精益现场规划价值点 ① 消除库存浪费，腾出空间，空间活用； ② 分区规划，减少搬运及多于动作浪费； ③ 设备、工具定位，消除寻找等待时间； ④ 工作场所一目了然，防止误用、误送； ⑤ 消除赃污，稳定品质，防止制造不良； ⑥ 快速收发，减少搬运、等待寻找时间； ⑦ 快速盘点校正库存数据，提高准确率； ⑧ 做到一物一卡一账的清晰、规范管理； ⑨ 培养员工好习惯，营造团体文明精神。

逐一重做一遍........................................................................19 2.3 制药 AI：下行时期，在变化之中寻找新的机遇...........................................................23 2.3.1 技术变化...................... 划合理制定等方面的战略管控工作。 目前，熙软医疗的医院运营管理智能已在多家医院落地，并在其中部分医院实现商业化， 成为医疗 IT 大模型落地的典例。 2.3 制药 AI：下行时期，在变化之中寻找新的机遇 自 2020 年制药 AI 在一级市场迎来爆发性增长后，大量创业公司将其管线推至临床阶段。 此前，AI 主导的进入临床试验阶段的创新药项目仅为个位数。2021 年这一数字已迅速 增长至 日成功在港交挂牌上市。 3.3 讨论：逆市之下，人工智能如何自救 如果将时间放得足够长远，AI 必然能够颠覆式的生产力，从每一个细节重塑医疗体系。 但在当下，医疗 AI 必须控制成本，同时尽可能寻找一些能够快速制造现金流的路径， 在下行期中活下去。  选择合适的商业模式 在经济下行时期，一味追求商业模式的创新性，可能错失一些好的、传统的盈利机会。 在第二章中，我们曾对影像 AI 的商业化模式进行了盘点，特殊时期下，AI

验者。 而审美 体验则要求真实性，以此呈现其本质，触动顾客的心灵。 • 同时，不仅要满足客户的期望，还需要超越客户的期望，采用使人惊喜 的 方式把一般的服务转化为难忘的体验。 分析需求：寻找独特点 推出体验：体验丰富化，使顾客产生惊喜 跟踪实施：建立学习关系 娱乐的 教育的 审美的 逃避现实的 典型场景分析【营销】—— com 泛用程度 企 业 价 值 落地思索 = 场景 （数据 + 流程 + 算法） AI 能力的突破依然能带来惊喜 应用核心：专注于场景的细分需求，结合业务问题，寻找可 实现的最佳落地点，更快地提供商业价值 Know Why • 基于用户的细分 行业属性，熟悉 细分行业的需求 价值 • 基于用户的业务 • …… 风险管控 资源匹配 技术需求 目标规划 不唯“大模型”论：带着行业理解，在具体场景中寻找答案 深入理解业务需求，在细化需求中寻找到核心矛盾并解决 • 在不同阶段和层面对 项目的工作内容从主 项、分项、子项甚至 单体的各个部分进行 拆分（例如采用 WBS ），实现项目关

Wen 等在 Al-Co-Cr-Cu-Fe-Ni 系统中搜索高硬度的 HEAs 时，仅用 155 个初始样 本，经 7 轮主动学习迭代，就获得了硬度提升显著的合金；Yuan 等运用主动学习策 略，在寻找新型无铅 BaTiO₃基压电材料时，通过 5 轮迭代就筛选出性能优异的材料， 使研发进程大大加快。小样本学习使研究人员突破数据限制，探索更多材料可能性。 少样本学习和虚拟样本生成技术可在少量数据基础上拓展研究边界，挖掘新的材料 并导致较长的迭代周期时间。而得益于高通量筛选技术、开放材料数据库等的发展， 现在可以筛选数十万种材料，以识别有前景的候选材料。然而，基于筛选的方法仍然 受到已知材料数量的根本限制，并且无法高效地引导寻找具有特定目标属性的材料。 随着数据和计算能力的提升，深度学习模型预测能力不断增强，能够达到前所未有的 泛化水平，应用于材料领域，可以使发现效率获得非常明显的提高。例如 2023 年 11

的区域性绿电缺口，以及如何提高跨区域的绿电消纳能力。 与其他负荷相比，计算具有独特的灵活性，能够将其能源消耗迁移到远距离。 计算还可以利用多种基于软件的容错技术。因此，计算的多个维度的灵活性， 让它可能去“寻找”到稳定和便宜的绿电。 第三章： 中国省级电力碳排因子下降预测 来源：生态环境部及其环境规划院，未尽研究，环球零碳 说明：2035 年各省碳因子强度为预测值 0.8 0.7 0.6 0 投入的重要领域。与数据中心热联动也是对减排有益的补充。 智算加速建立新型电力系统 AI 改变能源 智算如何引领新型电力系统 扫码了解更多 19 虚拟电厂 在可再生能源为主的电力系统中，计算是一种灵活的负荷，可以寻找到在空间 上和时间上合适的绿电，“荷源互动”，让算力参与需求响应，发挥出类似储 能的调节功能。服务器、CPU、GPU、硬盘等硬件资源都具备不同程度的响应潜力。 鉴于数据中心运营成本的六成以上在电费，在适当价格机制的驱动下，数据中

的区域性绿电缺口，以及如何提高跨区域的绿电消纳能力。 与其他负荷相比，计算具有独特的灵活性，能够将其能源消耗迁移到远距离。 计算还可以利用多种基于软件的容错技术。因此，计算的多个维度的灵活性， 让它可能去“寻找”到稳定和便宜的绿电。 第三章： 中国省级电力碳排因子下降预测 来源：生态环境部及其环境规划院，未尽研究，环球零碳 说明：2035 年各省碳因子强度为预测值 0.8 0.7 0.6 0 投入的重要领域。与数据中心热联动也是对减排有益的补充。 智算加速建立新型电力系统 AI 改变能源 智算如何引领新型电力系统 19 虚拟电厂 在可再生能源为主的电力系统中，计算是一种灵活的负荷，可以寻找到在空间 上和时间上合适的绿电，“荷源互动”，让算力参与需求响应，发挥出类似储 能的调节功能。服务器、CPU、GPU、硬盘等硬件资源都具备不同程度的响应 潜力。 鉴于数据中心运营成本的六成以

DataFunTalk 成就百万数据科学家！ 9  模型的开发和构建。企业模型解释在优化模型的期间，是一个优化 模型的一个非常重要的手段。在实际的模型构建的过程中，这种 bad case 分析寻找模型优化方向还是一个比较困难的问题，如果模型可 解释，可以对出错的样本采取针对性的措施对模型进行优化。  我们的模型试运行上线期间。模型的可解释性能够提升模型的可信 度，同时有利于业务的推广。 DataFunTalk 成就百万数据科学家！ 68 中缺乏正常用户的行为数据，很容易可以识别到为非真人发布而进行拦截。后续， 对方也会逐渐升级手段，寻找可突破点，诸如采用按键精灵，通过浏览器进行提 交，用模拟点击的方式。我们解决方案则是通过寻找相似点以及用户行为时间序 列来发现非真人操作，之后采用动作随机化，这时从单一用户的角度已经很难着 手，我们开始从单一用户转向群体用户行为的分析，挖掘某时间段内存在大量异 少量交易造成巨大损失（例如：网络舆情事件，诈骗，网络攻击等） o 大量交易造成巨大损失（例如：拼多多事件，上万个账号薅优惠券， 然后快速的变现） 黑灰产的主要特征： o 逐利性（不断升级，不断寻找漏洞）：由于他们是在为自己牟利， 没有 kpi 没有 996，甚至一天可以更新迭代 4 个版本，他们自己 干的很起劲。 o 群体性（短期，快速，大量获利）目前成熟的电商，基本上不会让 一个账

攻击，可以直接撕破防守方的正面防线，大大缩短了攻击路径，快速取得战果。 三是互联网信息泄露严重。攻击方通过踩点与信息搜集，在百度文库、 Github 、 fofa 、求职 APP 第三方共享 平台发现大量敏感信息，为寻找攻击突破口提供了便捷，进而成功拿下多个重要成果。 四是网络暴露面过宽且漏洞大量存在。很多防守方互联网暴露面点多面广，老旧系统大量存在，攻击者可以通 过基层单位防护薄弱、管理存在缺陷等问题进入内网。

以用户为中心的一体化云协同研发，通过多软 件的融合，打破了行业竞争给用户带来的云上 信息孤岛，建立起以客户为中心的协同研发设 计互联网环境 Project Content 智能决策 通过深度学习和算法，发现和寻找规律对未知的数据进行分析和预测，可 以提供数据服务和决策支撑。 算法 | 决策 互联网技术以及数据分析技术，实现对企业的智能化、数字化、图像化、 分阶层的实时管理 行为 | 分析 通过

例如，在临床前研究环节，把得到活性数据结合化合物结构得到初步构效关系，以指导后续结构优化；若效果不理想，则需 要退回上 一步，重新合成，非常耗费时间；人工智能则可以提高筛选效率，优化构效关系。此外，在临床试验阶段，寻找匹配的病 人参与试验 十分耗费时间；而人工智能能够结合医院数据，快速找到符合条件的病人；  人工智能与药物挖掘结合最典型的案例，是硅谷公司 Atomwise 通过 IBM 超级计算机，在分子结构数据库中筛选治疗方法，评估出 超级计算机，在分子结构数据库中筛选治疗方法，评估出 820 万种候选化合物，研发成本仅为数千美元，研究周期仅需要几天。 2015 年， Atomwise 基于现有的候选药物，应用 AI 算法，不 到一天时间就成功地寻找出能控制埃博拉病毒的两种候选药物，以往类似研究需要耗时数月甚至数年时间；  目前国内 AI+ 药物挖掘已经在逐步落地，但研发周期仍相对较长，且算法需要大量的时间和数据积累，短期内很难产生营收数据。