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架构 2）算力需求结构性转变：2024年部分地区智算中心出现闲置，但这主要是供需错配导致。随 着DeepSeek等开源模型推动推理应用爆发，推理侧算力需求大幅上涨，智算中心利用率有望 逐步提高。 3) 工具生态日益完善：分布式AI框架、LLMOps平台和一体机产品等不断发展，深度融合软硬 件优势，加速了大模型的训练与部署，有效支撑了产业侧大模型的应用建设。 4）商业化以项目制与订阅制为主流：政企侧客户以项目制为主，C端产品多采用“免费+订阅 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：《

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架构 2）算力需求结构性转变：2024年部分地区智算中心出现闲置，但这主要是供需错配导致。随 着DeepSeek等开源模型推动推理应用爆发，推理侧算力需求大幅上涨，智算中心利用率有望 逐步提高。 3) 工具生态日益完善：分布式AI框架、LLMOps平台和一体机产品等不断发展，深度融合软硬 件优势，加速了大模型的训练与部署，有效支撑了产业侧大模型的应用建设。 4）商业化以项目制与订阅制为主流：政企侧客户以项目制为主，C端产品多采用“免费+订阅 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：《

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，它们 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 队，并学习如何与 对话式监管 AI 智能体合作，从而简化这一流程。 这轮 AI “第三浪潮”带来的是工作流程的大规模变革。 7 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

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 液冷机柜 芯片器件层 ｜ • CPU/GPU/NPU/TPU • HBM • DPU • 供电/散热模组 算法理论层 ｜ • 深度学习框架 • 分布式训练 • 模型压缩 • 联邦学习 • 能效优化 来源：与非研究院 5 Supplyframe, Inc. Confidential & Proprietary. Do not 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 ｜ 传统算力机制无法满足大模型需求，定制化服务（独占式/大规模算力）成主 流。 成本优化 ｜ 缩短部署周期、提升数据控制能力，助力企业降本增效。

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。

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）》 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。 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、

知型AI  从基于小参数模型的感知型AI，走向基于大参数模型的认知型AI  从擅长理解的认知型AI，发展到擅长文字生成的生成式AI  从语言生成式AI，发展到可理解和生成声音、图片、视频的多模态AI  从生成式AI，发展到推理型AI 专家系统 感知AI 认知AI 生成式AI 多模态AI 推理式AI 9 政企、创业者必读 人工智能发展历程（二）  从单纯对话的大模型AI，发展到具有行动和执行能力的智能体AI 大模型安全之战 • 探索超越人类的超级人工 智能AGI • 不仅是科技之争，更是国 运之争 • 不发展是最大的不安全， 发挥举国体制优势，打赢 追赶之战 • 大模型带来前所未有安全 挑战 • 外挂式传统安全手段难以 应对 • 应对模型安全新挑战，打 赢未雨绸缪之战 • 大模型是能力而非产品， 结合场景才能发挥价值 • 中国拥有最完整的产业链、 最全的工业门类、最丰富 的场景 • 发挥场景优势，加速传统 国外：GPT-4等效智能在过去18个月内价格下降240倍  国内：大模型「亏本」卖，可以「白嫖」大模型API能力 19 政企、创业者必读 DeepSeek出现之前的十大预判 之七 多模态越来越重要  由文本生成迈向图像、视频、3D内容与世界模拟  多模态模态在能力变强的同时，规模正在变小 20 政企、创业者必读 21 DeepSeek出现之前的十大预判 之八 智能体推动大模型快速落地  能够调用各种工具，具有行动能力

带来的边际收益开始递减；如果想要深度提 升模 型推理能力和长程问题能力，基于 RL 的 Post-Training 将会成为下一个突破点。 自回归模型在数学推理问题上很难进步的一点在于没有办法进行回答的自主修正，如果仅是依靠生 成 式方法和扩大参数规模，那么在数学推理任务上带来的收益不会太大。所以需要寻找额外的 Scaling 为什么我们需要后训练 Scaling-Law ? 回顾： Post-Training Scaling (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、

中国 AI 市场正在经历一个快速发展的黄金期。根据最新数据，中国 AI 市场规模从 2018 年的 1,372 亿元增长至 2025 年预计的 10,457 亿元，短短七年间实现近 8 倍的跨越式 增长，展现出强劲的增长势头。 在全球 AI 竞争版图中，中国的地位正在发生根本性转变。2018 年中国 AI 市场在全球 的占比为 9.2%，预计到 2025 年这一比例将大幅提升至 20.9%，标志着中国正从 技术的商业 落地，正在快速确立全球领先地位。根据 IBM 最新发布的《2023 年全球 AI 采用指数》 ，有超过 85% 的中国企业在加速其 Al 投入，并有超过 63% 的中国企业在积极应用生 成式 Al，显著领先于其他国家的企业。 2018 2019 1372 9.2% 11.0% 12.2% 13.8% 15.5% 17.2% 18.7% 20.9% 40.0% 1858 2603 以效率提升为主要目标 典型案例： 营销领域：利用 AI 生成营销文案、个性化推荐 客服领域：智能客服机器人初步应用 运营领域：数据分析和预测性维护 行政领域：智能会议纪要、文档处理自动化 扩展深化阶段：AI 的产品化整合 阶段特点： 系统性应用部署 技术深度集成 跨部门协同 以业务创新为核心诉求 典型案例： 研发领域：AI 辅助产品设计、智能代码生成 生产领域：智能质检系统、预测性维护 供应链：智能库存管理、需求预测优化