11： 合成生物的构建策略 ................................................................... 12 图表 12： AI 智能化学习能够加速底盘细胞的构建................................................... 13 图表 13： 现阶段农药研发流程与周期较长 ........ 方向三：具有较高的行业敏感度，对接难度相对较小或者改造优势比较明显的意愿型企业 也将具有先期优势。化工行业赛道多、产品种类极其丰富，产品链涉及到有机、无机，加 工包括矿产加工、能源加工，方式包括化学合成、物理提纯还有生物发酵等等，其中部分 企业设备的自动化控制能力相对较强，能够较为容易形成数字化对接，也有望提升 AI 优 化的速度；部分行业可以通过较低成本的对接获得较大的问题改善，比如加快产品落地、 年启动的结构调整战略下已经减产，剩余产能主要保障 CDon 和 CPon 的原料供应，并将于 2025 年全部关闭，但韩国翁山以及在 法国夏朗普的合资企业会继续生产己二酸。 己二酸：372 万吨 己二酸：神马股 份、华峰化学、 华鲁恒升 盛禧奥 德国 公司已决定退出位于德国斯塔德的聚碳酸酯（PC）工厂的生产，此决定 是在与相关工作委员会讨论后作出的，预计工厂生产将在 2025 年 1 月 前结束。后续公司所有下游

应用技术平台加速先导化合物发现；泓博医 药持续推进 PR-GPT 多模态大型语言模型的应用；成都先导依托 DNA 编码化合物 库技术与 AI 技术结合，优化苗头化合物的识别过程；药石科技利用其分子砌块 库结合 AI 技术，开发动态化学空间，并通过一站式计算筛选平台，提供全面的 活性化合物筛选服务。随着 AI 技术的不断进步和 CRO 公司专业能力的增强，我 们预计未来药物研发领域将迎来更多创新突破。  风险提示。AI+制药 可以自己学习，识别模式然后建立模型，并根据这些模型进行预测;深度学习则是机器学 习的一种进阶类型。AI 算法可以按照不同的分类标准进行类型划分，例如按照模型训练 方式的差异可以分为监督学习、无监督学习，以及强化学习，按照模型预测任务的不同 可分为分类算法(包括二分类和多分类)、回归算法、聚类算法、降维算法、异常检测算 法等。 表 1 常用 AI 技术分类 类别 概述 典型算法代表 监 督 学习 常用的无监督学习算法包括聚类和降维。代表算法 包括 K 均值、期望最大化、主成分分析、线性判别 分析、高斯混合模型、奇异值分解、自编码器等。 强 化 学习 强化学习是另一种机器学习范式，不需要外部提供大量带标 签的数据进行训练。强化学习中有两个可交互的对象，智能 体与环境，智能体利用已有动作和经验的反馈不断地与环境 进行交互，以实现特定目标或取得最大化的预期利益。 - 深 度 学习

行 自我调整和优化。从模型架构来看，结构相对简单、参数较少的机器 学习模型正在转化为多层级、大参数量的深度学习、强化学习模型， 学习方法也从手动数据标记转变为自动的数据特征提取。从支撑要素 来看，机器学习对于数据和算力的需求较小，训练时间也相对较短， 而深度学习、强化学习则需要高性能的 GPU、TPU 等算力支撑，数据 需求也增长至百万量级。从应用场景来看，机器学习能够广泛用于各 类 交互技术的语言类模型虽然较为成熟，但是主要用于陪伴对话、教育 辅导、智能家居等服务型场景，而由于可靠性要求高、工业知识积累 6 不足等限制，尚未在工业中大规模应用。在推理决策方面，基于深度 学习、强化学习的方法，机器人可以通过训练学习数据以模仿人类， 甚至通过与操作对象或环境进行交互实现非结构性的复杂操作和自 主导航。 2、三种应用模型及其组合催生出多种功能的机器人 运动控制类模型推动传统工业机器人升级为“能精细化控制”的 实现传统机器人无法实现的焊接、喷涂和装配等操作，如喷涂机器人 通过学习大量的喷涂数据和工件表面特征，实现对复杂工件的精准轨 迹规划；焊接机器人能够根据焊接过程中遇到的不同情况进行自我调 整，以达到最佳的焊接效果；装配机器人利用强化学习算法，在装配 过程中自主学习轴孔装配技能，通过在线辨识控制器的最优参数，提 高装配操作质量。二是自主导航类，随着激光地图建模技术不断成熟， 基于地图开展移动路径设计的自主导航功能也实现广泛应用，发展出

DeepSeekR1/V3 推理服务。 l DeepSeek 通过 MLA 和 DeepSeekMoE 实现高效的推理和低成本训练，构建 DualPipe 算法和混合精度训练优化计算与通信负载；通过 ( 分阶段 ) 强化学习实现 性能突破。 多头潜在注意力 (MLA) 通过低秩联合压缩技术，大幅削减了注意力键 (keys) 和值 (values) 的存储空间，显著降低了内存需求。 DeepSeekMoE 架构采 用了更为精细粒度 了训练速度，还大幅降低了 GPU 内存的消耗。 DeepSeek-R1-Zero 通过强化学习架构创新实现突破性性能，核心技术创新体现在训 练效能优化策略、双维度评价体系、 结构化训练范式三个维度。 DeepSeek-R1 采用分阶段强化学习架构演进，包括冷启动阶段、面向推理的强化学习、拒绝采样 与监督式微调、全场景强化学习等。 l AI 应用爆发在即，算力需求持续攀升，关注 ASIC 及服务器产业链。 GPT-4o 等模型的训练成本 约为 1 亿美元。 l 2025 年 1 月， DeepSeek-R1 发布，性能对标 OpenAI-o1 正式版。 DeepSeek-R1 在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下， 极大提 升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩 OpenAI-o1 正式版。同时 DeepSeek 开源 R1 推理模型，允许所有人在遵循

工智能技术的突破性进展正以颠覆性姿态重塑医疗健康 产业。2025年2月，国产大模型DeepSeek-R1的全面开源与多领域适配，标志着AI医疗迈入技术融合与行业重构的新阶段。DeepSeek通过 强化学习技术与混合专家架构（MoE），在极低标注数据需求下实现推理能力跃升，其复杂任务处理与中文语料优化的特性，为医疗场景提 供了精准、低成本且本土化的解决方案。这一技术突破不仅推动了算法与行业工作流的深 药物研发成本大幅压缩 DeepSeek通过强化学习与多模型技术融合，显著缩短药 物研发周期。传统药物研发遵循“双十定律”（10年时间 、10亿美元投入），而AI模型可将化合物设计时间缩短 70%，成功率提升10倍。例如，医渡科技通过DeepSeek 处理55亿份医疗记录，加速药物靶点筛选与临床试验设计 ，研发效率提升显著。  模型训练与部署成本降低 DeepSeek通过强化学习技术减少对高成本标注数据的依 单细胞多组学研究提供了高效的数据处理工具。  功能蛋白设计：2023 年 7 月，华大智造杨梦团队在 Nature 子刊发布了名为“EvoPlay”的算法模型，该自 博弈 AI 智能体可以利用强化学习算法高效设计功能蛋 白，展示了华大智造在 AI 应用领域的技术实力。 资料来源：公司官网，公司公告，西南证券整理 贝瑞基因：两大AI平台赋能基因测序报告解读，助力遗传病诊断及肿瘤检测 AI赋能基因测序报告解读

模性药物分子化合物库 自然语言处理 化学反应设计 机器学习、深度学习 将药物分子结构映射为可通过机器学习算法处理的形式，形成多条合成路线并推荐最佳合成路线，或在给定反应物的前提下 通过深度学习预测化学反应结果 化合物筛选 机器学习 通过机器学习中的决策树、支持向量机、深度神经网络、随机森林等算法及分子对接、自由能微扰等技术，构建化合物化学 结构与生物活性之间的关系模型，实现对药物化合物作用机制的快速预测 目前，制药行业的任务是为药物开发创造廉价有效的解决方案，公司应用各种计算方法以达到这一目标。计算机辅助药物设计 （CADD）是一种现代计算技术，在药物发现过程中用于识别和开发潜在线索。CADD包括计算化学、分子建模、分子设计和 合理药物设计。  基于计算结构的药物设计已经建立了新的平台，这些平台大多具有类似的结构来测试候选药物。人工智能的使用可以简化和促 进药物设计，从过滤数据集寻找合适的化合物到先进的线索修改和非线性测试。  一次和二次药物筛选：药物发现中，先导化合物的筛选至关重要，人工智能在识别新的和潜在先导化合物方面发挥巨大作用。 在化学空间中有大约1.06亿个化学结构，利用机器学习模型如强化模型、Logistic模型、回归模型和生成模型，根据活性位点 、结构和靶结合能力可以筛选出这些化学结构。  肽合成与小分子设计：1）多肽：由约2-50个氨基酸组成的生物活性小链，具有跨越细胞屏障的能力并可以到达所需的靶点，

2016 发布 Gym 强化学习平台 & Universe 训练工具包 2018.6 GPT-1 1.17 亿参数 无监督预训练 + 有监督微调 2019 GPT-2 15 亿参数 半监督语言模 型效果验证 2020 GPT-3 1750 亿参数 超大模型 2022 年初 InstructGPT 13 亿参数 人类反馈强化学习 2022 年 12 月 模型：同 GPT-1 参数： 1.5 B 特点： + NLP 任务的 prompt 预 训 练，具备 zero-shot 的能力 数据： + 人工标注数据（万级 别） 模型： GPT-3 + 强化学习 参数： 1.3 B 特点：需求理解能力大幅提升， 生成能力大幅提升 数据： + Filter Common Crawl 模型： GPT-2 的基础上 + sparse transformer 117 B 特点： pretrain + finetune 参数：未公开 特点：输入扩展到图片，更长文字输入，信息可靠性及安全性大幅提 升 人工对齐 强化学习 数据： + 更多的对话语料 模型： GPT-3.5 + 强化学 习 参数： 175 B 特点：对话理解能力提升 数据：未公开 模型： GPT 4 + 多模 态 规模进一步增大 in-context learning

内部边界 父母分工：父亲负责运动技能，母亲管理学习。 外部交互 家校协同（作业反馈机制） 、社会影响（短视频对注意力的冲击） 。 特点维度 技术支撑与实现方式 典型应用场景 解决的核心问题 个性化学习路径 机器学习算法分析学 习数据， 动态调整难 度 数学分步拆解 、作 文智能润色 传统教育“一刀切 ” 模式与个体差异不 匹配 实时反馈与迭代 自动化评估系统 + 即 成果检验： 设置简单的方 式 验证孩子是否理解或掌握了 内容 目标导向原则 引导式互动原则 情境化学习原 则 基础聊法原则 01 02 03 传递知识点， 提高记忆效 果 递进式对话策略 • 第一阶段： 引入话题并建 立基础认知（ 1-2 次对话） • 第二阶段： 孩子学习 [ 具体技能 / 概 念 ] 语言风格 生动 、形象，使用适合 年龄的词汇和句式 延伸活动 故事结束后，提供 1-2 个与 故 事相关的实际应用活动 故事化学习词法框架 实例应用： " 你是一位专注于阅读技能培养的有趣教练 。帮助 5 岁的孩子掌握 ' 认识常见字母和发音 ' 的基础知识和应用。将学习分解为 3 个递 进难 度的小目标 ：先认识 5 个

在微观层面上，教育的各场景和环节，都因AIGC技术的应用而有所助益，如教师侧的备课规划、作 业生成和批改，学生侧的自主学习、辅助练习、测试评估等，新技术与古老教育场景的结合，总会 产生令人欣喜的化学反应。然而，商业实践的落地是受到现实和周期限制的。从落地逻辑而言，当 前产品基本是原有教学场景和产品的替代，原有技术功能的优化迭代，而少有新场景的迸发；就落 地速度而言，尚不成熟的教育大模型落地 才，才能够适应这个被绑在技术的战车上快速向前且不知奔向何方的世界。 更快更好地教学评估 更快更好地学习 AIGC 个性化的学习主体 • 浅层思考：在传统教学模式 中学生的学习主体性偏弱， AIGC的出现是否会进一步弱 化学生的学习主动性，尤其 是青少年儿童？如何避免这 一点？ • 深层思考：如果教育的目标 是人类知识与技能的传承， 那么学习主体应该是人类 （教育）还是机器（大模型 建设）？投资应该在多大程 度上分配给人的教育投入和 工具 学习 工具 评价 工具 作为教师“外脑”的积极作用更受到认可 AIGC对学习评价工作带来显著挑战 AIGC对教育载体（工具）的影响讨论 被广泛认为是教学中实现个性化学习的关键工具 个性化学习工具：定制个性化学习计划，自动生成课程和题目， 总结并答疑，作为AI助教进行课程辅导、技能练习以及情感陪伴 内容精准度的问题：受技术完善度限制，生成的学习内容或存在 精度不足的问题，传达错误或有偏见的信息，对学生造成误导

类脑计算：意识研究、认识论（哲学物理学）、认知神经科学  包括生物计算，不排斥数据科学方法（mortal computation） 3、具身智能：刚起步，研究热点，可能会成为道路1的未来 • 强化学习，环境交互，自我进化 4、集群智能：持续研究，给道路3以启发 • 生命智能，混沌理论：细胞、生态、鸟群 01 对AI技术的认知：通向AGI之路 AGI实现后的问题与挑战  哲学问题 对AI教育的思考：如何培养AI专业人才和AI赋能人才  培养什么人 1. 思维能力：批判思维、独立思维、逻辑思维 2. 学习能力：终身学习，善用AI 3. 热爱人类  如何培养人 1. 赋能：个性化学习，学本教育，因人育材，未来学校  学习的定位是一种思维训练，知识、写作、记忆力等只是训练工具  终身学习的方式可能从知识搜索转向了古老的对话式学习 2. 让人学会与AI共舞，尤其是生成式AI将成为人的必备技能 面向院校所有学生、教师和教职工 基础概念 | 技术认知 | 伦理思考 | 社会影响 | 应用场景 | 未来趋势 02 对AI教育的思考：AI如何赋能教育  方式 1. AI赋能学习 • 个性化学习系统 • 智能AI助教 • AI驱动的内容生成 2. AI赋能教学 • 智能教学助手 • 智能课堂管理系统 • 课程内容优化 • 数据驱动的教学决策和协作教学支持 3