另外，钢铁、煤炭、油气、有色金属等周期性板块全线下跌，安阳钢铁(600569)、包钢股份(600010)、 安泰集团跌超5%。(格隆汇) (责任编辑：宋政 HN002) 格隆汇7月31日｜A股三大指数涨跌不一，截至午盘收盘，沪指跌0.68%报3591.26点，深成指跌0.45%， 创业板指涨0.43%，北证50指数涨0.12%。沪深京三市成交额11578亿元，较上日放量556亿元，两市超 3400只个股下跌。 盘面上，辅助生殖概念涨幅居前，共同药业、利德曼(300289)20cm涨停，我国31省将辅助生殖技术纳入 医保；液冷服务器概念全线走强，思泉新材20CM涨停，英维克(002837)、淳中科技等涨停封板；CPO 概念股大涨，汇绿生态、剑桥科技(603083)涨停，中际旭创(300308)、新易盛(300502)均创历史新高；创 新药板块再度活跃，奥翔药业(603229)、康缘药业(600557)等涨停；AI智能体概念集体走强，易点天 下、用友网络(600588)、南兴股份(002757)涨停，百度搜索首页测试开放智能体应用入口。 【免责声明】本文仅代表作者本人观点，与和讯网无关。和讯网站对文中陈述、观点判 ...

行业动态 - AI智能体概念股表现强劲 南兴股份涨停 易点天下、立方控股、恒锋信息、普元信息、鼎捷数智等公司涨幅靠前 [1] - 百度搜索电脑端首页测试开放智能体应用入口 集成文心智能体平台、搜索开放平台接入的外部优质AI应用及部分百度自研应用 [1] - 智能体应用入口功能处于灰度测试阶段 预计将很快全量开放 [1]

核心市场走势 - A股主要指数普遍下跌 沪指跌0.92%至3582.28点 深成指跌0.63%至11132.07点 创业板指跌0.02%至2367.24点[1] - 港股低开低走 恒指跌1.38%至24830.61点 恒生科技指数跌1.06%至5432.60点[2][3] - 国债期货全线上涨 30年期主力合约涨0.53% 10年期主力合约涨0.13% 5年期主力合约涨0.06% 2年期主力合约涨0.02%[3][4] 商品期货表现 - 焦煤主力合约跌6.29%至1064.5元/吨 玻璃主力合约跌5.42%至1151元/吨[4][5] - 硅铁跌4.72% 碳酸锂跌4.66% 工业硅跌4.65% 纯碱跌4.35%[5] - 多晶硅跌3.77% 锰硅跌3.47% 焦炭跌2.70% 铁矿石跌1.63%[5] 板块及个股表现 - 算力硬件股强势拉升 源杰科技涨12.64% 剑桥科技涨停 联特科技涨8.57% 中际旭创涨6.53%[10][11] - 电路板板块跟涨 生益电子涨13.07% 方邦股份涨6.31% 沪电股份涨6.06% 东山精密涨5.01%[12] - 工业富联大涨逾6%创历史新高 成交金额超28亿元[13] - 创新药板块活跃 南新制药20CM涨停 共同药业涨19.99% 广生堂涨11.06% 汉商集团涨停[19][20] 重点公司动态 - 美团港股跌逾4%创两周新低 因Prosus减持40亿美元股份[15] - 石药集团与美国Madrigal达成授权协议 涉及GLP-1受体激动剂SYH2086 交易总价值最高达20.75亿美元[20] 行业涨跌情况 - 钢铁煤炭等周期股走低 安泰集团跌5.22% 晋控煤业跌4.98% 平煤股份跌4.69% 山西焦煤跌4.08%[9] - AI智能体概念走强 南兴股份涨停 易点天下 立方控股 恒锋信息等涨幅靠前[21]

核心观点 - AI是企业实现降本增效的关键方法论 通过自动化重复任务和优化运营 使企业领导者能够专注于战略决策 [1][2][3] 降本技巧 - 自动化重复性任务：AI处理数据录入、发票核验等工作 上海会计师事务所案例显示处理效率从30人/天审800张发票提升至系统2小时处理2000张发票 [4][5][6] - 优化运营与供应链：AI在智能库存管理、物流优化和预测性维护方面发挥作用 义乌小商品商家案例显示库存从30万把雨伞优化至18万把 节省仓储费用并应对降雨量减少40%的情况 [7][8] - 提升客户服务效率：AI客服处理基础查询 深圳连锁酒店案例显示人工客服时间占用减少60% 人力成本降低40% [9][10][11] - 优化人力资源：AI将招聘周期从28天缩短至7天 试用期离职率降低50% 通过简历筛选和岗位匹配提升效率 [12][13] 增效技巧 - 增强决策能力：AI分析3000条市场数据 包括竞争对手调价、社交媒体热度和原材料期货走势 提供精准战略洞察 [14][15] - 加速创新与研发：AI在药物发现中模拟分子结构 缩短研发周期 生成式AI辅助产品设计和市场趋势分析 [16][17] - 提升营销与销售效率：AI实现精准广告投放 案例显示转化率提高3倍 预算使用效率优化 [18][19][20][21][22] - 提高生产与制造效率：AI视觉系统提升质检效率50倍 优化生产线参数和AGV机器人路线 根据订单调整生产排期 [23][24] 实施建议 - 企业需要选择合适的AI智能体工具 包括产品卖点提炼、用户画像分析等10大智能体 实现从0到1的落地 [13][24] - AI改造是持续多年的工程 需要行业特定落地路径 混沌·AI院聚集2000+行业负责人推动项目实践 [26][27]

核心观点 - AI在企业中的应用本质是让机器处理重复性工作，人类专注于战略决策，形成"AI做水手，人做船长"的协作模式[2][36] - 通过8个技巧（4个降本+4个增效）实现从0到100的AI落地，核心目标是优化成本结构与提升运营效率[2][31][36] - AI改造是渐进过程，需结合行业特性选择切入点，混沌·AI院提供系统化实施路径与行业社群支持[39][41][42] 降本技巧 1 自动化重复性任务 - AI处理数据录入、发票核验等任务效率显著：上海会计师事务所案例显示人工30人/天审800张发票→AI系统2小时处理2000张，准确率更高[7] - 适用于基础客服查询、IT支持等场景，可释放60%人力处理复杂事务[6][9][13] 2 优化运营与供应链 - 义乌小商品贸易商通过AI分析天气与社交媒体数据，将雨伞备货量从30万把降至18万把，雨季降雨量减少40%后节省仓储成本[10] - AI在智能库存管理（SKU补货量精准建议）、物流路线优化（单次节省200升油）、预测性维护等方面消除不确定性[11] 3 提升客户服务效率 - 深圳连锁酒店用AI客服处理60%的常规咨询（如WiFi密码），人工客服专注复杂问题后人力成本降40%，响应速度提升[12][13] - AI具备方言处理与个性化记忆能力（如记录客户无烟房偏好），增强服务体验[13][14] 4 优化人力资源 - AI将招聘周期从28天缩短至7天，试用期离职率降低50%，通过简历水分识别、岗位需求匹配及离职倾向预测提升用人质量[15][16] 增效技巧 1 增强决策能力 - AI每日分析3000条市场数据（竞品调价、社交媒体热度、原材料期货等），将决策依据从直觉转向数据驱动，尤其适用于生产计划制定[21][22] - 可识别非结构化数据中的隐藏模式，为市场进入、产品开发等战略提供精准洞察[21] 2 加速创新与研发 - 药企通过AI模拟分子结构缩短研发周期，非药企可用生成式AI辅助产品设计优化与模拟测试[23] - AI快速分析专利、新闻等数据洞察行业趋势，指导新产品定位[24][25] 3 提升营销与销售效率 - AI标签系统实现精准投放（如针对25岁油皮女性推抗初老广告），200万预算下转化率提高3倍[26][27][28] - 实时追踪广告效果，识别未转化客户群体的问题症结[28][29] 4 提高生产与制造效率 - AI视觉检测效率达人工50倍以上，并能预判设备缺陷趋势[32] - 动态优化生产参数（温度/压力）、AGV机器人路径及排产计划，实现数据驱动的柔性制造[32] 实施资源 - 混沌·AI院提供10大智能体工具箱（含产品卖点提炼、用户画像分析等），限100套免费领取[3][17][32] - 社群含2000+行业实践者，覆盖绩效流程重塑、AI原生品开发等落地场景[39][40][41]

公司战略合作 - 公司正在争取成为某国内头部科技大厂在营销传播领域的战略合作伙伴并陪伴其全球化布局 [1] - 公司将通过自身及各营销细分领域的优秀子公司为该科技大厂提供全链路营销服务 [1] 技术研发进展 - 公司拟在Q3研发完成多智能体系统（MAS）基座并上线 [1] - 系统将整合文案、图片、视频、语音、数字人等多样化AI智能体 [1] - 公司正在研发支撑AI智能体高效协作的交互机制与动态工作流中台 [1]

虚拟实验室平台 - 斯坦福大学和陈-扎克伯格生物中心的研究团队开发了一个由AI智能体驱动的虚拟实验室平台，能够通过多学科协作解决复杂科学问题 [2][3] - 该平台包含"首席科学家智能体"、"专家智能体"（免疫学家、机器学习专家等）和"科学评论员智能体"，后者用于减少AI幻觉 [5][6] - 人类科学家只需提出科学问题，AI智能体团队可自主制定研究策略并执行虚拟实验 [5][6] 技术应用与成果 - 该平台在几天内自主设计出92种针对SARS-CoV-2突变株的新型纳米抗体，其中2种在实验室验证中显示有效结合刺突蛋白 [4][9] - AI智能体设计的计算流程兼具创新性和合理性，速度远超传统方法 [9][11] - 这是首次证明自主AI智能体能从头到尾解决挑战性科学研究，形成"AI驱动发现"的新范式 [11] 行业影响 - 该技术虽针对生物医学设计，但经修改后可扩展至更广泛科学领域 [11] - AI智能体作为合作者增强而非取代人类科学家，能快速生成大量候选方案供实验室测试 [11] - 研究发表于《Nature》期刊，标志着AI在科研方法论上的突破 [3][11]

生成式AI在保险行业的战略布局 - 中国太保制定新一代"人工智能+"战略规划，未来五年加大AI投入，目标成为保险行业AI应用领先者，重点领域包括客户经营、业务运营、投资管理、康养服务 [1] - 华为金融专家指出AI应用从价值提效转向生产价值创造，重塑业务流程 [1] - 行业普遍将生成式AI提上战略高度，年初deepseek的出现加速AI渗透 [1] AI智能体的技术演进与行业应用 - AI智能体（AI Agent）成为世界人工智能大会焦点，具备自主决策与执行能力，标志互联网进入智能体时代 [2] - 行业突破重点从知识问答转向数据分析与推理能力，多家企业试点内部超级办公智能体 [2] - 镁信健康构建AI Agent矩阵，覆盖"前端交互-中台决策-后端履约"全链路，如Xiaofu智能助手、ClaimMaster理赔审核智能体 [3] - 智能体核心特性包括决策自主性、长期迭代优化能力、数据驱动行为演进 [3] 保险领域AI技术深度渗透案例 **风控领域** - 暖哇科技发布"天鉴"智能风控产品，覆盖核保、理赔、调查全流程 [5] - 平安健康保险申请AI理赔处理专利，涉及人工智能技术 [5] - AI普遍应用于拦截骗保、缩短理赔时间，驱动理赔质效跃迁 [4] **销售领域** - 太保寿险智能客情助理使代理人触达率提升1.9倍 [5] - 水滴公司AI Agent具备多模态交互能力，单次语音对话达50分钟，响应时效2秒，效率超越初级服务人员 [6] **产险领域** - 太保产险慧眼·智远平台通过AI+遥感模型服务16省374区县，覆盖4,000万亩农作物，实现防灾减损与精准定损 [7] - AI应用于车险、农险等细分领域，重大灾害时期提供数据支撑 [7]

2025世界人工智能大会上，大模型、智能体毫无疑问是最热话题。当大模型和智能体走向规模化应用， 如何将它们的巨大潜能，真正转化为驱动产业升级的、可信的生产力？答案或在于，更垂直、更专业的 方向转变。 7月28日，在"智能体驱动产业变革"论坛上，蚂蚁数科正式发布金融推理大模型Agentar-Fin-R1，为金融 AI应用打造"可靠、可控、可优化"的智能中枢。这是国内首个专注金融推理的商业化大模型。在蚂蚁数 科看来，金融推理大模型是金融AI智能体发展的关键一步，它将推动金融行业向更智能、高效的方向 发展。 更先进的金融推理大模型呼之欲出。"一个好的垂直大模型，特别是推理能力很强的大模型，才能成为 一个智能体可控、可靠、可优化的智能中枢，没有这个东西就像机械设备没有关键的齿轮。"蚂蚁数科 CTO王维强调，推理大模型产生的推演能力、泛化能力、意图识别能力、结构化表达能力，是企业愿意 用新技术取代原有业务模式、创造增量价值的基础。 蚂蚁数科AI技术负责人章鹏也表示，推理大模型能解决通用大模型在金融领域的局限性。在与客户 （采购大模型产品的金融机构/企业）的接触实践中发现，客户需要知道模型的思考过程，需要可解释 的结果， ...

人工智能在金融行业的应用趋势 - 大模型和智能体成为2025世界人工智能大会最热话题，金融行业因其数字化程度高、数据密度大、应用场景丰富，成为AI率先落地的绝佳行业 [1][3] - 金融推理大模型是金融AI智能体发展的关键一步，将推动行业向更智能、高效方向发展，国内首个专注金融推理的商业化大模型Agentar-Fin-R1正式发布 [1][5] - AI智能体产业价值释放的关键在于从"水平通用"向"垂直专用"转变，需深入业务场景解决行业深层痛点而非浅层问题 [3][5] 金融推理大模型的核心价值 - 金融推理大模型作为智能体的核心智能引擎，需具备深度行业理解能力，解决现有通用大模型在金融专业知识、业务逻辑推理、安全合规等方面的局限性 [4][5] - 推理大模型提供推演能力、泛化能力、意图识别和结构化表达，是企业采用新技术取代原有模式的基础，其可解释性满足金融机构对模型思考过程的需求 [5][8] - 蚂蚁数科构建了覆盖6大类66小类金融场景的分类体系，基于千亿级金融语料和专家标注的长思维链机制，显著提升模型处理复杂任务的能力 [6] 金融推理大模型的技术实现路径 - 模型开发遵循三个"E"原则：高质量数据（Excellent data）、持续迭代（Evolving）、工程效率（Efficiency），数据需来自真实问题并经过金融专家校验 [6] - 采用两阶段加训模式：第一阶段大规模训练建立金融基础能力，第二阶段针对具体场景本地微调，并通过高频迭代机制持续优化模型表现 [7] - 通过训练与评测一体化联动，结合金融动态和市场变化完善任务体系，确保模型知识常新并贴合业务实际需求 [7][8] 金融AI的未来发展方向 - 金融推理大模型将推动智能体进入业务深水区，从解决70-80%问题向更高覆盖率演进，但需理性看待技术边界，避免在关键决策场景直接应用 [8][9] - 当前模型迭代以技术驱动为主，需先解决成本效率问题，未来市场因素将更主导，技术越过拐点后场景渗透将加速 [8][9] - 金融AI应用正从通用领域向业务场景深化过渡，推理大模型将成为这一进程的重要推动力 [8]