步提升。OpenAI o1-preview 在鉴别诊断、诊断临床推理和管理推理的质量都有明显提高。 借助 AI，对人类基因组的计算时间已经从 2001 年的 180 天缩短到现在 的 10 分钟，当时分析单个基因组所花费的成本如今可以分析 14 亿个基 因组。 ◼ AI+医院/医保系统：AI 在咨询问诊、开具检查单、线下检查、检查单解 读、治疗方案制定以及随诊追访、慢病管理等环节可以提供全流程智能 DNA 序列，甚至能够识别出传统方法难以 检测的基因变异，为疾病诊断和个性化治疗提供更精准的依据。借助 AI，对人类基因组 的计算时间已经从 2001 年的 180 天缩短到现在的 10 分钟，当时分析单个基因组所花费 的成本如今可以分析 14 亿个基因组。 2024 年 9 月，华大基因 CEO 赵立见宣布了“生成式生物智能范式 GBI ALL （Generative Bio-Int

图14：边缘计算的应用场景 图15：云计算与边缘计算的区别 资料来源：NVIDIA，国信证券经济研究所整理 资料来源：NVIDIA，国信证券经济研究所整理 边缘计算的历史可以追溯到上世纪 90 年代，当时内容分发网络 (CDN) 充当分布 式数据中心。但 CDN 仅限于缓存图像和视频，而不是海量数据工作负载；2000 年 左右，智能设备的爆炸式增长给现有 IT 基础设施带来了压力，诸如点对点(P2P) 证券研究报告 19 当前旗舰机款手机芯片仅可运行优化版十亿参数级大模型 上一代人工智能程度较低拉低交互体验，阻碍 AIoT 发展。2011 年 Apple 推出 Siri， 使语音助手成为当时人工智能竞赛热门赛道，引发 Google(Google Assistant)、 Amazon(Alexa)、微软(Cortana)等科技巨头纷纷加码跟进，抢占 AIoT 控制流量入 口。由于通过指挥

• 供货周期从原来的28天压缩到7天 • 提升了库存周转率 • 使美的能够在更短的时间内以更低的成本生产更多的洗 衣机 • 凭借数字化的T+3模式，小天鹅在2015年营收131.3亿元， 打败了当时的洗衣机巨头海尔 • 美的尝到了数字化的甜头，很快又将T+3模式用在空调 领域，剑指格力。 T+3模式实施效果 美的T+3模式试点 www.top100summit.com • 2018年

够理解文本、图像、音频、视频（帧），并生成文本、图像、音频。2022 年 9 月，红杉资 本预计还需要近十年的时间，大模型才能实现实习生级别的代码生成、好莱坞质量的视频 和区别于机械声的人类质量语音，但是实际进展远超当时预期，Sora 已经能够生成 60s 的 高质量视频，GPT-4o 和谷歌 Gemini 都已经能够实现具备感情的实时人机语音交互。 我们看到，随着大模型能力的不断增强，AI 的作用不断深化，生成式 功能。以 ChatGPT 为例，2023 年 9 月，OpenAI 将 DALL-E 3 整 合到ChatGPT 中，从而支持文生图功能。2024年1月，OpenAI正式上线应用商店 GPT Store， 当时用户已经创建超过 300 万个 GPTs，主要的 GPTs 涵盖图像生成、写作、科研、编程/ 软件开发、教育、生产力工具和生活七大类别。GPT Store 取代了此前的插件商店（2024 年 3 月 年，PaLM 系列模型是谷 歌的主力模型，2022 年 4 月发布的 PaLM、2022 年 10 月发布的 Flan PaLM 以及 2023 年 5 月 I/O 大会发布的 PaLM-2 都是谷歌当时的主力大模型。2023 年 12 月，谷歌发布全球首 个原生多模态模型 Gemini，包含 Ultra、Pro 和 Nano 三种不同大小。根据 Gemini Technical Report，Ultra

芯片作为算力支撑。从 2018 年起， OpenAI 开 始 发 布 生 成 式 预 训 练 语 言 模 型 GPT 以 来 ， GPT 更 新 换 代 持 续 提 升 模 型 及 参 数 规 模 ， 当时 GPT-1 参数量只有 1.17 亿个。 l2020 年， OpenAI 发布 GPT-3 预训练模型，参数量为 1750 亿个，使用 1000 亿个词汇的 语料库 进行训练，在文本分析、机

⾼度灵巧的机械⼿，能够轻松重新定位2,000个不同形状的物体。这代表着在操纵各 种形状和⼤⼩的物体⽅⾯迈出的重⼤进步。 近年来最具代表性的机器⼈灵巧⽰例之⼀是达芬奇⼿术机器⼈。这个系统在2019年 获得了⼴泛认可，当时展⽰它在缝合葡萄时表现出的精准控制和细致触感。 随后，达芬奇机器⼈获得了美国⻝品和药物管理局（FDA）的批准，可⽤于各种⼴泛的⼿ 术程序。 到2023年，全球已有超过700万次⼿术使⽤机器⼈辅助进⾏，显著缩短了患者康 据。这些数据不仅可以包括视觉和听觉信息，还可以包括⽤⼾的习惯、偏好，甚 ⾄⽣物特征数据。虽然这些信息可以⽤来提升⽤⼾体验和改善机器⼈的功能，但 如果不得到适当管理和保护，也会带来重⼤⻛险。 ⼀个鲜明的例⼦发⽣在2015年，当时由电⼦学习玩具制造商Vtech⽣产的超过六百 万件玩具在⼀次重⼤的安全漏洞中受到了损害。这次漏洞使⿊客能够访问使⽤这些 玩具的⼉童的照⽚和其他个⼈信息，突显了收集和存储敏感数据的AI设备的脆弱性 。

来源：通信瞭望，国金证券研究所 经过环保、安全监管，国内化工行业的管控水平获得了较大程度的提升，部分企业或者赛 道具备先期实现智能升级的基础。我国自九十年代化工行业开始加速追赶以来，先期的化 工企业受限于当时的发展条件、技术水平和装置配置要求以及对于经济性的考量，生产装 置的人员依赖性相对较大，单套装置的配套人员数量相对较多，很多生产环节以员工的经 验为主要调节方式，流程管理、工艺优化、原料采购、库存管理等决策以人为核心主导。

更为谨慎，但近年来市场热度呈大幅提升趋势。2022年1月，复星医药针对四个 指定靶点以AI技术开展药物研发与AI制药初创公司英砂智能的QPCTL项目达成战略合作，项目首付款为1300万美元，创造了 当时中国AI制药合作交易首付款最高纪录。  其市场进入方式主要分为内部自建研发团队，对外部AI制药初创企业进行投资收购，以及与互联网巨头或AI初创型企业开展合 作等形式。 AI制药——逐渐完善的行业拼图

资料来源：国联民生证券研究所整理 本轮的不同之处 2023-2024年医疗AI的特点： ➢ 2023-2024年更多是强调算力，并没有全面拓展到应用层面，但医药受益于AI更多的是在应用层面； ➢ 当时医疗AI相关的公司比较少，并未形成一个相对完整的细分板块。 ➢ 医药板块整体处于下跌状态，AI的逻辑也不顺，不支持AI主线的持续性。 2025年医疗AI的“同与不同”： ➢ “不同”：AI的发

术落地都存在很多挑战。因此分布式算力感知与调度技术发展可分为 61 以下四个阶段。 5.2.1 起步阶段 分布式算力感知与调度行业的起步阶段，技术突破是核心驱动力， 这一时期主要以技术验证与初步探索为特征。受限于当时网络带宽、 数据传输效率以及分布式系统管理技术的不足，行业参与者聚焦于解 决基础架构的可行性问题，例如如何实现跨地域、跨组织的算力资源 识别、连接与简单协同。早期尝试多基于单机集群的扩展思维，通过