我们持续关注的议题
围绕关键议题，了解我们对技术方法、产业问题与实践路径的思考。
动态本体（Dynamic Ontology）
研究业务对象、关系与规则如何随真实场景持续演化。
大数学逻辑模型（LMLMs）
关注数学逻辑、复杂推理，破解大模型幻觉。
Token 工厂
将GPU硬件转化为标准化、可计量、可定价的Token生产能力。
三人计划（TPI）
自然人、数字人、机器人在数智保险领域的协同。
企业全息画像
围绕企业多维数据、关系与业务状态形成整体认知。
高质量数据集
关注数据质量、治理机制与模型及场景的适配关系。
产业 AI
研究智能能力如何进入真实产业系统并持续创造价值。
AI 基础设施
关注支撑模型训练、推理及产业应用的基础能力体系。
动态本体（Dynamic Ontology）
让业务知识不再停留于静态描述，而能够随着现实业务持续更新。
是什么
动态本体（Dynamic Ontology）是一种能够随业务环境、数据变化和知识演进持续更新的知识组织方式。它围绕业务中的实体、关系与规则建立可演化的结构，帮助系统理解业务概念及其关联，并为进一步的分析与应用提供基础。
为什么值得关注
真实业务始终处于变化之中。客户关系、业务规则、产品和流程会不断调整。相较于只记录静态信息的方式，能够持续组织并更新业务知识，有助于减少信息割裂，使模型及业务系统更准确地理解变化中的场景。
如何进入业务
围绕业务知识组织、持续更新和智能应用三个方向，形成从数据到业务理解的连接。
业务知识组织
识别业务中的对象、属性、关系和规则，形成便于复用的知识结构。
动态更新与感知
随业务状态和数据变化，更新知识关系与业务语义。
智能推理与应用
在业务分析与智能决策过程中，为系统提供结构化知识支撑。
富德数智的实践
德真动态本体平台将业务对象、规则关系、流程逻辑与场景知识组织为可理解的业务网络；在德明灯等应用中，多源信息进一步形成主体关系与研判基础，支撑企业认知和风险分析。
相关内容
大数学逻辑模型（LMLMs）
将语义理解、逻辑建模与场景知识连接起来，支持复杂业务问题的分析。
是什么
大数学逻辑模型（Large Mathematical Logic Models，简称LMLMs）是富德数智的原创框架。它关注模型能力与数学、逻辑和业务规则的融合。在语言理解的基础上，通过结构化知识、特征提取和逻辑推演，表达业务对象之间的关联与约束。
为什么值得关注
以数学逻辑破解大模型幻觉。产业问题往往包含明确的事实边界、判断标准与传导关系。流畅的回答需要进一步转化为有依据的分析，模型也需要结合行业知识，理解不同数据与风险信号之间的联系。
如何进入业务
从具体业务问题出发，组织数据、规则与评估逻辑，使模型输出能够回到可检查的业务依据。
组织知识
将业务对象、属性、关系与规则纳入统一框架。
建立逻辑
结合场景特征，开展结构化分析与关系推演。
形成判断
在明确的业务目标下输出分析与专业报告。
富德数智的实践
在“德明灯”产品的研发中，富德数智（FundeAI）实现了从大语言模型（LLMs）到大数学逻辑模型（LMLMs）的创新框架。基于人工智能（AI）的飞速发展的缩放定律（scaling law）作为工作展开的出发点；基于随机抽样的吉布斯（Gibbs）算法的玻尔兹曼机问题的解决，实现从确定性到随机性的范式转变；建立了针对金融场景（行业）风险特征提取的创新理论与实践结合的方法。
相关内容
Token 工厂
把算力资源转化为可计量、可调度、可持续交付的智能服务。
是什么
Token 工厂是一种面向模型推理与智能服务的算力组织方式。它连接硬件资源、模型运行、调度与服务接口，将底层计算能力转化为可计量的词元供给与服务能力。
为什么值得关注
产业应用关注的不只是可调用的算力规模，还包括响应速度、服务质量、使用成本与供给稳定性。词元供给需要与模型能力、数据质量及具体任务相匹配，才能转化为业务价值。
如何进入业务
围绕资源组织、服务运营与场景消纳，把分散资源连接为可以持续使用的服务。
资源组织
整合多元计算资源，为模型运行提供承载。
服务运营
通过调优、调度与计量，管理服务效率和成本。
场景消纳
对接产业应用需求，验证服务质量与交付效果。
富德数智的实践
富德数智基于集团产业生态，通过Token工厂将GPU硬件转化为标准化、可计量、可定价的Token生产能力，打通基础设施供给与Token消纳链条，实现“建算力、搭平台、保交付”。
相关内容
三人计划（TPI）
自然人、数字人、机器人在数智保险领域的协同。
是什么
三人计划（Three-Person Initiative，TPI）围绕自然人、数字人与机器人三类角色展开协作：自然人提供专业判断并承担服务责任，数字人提供知识处理、信息交互与任务支持，机器人连接现场感知与执行，共同组织面向业务的服务能力。
为什么值得关注
专业服务既需要人的经验、信任与判断，也需要持续连接与及时响应。明确三类角色的分工、知识依据和责任边界，有助于将智能工具融入服务流程，并保持专业人员对关键环节的把握。
如何进入业务
以真实服务任务为起点，梳理角色分工、知识支撑和反馈机制，逐步形成协同流程。
专业判断
由自然人负责关键沟通、专业判断和服务责任。
数字协同
由数字人提供知识检索、信息交互与任务辅助。
现场连接
由机器人连接现场感知与执行，配合人的服务流程。
实践方向
富德数智（FundeAI）“德誉”，将业务知识、服务规则和角色分工组织起来，使自然人、数字人与机器人能够在明确边界内协作。
相关内容
企业全息画像
先建立对企业的完整认知，再形成不同金融场景下的专业判断。
是什么
企业全息画像围绕企业主体，将基本信息、股权结构、财务经营、司法风险、舆情动态和关联网络等多维信息统一组织起来，形成结构化、可关联的企业认知基础。
为什么值得关注
单一指标难以完整解释一家企业。财务、经营与外部关系需要放在同一业务语境中观察；不同金融场景还需要在共同事实基础上，调用各自关注的数据维度与分析逻辑。
如何进入业务
以统一的企业认知底座，支撑尽调、股票和固收等场景的差异化分析。
整合信息
关联多源企业信息，建立一致的主体认知。
理解关系
结合企业特征与关联网络，识别风险线索。
适配场景
面向投研、股票与固收调用不同分析逻辑。
富德数智的实践
德明灯之子平台“德图”以企业全息画像为起点，开展财务分析、关系识别、风险线索发现，并以“1＋4”产品体系连接德研、德股、德固，让统一认知服务不同金融问题。
相关内容
高质量数据集
让业务数据具备可理解、可调用、可验证和持续优化的基础。
是什么
面向产业 AI 的高质量数据集，不只是原始记录的汇总。它需要结合具体场景，统一数据口径与业务语义，组织对象、关系和规则，沉淀适合模型与业务系统使用的数据资源。
为什么值得关注
数据数量并不直接代表可用程度。来源分散、语义不一或缺少业务关联，都会影响模型理解和应用效果。数据质量需要同时接受治理要求、模型适配和真实业务的检验。
如何进入业务
沿着源数据、特征数据、场景数据的路径，持续加工数据，并将应用反馈带回数据建设过程。
数据汇聚
打通多源异构信息，统一业务对象与口径。
能力沉淀
结合动态本体与算法，开展特征提取和关系组织。
场景验证
在具体任务中调用、验证并持续优化数据。
富德数智的实践
富德数智通过“德真”组织业务语义与规则关系，结合集团多元化产业场景，将数据与流程、策略及判断逻辑结合，建构高质量数据集工作，推动数据从静态记录走向可复用的业务能力。
相关内容
产业 AI
让模型理解行业知识与业务规则，在真实流程中形成可验证的价值。
是什么
产业 AI 将模型能力与行业知识、场景数据、业务流程及责任边界结合起来。它关注智能能力如何进入生产与经营系统，并在实际运行中持续得到验证和改进。
为什么值得关注
产业现场的问题具有明确的对象、关系、流程与规则。通用模型提供能力基础，行业知识、数据组织与业务机制决定这些能力能否可靠地服务具体任务。
如何进入业务
从业务目标出发，形成数据、知识、模型、应用与反馈相互连接的建设路径。
明确场景
界定业务任务、效果目标与责任边界。
组织知识
将行业经验、规则与场景数据转化为模型可用的基础。
持续验证
把模型接入流程，通过业务反馈完善系统能力。
富德数智的实践
富德数智围绕“动态本体＋AI”建设产业智能体系，以算力、算法、数据、安全四项能力相互支撑，面向银行保险、信托投资、健康、AI基建、不动产与物业、矿产能源、文化等产业场景，连接行业知识和业务场景，构建产业AI。
相关内容
AI 基础设施
以系统效率连接算力、模型、数据与安全，支撑产业应用的持续运行。
是什么
AI 基础设施是支撑模型训练、推理与产业应用的一组基础能力。除计算、网络和存储资源外，还涉及统一调度、模型服务、数据治理、安全防护与运行保障。
为什么值得关注
企业使用 AI 时，关注任务能否稳定完成、响应是否及时、成本是否可控。基础设施的价值需要由资源利用率、交付效率、供给稳定性和安全可靠水平共同体现。
如何进入业务
从多元资源到服务化组织，再到产业场景交付，把底层能力转化为业务可调用的服务。
资源供给
组织多元、可适配的计算资源。
统一调度
连接任务分发、服务计量与模型运行。
产业交付
结合行业知识、数据与安全要求支撑应用。
富德数智的实践
富德数智以“四梁”协同建设产业 AI 基础能力。“德熵”整合多元算力资源，通过统一管理与智能调度，为大模型训练、推理及产业应用提供稳定、高效的算力支撑；德智、德真等平台进一步连接模型与业务。
相关内容
持续研究，持续实践。
围绕产业数智化中的重要问题，不断完善我们的认知与能力。