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 人力资源：AI 驱动的人才筛选与管理 全面推广阶段：AI 的战略化布局 阶段特点： 组织架构重塑 商业模式创新 全域数智化转型 生态系统构建 典型案例： 战略层面：成立 AI 创新中心，设立首席 AI 官 产品层面：推出 病例训练，提升他们的临床决策能 力和实践技能 利用 AI 分析医学教育数据，为教学内容和方法的优化提供数据支持，提高教学质量 AI 在销售领域的应用 2.1.3 10 AI 驱动的获客与线索筛选：提升获客效率，缩短销售周期 AI 驱动的获客工具通过分析客户数据，精准识别潜在客户，并对线索进行高效筛 选和优先级排序 根据客户的行为和偏好，发送个性化的营销信息，提升客户参与度和购买意愿，缩 深度分析客户数据和行为模式，为销售团队提供客户关系管理支持 评估客户忠诚度和潜在价值，及时发现潜在问题并采取措施，帮助企业留住高价 值客户 高效招聘与精准筛选：提升招聘效率，提高人才选拔精准度 AI 驱动的招聘工具可以根据岗位描述和企业需求，快速筛选出符合岗位要求的候 选人 分析简历、行为数据和社交网络信息，评估候选人的潜在能力和职业适应性 AI 在人力资源领域的应用 2.1.4 个性化培训计划：提高培训针对性，激发员工学习积极性

成本。例如，通过 AI 技 术优化临床方案设计，埃格林医药实现了用更少入组患者达到统计学意义。 此外，埃格林医药还通过自研 AI 平台建立疾病的基因学模型，深入了解疾病的生理机 制。在患者招募筛选阶段，挑选某种特定亚型患者（EG-101）或具有某种特定的生物 标志物患者（EG-301）入组，进行针对性用药。例如，埃格林医药分析先兆子痫患者 数据，在 EG-101 的临床招募中计划收入同时出现高血压和蛋白尿的亚型，以便在这类 为“固 态研发”与“自动化研发试验室”两个部分，在近期 3 年内保持着强劲涨势。 传统固态研发方法无法根据过往的数据及刊物有效预测可能形成特定分子的正确晶体 结构，仅能对数量有限的配体测定进行筛选及评价，难以确定最佳的盐型、共晶型或多 晶型，亦无法通过人工分析准确确定晶体结构，仅可利用实验分析进行固态测试及分析， 不足以获得特定品型的详细特征。此外，传统固态研发方法仅可通过试错法解决结晶过 22 固态研发传统研发方法与自动化方法关键步骤对比 资料来源：晶泰科技招股书 面对上述问题，晶泰科技将量子物理、人工智能、机器人等技术融入固态研发中，优化、 28 改良固态试验晶体结构预测、固态筛选及评估、晶体结构确定、固态测试及分析、结晶 工艺研发五个关键步骤，进而在计算预测与实验验证之间建立反馈回路，于更短的时期 内提供更高的功效及精确度，降低研发方的成本。 晶泰科技自动化研发试验室的入局逻辑与固态研发相似，也是融入

场景：密封钉、极耳翻折、电池外观 • 方案：质检设备+算法模型+平台工具 • 效果：质检指标比人工提升10倍；联 合发布《工业AI质检标准白皮书》。 面：云边端协同智能云平台 体：联合创新、人才与生态合作 电池材料筛选研究 AI 电池寿命预测 AI联合实验室 IDC光储能源 项目 项目/人才/生态 智能制造部 储能事业部 XX 创新实验室 端 端 边 设备监控、数据采集、模型应用 边缘设备管理、数据

培训模式发⽣改变→交互性、个性化学 习 模式 • 医⽣临床决策影响模式发⽣改变→从经验驱动 →基于医学搜索、循证医学证据的驱动 • 科研与学术⽅式和效率→通过⼤模型进⾏科研 课题筛选、⽂献收集、数据结构化提取和分析、 摘要及初稿撰写等 科研助⼿ DeepSeek 对于医疗体系有那些影响？ - 医 ⽣ 20 学术推⼴：千⼈千⾯，让销售拜访更专业、更⾼效 话术智能推荐 AI

医⽣ • 学习/培训模式发⽣改变→交互性、个性化学习 模式 • 医⽣临床决策影响模式发⽣改变→从经验驱动 →基于医学搜索、循证医学证据的驱动 • 科研与学术⽅式和效率→通过⼤模型进⾏科研 课题筛选、⽂献收集、数据结构化提取和分析、 摘要及初稿撰写等 医⽣ 基于DeepSeek推理模型，整合患者的信息，辅助医⽣深度问诊、 鉴别诊断、病情分析和建议，提出治疗、预防等建议 • 基于Deep

而实现削峰填谷，降低能源成本。 4一、能源生产与管理 （一） 11 ◼ 能源研发与创新： 1、新能源材料研发：DeepSeek的AI算法可应用 于新能源材料研发，如光伏材料、固态电池电解 质等，通过高通量模拟筛选候选材料，缩短实验 室验证周期。 2、能源技术创新：在能源新技术的研发过程中， DeepSeek可以作为智能助手，帮助科研人员进行 数据分析、模型建立、方案设计等工作，加速能 源技术的创新和突破。例如在新能源电池设计中，

“算力+金融”。加快算力在金融领域的创新应用，构建 多节点并行的分布式算力资源架构，提供跨地域资源高效管理、 核心业务多地多活部署能力。围绕金融市场高频交易等低时延 业务场景开发部署智能边缘算力节点，实现金融业务边缘侧数 据的筛选、整合与处理，为金融业务发展提供更为精准、高效 的算力支持。 5.“算力+交通”。面向智慧交通需求，加快“中心-区域- 边缘”多层级算力设施部署，支持感知、通信、控制相关设备 的标准化接入与

会加速AI的发展。随着这个“飞轮”加速运转，规模经济效应会降低设备成本，进而进一步 推动发展。 这是一场完美的“风暴”。基于IP的通用连接是AI的中枢神经系统，是用于训练和推理的唯 一直接且未筛选的真实数据源。基于AI且对数据需求极大的应用、低成本的联网设备以及基 于标准的互操作性相结合，从根本上改变了嵌入式计算的经济模式，其带来的经济和社会效 益远远超过单个联网设备价值的总和。

场景选择示例：人员招聘系统 场景分得足够细，就可以训练对应的专业模型来解决问题 注：经360内部测试，深色的业务环节更加符合“四个十倍”原则 示例：人员招聘就是一个太大的、笼统的场景 需要细分成职位描述、简历筛选、面试评估等粒度更合适的场景 56 政企、创业者必读 某省39家钢铁企业，联合打造钢铁基础大模型，将钢铁制造全过程拆分为142个场景 1· 原料 转 炉 炼 钢 热轧 煤 铁 矿 石

接、基础组装 12 新能源汽车制造 五大工序 人形机器人 适配工种 搬运类 质检类 工站衔接类 冲压 焊接 涂装 电池制造 总装 基础组装类 人形机器人进厂打工将“分级而行”： 1. 筛选现阶段可适配工种：搬运类如冲压零件搬运存储；工站衔接类如与AGV小车协同完成“最后10m”搬运工作；质检类如来料检验，焊接质量检查；基础组装类螺丝预拧紧。 2. 从试制线学习到进场打工：优先试制线