四五"生物经济发展规划》等，旨在推动云计算、大数据、人工智能等技术在新 药研发中的应用。AI 技术在新药研发领域中的应用推动行业快速变革，涉及靶 点发现、蛋白质结构预测、化合物筛选、ADMET 特性预测、临床试验结果预测、 药物重定位、晶型预测和逆向合成分析等多个关键环节。AI 制药技术的应用有 望缩短药物研发周期，降低成本，提高研发成功率。AI 技术使得从药物设计到 临床试验的全流程更加高效，为传统药物研发带来创新变革，并展现出在药物 药物 研发领域的广阔前景和巨大潜力。  CRO 公司加速布局 AI+制药应用技术。CRO 药物研发外包公司的 AI 技术应用正 逐步深化，涵盖药物发现的各个环节，从靶点识别、化合物筛选、结构预测到 药物设计等。维亚生物建立纵向 AI 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 .................................................................... 10 2.1 AI 技术驱动治疗靶点发现，增加靶点新颖性 ....................................................... 10 2.1.1 系统生物学方法 ........................

亿千瓦时，占全社会用电量的 1.6%，单次 AI 大模 型训练的能耗相当于数百个家庭年用电量。与此同时，我国电力系 统正在经历深刻变革，新能源装机占比已突破 50%，但“弃风弃 光”与东部电力短缺并存的结构性矛盾日益凸显。这种算力需求激 增与能源转型的双重压力，使得构建高效、低碳的算电协同体系成 为实现“双碳”目标的关键路径。 当前算电协同发展面临诸多现实挑战。在资源匹配方面，算力 基础设施主要 能源富集区却面临算力需求不足的问题，影响了绿电的消纳。在系 统协同层面，算力调度以性能优化为导向，电力系统则以稳频调峰 为目标，二者缺乏统一的优化框架，造成新能源利用率损失 3%- 5%。技术层面，算力系统的异构性与电力系统的波动性难以通过传 统控制模型实现兼容，跨域协同效率低下。这些问题的存在严重制 约了算力产业与能源系统的协同发展。 本白皮书详细介绍了算电协同的发展背景、基本概念、功能架 构、关键使能技术 构、关键使能技术等；同时，分析了算电协同典型应用场景、生态 第九届未来网络发展大会白皮书 算电协同技术白皮书 IV 建设，并探讨了算电协同面临的技术挑战和未来发展方向。我们期 待本白皮书能够为政产学研各界提供系统性参考，推动算力网络与 新型电力系统从简单叠加走向深度融合，最终实现“绿色算力赋能 数字经济，高效能源驱动算力革命”的美好愿景。 第九届未来网络发展大会白皮书 算电协同技术白皮书

大的社区支持，加速功 能迭代与问题解决。 本地化部署优势 多个尺寸开源模型支持 私有化部署，满足金融 数据安全与合规要求， 如江苏银行本地化微调 案例。 性能与成本双赢 DeepSeek 在保证高性 能的同时，显著降低银 行技术成本，加速 AI 普及。 热度传播路径 捧上天 • 拳打 ChatGPT ，脚 踢 Gemini ，摩擦 Claude • 颠覆现有 AI 产品， 绕开 不考虑适用性 未充分评估可能导致资源 浪费。 只看别人 不看自己 过于关注在行业里的地位 和发声，不考虑解决内部 实际问题 需精准定位业务需求，选 择合适的结合点。 只仰望星空 不脚踏实地 管理层关注快速创新迭代 基层疲于提升基础数据质 量和完成手工报表 DeepSeek 如何影响 银行业？ 03 内容采集与生成：内外 AI 分离，合规前提下保持数据实时性 01 自动化尽调报告 针对大量的监管合规要求，批量、快速的 审核合同文本、协议条款、用户授权文本 等，辅助人工审核，大幅提升审核效率， 如江苏银行合同质检场景应用。 03 舆情监控 实时分析社交媒体与新闻，识别潜在风险 （如客户投诉趋势预测、企业客户舆情风 险预警等） 互 联 网 / 公 有 云 金 融 机 构 内 网 私有云版 DeepSeek or 其他 AI 产品 客观数据：内部 交易数据、客户 数据 监管文件

从DEEPSEEK的崛起看AI医疗发展方向及投资机会 1 核 心 观 点  前言：本篇主旨在探讨Deepseek相关概念及技术在医药产业方向上的潜在应用。人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（ 等核心领域，为技术落地提供了顶层 设计支撑。而2025年2月18日即将发布的华为瑞金病理模型，则进一步凸显了AI在病理诊断这一传统高壁垒领域的潜力，有望缓解我国病理 医生短缺困境，提升诊断效率与准确性。从技术融合视角看：DeepSeek的多模型协同能力正成为行业新范式。例如，医渡科技将其整合至 “AI医疗大脑”YiduCore，实现疾病洞察报告的精准生成；智云健康则通过DeepSeek-R1优化慢病管理的数字化流程；而恒瑞医药更将模 病分析解读、以及多组学风险 预测和评估。企业端可明显降低成本，但商业化落地进度较慢。合作模式和医院正在探索中。整体数据获取成本低，基因测序一次能获取较 大量基因组数据。相关标的：华大智造、贝瑞基因、华大基因。  AI 医疗信息化CDSS辅助临床决策：优化电子病历质控、临床决策支持与智能分诊流程, AIGC大幅拉升效率。包括AI辅助报告解读、推荐检 查项目、疾病预测等。整体商业化落地较快，数据

做出安全高效 的决策，还能规避 AI 系统的不可解释性。 在构建智能系统时，如果需要整合一些不可信的 AI 组件，则为了确保系统可靠性，需要可扩 展、可演进的混合解决方案，特别是要将符号和非符号知识（如用于决策的感官信息和模型）结合 起来。在开发智能系统时，我们需要在系统设计的正确性和运行阶段的韧性之间实现平衡，并通过 定期或针对性的更新，实现系统的持续演进。 此外，系统验证目前正从理 此外，系统验证目前正从理性主义向经验主义转变。传统的基于模型的技术虽能保证高可靠 性，但由于系统固有的复杂性和异构性，已不再适用。我们需要超越当前随机测试和仿真的方法， 开发更严格的验证技术。同时，我们还必须通过基于知识的监测技术弥补可靠性降低的影响。 报告中提到的愿景既广泛又宏大，与科技巨头截然不同。科技巨头通常依赖机器学习并推崇超 大规模化发展，需要对高耗能基础设施进行巨额投资。 这一愿景的实现需要前所未有 数据，但关键的行业事件通常是罕见的故障或异常。你可能拥有十年的“正常运行”数据，却只有 极少数灾难性故障事件，而行业 AI 模型必须从这些极为罕见的事件中学习。 历史表明，开放的生态系统和国际合作是技术进步的重要加速器，对于复杂且具有变革性的 AI 领域更是如此。开放的工具和平台将有效推动我们在系统互操作性和集成方面取得突破。 此外，国际合作对于达成监管框架共识、控制 AI 产品相关风险至关重要。以阻碍创新为由公

AI 制 药 泓博医药 成都先导 药石科技 祥生医疗 3 核 心 观 点  前言：本篇主旨在探讨AIGC相关概念及技术在医药产业方向上的潜在应用。AIGC突出创造性生产，依赖于多模型 的技术融合。整体来看，AIGC的创造力发展归功于算法领域的技术积累，而ChatGPT或将成为我们未来更为智能时 代的全新信息系统入口。此前，Meta 在2023年4月5日发布了机器视觉领域首个用于图像分割的通用大模型 观经济增速大幅下滑等风险。 AIGC 4 AIGC突出创造性生产，依赖于多模型 的技术融合 AIGC的创造力发展归功于算法领域的 技术积累 ChatGPT 将成为智能时代的全新信 息系统入口 SAM的开源将促进机器视觉通用大模 型的进一步研究 AIGC突出创造性生产，依赖于多模型的技术融合 5  自然语言处理赋予了AI理解能力和创作能力: 的多样性；2）语言的歧义性；3) 语言的鲁棒性；4）语言的知识依赖；5）语言的上下文。 o 自然语言生成：为了跨越人类和机器之间的沟通鸿沟，将非语言格式的数据转换成人类可以理解的语言格式，如文章、报告 等。需要涉及：1）内容确定；2）文本结构；3）句子聚合；4）语法化；5）参考表达式生成；6）语言实现。 AIGC（AI Generated Content) 主要突出的是创造性生产，依赖于多模型的技术融合

开展业务。在这些世界市场上，我们的员⼯进⾏着持续的多学科对话 - 获取信息，分析数据，制 定⻅解和提出建议。作为我们的⾸要思想引领产品，花旗全球展望旨在帮助我们的读者应对全球经济⾯临的最具挑战性的问题，并预测⼀个快速变化且相互关 联的世界中的未来主题和趋势。花旗全球展望汇集了我们全球对话的最佳要素，并整合了我公司各个⾼级专业⼈员的思想领导⼒。本⽂不是研究报告，也不构 成对投资的建议或要约购买或出售 渐具有具体形体和物理⾝体 。在此过程中，灵巧性也在不断提升。⼀些机器⼈现在能穿针引线或缝合⽟⽶ 粒。机器⼈正在由理论⾛向现实，由⽆⽤变得有⽤ 2 ⽤例-静态机器⼈也在增⻓，但本报告的重点是在AI- 启⽤移动的机器⼈。第2-8章探讨了AI机器⼈的潜在⽤例，从清洁、驾驶、交 付，到⼯业、建筑、零售、酒店和护理领域的使⽤。我们对9个⽤例领域的专 有分析预测到2050年将有41亿个机器⼈。对于⼀个⽤例，⼈形机器⼈，我们 2049 2050 Hourly wage AI机器⼈的崛起 物理人工智能即将来袭 我们预测到2035年时，将有13亿台AI机器⼈在我们周围移动，到2050年将达到40亿台。这其中的三个主要推动因素将是技术、经济和改善。以下是⼀些关于机器⼈崛 起的数字。 机器人单位数量（以百万计）按类型预测 来源：花旗经济研究部 2024 2025 2030 2035 2050 CAGR ⾃动驾驶汽⻋

提供量化参考。 GDII 的理论根基源于古典经济学家让 - 巴蒂斯特 • 萨伊提出的“生产三要素”理论，即商品价值是由 土地，劳动、资本这三个要素共同创造的，每个要 素在生产过程中都提供“生产性服务”，协同创造 价值。从这一经济学理论出发，我们将物理世界中 的“土地、劳动、资本”映射至数智世界，进一步 拓展出符合新时代特质的三大新要素 ：数据、ICT 人才和数智化生产工具。数据作为核心生产要素， 再是遥远的愿景。这项技术正在迅速重塑人们的生 活、工作和交互方式，推动全球产业、经济和社会 转型。人工智能的影响力有望超越前面几次技术革 命，促进生产力提升，重新定义竞争力，开启全新 的经济与社会价值增长路径。IDC 预测到 2030 年， 人工智能将累积为全球带来近 22.3 万亿美元的经 济收入，占全球 GDP 的 3.7%。 为帮助政策制定者、商业领袖和社会各界有效应 对这场重大变革，IDC 与华为开展长期合作，共 全新升级了“数字化成熟度” 评估体系，不仅关注数智基础设施的建设本身，更 聚焦于它所带来的应用价值，实现了从“技术投 入”到“价值产出”的评估跃迁。 GDII 围绕以下七个关键支柱来评估各国的准备度 和有效性 ： » 数据生成 ：宽带用户、移动网络、物联网设备 03 全球数智化指数（GDII）2025 和智能终端产生的数据 » 数据传输 ：光纤、4G/5G 网络、骨干基础设施 以及 IPv6

对应的成熟度评估方法。 本文件适用于数字化转型的战略制定、业务规划和工作实施，以及对转型过程开展成熟度评估。 2 规范性引用文件 下 列 文 件 中 的 内 容 通 过 文 中 的 规 范 性 引 用 而 构 成 本 文 件 必 不 可 少 的 条 款 。 其 中 ， 注 日 期 的 引 用 文 件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本(包括所有的修改单)适用于 务、管理创新、技术、产品 和服务等 a) 应具备顶层战略规划设 计，形成对外输出的规 划 策 略 ； b) 应具备利用数字化技术 进行转型决策的能力； c) 应基于转型活动的历史 数据，预测、模拟数字化 转型的成果或效果，明 确数字化转型需求 流程管理 应具有局部业务流程的管理 规范或规章制度 a) 应使用信息技术手段管 理流程制修订过程、宣贯 活动、配套成果等； 成果进行模拟和评价； b) 应基于流程管理与各业 务管理系统的集成，实 现流程发布、执行、反 馈、监控的闭环管理； c) 应建立主要流程改进影 响因素模型，结合流程 全局图谱和历史数据 等，预测流程改进面临 的问题，基于知识库给 出解决方案 cn GB/T 43439—2023 〇 表 2 组织的成熟度要求 (续) 成熟度等级要求 能力子域 一级 二级 三级 四级

智能化和数字化转型 提供参考。 核心观点 : Deepseek 的出现将加速金融机构的数字化转型 Deepseek 的出现将加速金融机构的数字化转型，核心在于可以更高效地论证数字化转型的阶段性效果，继而批量复制。 传统金融机构的数字化转型面临三大核心矛盾 : —— 矛盾 1 : 顶层设计层面自上而下“以客户中心 + 数字化转型”的长期战略目标，与一线人员层面自下而上短期业绩 KPI 3 : 成熟金融机构优势业务体量巨大但增速放缓，与创新业务增速虽快但占比太小的结构性矛盾。 针对以上矛盾，我们认为 DeepSeek 赋能金融行业的背后有八大逻辑 & 观点 : 结论 1 : 数字化转型是金融机构的组织转型 + 业务重构，技术只是催化剂， Deepseek 的出现有助于加速量化论证转型的阶段性 效果 ; 结论 2 : AI 不是岗位替代者，而是能力放大镜，更多取代 看见需求 ; 结论 7 : 理解业务与理解技术同样重要 :AI 是认知杠杆，不是流程替代，金融机构业务端的“产品经理”或成为稀缺人才 ; 结论 8 : 金融市场的复杂性与反身性、金融数据的隐私性与安全性等特殊性促使金融业的数字化转型需要渐进式创新 ; 最后，本文对券商、保险、信贷、供应链金融及其他金融科技机构业务逻辑的痛点和数字化价值进行深入的分析和探讨，以 期对金 融行业的智能化和数字化转型提供参考。