合规风险智能提醒 • 多源信息来源 • 互动性、个性 化 患者流程 • 内容⽣产辅 助 • 管理营销素 材 • 营销内容策 划 • 患者招募 • 试验设计优 化 • 执⾏效率提升 新药研发与 临床试验 • 客户精细化标签 • 个性化与医⽣互动 • 交叉证据⽹ 络 构建 提升新药研发和 临床管理效率 数字化内部流程 提效 更个性化、 互动 未公开数据） • 知识图谱可关联临床试验数据与 RWE 试验， 去观察有潜⼒的适应症 试验设计优化 • 患者分层：基于⼤模型的语义理解能⼒， 从历史数据中识别符合⼊组标准的“数 字孪⽣”患者群体，提⾼招募效率 • 剂量探索：通过强化学习算法模拟不同 剂量⽅案的效果，缩短 1 期的试验周期 试验执⾏多元 • 去中⼼化试验⽀持：居家数据采集与 依 从性管理 • 客户精细化标签 • 个性化与医⽣互动 提升新药研发和 临床管理效率 云深 智药 • 患者招募 • 试验设计优化 • 执⾏效率提升 • 内部⽂档提效 • 数字化知识库管理 • 合规风险智能提醒 新药研发与 临床试验 数字化内部流程 提效 ⽣产与 供应链 多渠道营销 学术化推⼴ • 交叉证据⽹络构建 患者服务 31 ROI 优化

患者招募 • 试验设计优化 • 执⾏效率提升 • 交叉证据⽹络 构建 • 内部⽂档提效 • 数字化知识库管理 • 合规风险智能提醒 • 内容⽣产辅助 • 管理营销素材 • 营销内容策划 • 客户精细化标签 • 个性化与医⽣互动 • 多源信息来源 • 互动性、个性化 患者流程 • 多重购买渠道 患者服务 多渠道营销 ⽣产与 供应链 新药研发与 临床试验 学术化推⼴ • 知识图谱可关联临床试验数据与RWE 试验，去观察有潜⼒的适应症 研发⽅向探索 • 患者分层：基于⼤模型的语义理解能⼒， 从历史数据中识别符合⼊组标准的“数 字孪⽣”患者群体，提⾼招募效率 • 剂量探索：通过强化学习算法模拟不同 剂量⽅案的效果，缩短1期的试验周期 试验设计优化 • 去中⼼化试验⽀持：居家数据采集与依 从性管理 • 院外数据的⾃动采集和综合分析 试验执⾏多元 • 创意类、发散性思考类、快速检索等 有数据是第⼀要素 提升新药研发和 临床管理效率 数字化内部流程 提效 数据驱动的 多渠道营销 更个性化、互动 ⾏业学术化推⼴ 重塑患者流程 • 患者招募 • 试验设计优化 • 执⾏效率提升 • 交叉证据⽹络构建 • 内部⽂档提效 • 数字化知识库管理 • 合规风险智能提醒 • 内容⽣产辅助 • 管理营销素材 • 营销内容策划 • 客户精细化标签

“722”事件后，NMPA（当时为 CFDA）相继发布了《关于开展药物临床试验数据自查核 查工作的公告》《关于调整药物临床试验审评审批的公告》等文件，引发了国内 EDC、 RTSM 市场的繁荣，太美医疗等企业在系统中植入 AI，使其顺势成为药企数字化的关键 要素。 如今 FDA 鼓励药企采用数字健康技术（DHT）进行临床试验申办，间接引导着药企的 进一步开展转型。以 eCOA 为例，美国约 80%的临床研究都以 经采购了相应的数智化系统，率 先享受到了 AI 赋能后的管理红利。 制药 AI 方面，绝大多数创新药企都对医疗 AI 持积极态度。不过，大多数药企在药物发 现阶段均倾向于自研 AI，而到了临床试验，更多药企习惯于采购成熟的第三方综合解决 方案，降低成本并规避研发风险。 5 6 第二章：自我突破，医疗 AI 形态异变 政策与提效两大购置动力支持下，国内已经孕育了一大批医疗人工智能产品，嵌入了医 大模型落地的典例。 2.3 制药 AI：下行时期，在变化之中寻找新的机遇 自 2020 年制药 AI 在一级市场迎来爆发性增长后，大量创业公司将其管线推至临床阶段。 此前，AI 主导的进入临床试验阶段的创新药项目仅为个位数。2021 年这一数字已迅速 增长至 100 多个，2022 年维持增势突破 200，2023 年进一步提升，管线数量迈入 300 大关。 趋势之下，阿斯利康、拜耳、罗氏、礼来及赛诺菲等等

能体。其工业应用包括两个层次，一是嵌入各类智能软硬件的机器人 产品在生产操作、物流配送等典型工业场景中的应用，二是智能化的 工业控制平台通过集成人工智能技术与工业机器人等设备，在产线优 化和试验验证等群体智能场景中的应用。 本报告分为研究背景、技术趋势分析、应用现状分析和前景展望 四个部分。首先，从技术突破、大国竞争和市场前景三个角度，分析 “机器人+人工智能”工业应用的发展背景；其次，从技术趋势的角 2、物流配送：“识别+导航”模型组合适用于封闭生产场景 . 12 3、质量管理：机器视觉检测大量取代人工检测 ............ 12 4、安全管理：在部分重化工业存在一定需求 .............. 13 5、试验验证和产线优化：仅在部分龙头企业开展探索 ...... 13 （二）应用行业：重点用于汽车、电子、金属三大行业 ..... 14 1、汽车：关注精细生产、高效物流和外观检测 .......... （一）应用场景：从生产操作向其他高附加值场景拓展 在工业领域，机器人被广泛应用于多个关键环节，包括生产操作、 质量管理、安全管理、物流配送、试验验证以及产线优化等（表 1）。 表 1“机器人+人工智能”在工业领域的应用场景 环节名称 六大重点环节 细分场景 研发设计 试验验证 —— 生产制造 生产操作 焊接、喷涂、冲压、切割、组装等 质量管理 表面检测、综合质检 安全管理 安全巡检 产线优化

司)相关联的独立成员所全球组织中的成员。 版权所有，不得转载。 智慧银行：以人工智能驱动转型并创造价值 5 越来越多的银行正通过聊天机器人、内容创建和个性化 营销等特定用例对生成式人工智能开展试验。然而，许 多银行在从此类用例中获取价值回报方面仍面临重重困 难。我们的调研发现，尽管许多金融机构认为人工智能 对其未来发展至关重要，同时也已开始利用人工智能提 升效率，但只有一小部分表示其人工智能投资已能够推 61%的受访银行已经提供与人工智能相关的道德和护栏培训，以帮助员工负责任地应用此 项技术。然而，深度的人工智能培训仍然较少，只有30%的受访银行提供了高级培训课 程，以促进对人工智能能力的全面了解。 我们在人工智能方面仍处于试验阶段。尚未就其 使用方式制定任何明确的目标或KPI。 某日本银行的首席执行官 调研结论 阶段二 阶段三 主要考虑因素 为迎接人工智能奠定基础 为您的人工智能转型保驾护航 简介 概要 引言 打造智慧银行 从相关法规，并建立 道德护栏。 在职能层面，银行应在各个领域试行人工智能解决方案，培养员工技能，促 进创新，并从最初的试验中学习经验。 在基础层面，银行应利用由战略供应商提供的经少量定制的云平台和预训练 人工智能模型。这一阶段的重点是培养对人工智能的认知，开展试验并协调 对齐，为银行在更大范围内集成人工智能做好准备。 图2：管理层的人工智能应用目标主要瞄准运营收益而非战略价值 表示

性能、模块化、互操作、人机交互、能耗等方面发布国际标准 32 项， 在研 15 项。近 3 年新立项标准主要关注服务机器人（包括腿式机器人、 背部支撑机器人和电动汽车充电机器人）的性能规范及试验方法、工 业用自主移动机器人通信与互操作、服务机器人软硬件及模块的信息 模型、工业机器人能耗等方面。 国际电工委员会 IEC 并无专门面向机器人领域的技术委员会，其 有关机器人的标准分布在多个技术委员会中。IEC/TC 主要针对应用于电力系统的无人机集群；IEC/TC47 Semiconductor devices 发布与在研标准涉及自动陆地车辆的检测模块，其毫米波雷 达、超声波模块、视觉成像模块、激光雷达的性能试验方法标准同样 适用于机器人传感器；IEC/TC 59 Performance of household and similar electrical appliances 发布了家用及类似用途机器人的性能 Society，负责制定机器人相关标准，其发布标准主要关 于机器人自动化本体、任务表示、伦理驱动的机器人及自动化系统、 自动系统透明度、地图数据表示以及电力系统与医疗电气系统用机器 人等。 美国材料试验学会 ASTM 在 2014 年成立的 Committee F45 on Robotics, Automation, and Autonomous Systems 负责制定工业/商业 机器人、自

部等十七部门 2023年1月18日 聚焦十大应用重点领域，突破100种以上机器人创新应用技术 及解决方案，推广200个以上典型应用场景，打造一批“机器 人+”应用标杆企业，建设一批应用体验中心和试验验证中心。 工业和信息化部 2023年9月14日 关于组织开展2023年未来产业创新任务揭榜挂帅的通知 面向元宇宙、人形机器人、脑机接口、通用人工智能4个重点方向，聚 焦核心基础、重点产品、公共支撑、示范应用等创新任务，发掘培育 埃斯顿拥有丰富的中大负载机器人系列产品，应用于汽车制造中的冲压、焊接、装配等；埃斯顿酷卓深耕人形机器 人领域。 17 产业典型案例 商业服务：多元化应用场景带来的丰富需求，商业服务成为 新技术落地试验场 资料与数据来源：普渡机器人 • 商用机器人应用场景繁多，需求分散。目前成熟的应用场景主要为商业配送、清洗场景，所需的功能集中于精准导航、路线规划、人机交互等。正在发展的场景 如教育应用、商业

全、数据安全等方面的技术要求和试验方法。《汽车软件升级通用技术要求》规定了汽车软件升级的管理体系要 求，以及用户告知、版本号读取、安全保护、先决条件、电量保障、失败处理等车辆软件升级功能方面的技术要 求和试验方法。《智能网联汽车 自动驾驶数据记录系统》规定了智能网联汽车自动驾驶数据记录系统的数据记录、 数据存储和读取、信息安全、耐撞性能、环境评价性等方面的技术要求和试验方法，将为事故责任认定及原因分 析提供技术支撑。 资料来源：中国政府网，国元证券研究所 近年来，工信部等部门陆续颁布多项智联网汽车相关政策，助推智能驾驶从“小范围测试验证”加速迈入“规模化落地”，加快高阶 智能驾驶的普及应用和商业化进程。随着智能网联汽车技术快速迭代和辅助驾驶的大规模应用，“车路云一体化”正处于转入规模化 应用的关键时期，建成将具有巨大潜在价值：一方面，当车辆大规模接入车路云网络后，交通的通行效率将得到大幅提升；另一方面， 00CR)得到结果时，具备更好的可感知性、可解释 性。单一端到端模型中，深度学习的应用使得对模型的理解能 力逐渐丧失，深度学习模型的不可解释和不可见性使人们难以 理解模型的理论基础，而大模型众多参数更增加了理解难度， 只能通过过拟合测试验证。在此基础上并联一个VLM模型的优势 就在于使推理模型可解释性增强，并且应用强化学习实现无监 督学习。 VLM的另一个优势在于数据挖掘与场景理解。智能驾驶依赖海 量数据，但有效数据占比低，可以通过VLM模型进行高效挖掘，

升级核心竞争力 ................................................................................. 64 结语: 从“通用试验”迈向“实用创收”的 AI 进阶之路 ............................................................................. 66 在智能化转型 2.0 时代创造更加辉煌的业绩。 更多干货请关注公众号“管理技术化平台” 66 结语: 从 "通用试验" 迈向 c实用创收" 的 AI 进阶之路 AI 技术正处在一场深刻变革的浪潮之中,悄然从 "通用" 向着 "有用" 的务 实方向大步迈进, 开启了从 "理论试验" 到 "增长创收" 的全新发展阶段。这一 转变,源于市场需求的日益成熟与理性回归。如今,企业迫切需要能够切实落地、

这与业务的一部分有关。当人们使用它 时，他们通常是... 进一步 教授它关于它们的喜好、偏 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 在哪里使用人工智能时，他们会更加信任其使用。对技 术的信任越多，他们接下来会相应增加其使用，并在企 业中推动技术的扩散。 在化学领域生成潜在药物候选人的名单，并从中确定了 79个可行的候选者，最终选定一个进行临床试验。整个 过程都是围绕AI与人类各自最擅长的工作来设计的，以 及两者如何协作。展望未来，更多的员工将希望以这种 方式工作，并会提出在自己领域和角色中如何实现这一 目标的想法——成为业务中创新传播的强大引擎。 斯特纳。YouTube: https://www.youtube.com/watch?v=bUr- CR4jQQg8 11. 人工智能药物发现新里程碑：首个生成式人工智能药物开始进行针对患者的II期临床 试验。（2023年7月1日）。Insilico.com： https://insilico.com/ blog/first_phase2 22. 康威，A. （2024年1月23日）. 在28年前的今天，Java