摘要 2024 的医疗 AI，既是坎坷，又是新生。 快速发展的大语言模型，携着生成式 AI 掠过医疗领域。过往的互联网医疗、医学影像、 新药研发……一个一个场景经由新一代 AI 重塑，焕发出前所未有的价值。 不过，发现价值并不意味着能够掘得价值。如今惨淡的融资形势下，躬身大模型的企业 们无法像深度学习时代那样随意试错。有限的现金流，意味着每一家企业必须全面考察 场景、技术、风控、商业化等方方面面，才能做出决定。 亿的营收规模，迈向第一个 10 亿。 2. 超 160 个影像 AI 获批医疗器械三类证，影像 AI 企业们逐渐跳出影像科，向医学装 备、外科手术辅助系统等领域进发，打开了新的百亿市场。 3. 生成式 AI 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 ................................46 第四章：大模型之下，生成式 AI 何以颠覆医疗？.....................................................................48 4.1 前沿技术：从判别式 AI 到生成式 AI...........................................

其在提升效率和推动产业升级方面的优势，展现出广阔发展前景，政府支持也为其提供了强劲 动能。资本市场持续关注AI，投资重点聚焦于语言与多模态模型应用、芯片、算力服务等领域， 基础层与应用层协同发展，不断完善产业生态。社会层面，生成式AI的普及加速了市场教育， 公 众 接 受 度 显 著 提 升 ， 但 就 业 替 代 、 隐 私 安 全 等 问 题 仍 引 发 一 定 焦 虑 。 技 术 方 面 ， Transformer架 AlphaGo击败围棋 世界冠军李世石 文生视频Sora出现 Stable Diffusion、Midjourney 等文生图产品发布 GPT-4发布 妙鸭相机发布 自己亲手用上了AI， 生成了内容或者解决了问题 其他事件，如AI换脸的诈骗事件 我觉得AI时代还未到来 中国人工智能产业社会环境（1/2） AI观念逐渐“深入人心”，大模型热潮极大助力中国人工智能市场教育 来源：《 产品的出现让公众直观感受到，AI可以理解复杂的语言指令并生成流畅自然文本 的强大功能，极大突破了以往人们对AI通常进行简单任务处理的认知。AI、AIGC、大模型快速成为近两年科技产业发展的高频关键词，政 府侧、企业侧纷纷加大对AI技术投资以释放大模型生产力，消费者对生成式AI工具产品的兴趣也在增加，其中，文本写作类应用（豆包、 Kimi、文心一言等）、图片生成类应用（文心一格、通义万相等）是大家主要尝试的两大AI功能方向。

其在提升效率和推动产业升级方面的优势，展现出广阔发展前景，政府支持也为其提供了强劲 动能。资本市场持续关注AI，投资重点聚焦于语言与多模态模型应用、芯片、算力服务等领域， 基础层与应用层协同发展，不断完善产业生态。社会层面，生成式AI的普及加速了市场教育， 公 众 接 受 度 显 著 提 升 ， 但 就 业 替 代 、 隐 私 安 全 等 问 题 仍 引 发 一 定 焦 虑 。 技 术 方 面 ， Transformer架 AlphaGo击败围棋 世界冠军李世石 文生视频Sora出现 Stable Diffusion、Midjourney 等文生图产品发布 GPT-4发布 妙鸭相机发布 自己亲手用上了AI， 生成了内容或者解决了问题 其他事件，如AI换脸的诈骗事件 我觉得AI时代还未到来 中国人工智能产业社会环境（1/2） AI观念逐渐“深入人心”，大模型热潮极大助力中国人工智能市场教育 来源：《 产品的出现让公众直观感受到，AI可以理解复杂的语言指令并生成流畅自然文本 的强大功能，极大突破了以往人们对AI通常进行简单任务处理的认知。AI、AIGC、大模型快速成为近两年科技产业发展的高频关键词，政 府侧、企业侧纷纷加大对AI技术投资以释放大模型生产力，消费者对生成式AI工具产品的兴趣也在增加，其中，文本写作类应用（豆包、 Kimi、文心一言等）、图片生成类应用（文心一格、通义万相等）是大家主要尝试的两大AI功能方向。

研究简报 2024 年是拥抱变化、把握机遇的一年。冲突和转型的交织令原有假设受到质疑，领导者不得 不重新评估其风险偏好。他们必须平衡速度需求与成熟流程的安全性，然后改变那些束缚发展 的习惯。 生成式 AI 是这一转变的核心，带来了一个充满新机遇和未知风险的世界。智能体 AI 是指自主 执行各种功能的系统和程序，可在员工从事其他工作时代表他们完成任务。通过为 AI 智能体赋 予相关权限，它 定角色的工作全部自动化，企业更愿意将人 员与特定领域的 AI 智能体结合，以提高绩效 表现。事实上，87% 的受访高管预计人类工 作会被生成式 AI 增强，而不是被取代。 3 这 意味着，比起学习新的技能或工具，员工必 须彻底重新思考如何开展工作，以便充分释 放生成式 AI 的潜力。 全球每年大约有 5% 的劳动力需要持续进行再培训， 而 AI 的快速发展让这一比例急剧攀升。 全球范围内的受访 事实上，现在有 90% 的受访高管表 示，到 2026 年，其组织的工作流程将通过智能自动化和 AI 助手实现数字化，77% 的受访高管 认为到 2026 年，生成式 AI 将让联网资产自主做出决策。 8 受访高管们还表示，由于生成式 AI 的发展，数字助手的决策量将在未来两年内增加 21%。 9 这将对运营模式产生巨大影响，因为 组织必须搭建新的架构，让员工能够监督自主决策流程，并管理由此产生的新风险。

ntion） •编码器（BERT）：多数embedding模型，Ernie早期版本，……. •混合网络：T5、GLM •解码器（GPT）：大语言模型（LLM），也是传统的多模态模型的核心 •生成式人工智能（GenAI）：AIGC •DeepSeek、Qwen、GLM、Step、MiniMax、hunyuan、kimi、…… •OpenAI GPT（ChatGPT）、Claude、Llama、Grok、…… 模态模型架构 大模型的发展阶段 生成模型 ref:中文大模型基准测评2024年度报告(2025.01.08) 推理模型 生成模型与推理大模型的对比 比较项 OpenAI GPT-4o（生成模型） OpenAI o1（推理模型） 模型定位 专注于通用自然语言处理和多模态能力，适合日常对 话、内容生成、翻译以及图文、音频、视频等信息处 理、生成、对话等。 侧重于复杂推理与逻辑能力，擅长数学、编程和自然语言推理任 务，适合高难度问题求解和专业领域应用。一般是在生成模型的 基础上通过RL方法强化CoT能力而来 推理能力 在日常语言任务中表现均衡，但在复杂逻辑推理（如 数学题求解）上准确率较低。 在复杂推理任务表现卓越，尤其擅长数学、代码推理任务。 多模态支持 支持文本、图像、音频乃至视频输入，可处理多种模 态信息。 当前主要支持文本输入，不具备图像处理等多模态能力。 应用场景 适合广泛通用任务，如对话、内容生成、多模态信息

配备与重要功能方面相关的各种传感器。这些传感器产生与 物理对象性能各个方面有关的数据，例如，能量输出、温度 和天气等等，然后将这些数据转发至处理系统并应用于数字 副本。一旦获得此类数据，虚拟模型便可用于运行模拟、研 究性能问题并生成可能的改进方案；所有这些都是为了获取 富有价值的洞察成果，然后将之再应用于原始物理对象。 2 （二）数字孪生的金融政策指引 在金融行业，中国人民银行于 2021 年发布的《金融科 技发展规划（2022-2025）》 策进 行支撑。 数据层：包含支撑服务层各类服务的各类数据，包括从 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、 行学习，从中 找到相应规律，进而生成与之相类似的数据，实现业务数据 的仿真模拟。为实现数据的高质量仿真，需要使用机器学习 领域的生成式模型，主流的生成模型包括生成式对抗网络 （ Generative adversarial net ， GAN ） 和 变 分 自 编 码 （Variational autoencoder，VAE）两大类。 （1） 生成式对抗网络（Generative Adversarial

reproduce or distribute. 智算产业现状总览 , 智算产业运行状况 , 智算中心核心驱动力 , 智算产业关键技术 , 智算产业竞争格局 生成式AI驱动的变革 , 生成式AI对智算产业的影响 , 生成式AI发展挑战 , 大模型对智算产业的作用 , 智算产业是否过度依赖大模型 算力基础设施架构和国产化情况 , 智算中心如何影响我国算力分配 , 算力卡供应情况 20 Supplyframe, Inc. Confidential & Proprietary. Do not reproduce or distribute. 3. 生成式AI驱动的变革 核心点： 范式革新 ｜ 生成式AI推动高性能算力需求，加速云-边-端覆盖与多元异构算力协同。 产业升级 ｜ 技术突破催生新玩家（如大模型服务商），降低应用门槛并催生微调服务模式。 服务格局 ｜ 传统 distribute. 3. 生成式AI驱动的变革 发展生成式AI的关键技术 来源：与非研究院 算力芯片和大模型是生成式AI性能提升的关键。同时，AI算法、存储技术、网络技术等都非常重要。 22 Supplyframe, Inc. Confidential & Proprietary. Do not reproduce or distribute. 3. 生成式AI驱动的变革 生成式AI对智算产业的最大影响

我们将AI视为新的数字革命，因为它既是一种技术， 也是一种新的工作方式。我们相信它将在企业运营的 每个领域得到应用，并对所有相关的人和事物产生网 络效应。其影响已经显现，随着公司继续扩大AI规模 ——并将生成式AI作为变革的催化剂——它将解决新 的问题，创造新的发明，改变我们的工作和生活方式 ，并转型行业和政府。 安永研究显示，仅有36%的高管表示他们的组织已 经实现了通用人工智能解决方案的规模化，仅有13 破。 今天的AI模型已经摆脱了过去深度但具体且线性的方法 ，并展示了前所未有的自主性—在他们如何学习、如何 处理任务以及最终能够做什么方面。他们将这种自主性 带到了工作中，75%的知识工作者报告使用生成人工智 能；在如何与技术互动方面，作为编码助手并通过扩展 语音助手功能；以及几乎在一切事物上，从机器人到汽 车，到医疗保健。 4,5,6,7,8,9,10 高度能效的高级人工智能 但是这是一个烟幕弹——大多数商业领袖都无法承受的 好和需求。 InSilico Medicine，一家制药公司，利用生成式人工智 能在不到30个月的时间内，完成了从药物发现到一期临 床试验的进程，这大约是通常所需时间的一半。 11 他 们使用了一个基于组学和临床数据的模型进行微调，以 识别药物治疗的潜在靶点。为了开发可能的药物组成， 他们使用了一个由500个预测和预训练模型组成的生成 化学引擎。对于Insilico来说，人工智能是他们工作的核 心——塑造围绕它的业务和行业。

(Rule-Based Reward) : 准确率奖励 + 格式奖励 准确率奖励 Accuracy Rewards: 判断答案是否是正确的 格式奖励 Format Rewards: 规劝模型生成答案的过程是 和 没有使用 Reward Model, 因为 ORM 和 PRM 等基于神经网络的都可能遭受 reward hacking 而 retraining 16 ↓ ↓ ! 冷启动 Cold Start 数据准备： few-shot long cot data, 详细带反思和验证的数据 集 双重验证： 由人类注释者和 R1-zero 生成的高质量链式思考 （ Chain-of-Thought, CoT ）数据，部分样本长度达到 10,000 Token 成效： 提供一些 Human Prior \ 显著提升了语言的语义连贯性、 再进行 SFT 和之前 Cold-Start 的数据不同，这部分 SFT 主要是负责全领 域 任务 600k 推理任务： (1) 基于规则的奖励 (2) 利用批判模型 融 合生成式奖励 200k 通用任务 (writing \ role-playing \ general- purpose) 成效： 使模型在推理能力不减的前提下，语言表现更为自然， 适应性更为广泛。

执行的战略来推动组织变革，实现可持续的结果。 人工智能在汽车领域的机遇 Strategy& 4 5 3 关于汽车领域的AI假设 人工智能的能力正从生成式AI发展到代理式AI，然而实现盈利效果的进程比乐观者所希望的更长。 最高短期影响体现在客户支持/体验、软件开发和选定的企业职能上。 人工智能在超越传统“建设方法”的合作伙伴关系中大规模释放其潜力。 人工智能正从炒作走向现实，尽管采取行动的紧迫性仍然很高。 预期 影响 物理/类似人类的AI 生成式/代理式人工智能 狭窄/敏锐的AI 颠覆性的 情景 新一代 人工智能作为最高发展阶段 人工智能（AI）策略所需以应对风险 风险规避与业务连续性 – 与人工智能努力的快速加速 利用机会之窗 OpenAI 发布 ChatGPT OpenAI 发布 生成式人工智能 GPT3 基底 情景 监管或成本阻碍 进一步 人工智能的进步 Siri virtual assistant 时间 人工智能在汽车领域的机遇 Strategy& 注释：窄/感知型人工智能专注于有限的任务，具有感官能力，如语音或图像处理，但没有一般推理技能。生成/代理型人工智能根据学习到的模式创建新内容——在 更发达的阶段，它可以自主行动，并根据预设目标和环境输入做出决策。物理/拟人型人工智能模仿人类的行为或动作，通常体现在机器人中，用于与物理世界互动 。来源：Strategy&分析