1 2 3 战略 组织 机制 策略落地 “通过数字化转型评估模型建设，落实行 动指标与战略目标的关联，推动转型落地” www.top100summit.com 核心实践 基于企业战略寻找数字化转型的“北极星指标”，并最终实现决策引领 ✓ 综合衡量产品的用户价值及商业目标，度量业务长期健康度；将业务目标数据化，并通过数据的表现，反向指导业务 方向 ✓ 在指标体系中引入“北极星” 涵盖了从框架到方法、到策略、到能力、 到指标的逐层解析，同时引入度量中台， 实现与业务经营指标之间的衔接； • 聚焦于转型规划及评估。 • 是行业大量实践经验的总结和提炼，并 工具化，缩短寻找战略方向的时间和试 错成本； • 大量策略集和指标集的推出，丰富了数 字资产； • 聚焦于转型规划后的落地； • 标准化及参数化设计实现可复用，并实 现人机交互，降低应用门槛，解决行业

园区历史设备与系统情况复杂，各建筑的智能化设备拥有 多个管理平台； 希望通过能源管理系统，寻找节能降碳的潜力和空间。 实现各项碳排数据和能源数据的完整性，真实性，透明性； 降低运维管理成本； 助力实现西门子2030碳中和目标。 客户挑战： 对多场景（厂房，办公，实验室，食堂等）实现有差异化的精 细能源管理; 希望通过能源管理，了解工厂用能结构，寻找节能降碳的潜 力和空间; 希望对重点能耗设备进行参数监控和分析，为节能技改项

适应症上看，肿瘤、免疫学及神经病学领域占比最大，分别为37%、21%和14%。随着全球肿瘤疾病负担日益提升，发现癌症 的治疗方法是21世纪最重大的公共卫生挑战之一；免疫学排在第二位，21%的公司将其AI技术用于寻找免疫学疾病的治疗。 AI技术在各药物发现阶段、多疾病领域广泛应用 按药物发现阶段划分的700家AI制药公司 AI在药物开发中涉及的疾病领域 AI 制药：AI在多疾病领域广泛应用 资料来源：Deep 通过机器学习，在蛋白质的原始信息中提取关键特性以精准构建模型，进行功能的推断、预测及分类 大数据 通过深度学习，从大量患者样本及生物医学资料中整理筛选相关基因组学、蛋白质组学、代谢组学等多组学数据，分析疾病 与非疾病间差异，或寻找可对疾病产生影响的蛋白质 基于表型的药物发现 机器学习 通过机器学习，直接使用生物系统进行药物筛选，在表型筛选中关联细胞表型和化合物作用方式，获得靶点、信号通路或遗 传疾病相关聚类 分子生成 利用机器人云实验室实现样品分析自动化 信息的收集与汇总 高效的时间与资源信息管理 • 从数千个不相关的数据源中形成观点 • 改善决策 • 消除研究中的盲点 现有药物的再利用 寻找现有药物的规模化新应用 • 迅速确定新的适应症 • 将现有药物与罕见疾病相匹配 • 在100+细胞疾病模型中平行测试1000+化 合物 资料来源：Deep Pharma Intelligence，西南证券整理

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。

适应症上看，肿瘤、免疫学及神经病学领域占比最大，分别为37%、21%和14%。随着全球肿瘤疾病负担日益提升，发现癌症 的治疗方法是21世纪最重大的公共卫生挑战之一；免疫学排在第二位，21%的公司将其AI技术用于寻找免疫学疾病的治疗。 AI技术在各药物发现阶段、多疾病领域广泛应用 按药物发现阶段划分的约700家AI制药公司 AI在药物开发中涉及的疾病领域 AI 制药：AI在多疾病领域广泛应用 资料来源：Deep 通过机器学习，在蛋白质的原始信息中提取关键特性以精准构建模型，进行功能的推断、预测及分类 大数据 通过深度学习，从大量患者样本及生物医学资料中整理筛选相关基因组学、蛋白质组学、代谢组学等多组学数据，分析 疾病与非疾病间差异，或寻找可对疾病产生影响的蛋白质 基于表型的药物发现 机器学习 通过机器学习，直接使用生物系统进行药物筛选，在表型筛选中关联细胞表型和化合物作用方式，获得靶点、信号通路 或遗传疾病相关聚类 分子生成 利用机器人云实验室实现样品分析自动化 信息的收集与汇总 高效的时间与资源信息管理 • 从数千个不相关的数据源中形成观点 • 改善决策 • 消除研究中的盲点 现有药物的再利用 寻找现有药物的规模化新应用 • 迅速确定新的适应症 • 将现有药物与罕见疾病相匹配 • 在100+细胞疾病模型中平行测试1000+化 合物 资料来源：Deep Pharma Intelligence，西南证券整理

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

XXX 笔 预测 统计型 归因型 预测型 决策型 透支余额 同比 -10% 户均额度 XXX 万 卡量增长 YY% DeepSeek 能做吗？注意力机制类似指标树结构，都是寻找变 量之间的关系 行业影响：缩小技术 鸿沟，推动生态变革 04 中小银行逆袭机会 低成本模型赋能 DeepSeek 的低成本特性，使中小银行无需巨 额算力投入即可享受先进 AI 技术，显著降低技

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

按照应用领域的不同，大模型主要可以分为L0、L1、L2三个层级 是指可以在多个领域和任务上通用 的大模型。它们利用大算力、使用 海量的开放数据与具有巨量参数的 深度学习算法，在大规模无标注数 据上进行训练，以寻找特征并发现 规律，进而形成可“举一反三”的强 大泛化能力，可在不进行微调或少 量微调的情况下完成多场景任务， 相当于AI完成了“通识教育” 通用大模型L0 是指那些针对特定行业或领域的大 Operator的主要功能包括自主完成诸如采购杂货、提交费用报表、订票、买日用品、 填写表格等任务，旨在通过自动化操作提升日常生活和工作效率。它还可以一边在 StubHub搜索勇士队比赛门票，一边处理网球场预订、寻找清洁服务和DoorDash订餐， 实现多任务并行处理 5.4 智能体产品 2025年2月3日，OpenAI发布了一款新的智能体产品——Deep Research。Deep Research由OpenAI 在交互式辅助诊断环节，传统诊断方式是医生在显微镜下逐 张查看切片，完成诊断后再人工录入报告。而 RuiPath能够 提前精准识别病灶区域，单切片AI诊断时间仅需数秒。这使 得医生的工作模式从在镜下逐个寻找病灶，转变为以互动方 式审核AI诊断结果，从 ‘逐片诊断（Slide by slide）’ 模 式升级为‘逐步审核（Step by step）’ 模式，显著提升了 诊断效率与质量 7. 大模型典型应用案例