免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 1 证券研究报告 工业/能源 DeepSeek 冲击下，AI 产业对国内电 力行业的变与不变 华泰研究 工业 增持 (首评) 能源 增持 (维持) 研究员 刘俊 SAC No. S0570523110003 SFC No 来冗余造成的低效率。根据台达的数据，当前 UPS 系统效率为 95.1%，全链路效率 86.6%。 2） HVDC 高压直流系统：HVDC 方案逐渐被数据中心验证，在中国市场率先扩散。HVDC 系统能有效避免交流供电中的多次变流和变换进而减少能源转换损失，具有模块化、效 率高、可靠性高、成本更低等优势。HVDC 设备成本略低于传统 UPS，且相比传统 UPS 具备一定效率优势，并可降低数据中心 PUE，减少能源消耗。根据台达的数据，当前 市电切换对末端影响性 服务器电源不切换 服务器电源不切换 半数服务器电源切换 服务器电源不切换 电池放电效率 高，电池直挂输出母排 高，电池直挂输出母排 高，电池直挂输出母排 低，存在逆变转换过程 建设周期/月 6 10 8 10 安全性 高 高 较高 较高 注：占地面积中 S 为低压配电室面积 资料来源：叶新平（台达大功率电源产品技术专家 ），台达，华泰研究

《》 ： 与 ⽣改 变 ） 占⽐ / 集 采 监管 度更强 ⽐如药 参 管 业 构 监 商 重 化 元⽀ 据安 药品 据 驱 多 数 vs 数 • • • 与学术⽅式和效率 临床决策影响模式 发 / 培训模式发⽣改 变 研 ⽣ 习 科 医 学 ⽣ • • • 精细化运营管理（ 多渠道营销：借助⼤模型，提⾼合规内容⽣产与互动效率 23 • 电⼦病历和数据管理⾰→构建专病知识库， 为药物研发和精准医学提供⽀持 ⼤模型语义理解加速医学数据治理和流通 • 医院数据开放和流通→数据要素商业化变 数据价值在⼤模型背景下进⼀步被凸显 • 精细化运营管理（ DRG/DIP ） DS 推理思考能⼒以及医保控费压⼒（需求⾼，难度⼤） → 药品定价策略 • PR 先⾏， 但过去“纸⾯数据、 交叉证据⽹络构建 患者服务 31 ROI 优化 • 明确应⽤场景：不是所有场景需要 AI • 混合部署策略 :“ 该省省， 该花花” • 模型选择和微调：“满⾎ ”虽好， 但所需推 理资源逆天 • ⾼并发处理 使⽤场景与内容风险 • 内容准确性验证： 专业内容需交叉 验证、追溯来源 • 版权意识：避免直接商⽤模型⽣成 的代码、⽂案或设计 • 避免透露个⼈信息：

DeepSeek对于医疗体系有那些影响？-医院 • 电⼦病历和数据管理⾰→构建专病知识库， 为药物研发和精准医学提供⽀持 ⼤模型语义理解加速医学数据治理和流通 • 医院数据开放和流通→数据要素商业化变 数据价值在⼤模型背景下进⼀步被凸显 • 精细化运营管理（DRG/DIP） DS推理思考能⼒以及医保控费压⼒（需求⾼，难度⼤） →药品定价策略 医院 • PR先⾏，但过去“纸⾯数据、 ⾮标数据”等困境能得到极⼤ 版权意识：避免直接商⽤模型⽣成 的代码、⽂案或设计 使⽤场景与内容风险 • 明确应⽤场景：不是所有场景需要AI • 混合部署策略:v“该省省，该花花” • 模型选择和微调：“满⾎”虽好，但所需推 理资源逆天 • ⾼并发处理 ROI优化 个⼈应⽤ 企业应⽤ • 避免透露公司敏感信息：⽐如内 部⽂件、政策草案、经济数据等 法律风险 虚假信息 32 ⼈⼯智能将如何改变医患互动？ 科技助医 互联为健

习和强化学习。 模仿学习也称为从示范中学习，是一种通过模仿专家行为来训练智能体学习策略的方法。模仿学习中，一种 广泛使用的方法是行为克隆（BC），将问题转化为监督学习问题。另一种方法是逆最优控制（IOC，也称为 逆强化学习），利用专家示范来学习奖励函数。 表1：模仿学习的两大算法类别 类别 简述 优势 挑战 行为克隆（BC） 在行为克隆中，通过最小化规划损失 来实现智能体策略与专家策略的匹配， 上相关的因素，如天气、交通状况，错误地认为是 决定驾驶行为的关键因素，从而导致决策不准确）。 逆最优控制（IOC） 逆最优控制是一种从专家示范中学习 的算法，通过观察专家驾驶员的行为 来推测出一个“奖励函数”。这个奖 励函数可以理解为：专家做出的每一 个动作都有一个“奖励值”，这些奖 励值反映了每个行为的好坏。逆最优 控制的主要方法分为对抗模仿学习 （GAIL）与成本学习（Cost Learning）。 资料来源：Chen L, Wu P, Chitta K，et al，End-to-end Autonomous Driving： Challenges and Frontiers，焉知汽车，国元证券研究所 图6：逆最优控制（IOC）方法 图7：强化学习方法 请务必阅读正文之后的免责条款部分 10 端到端的挑战：数据 由于端到端算法基于数据驱动，大模型依赖大量的高质量数据进行训练。以训练数据为核心，重点关注数据量、数

征？ 经过安全对齐的模型可以在经过最小化的微调后再次变得不安全； 在非恶意数据集上微调对齐的语言模型可能会削弱模型的安全机制； 不仅限于安全，这种“假象对齐”表明模型可能会内在执行对齐的逆操作。大模型存在会逆转或撤 销对齐过程的可能性，这一概念我们称之为逆向对齐（ Inverse Alignment ） 。我们进一步探究了： 语言模型的参数是否表现出弹性，从而抗拒对齐？ Dothe 模型弹性随预训练数据增大：随预训练数据量增加时，因 负面 数据微调导致的初始性能下降更快， 而随后的下降变得 更慢； 表明模型弹性随预训练数据量增多而增强。 正向对齐 (Forward Alignment) vs. 逆 向对齐 (Inverse Alignment) 在帮助性、无害性和诚实性 (3H) 标准下，逆向对 齐 (Path A) 相较于正向对齐 (Path B) 均更加容易。 模型弹性 (Elasticity) 模型评估应该更关注模型内在表征的对齐； u 表面的对齐训练很容易被撤销， 对齐算法应当修改模型的内在表征，而非进行表面的对齐； u 在对齐模型的评估中，我们应当增加额外评估维度 ，衡量对齐后的模型有多容易被逆对齐， 进一步衡量其对齐程度； ③ 从“表面”对齐到“深入”对齐，对齐范式需要改变； u 如何设计算法避免简单的“表面”对齐、亦或者如何分析算法对模型内在表征的改变； Language Models

...............33 3.2 交表企业普遍亏损收窄，降本创收已成 AI 企业经营核心......................................38 3.3 讨论：逆市之下，人工智能如何自救.............................................................................46 第四章：大模型之下，生成式 2023 年也大幅降低 53.30%。 在系列增收及费用支出优化措施之下，2023 年太美医疗实现 15.67%的亏损收窄，并以 更优业绩表现于 10 月 8 日成功在港交挂牌上市。 3.3 讨论：逆市之下，人工智能如何自救 如果将时间放得足够长远，AI 必然能够颠覆式的生产力，从每一个细节重塑医疗体系。 但在当下，医疗 AI 必须控制成本，同时尽可能寻找一些能够快速制造现金流的路径， 在下行期中活下去。

得到客户认可，可享受mini/micro LED新型显示技术未来广阔的市场红 利。 LED芯片供需格局相对好转，龙头盈利能 力有望逐步改善：19年LED芯片行业供 需格局相对好转，龙头厂商盈利能力有 望逐步改善。公司逆周期时进行温和扩 产，利用竞争优势抢占市场份额，待上 行周期来临，公司可率先获利。 全球LED芯片龙头，产业基金持续加 码：三安光电是LED芯片行业龙头， 公司注重研发，承担多项国家 “863”、“973”计划重大课题， 5G对于高频、高速材料的特性要求主要有小而稳定的介电性能（Dk）、弱的介质损耗（Df）; 热膨胀系数要求与铜箔的相一致; 吸水性要低、其他耐热性、抗化学性、冲击强度、剥离强度必须良好。 通信板加工变 化 传输线制作精度要求高，对传输线的制作精度要求一般为±1mil； 激光微导通孔加工； 表面处理更加复杂，平整度要求更高； 镀层均匀性要求高； 满足高频微波板的材料机械加工技术及精度； 满足特性阻抗的要求；

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 Net， GAN） 生 成 式 对 抗 的训练过程涉及到不断调整生成器和判别器的参 数，使得生成器能够产生越来越难以被判别器区分的数据， 而判别器则变得越来越擅长识别真伪。这个过程最终导致生 成器能够产生高质量的假数据。 （2） 变分自编码（Variational AutoEncoder，VAE） 变分自编码器（VAE）是一种基于概率的生成模型，它 通过学习输入数据的潜在表示来生成新的数据。VAE 的核心 组成包括两个主要部分：编码器（Encoder）和解码器 大，数据整合难度大。传统金融业风险管理方式一般基于历 史数据和静态模型，在客户对金融产品个性化需求提高的现 在，可能存在风险识别滞后的问题，表现为在市场变化、客 户行为和潜在欺诈方面反应速度较慢，不能迅速适应市场变 化。当突发市场波动时，若金融机构无法及时调整风险策略， 将导致客户投资损失，甚至客户流失。 6 国家金融监督管理总局官方公告，截至 2023 年底，中国银行业金融机构法人共 4608 家，中国

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，它们可以自动执行决策、解 创新列为同一时间段内的首要任务。 28 企业高管深知，为了充分发挥创 新产品的优势，他们还需要重新思考如何实现盈利。 事实上，62% 的受访 CEO 表示需要重塑组织运营方式，才能赢得未来。 29 AI 将在这一转变中发挥重要作用。未来三年，85% 的受访高管表示 AI 将推动业务模式创新，89% 的受访高管表示 AI 将推动产品和服务创 新。 30 该如何做呢？首先要比以往更快、更全面地分析客户和市场数 co/digital-product-alchemy 33. Ibid. 选对合作伙伴， 驾驭多变的世界 在 IBM，我们积极与客户协作，运用业务洞 察和先进的研究方法与技术，帮助他们在瞬 息万变的商业环境中保持独特的竞争优势。 IBM 商业价值研究院 IBM 商业价值研究院 (IBM IBV) 成立二十多 年来，我们提供有研究支持和技术支持的战 略洞察，帮助领导者做出更明智的业务决

3、计算资源需求高。由于参数规模庞大，AI 大模型的训练需要高性 能的计算资源，如GPU 集群、分布式训练框架等。 4能源行业部分大模型 （一） ◼ 国网光明电力大模型：（开源与闭源并举） 发输变配用、调度、交易 规划、建设、运行、检修、营销 ◼ 南网，大瓦特 ◼ 三峡集团“大禹”大模型 ◼ 中核集团龙吟大模型 ◼ 中国广核，“锦书”大模型 ◼ 中国石油，昆仑大模型 ◼ 中国石化，“胜小利”大模型 能源网络优化与安全管理数字化： 1、智能电网优化：在智能电网中，Deepseek大模型可以对 电网的拓扑结构、电力负荷、分布式能源接入等因素进行综 合分析，优化电网的运行方式和潮流分布。通过实时调整变 压器的分接头、断路器的开关状态等，提高电网的供电质量 和可靠性，降低电网的损耗。 2、故障预测与预警：基于历史故障数据和实时监测数据，AI 大模型可以预测设备未来可能出现的故障类型、时间和严重