近两年,烟草行业部分单位围绕中心任务,结合实际,守正创新,开展了许多研究探索。比如,在财务大数据价值挖掘、会计共享中心建设、财务风险预警系统建设等方面做了大量卓有成效的工作。在这样的背景下,辽宁烟草策划建设了“智能风险体检预警系统”:
按照“网格化管理、模块化体检、单元化预警”的方式;基于财务核算、资金管理、资产管理、预算管理等系统数据;建立分层级、分业务模块、具体到指标单元的财务风险体检预警体系;通过数据抽取、数据清洗、数据分析、模型展示、智能预警等技术手段。实现对财务信息规范性、财务风险重点关注指标的定期检查与预警,旨在提升财务风险管控水平。
首先,辽宁烟草梳理出最为突出的三大数字化诉求:
1.财务工作问题亟需提前预警管理机制:财务管理服务于企业生产经营,涉及面广、专业性强,在实际工作中难免出现问题及缺陷。但如果发现相对滞后,很可能造成不利影响或产生经济损失。亟需达到事前发现风险、预警风险的管理目标。
2.大量财务数据沉积,未呈现其价值:辽宁烟草已经积累了大量的财务数据,包括核算数据、预算数据、资产数据及资金数据等。但尚未得到有效的价值挖掘利用,更未结合企业常规风险点开展管理诊断工作。
3.风险管理无支撑,难以发挥作用:风险的识别、发现和应对,需要数据驱动。没有大量数据做支撑,难以判断风险的等级并进行过程监督,更无法规范业务行为,使企业整体达到降本增效的目的。
然后,在清晰了解和理解企业自身诉求的基础上,辽宁烟草建立了三大数字化建设目标,并且对目标进行深入具象化——即“建立怎样的体系?实现怎样的评价机制?达成怎样的效能状态?”。

4.建立分层级的财务风险体检预警体系:智能体检系统以“网格化管理、模块化体检、单元化预警”为理念,重点关注高风险信息为主,次级风险信息总量为辅,满足各级管理层对风险情况的及时了解和全面掌控,提供体检结果定时生成、体检信息定向推送服务。
5.建设智能风险体检系统实现对财务风险的自动评价:通过建设财务风险智能体检预警应用系统,实现公司财务风险评价体系的系统化应用。以财务核算、预算、资产、资金等系统数据为基础,用计算、统计、分析、监控等方法为手段,实现对财务风险点的数据化度量。改变原有人工进行财务风险分析取数难、计算量大、低效率、不及时等状况,提升财务风险统计分析的效能。
6.完善公司高效能治理体系:通过开展企业财务管理的全方位体检,满足各层级管理需要。将智慧财务建设与风险管控相融合,建立涵盖资产、资金、核算、预算等各方面的财务风险评估模型和财务风险管控指标库,对即将超越红线或达到预警线的关键指标进行定期检查与实时预警提醒。不断探索和完善大数据在财务分析和风险防范方面的应用,搭建起财务大数据分析体系的雏形,完善辽宁烟草高效能治理体系。
随着智能财务风险体检在全省的推广应用,全面覆盖了核算、预算、资产、资金等范畴的常规财务风险预警,可提前预知、预判风险。目前,辽宁烟草通过风险体检系统定期生成并下发“财务风险排查表”的方式,督促成员单位针对发现的财务风险隐患限期进行整改。全省实现对各类财务风险的预警,并形成完整的防控和整改机制。通过这些举措进一步提升了财务风险防范意识,提高了会计处理及时性、财务数据的准确性以及做账的规范性。
好文章,需要你的鼓励
Turner & Townsend发布的2025年数据中心建设成本指数报告显示,AI工作负载激增正推动高密度液冷数据中心需求。四分之三的受访者已在从事AI数据中心项目,47%预计AI数据中心将在两年内占据一半以上工作负载。预计到2027年,AI优化设施可能占全球数据中心市场28%。53%受访者认为液冷技术将主导未来高密度项目。电力可用性成为开发商面临的首要约束,48%的受访者认为电网连接延迟是主要障碍。
MiroMind AI等机构联合研究团队提出了UniME-V2多模态嵌入学习新方法,通过让大型多模态语言模型充当"智能法官"来评估训练样本质量,解决了传统方法在负样本多样性和语义理解精度方面的问题。该方法引入软标签训练框架和困难负样本挖掘技术,在MMEB基准测试中取得显著性能提升,特别在组合式检索任务上表现出色,为多模态AI应用的准确性和用户体验改进提供了重要技术支撑。
亚马逊云服务宣布投资500亿美元,专门为美国政府构建AI高性能计算基础设施。该项目将新增1.3千兆瓦算力,扩大政府机构对AWS AI服务的访问,包括Amazon SageMaker、Amazon Bedrock和Claude聊天机器人等。预计2026年开工建设。AWS CEO表示此举将彻底改变联邦机构利用超级计算的方式,消除技术障碍,助力美国在AI时代保持领先地位。
南洋理工大学团队开发了Uni-MMMU基准测试,专门评估AI模型的理解与生成协同能力。该基准包含八个精心设计的任务,要求AI像人类一样"边看边想边画"来解决复杂问题。研究发现当前AI模型在这种协同任务上表现不平衡,生成能力是主要瓶颈,但协同工作确实能提升问题解决效果,为开发更智能的AI助手指明了方向。