.... 11 2.2 信息学 AI：曾经被动的管理者们，如今主动迎接医疗 IT........................................16 2.2.1 乘着 AI 迈向高等级评级..........................................................................................16 2.2 建设的认知大为改观，他们从被动建设转为主动建设，信息化 AI 也随之成为 AI 之中商业化最快的场景。 如今大模型介入，信息学 AI 的能力再被数倍放大。在这背后，一个新的千亿级市场正 在孕育。 2.2.1 乘着 AI 迈向高等级评级 国内医疗 IT 的建设工作长期围绕政策指导展开。以电子病历系统为例，《关于进一步 推进以电子病历为核心的医疗机构信息化建设工作的通知》发布之后，4 级电子病历在 很长一段时间成为驱动医院开展信息化建设的主要动力。 级，达到了《公立医院高质量发展促进行动（2021 —2025 年）》设置的目标——到 2022 年全国三级公立医院电子病历应用水平平均级别 达到 4 级。 不过，大量医院并未在满足政策需求之后止步建设，而是主动开启高等级电子病历系统 的建设。5 级以上的电子病历评级需要医院在数字化建设的基础上实现智能化部署，这 意味着他们必须引入 AI 工具，并将其高度整合至已有的信息化体系。 2023 年 8 月，中国医学科学院阜外医院成为国内首家获得

要求，加快部署工业边缘数据中心，推动算力赋能智能检测、 故障分析、人机协作等技术迭代，不断提升不同工业场景业务 处理能力。面向原材料、装备制造、消费品、电子信息等领域， 围绕工业生产种类特性多、生产时间长、质量要求高等特点， 以及安全污染隐患大、智能化水平低等难点，瞄准高端化智能 化绿色化方向，逐步构建工业基础算力资源和应用能力融合体 系，满足不同类型工业企业在研发设计、生产制造、仓储物流、 营销服务等方 本增效和绿色化转型，加快推进算力赋能新型工业化建设应用。 3.“算力+教育”。鼓励科研院所根据需求适度建设算力资 源，有效支撑面向重大项目或课题的开发与创新。推进公共算 力资源覆盖校园，鼓励各类高等院校、职业院校积极运用算力 8 平台为学校实习实验实训环境、平台和基地建设及转型发展提 供支撑，促进教育公平，全面提升教育体系内在质量水平。 4.“算力+金融”。加快算力在金融领域的创新应用，构建

国家准备情况的评估采用具有广泛国家覆盖范围的选定代理指标。然后可以通过对一国 的科技创新（STI）生态系统进行详细审查来进一步精炼评估。例如，如图9所示，关 于技能，人工智能（AI）采用能力通过拥有高等教育的劳动年龄人口比例来代理，而AI 开发能力通过GitHub平台上开发者的数量作为劳动年龄人口比例来代理。 在不同国家的AI技能准备程度方面可能存在差异，最不发达的国家（LDCs）在两个指 标上

为整车厂和Tier1定制“未来汽车导航解决方案”，可以在12周内快速集成Android 车机导航、完整拓扑/语义地图以及电动车专属功能，缩短出海车型开发周期。 • 帮助车企快速适应欧盟ISA、新能源补贴等海外高等级智能驾驶法规。 一站式智能驾辅出海解决方案 03 • 其高精定位（厘米级）、ODD管理、城市复杂工况适应力等创新技术，支持量 产车型实现高速/城市NOA、智能泊车、城市复杂路口自动驾驶等功能，加速

Proprietary and Confidential All Rights Reserved. 北美典型人形机器人应用场景示例 北美市场人形机器人优先应用于工业生产、仓储物流和特种应用，解决劳动力成本高等痛点 19 公司名称 Figure AI 特斯拉 Apptronik 产品名称 Figure 02 Optimus Apollo 功能 多模态交互、自主导航、机械手（能够处理 复杂任务如抓取等）

前后桥分装、仪表、前端模块等多个环节发挥搬运作用。 “机器人+识别类模型”汽车及零部件检测应用占比约 17%。汽 车外观缺陷检测存在高亮面表面缺陷视觉成像困难、漆面缺陷检出难 度大、产线节拍要求高等问题，同时汽车外观曲面较多，也需要借助 多个机器人进行全方位检测。如斯睿特漆面外观检测智能工作站，可 检测出汽车漆面的各类缺陷，包括颗粒、漆渣、橘皮、流挂、碰伤等 16 种缺陷，引入 AI 智

vs STaR-based 36 大型模型虽然性能强大，但是也存在着一些局限性，例如计算资源消耗过高，部署和使用门槛较高等。 模型蒸馏：将一位经验丰富的老师的知识传递给一个年轻的学生，让其在较短的时间内掌握复杂的技能。 DeepSeek 利用蒸馏 R1 的手段获得了一系列小模型，表现非常突出。这很大程度得益于 R1

孤岛也成了风险管理人员获取并整合准确数据的障碍，这种 情况不仅影响了风险的实时监测，也使得机构难以预测和应 对潜在的市场风险。 3.金融安全方面痛点介绍 金融安全领域的主要痛点包括数据泄露风险、合规成本 过高等。金融数据一般包含客户的个人身份信息以及资产信 息，如果这些敏感信息发生大规模泄露，金融机构将承担包 括巨额罚款、品牌形象损害等严重后果。 金融数据安全领域存在《中华人民共和国中国人民银行

度，亦能 将云服务调 度到不同的物理位置，减少延迟、提高服务质量并提供统一管理 视图。同时，有能力对安全、事件、日志、监控、审计、流量等进行统一运 维管控，满足跨地域容灾、跨云弹性、应用迁移等高等级需求。 �� 一致性上云体验：利用统一的容器、中间件环境，实现标准 API、配置模板 以及自定义资源能力，减少学习成本，提供一致性云原生体验。业务人员可 以更加专注于业务逻辑和工作流程设计，而不必为多云之间的使用习惯差异

使用激光雷达，后续大部分车型也计划采用纯视觉方案， 进一步把高阶智驾功能下放到不带激光雷达的车型上。 去掉激光雷达的好处是节省成本，将省下的成本用于堆 算力、训练云端模型等需要大量研发资源投入的环节。 高等级（L4+）的自动驾驶仍然需要激光雷达提供安全 冗余。端到端算法由于决策过程的不可解释性导致的安 全性问题，可以引入感知冗余和规控冗余来解决。规控 层面，传统端到端方案中的规划控制网络需要规则兜底， 应商，例 如理想、比亚迪、Momenta。 2. 感知层面，主要分为激光雷达方案与纯视觉方案 2-1. 激光雷达方案以鸿蒙智行、比亚迪（20万以上车型）为代表。由于端到端架构决策过程的不可解释性，高等级（L4+） 的自动驾驶仍然需要激光雷达提供安全冗余。激光雷达市场正在快速增长，格局集中，头部厂商多有合作的产业投资方。 2024年，激光雷达装机量暴涨，离不开以NOA为代表的中高阶智驾需求爆发。目