核心引擎。 1. 技术拐点爆发，AI 大模型开启流程智能化新时代 AI 大模型在认知层级的突破，使得传统流程自动化执行场景范畴得以扩充。 首先，大模型在非结构化数据的处理与分析能力层面实现了跃迁。过去的 RPA 在合同关键条款自 动提取任务上表现不佳，而 AI 大模型在此任务上准确率接近 100%。其次，多模态交互的升级进 一步拓展了流程智能化应用场景。例如政务大厅的数字员工，可以基于语音、图像识别处理市民咨 大模型也降低了应用门槛，惠泽更多中小企业。基于代码大模型的公有云 API 接口，中 小型企业的 IT 研发成本、运维成本都实现大幅下降。 2. 宏观经济承压，流程智能化是降本关键 全球经济增长放缓、通胀压力高企，企业利润空间持续收窄，倒逼企业必须通过流程智能化实现 “刀刃向内”的降本革命。 在显性成本层面，流程智能化通过自动化直接压缩资本开支。例如，美的集团对于供应链流程进行 当市场增量红利消退，企业竞争转向组织内功比拼。流程智能化，可以加速企业新品上市速度、重 塑用户体验，提高创新成功率。 在产品创新领域，流程智能化通过敏捷开发与需求响应闭环重构价值链。比如，服装企业通过创新 的研发流程，实现从门店需求采集到服装设计定稿仅需数周时间，大幅提高了爆款服装命中率。在 用户体验领域，流程智能化则体现为个性化服务与快速响应。比如，企业客户服务部门通过 AI 流 程创新，可以提高客户投诉响应速度，从而拉升

邮箱：chenyeyao@gyzq.com.cn 智能驾驶行业研究 请务必阅读正文之后的免责条款部分 目录 2 1.端到端发展进入加速期，基于规则长期护航 1.1 端到端的定义、发展历程、实现方法及挑战 1.2 自动驾驶产业支持充足，标志性政策落地 1.3 车企抢滩DeepSeek，AI行业与智能驾驶共振 1.4 10万级别智驾落地推动行业进入智驾平权 1.5 汽车行业加速迈向智能驾驶全面普及时代 资料来源：电动车公社，国元证券研究所 4 端到端的定义：基于数据驱动的深度学习 在广义语境中，端到端是一种研发范式，指在一个任务中，从输入端到输出端，中间不经过任何其他处理环节，由 一个模型完整实现输入到输出的全过程。在智能驾驶领域，端到端架构是指车辆将传感器采集的信息直接输入统 一的深度学习神经网络，经过处理后直接输出驾驶命令。深度神经网络赋予端到端模型强大的学习能力，使其能 从大量驾驶 相互独立，信息传递容易积累误差，且智驾方案依赖于 工程师通过代码制定的规则，难以处理所有复杂场景， 边际效应随着智驾能力的提升呈现几何式骤减。与基于 规则的传统自动驾驶算法结构相比，端到端算法基于数 据驱动，可以实现信息的无损传递。同时，端到端架构 将感知、预测和规划结合为一个可以共同训练的单一模 型，整个系统都针对最终任务进行优化，并且共享的骨 干网络大幅提高了计算效率，使智驾方案具备更高的迭 代效率，有效降低了维护成本。

面对业务和技术发展新需求，越来越多的企业开始在已有云设施之外，规 划、建设新的云环境，利用技术的更新和IT架构的迭代，获得新的发展动 力，并通过引入新的合作对象，解决企业当前云环境下存在的问题。多云策 略已经在企业众多应用场景中实现了深度普及与广泛应用，成为企业重要的 云发展战略组成部分。IDC多云战略调研发现：目前，��%的中国企业已经构 建多云/混合云环境，被访企业平均拥有�个公有云服务商，�个私有云服务 商；��% 高效普惠的数据运营管理能 力、稳定可靠的多云治理和协同、持续优化的成本治理能力、开放合规的全 球服务体系等。IDC调研显示，目前，超过一半的中国企业处于复杂多云阶 段，而处于有序复杂和战略价值实现阶段的企业不到�/�，从整体上看，企业 在提高多云成熟度方面还有很长的路需要探索。 面向通用人工智能技术高速发展的新时代，企业有必要重点围绕AI应用需求 构建多云能力。即以应用为导向，以创造业务价值为目标，确保所选技术和 更加极致的客户体验 “走出去” 数字化创新业务 数字化商业模式 来源：IDC，���� �� 自动化：更广泛的自动化用例已经无处不在。IT自动化、流程自动化和价 值流自动化，可以帮助企业实现自主运营、数字价值工程和创新速度。在 过去几年中，机器人和无人机等自动化技术正越来越多地应用于物流、能 源、医疗等诸多领域。在此背景下，数据也正在成为组织的核心战略能 力，由于自动化程度的提高

AI 的想象, 飞速从简单地识图、识字、辨音等 基础场景 进化到今天: AI 具备了强大的分析能力, 能够深度挖掘数据价值, 走 深向实, 行业大模型在金融、医疗、教育、零售、能源等多个行业领域实现了初 步应用, 并产生了明显的经济效益和社会效益。 特别是在中国, AI 的风起云涌恰逢波澜壮阔的企业智能化浪潮,体现在《中 国企业智能化成熟度报告 (2024) 》 (以下简称《报告》) 中 针对智能体转型 "领先者们" 的衡量标准 也即 L4 和 L5 水平的要求,进一步明确了企业智能 体的布局、探索、应用的水平,希望在 AI 2.0 时期的新要求、高要求,对企业利 用新 AI 技术实现跨越式发展提供一定面向未来的指引。 作为率先布局全栈 AI 的领军者, 企业聚焦数据、算力和算法, 积极投身 AI 带来的智能化变革的时代洪流。过去的近八年, 企业在 AI 领域砥砺深耕、前瞻 技术红利加速释放,为各行各业的转型注入了新动力。 中国信通院最新发布 的《人工智能发展报告 (2024 年) 》认为, 当前人工智能应用持续走深向 实,行业大模型已在金融、 医疗、教育、零售、能源等多个行业领域实现了 初步应用,并产生了明显的经济效益和社会效益。 如今, AI 成为发展新质生 产力的核心要素, 企业智能化转型也成为新质生产力的关键价值呈现。 企业作为科技创新的主力军,积极投身于人工智能的应用浪潮中

表彰利用人工神经网络进行机器学习的基础发现和发明。对于机器人 产业来说，物理智能将使机器人能够理解 3D 世界的空间关系和物理 行为，赋予机器人更强的环境感知、理解和交互能力，实现更广泛的 功能应用，如宇树科技的机器人实现了原地侧空翻、复杂舞蹈动作、 平衡木行走、灵巧手操作等复杂功能。 硬件和软件的深度协同推动了算力效能的提升，为机器人的大规 模应用提供了算力支持。2024 年，全球 AI 等多模态大模型的出现， 进一步推动了算力需求的激增。当前，软硬件协同的方法正在不断提 升大规模智算训练效率。在硬件方面，高性能 GPU、专用 AI 芯片、 高速互联网络、大容量高速存储等技术，实现了大规模的算力供给， 为处理复杂、不规则的计算任务（如自然语言处理的长序列数据、计 算机视觉的多尺度图像特征）创造了条件；在软件方面，分布式训练 框架、预训练大模型、多模态数据处理等技术也通过精细化算力管理 自动化水平高、结构化、封闭式的工业场景是当前技术条件下智 能机器人最大的应用市场。工业环境相对标准化，生产流程固定，对 机器人的自主性和泛化性要求较低，部分领域如汽车、电子信息等已 3 经率先实现了工业机器人的规模化应用。根据国际机器人联合会 （IFR）在 2024 年 10 月发布的《2024 年世界机器人报告》，2023 年 全球工厂中运行的工业机器人数量超过 428 万台，同比增加了

随着人工智能技术的迅猛发展，DeepSeek 大模型的横空出世，为各行业带 来了前所未有的变革机遇。DeepSeek 凭借其高性能、低成本的特点，不仅打破 了传统技术的局限，更在算力、成本和时间上实现了重大突破。这一创新技术的 出现，引发了广泛关注，并带动了各个行业对大模型应用的探索与创新。 在政务领域，DeepSeek 展现出了巨大的潜力与价值。多地政务系统纷纷接 入 DeepSeek， 政务热线数智化注重资源整合，借助大模型的强大能力，能进一步提升数字 政府协同联动能力。数智化秉持整体性思维，贯穿从接诉到反馈的整个流程。一 方面，加快推进热线整合，通过搭建统一的在线平台，努力实现跨区域、跨部门、 跨层级、跨业务的协同管理和政务服务。大模型可以对海量数据进行分析和处理， 为热线整合提供有力支持，从而引领推进政府组织结构的调整和权责重组，促进 资源配置的最优化。另一方面， 数字政府建设的初衷和重要内容是提升政府治理能力以更好地为人民服务。 政府在社会治理中的角色与职能要求其积极吸纳并尊重民意，始终围绕以民为本、 为民服务的理念思想，稳步优化组织内部体系与政社互动模式，最终实现便民利 民、提高公共服务质量、提升民众幸福感的目标。一方面，政务热线向社会进行 赋权，实质性地拓宽了社会主体政治参与的渠道和途径，提升了社会主体参与社 会治理的意愿和能力。另一方面，大模型为政务热线数智化赋能，使政府超越时

随着人工智能技术的迅猛发展，DeepSeek 大模型的横空出世，为各行业带 来了前所未有的变革机遇。DeepSeek 凭借其高性能、低成本的特点，不仅打破 了传统技术的局限，更在算力、成本和时间上实现了重大突破。这一创新技术的 出现，引发了广泛关注，并带动了各个行业对大模型应用的探索与创新。 在政务领域，DeepSeek 展现出了巨大的潜力与价值。多地政务系统纷纷接 入 DeepSeek， 政务热线数智化注重资源整合，借助大模型的强大能力，能进一步提升数字 政府协同联动能力。数智化秉持整体性思维，贯穿从接诉到反馈的整个流程。一 方面，加快推进热线整合，通过搭建统一的在线平台，努力实现跨区域、跨部门、 跨层级、跨业务的协同管理和政务服务。大模型可以对海量数据进行分析和处理， 为热线整合提供有力支持，从而引领推进政府组织结构的调整和权责重组，促进 资源配置的最优化。另一方面， 数字政府建设的初衷和重要内容是提升政府治理能力以更好地为人民服务。 政府在社会治理中的角色与职能要求其积极吸纳并尊重民意，始终围绕以民为本、 为民服务的理念思想，稳步优化组织内部体系与政社互动模式，最终实现便民利 民、提高公共服务质量、提升民众幸福感的目标。一方面，政务热线向社会进行 赋权，实质性地拓宽了社会主体政治参与的渠道和途径，提升了社会主体参与社 会治理的意愿和能力。另一方面，大模型为政务热线数智化赋能，使政府超越时

对于医疗 IT 的重构已经初现成效。上百个大模型涌入医疗领域，许多 互联网医疗、院内信息化系统已经引入相关技术，或能在明年实现规模化落地。 4. 下行经济形势下，医健企业一级市场融资受阻，IPO 延期。医疗 AI 企业需要加速商 业化，在产品形态、市场开拓、伙伴合作等方面实现全面创新，尽快找到扭亏为盈的具 体路径。 目录 第一章：什么构成了医疗 AI 的配置动力？............ 付费是有差异的。许多医疗 AI 通过与目标用户合作的方式进入医 疗机构与药械企业，并在试用阶段中获得用户的认可，但他们中大多数最终不会为手中 的 AI 买单。 归根结底，AI 只有满足用户的切实需求，且能实现一定规模的溢出价值时，这项技术才 能具备商业化的可能。 那么，医疗产业中各类用户的真实需求是什么？本章将对多个主体进行分析，拆解他们 购置 AI 需要满足的真实需求。 1.1 政策主导下的 AI 为了树立医院对于前沿技术的正确认知，引导相关产业的快速发展，我国自 2016 年起 便开始围绕 AI 出台相关政策，从宏观角度出发，推动 AI 技术在医疗领域的应用，提高 医疗服务效率和质量，最终实现医疗行业的智能化升级。 ） 2 图表 2 2016 年—2024 年涉及医疗 AI 的关键政策（下） 资料来源：动脉橙产业智库 大势之下，地方政策也希望通过及早布局 AI 产业，把握时代的风口。譬如，山东省发

2，提出搭建数据开放 共享机制，通过数字孪生、联合建模、图计算等技术手段， 对数据资源进行价值挖掘和关联分析。 （三）数字孪生体系架构 数字孪生体系架构需支撑数字孪生的核心目标，建立与 物理空间等价的虚拟实现表达，并在全生命周期内支撑物理 空间的运营与决策。从架构的视角来看，从上至下分为四层 （见图 1）。 应用层：包含数字孪生技术应用的各类业务应用，对内 外部客户提供服务。金融行业内常有数字孪生财富管理类应 用，数字孪生风险控制类应用，数字孪生零售应用类业务， 数字孪生支付清算类应用等。 1 《金融科技发展规划(2022-2025)》由中国人民银行于 2021 年 12 月 29 日发布，旨在推动金融 科技跨越式发展，实现数字化转型和核心竞争力提升。 2 《北京市推动数字金融高质量发展的意见》由中共北京市委金融委员会办公室于 2024 年 10 月 28 日发布，旨在通过数字技术推动金融业高质量发展，服务数字经济和数字中国建设。 物理实体各处采集和监测的数据，以及对数据中间集和物理 实体历史数据仿真的生成孪生数据。同时，数据层能够运用 机器学习，大模型技术等 AI 技术对数据集进行各类预测及 模拟生成，对数据进行虚拟化，实现数据智能孪生。 算力层：支撑以上各层服务的算力基础设施层，包括云 计算、容器化、云原生等技术，通用计算、智能计算、存储、 网络等资源，提供弹性高效的算力基础服务。 4 图 1 数字孪生体系架构

1）人形机器人是具备人类外形特征和行动能力的智能机器人，以 双腿行走的方式，通过手臂和身体的协调完成功能，基于通用型算法 和生成式 AI，具备语义理解、人机交互、自主决策等能力，并利用人 机交互实现任务理解与反馈，需要强大的感知计算与运动控制能力 （《创业邦》）； 2）人形机器人是一种仿生机器人，指形状与尺寸与人体相似，能 够模仿人类运动、表情、互动与动作的机器人，并具有一定程度的认 知和决策智能（《高工咨询》）； 则和指令，虽然可以在一定程度上应对环境变化，但并不一定具备真 正的理解和适应能力。智能性是指物体或系统具有类似人类的智慧、 学习和适应能力，智能体能够感知环境、进行决策并采取行动，同时 不断学习和优化自身行为，以实现特定目标。这种能力不仅要求具备 自主性，还需要具备感知、学习、适应和决策等更高级的功能。所以 虽然所有机器人都具备自主性，但是并不是所有机器人都具备智能性， 机器人中具备智能性的那部分为智能机器人。 信研究院和北京人形机器人创新中心有限公司于 2024 年 8 月联合发布 的《具身智能发展报告（2024）》中对具身智能的定义为“依靠物理 9 实体通过与环境交互来实现智能增长的智能系统”，智能机器人的智 能性可以是依靠各类数据前期训练而获得，也可以是其依靠物理实体 通过与环境交互来实现智能增长。所以智能机器人也不等于具身智能， 两者之间有交集，交集部分即为具身智能机器人。 3）人形机器人（广义）、双足机器人、其他机器人的关系：国际