融资等 类别因碳管理规则不明，仍需人力探索。 碳管理下半场，企业该做好怎样的准备？ "企业可通过购买碳信用抵消范围3碳排放，但需遵循SBTi等标准，而标准存在动态调整(如部分领域从 允许到不允许的反复)。"晏路辉对记者表示，对于高质量碳信用，其核心指标包括长久性，如碳汇需长 期稳定，避免"今年种树次年被毁"的无效信用；动态发展的额外性，如新能源项目碳信用的额外性认可 度已下降，以及对碳移除技术的关注。 晏路辉强调， ...

数据分析工具ChatBI在零售消费行业的应用 - ChatBI是基于大模型的对话式商业智能工具，可将口语化提问转化为数据查询和分析指令，实现"对话即分析"的智能决策支持 [2] - 该工具解决了零售消费行业"数据用不起来"和"洞察做不出来"两大痛点，适用于门店运营、供应链优化、消费者洞察等多个场景 [2] - 实际案例显示，实体门店店长通过ChatBI可在几分钟内获取"昨日A店毛利低于目标的原因"的归因分析报告，替代原需数小时的数据提取与人工比对 [3] 企业上线ChatBI前的评估标准 - 企业需从数据、业务、组织和ROI四个维度评估数据分析成熟度，判断是否适合上线ChatBI [4] - 数据层面要求核心数据已完成中台集成，关键指标统一口径，数据缺失率和重复率可控 [5] - 业务层面需识别"频次高、跨部门、维度多"的灵活取数场景，如销售分析、活动评估等 [5] - ROI建议投入不超过年均分析师成本的50%，并优先验证能提效或挖掘增量价值的场景 [5] - 评分模型建议：80分以上可直接推进，60-79分建议小规模试点，40分以下需先夯实基础 [5] ChatBI项目实施路径 - 采用"统一规划、试点先行、逐步推广"的落地思路，乳品企业案例显示从需求梳理到上线仅需两周 [6] - 需配齐五类关键团队角色：项目负责人、数据工程师、业务分析师、AI训练师和IT工程师 [8] - 推广阶段建议通过"部门内种子用户"带动团队使用，结合问数大赛、搜索排行榜等运营方式提升活跃度 [9] 项目实施中的挑战与解决方案 - 数据问题可通过构建数据中台、统一语义层、优先接入高质量系统数据解决 [10] - 业务接受度低问题可通过RICE评分模型筛选场景，控制预期并聚焦核心需求 [10] - 安全问题可通过私有化部署、字段级权限和加密策略实现数据"可用不可见" [10] - 组织认知是关键挑战，需上层推动与下层自发反馈结合，避免数据仅被视为分析师职责 [12] ChatBI的成功标志与价值 - 成功标志包括提问量增加、业务自助建报表、扩展新场景以及主动提出新指标需求 [12] - 零售客户案例显示，一名业务用户一个月内自助搭建200张看板，跨部门沟通效率提升40% [13] - ChatBI不仅是工具替换，更是组织重新理解数据价值和调整使用方式的过程 [13]

公司概况 - 泓阳团队专注于数据驱动的策略模型与智能风险管理系统，在体育数据处理与区块链资产管理等前沿领域拓展业务 [1] - 团队由金融、科技、数据建模和运营管理领域的专业人士组成，擅长高频市场判断与跨平台操作 [3] - 过去五年已在多个体育数据平台与区块链网络部署模型系统，会员数量与技术管理规模稳步上升 [3] 核心技术优势 - 将量化建模与交易机制深度融合，开发多套自主策略引擎和实时数据系统，精准捕捉平台间短期价差实现低风险对冲 [3] - 2017年搭建风险隔离机制与动态资源配置策略，在市场波动期间实现资产保值并取得超2500万元稳定回报 [4] - 与多家专业技术研究团队建立协作，通过策略共建与风险同步响应机制提升资源配置效率 [4] 业务聚焦领域 - 重点布局体育数据与区块链平台协同发展，构建概率模型挖掘体育场景信息差，实时分析区块链资产动态与节点分布 [4] - 区别于传统模型团队侧重证券/外汇领域，该方向被视为算法挑战与方向突破 [4] 社会责任实践 - 2017年以来累计捐赠超1000万元，覆盖教育、环保、救灾等领域 [4][5] - 具体项目包括中华环境保护基金会、九寨沟/鲁甸/泸州地震灾区、郑州水灾等捐助，并持续改善乡村学校基础设施 [5] 未来发展规划 - 推进策略系统全球区域平台适配，研发下一代自动化交易引擎以提升系统性/安全性/效率 [7] - 目标构建透明、有韧性、可持续的科技金融组织，强调长期稳健而非博弈速度 [7]

自动驾驶技术发展现状 - 当前自动驾驶系统发展滞后于预期，面临"黑盒模型"不可解释性与泛化能力不足的难题，难以突破L3向L4/L5发展的瓶颈 [1] - 传统"数据喂养"模式无法满足复杂场景需求，系统在极端复杂交通情境下易陷入安全瓶颈 [1][2] - 低等级智能汽车市场渗透率高但高等级自动驾驶在长尾场景下事故频发，安全技术仍需突破 [2] 技术路线局限性分析 - 规则驱动路线结构清晰但适应场景有限，难以满足L4+级自动驾驶对泛化能力的要求 [3][4] - 数据驱动路线存在三大短板：决策过程黑箱化、依赖训练数据分布、模型推理速度慢 [3] - 现有技术路线均无法解决复杂场景下的适应性（规则驱动）与可解释性（数据驱动）矛盾 [4] 认知驱动新范式 - 提出"自主学习+先验知识"融合方案：大模型增强环境理解+人类知识反馈机制提升长尾场景安全性 [1] - 认知驱动融合规则驱动的可解释性与数据驱动的学习能力，实现系统"去黑箱化"和进化能力 [5] - 技术架构包含三层：规则与数据融合的感知层、统一风险评估的认知层、知识数据融合的决策层 [6] 技术演进趋势 - 1.0阶段规则驱动稳定性高但灵活性差 2.0阶段数据驱动自主性强但安全性弱 3.0阶段认知驱动实现泛化与安全平衡 [7] - 未来将构建"三纵三横"技术架构：纵向覆盖车辆/信息/基础技术，横向依托车载/交通/安全平台 [8] - 终极目标是实现"类脑认知架构"，使智能汽车具备人类驾驶的认知、推理与持续学习能力 [9] 核心突破方向 - 环境感知采用"规则+数据"双路径融合，物理属性与语义理解并重 [6] - 风险认知通过"统一场"建模预测人-车-路行为动态演化规律 [6] - 决策机制结合人类直觉推理与大模型实时理解能力 [6][7]

公司战略与AI应用 - 中国一汽提出企业运营智能概念EOA(Enterprise Operation Al Agent)，旨在通过大模型实时推演与优化业务单元，打破"流程治理"困局 [3] - EOA实现战略指标直连车间传感数据，打通跨部门数据链，融合历史与未来数据预演业务趋势，使企业具备"自进化"能力 [3] - 公司从传统"流程治理"转向"数据驱动、智能自治、持续进化"的新管理模式 [4] 行业大模型开发 - 中国一汽开发汽车行业专属大模型，深度理解行业知识、业务流程和专有数据，驱动研发、生产、营销、服务的智能化跃迁 [4] - 大模型应用案例：研发部门在设计过程中完成制造端技术内容实时验证，取消中间环节，数据直达生产，形成闭环优化 [3] 未来工作形态 - 在AI+背景下，企业员工角色将转变为智能体运营者、数据挖掘者和模型构建者，而非流程执行者 [1] - 数字员工和机器人将替代传统作业层面工作，员工聚焦业务优化与智能体操控 [1]

本报讯 （记者刘钊）7月15日，在吉林长春举行的2025新能源智能汽车新质发展论坛上，清华大学车辆与运载学院院长王 建强教授发表题为《智行天下，安驶未来——智能汽车安全技术发展现状与趋势》的主题演讲，深入剖析智能汽车安全技术的 现状、挑战及未来方向，提出以认知驱动为核心的技术创新路线，为高等级自动驾驶落地提供新思路。 他解释，车辆故障、复杂环境扰动等不可控因素始终存在，需依靠"感知–认知–决策"全链路技术体系保障安全。但当前技 术仍存局限：特斯拉事故暴露感知系统误检问题，Waymo事故反映对潜在风险认知不足，Uber事故则源于决策误判，这些案例 均显示智能汽车在处理突发、复杂场景时的技术短板。 同时，王建强分析了当前主流技术路线的短板。规则驱动通过预设规则实现决策，结构清晰、可解释性强，但依赖固定规 则，难以适应开放场景，无法满足L4级及以上自动驾驶需求。数据驱动具备自主学习和场景泛化能力，却存在"黑箱"决策、依 赖训练数据、推理速度慢等问题，在极端场景下安全保障能力不足。 认知驱动成破局关键 技术演进指向类人认知 "人类驾驶不依赖海量数据，而是基于知识、经验和常识判断。"王建强受此启发，提出认知驱动作为第三 ...

证监会补充材料要求 - 中国证监会对10家企业出具补充材料要求 其中包括科拓股份 [1] - 要求补充说明《增值电信业务经营许可证》的实际用途及注销进展 评估是否对业务经营构成重大不利影响 [1] - 要求说明控股股东认定不一致的原因及标准 并就控股股东认定出具明确结论性意见 [1] - 要求说明广告相关业务的实际开展情况 资质许可及合规性 [1] - 要求说明经营范围是否涉及外商投资限制或禁止领域 是否符合外资准入政策 [2] - 要求说明股权激励计划授予价格公允性 离职激励对象持有份额的合规性及潜在纠纷 [2] - 要求详细披露本次发行上市具体方案 包括股票种类、面值、发行股数、募集资金量及股权结构变化 [2] - 要求说明APP等产品开发运营情况 涉及个人信息收集使用的规模及数据使用情况 [2] - 要求说明拟参与"全流通"股东所持股份是否存在质押、冻结等权利瑕疵 [2] 公司业务及行业地位 - 科拓股份是中国智慧停车空间运营行业的领导者及先行者 以人工智能和数据驱动为核心 [3] - 公司成立于2006年 已发展成为集数智化解决方案、管理及经营为一体的综合性停车产业集团 [3] - 公司是中国智慧停车空间运营行业最早实现硬件—算法—平台—生态全栈式自主可控的企业之一 [3] - 按2024年收入计算 公司在中国智慧停车空间运营行业排名第二 [3]

系统性变革战略 - 聚焦"移动优先、产品牵引、数据驱动"三大方向，围绕四项变革目标：建立用户中心评价机制、移动优先生产传播体系、产品牵引组织模式、数据驱动技术生态 [1] - 建设数字化、网络化、智能化的新型主流媒体，目标成为财经领域标杆 [1] 用户定位与产品布局 - 明确四大目标用户：新闻内容用户、投资资讯用户、财经数据用户、在地生活用户 [3] - 首批推出28款产品，融合集团旗下媒体优势（21世纪经济报道深度、广东经视视频基因、股市广播速度） [3] - 21财经客户端改版重点建设六大频道（学习经济/经视频/投资/金融/公司/大湾区），强化六大类报道（宏观经济/区域经济/微观经济/国际财经/财经快讯/经济调查） [3] - 未来3年目标：通过高质量产品连接亿级用户，打造"中国财经第一端" [5] 产品矩阵细分 - 国际传播：培育"全球财经连线""中国城市观"等系列，构建全球经济观察体系，强化"G"品牌 [6] - 个人用户：优化"金大师""金大侠"等投顾产品，拓展付费用户群 [6] - 机构用户：升级"智股通""资讯通"等金融终端产品 [6] - 在地生活：运营"岭南大医生""品粤记"等服务类产品 [6] 技术赋能与AI应用 - 21财经客户端升级AI能力：21GPT财经问答助手、AI小结/翻译/语音功能 [3] - 开发南方财经AI智能体与语料库，打通新闻与金融数据链条，实现"业务数据化、数据业务化" [22] 视觉与品牌升级 - 确立"南财金"（权威感）、"21世纪绿"（活力感）主视觉，客户端采用科技蓝+红色基因配色 [9][10] - 重构UI交互设计，优化快讯呈现形式，国际传播品牌"G"融合岭南传统建筑元素 [11] - 打造财经短视频高地，探索微短剧，统一短视频IP矩阵视觉风格 [12] 组织与人才机制 - 建立"集团—媒体—产品工作室"三级架构，组建学习经济/科技奇点/风云粤商等工作室 [13] - 推行协议薪酬机制，设置"薪酬包"，探索合作分成、类股权激励模式 [16] - 培育多元化新闻网红，覆盖评论员、全能主播、驻外记者、投资达人等角色 [20] 生态共建计划 - 启动"用户伙伴计划"，与个人用户共建内容生态，与机构用户共建数据/技术生态 [19] - 链接3000+南财号资源，联合金融机构实现数据共享与双向导流 [21] - 与高校/科研院所/头部企业合作共建南方财经科技实验室 [22]

数据驱动服务智能化的底层逻辑 - 数据量级与维度决定服务智能化的精度与深度 通过分析每日数百万条客户对话数据优化语音识别模型 基于数千万次咨询记录迭代对话流程 借助数亿用户交互数据完善全渠道服务[1] - 非结构化数据与结构化数据融合分析可捕捉用户真实需求与系统运行瓶颈 构建数据收集-洞察提炼-服务优化闭环体系[1] 多维度数据收集体系搭建策略 - 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 实时转录客户语音并提取关键词 中国移动形成日均百万级交互数据集[3] - 业务数据深度整合打通客服系统与核心业务数据库 京东京小智对接商城订单系统获取客户购买历史与退换货记录[3] - 反馈数据多源聚合通过语音评价和在线问卷收集主观反馈 招商银行每日回收超10万条有效反馈[3] 数据标准化处理机制 - 建立统一数据标签体系 京东将客户咨询数据划分为128个细分标签 通过机器学习算法自动归类[3] - 数据标签预警机制实现服务数据到业务决策传导 当特定标签咨询量一周内激增30%时自动触发供应链预警[4] 数据洞察提炼方法论 - 基于高频问题痛点定位 招商银行发现理财产品赎回到账时间咨询占比18%且37%客户对AI回复不理解 据此优化知识库[6] - 中国移动分析发现方言地区流量套餐办理咨询转化率低22% 方言发音识别错误率高达41% 通过补充语料库使识别准确率提升至92%[6] - 通过行为数据预测服务需求 京东基于浏览记录和搜索关键词训练商品咨询意图预测模型 使咨询时长缩短40秒/次[5] - 中国移动通过分析用户话费消费模式提前72小时推送流量升级提醒 使主动服务转化率提升35%[5] 服务流程量化诊断与优化 - 建立服务质量评估指标体系 京东京小智将售后退换货流程拆解为4个环节 发现证据上传环节跳出率达27% 优化后流程完成率提升至91%[7] - 招商银行设置情绪阈值与问题复杂度双维度转接规则 当客户语音分贝超过80且连续三次追问找人工时自动优先转接 使紧急问题处理效率提升60%[7] 智能化服务体系构建路径 - 搭建智能服务中台整合数据处理与AI模型训练能力 中国移动接入18个业务系统数据实现全量数据整合[9] - 招商银行将金融领域语义解析算法封装为API 支持不同业务线调用专业术语理解能力[9] - 京东设置知识老化预警机制 当知识点咨询满意度连续两周低于70%时自动触发审核 2023年更新商品知识32万条使答案准确率提升至96%[9] 人机协同机制设计 - AI优先处理标准化问题 中国移动将137类简单业务完全交由AI自动化办理 占比达客服总量68%[9] - 人机协作处理中等复杂度问题 招商银行AI根据客户国籍和汇款金额自动推送政策指南 使人工响应时间缩短50%[9] - 人工主导高价值场景 京东发现奢侈品退换货咨询中人工客服转化率比AI高42% 设置奢侈品订单自动转接人工规则[9][10] 持续迭代优化闭环 - 实时监测服务质量指标 中国移动监控系统每15分钟生成数据简报 当方言识别率波动超过5%时自动触发预警[13] - 进行A/B测试验证优化方案 招商银行对10%用户推送新挂失流程 使挂失耗时从3分20秒缩短至1分45秒且客户满意度提升18个百分点[13] - 知识沉淀优化数据模型 京东京小智分析1.2亿次退换货对话提炼客户情绪关键词与解决方案优先级映射关系 使投诉率降低25%[13] 数据治理能力建设 - 质量把控通过数据清洗规则提升数据有效率 招商银行使客服交互数据有效率从76%提升至94%[13] - 安全合规运用隐私计算技术 某股份制银行通过联邦学习使贷款资质评估准确率提升至91%且不泄露客户征信数据[13] 跨部门协同与算法业务耦合 - 京东成立智能客服专项组实现客服、技术与数据部门深度协同 2023年快速迭代功能47次使复杂问题解决率提升33%[14] - 将行业知识融入数据模型 招商银行将反洗钱规则转化为AI对话限制条件 京东将商品关联规则嵌入AI回复逻辑使关联销售转化率提升29%[15] 未来智能化发展趋势 - 生成式AI技术实现自动化洞察生成 某保险企业运用GPT-4分析理赔咨询数据使洞察生成效率提升80%[15] - 中国移动AI客服优化系统能根据问题自动生成优化方案 京东测试服务策略模拟器预测不同AI配置对服务效率的影响[15]