精准诊断；4） AI+影像设备；5）AI+家用；6）AI+智慧医疗。 ◼ 药物研发周期长、资金投入高、成功率低，“AI+”方案有望解决痛点。一款新药成功上市销售大约需要花费十年以上的时间，药物发现阶 段从靶点到苗头化合物再到先导化合物优化过程，整体成功率为51%，临床研究阶段的整体成功率仅为12.9%。资金花费上，一款药物从研发 到上市销售，平均需要投入8-23亿美元，上市后还要投入超过3 索未知分子，提高药物研发的创新性；能够通过计算机模拟的方式减少需要实验室验证的分子数量，节约验证和测试时间。 ◼ AI研发的药物逐步进入临床阶段，且药物类型多样。尽管当前暂时没有利用AI制药技术研发的药物成功获批上市，但通过公开的数据库检索， 2015年-2023年累计有75个分子应用AI制药技术开发并进入临床研究，2023年有67条管线处于临床研究阶段，其中45条管线处于临床I期研究， 19条管线 图：药物研发不同阶段的成功率 数据来源：英矽智能招股书，国信证券经济研究所整理 图：药物研发过程的时间和资金投入情况 数据来源：成都先导投资者交流资料，国信证券经济研究所整理 药物研发周期长、投入高、成功率低 ◼ 药物研发周期长、资金投入高、成功率低。全球新药研发如火如荼，整个研发过程需要经历 创新靶点研究、药物发现、临床前研究、临床研究最终申报上市，一款新药成功上市销售大 约需要花

持续改进，最终形成最符合政企现状的运维体系， 持续保障业务稳定运行，支撑业务持续健康发展。 表2.3 运维体系成熟度评估标准 评价维度 评价标准 指标举例 业务感知能力 应用请求成功率 应用请求平均时延 运维人效比率 平台资源使用率 运维自动化率 变更成功率 资源统计报表 运维可视化程度 通过云上业务系统经营指标、运维指标、服务可用性指标等指标判断业务感知能力，指标 覆盖越全面，业务感知能力越好 分析决策能力 分析决策能力 通过资源使用率、运维人效比、运维投资收益率等一系列指标为分析决策提供输入，指标 覆盖越全面，分析决策偏差越小 自动化能力 通过运维自动化率、变更成功率等指标判断自动化能力，指标越高，说明自动化能力越高 可视化能力 通过对平台、应用、运维事件进行多维度统计判断可视化能力，指标覆盖越全面，可视化 能力越好 09 10 图2.4 混合云现代化运维体系参考架构 规范与流程 安全管控 故障定级规范 线规范、业务转维规范、运维数据治理规范等。 典型的运维流程包含故障处理流程、应急恢复流 程、主动运维流程、变更流程等。 典型的指标度量体系包含告警响应及时率、事故 恢复及时率、事故数量、变更成功率等。 2、运维组织治理 根据用户实际情况定义运维组织架构，识别关键运 维岗位，明确岗位职责，按照岗位承担的职责和定 义的人效比，为岗位配置预期数量的人员以及人员 的绩效考核条目。涉及周边组织协同配合场景，需

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 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 几乎参与了从药物靶 点发现到临床试验的全流程。 AI 制药技术发展历史： 1) 早期探索期（2007-2012 年）：人工智能技术在药物发现中的使用，可以追溯到 2007 年剑桥大学开发的 Adam 机器人成功预测酵母菌新功能的案例。而后，机 器人 Eva 发现了牙膏中的成分三氯生可以靶向抑制 DHFR 酶来治疗疟疾。 2) 技术积累期（2013-2016 年）：一大批标志性企业在此阶段成立，包括 Exscientia、 地方政策发展目标明确，大力扶持 AI 制药技术发展。地方政策的明确发展目标和对 AI 制药技术的大力扶持，已经成为推动中国医药行业创新和转型的重要力量，激发了企 业的创新活力，缩短新药上市周期，提高研发成功率，从而在全球医药市场中增强竞争 力。 表 3 “十四五”期间中国部分省份 AI 新药研发发展目标

AI 工具有望通过以下方案突破瓶颈： 1.跨尺度建模误差控制：微观层面，从每个原子之间相互作用力的计算误差；到介观层面， 微小的孔洞结构或者材料密度变化对材料强度带来影响；再到宏观层面，在实验室小试成功， 但是规模化生产却完全失败，此类风险与跨尺度误差累积紧密相关。目前的最新研究显示， 类似 Deepseek 这类 AI 工具可以在粗糙尺度、中间尺度以及全原子尺度建模，在耗时和精准 性上相较于传统方法显示出显著优势。 冲击或相对较轻。例如谷歌 DeepMind 利用材料探索图形网络(GNoME)，使得 稳定晶体发现数较过往提升一个数量级；美国加州大学伯克利分校团队利用自动实验室系 统，在 17 天内成功合成 41 种目标材料，成功率超 7 成。 ➢ 化工企业的时代大考： 如何应对 AI+机器人大时代？ 我们认为：AI+机器人大时代给传统化工企业带来了巨大的生存挑战，但同时也蕴含着无限 的发展机遇。只有通过加强 ................ 25 图表 26： AI 指导机器人制造新材料 ..................................... 25 图表 27： A-Lab 合成成功率可超 7 成 .................................... 26 图表 28： 技术驱动加速发现周期 ................................

.......................................................................................125 8.1 国内外成功案例................................................................................127 8.1.1 案例一：AI 在实际应用过程中，还需强调数据安全与隐私保护。医疗行业 涉及大量的个人健康信息，如何确保这些数据在被模型处理时不被 泄露，是实现这些应用的前提。此外，对模型进行持续的监测与评 估，确保生成结果的科学性与可靠性，也是医疗应用成功的重要因 素。 综上所述，生成式大模型在医疗场景中的应用，不仅是可能 的，而且是切实可行的。随着技术的成熟和数据的积累，这些模型 将会在提高医疗质量、优化资源配置等方面发挥越来越重要的作 用。 者的病历数据，为医生推荐个性化的治疗方案，并在一定程度上降 低了误诊率。 在药物研发过程中，AI 生成式大模型被用来预测化合物的药理 活性与安全性。某制药公司利用这种大模型加快药物筛选的速度， 通过分析上百万的化合物数据，成功找到了多个候选药物，这一过 程不仅缩短了研发周期，还节省了大量的研发成本。 在患者管理与教育方面，AI 生成式大模型也显示出其独特的价 值。一些健康管理平台利用 AI 技术，为慢性病患者提供个性化的

.................................. 27 图 42 解锁科技树的成功率（蓝色是 GITM） ............................................................. 27 图 43 各模型完成任务成功率对比 ................................................ Conversation，CSDN, 海通证券研究所 AutoGen 在四项实战应用的表现测试中均胜过单一大语言模型，实验发现智能体能 增加 AI 完成任务的成功率以及模型的稳定性。1）数学计算：分别测试了 AI 在完成整个 数学题库和随机 120 道题目的表现，AutoGen 的成功率远超各类语言模型。2）数据库 检索问答：先建立一个 RAG 数据库，然后对智能体进行问答测试，看其能否追踪到正 确的答案。其 F1-score 拟世界中，包含了各种场 景、任务和智能体需要完成的挑战。ALFWorld 实验发现 3 个智能体的成功率高于 2 个 智能体，说明随着交互的智能体变多，智能体间互相纠错的能力有所提升。但对于 AutoGen 的实验也提到多智能体可能会导致错误循环（智能体之间反馈错误但一直无法 解决），这也是降低成功率的因素之一。4）OptiGuide: 是专门设计来通过自然语言处理， 解读和指导复杂供应链优化决策。在用不同语言模型运行

短 62%和60%（见图1）。这种强大的韧性在供应链 中断愈发频繁和严重的当下尤为重要。 自主化系统仍处于发展的初期阶段，大多数 企业也刚刚踏上这一征程。我们深入研究了领军 企业为获取初步成功所采取的有效行动，并总结 出以下几项关键举措。 这些策略并非必须按顺序执行，但对于那 些在迈向自主智能化系统的过程中践行了其 中一项或多项的企业而言，初步成效已经显 现。我们将在后面的章节中详细阐述每一项 实现自主化采购的关键。这些技术有助于更智能 某消费品公司：自主智能化实践初见成效 一家消费品公司通过实施自主智�供应链创造了显著价值。其工厂采用的AI批量生产健康监测 系统，通过根据生产周期、产品质量及能耗成本预测最优批次性能，成功实现了吨均成本下降。 在该公司的新项目中，每次派送的平均距离已缩短了15%，卡车利用率提升了近10%，显著增强 了物流效率。 此外，该公司还通过竞争性采购和价值链优化举措，例如，针对物料进行全球招标，以及在棕榈油 系统，能够自动诊断缺货和过剩库存，确定最优 补货策略，并将决策结果回传至源系统。目前， 这套系统已能统筹处理以往依赖人工的数千项 决策，显著提升了劳动生产率、分销效率和响应 时间。 这些前期取得的成功凸显了现代化的数据、 知识与智能体层（即“数字核心”）的价值，展现 出它们在规模化应用AI以及实现劳动生产率、资 本改善成本和整体业务增长方面实现跨越式提 升的重要性。“数字核心”正在推动该公司实现自

非医疗性质的健康建议 服务。不同于上述 5 种模式，这一模式下消费者为影像 AI 相关服务的直接支付方。 2.1.2.2 已成功实现商业化的细分赛道  精准 PCI 在当前影像 AI 领域的激烈竞争中，心脏作为产品布局最为丰富的脏器，已经见证了多 款产品成功实现商业化落地，有力推动了精准 PCI 时代的到来。 在冠状动脉疾病的诊疗上，AI 赋能的 CT-FFR 技术崭露头角。这项技术能够迅速分析患 排行榜”榜单中以 85.07 分在医疗大模型中排名第一，并于 5 月在 面向中文医疗大语言模型的开放评测平台 MedBench 的评测榜单中，以综合得分 61.3 分登顶榜首。此优异的成绩也助力医渡科技大模型成功与多家全国排名前 20 的头部医 22 院合作，对医学科研、临床辅助、数据治理等多场景进行赋能。 深睿医疗同样着力数据平台智能化，于 3 月推出了 DeepwiseTrioData 多模态医疗大数 断融入，制药 AI 的数据处理能力、算法模型、应用场景、可解释性、个性化和精准化 以及自动化实验平台等方面都发生了显著变化。这些变化为新药研发提供了更强大的工 具和手段，有望加速新药的研发进程并提高成功率。 图表 18 AI 制药的技术变化趋势 资料来源：公开信息整理 据相关分析，当前的 AI 有可能使新药研发的效率提高 50%，这一提升幅度在特定领域 甚至可能更高。从生产率的增加角度来看，AI

.....................................................................................117 15. 案例研究与成功经验................................................................................................. .........................................................................................121 15.2 成功实践分享............................................................................................... 提高转化率，降低营销成本 通过以上分析可以看出，AI 智能体在多个商务场景中的应用能 够为企业带来显著的价值。因此，制定和实施符合企业需求的 AI 智能体应用服务方案，对于企业在激烈的市场竞争中取得成功至关 重要。 1.2 目标与范围 本次商务 AI 智能体应用服务方案设计的核心目标是通过智能 技术提升企业运营效率、优化决策流程，并增强客户体验。方案的 实施范围涵盖企业内部管理的自动化、外部客户服务的智能化，以

7.4.2 持续支持机制...........................................................................158 8. 案例研究与成功实例................................................................................160 8.1 国内钢铁企业的 AI ......163 8.2 国际钢铁企业的 AI 应用案例............................................................165 8.3 成功因素分析....................................................................................167 9. 持续改进与未来展望 产品质量控制：说明 AI 技术在质量检测中的作用，比较传统 方法与 AI 技术的优势。 5. 供应链管理中的 AI 应用：探讨 AI 在整个供应链中的数据整合 及优化。 6. 成功案例分析：总结国内外典型钢铁企业的成功应用案例，展 示 AI 大模型的实际效益。 最后，本文将通过结合实际案例与数据，确保提出的应用方案 具备可行性和实用价值，为钢铁行业的智能化转型提供参考与借 鉴。 2. 钢铁生产流程概述