..............................................................................33 （一）量子保密通信科研多方向探索，实验成果丰富...................................33 （二）量子保密通信拓展应用场景，提质降本是关键................................. 量子计算主要技术路线核心指标发展趋势....................................................14 图 10 谷歌 Willow 超导量子计算芯片表面码纠错实验........................................18 图 11 量子计算软件技术体系架构...................................... 2.0................................32 图 15 新型协议 QKD 系统实验（a）TF-QKD（b）MP-QKD.............................33 图 16 QKD 应用场景探索（a）英国现网实验（b）我国无人机实验................. 37 图 17 美国 NIST 抗量子加密（PQC）标准化发展历程.....

科学研究促进人工智能创新。传统科研 范式大致可分为经验归纳（实验科学）、理 论建模（理论科学）、计算模拟（计算科学） 以及数据密集型科学 2。实验科学由自然现 象和实验结果归纳出一般性规律，但没有抽 象出经验规律背后的普适理论。理论科学基 于自然现象或实验结果，提炼科学问题并形 成科学假设，然后运用逻辑推理和数学分析， 构建普适理论，但难以在复杂系统中实验验 证。计算科学以科学模型为基础，通过数值 的同时，显著提高模型的泛化能力，如物理 信息神经网络 3。 人工智能创新重塑传统科学研究过程， 加速科学发现。人工智能通过融合数据和先 验知识的模型驱动、假设生成与验证、自动 与智能化实验以及跨学科合作等方式，加速 科学发现。传统科学发现以实验观察和理论 建模为核心，提出科学假设并归纳一般规律， 如物理定律。人工智能则采用模型驱动的方 式，从大规模数据中自动发现隐藏的规律， ©️diyun Zhu / Moment 4 5 2. 发展与态势 2.1 最新进展 随着深度学习、生成模型与强化学习等 技术的突破，人工智能不仅能从海量数据中 识别人类难以察觉的复杂模式，更展现出自 主提出科学假设、设计实验方案、优化研究 路 径 的 惊 人 能 力。DeepMind 推 出 的 AlphaFold 31 突破性地实现了对几乎所有分 子类型的蛋白质结构预测，提高了蛋白 - 配 体相互作用预测的准确度，为新药研发、疫

数字经济的迅猛发展，带动了产业数字化和数字基础设施建设的快速推进，人 工智能、数字孪生等先进创新融合技术，已成为产业数字化转型升级的关键驱 动力。分析了数智融合孪生技术的产生背景，并围绕其赋能下一代智能制造工 厂建设展开探讨。产业实验说明，数智融合孪生技术对提高生产效率、优化成 本、提升竞争力及应对风险作用显著，作为智能制造核心支撑，正加速产业智能 化，助推新质生产力发展。 Abstract： The rapid development 的必要条件，而数字孪生与人工智能的创新交叉融合 已成为推动产业数字化、智能化的重要路径。在产业 数字化发展进程中，需实现数据驱动的智能应用创 新。 数智融合孪生技术面向真实业务场景，提供先行 先试的实验环境。该技术基于“实物孪生-数字孪生- 机理孪生-孪生推演”的逻辑路径，遵循“孪生-拟生- 派生-演生-新生”的路径层级，基于作业流程实现数 字技术与智能技术的融合应用，构建基于真实业务场 景下的数智融合孪生环境 12% 150 h/天 预估收益 1 200万元 300万元 35万元 表4 智能化人力资源透明度管理用例实验预估收益对比（测 试周期为12个月） 进的人岗匹配逻辑，动态适应产线调整，最大化提升 人工管理效率，降低人工成本。智能化人力资源透明 度管理用例实验预估收益对比如表4所示。 3.4 预生产试验环境系统对产线安全能力提升影响评 估 在生产制造场景下，设备资产和安全管理混乱、

轮驱动”的现代化治理模 式转型。 研发新范式：指以“数据+模型+算力”为驱动，变革市场洞察、方向筛选、方案评估、试验 执行、过程监控、成效评估与成本优化全流程，实现文献智能挖掘、方案智能设计、实验自 动执行、结果智能分析，打造AI for Science科研新范式，推动从依赖“经验试错”向基于 “理论预测”的根本性转变，构建“需求导向、协同攻关、成果转化”的创新模式，显著提 升研发效率 行业特征：单点工具为主，以效率提升为目标 跃迁标志：从经验决策到数据辅助决策 业务维度： · 管理：初步建立数据采集系统，积累关键业务数据 · 研发：引入CAE/CFD等仿真工具，替代部分石化实验环节 · 生产：重点装置实施DCS等控制，实现参数自动监测/调节 · 服务：传统石化服务嵌入线上预约、移动支付等数字触点 支撑体系： · 组织：有专职新智运营团队，开展顶层设计与项目推进 · 局部赋能阶段：该阶段的典型特征是石油石化传统运营模式仍占主导，但智能技术已在关键 环节实现单点应用。企业管理环节初步建立数据采集系统以积累核心业务数据；研发环节引 入CAE/CFD等仿真工具替代部分物理实验；生产环节在重点装置部署DCS等控制系统，实现 关键参数自动监测与调节；服务环节嵌入线上预约、移动支付等数字化触点。支撑体系上， 企业设立专职新智运营团队推进顶层设计与项目实施，部署物联网传感器实现关键设备数据

周。初步证明了基于网络监测可以提 早 发 现 疫 情 。 其 后 ， Ortiz 等 ［ 5］以 2009 年 甲 型 H1N1 流感暴发为出发点，分别选取 2003－2008 年 GFT 数据和美国 CDC 流感病例监测数据以及实验 室确诊病例数进行相关分析，皮尔逊相关指数分别 为 0.94 与 0.72。在加拿大，Eysenbach［6］通过追踪 谷歌流感相关搜索词与 2004－2005 年度监测数据 比较研究，发现搜索词点击量与第二周流感病例数 等［7］在加拿大发现 2009 年 H1N1 流感暴发期间，谷歌流感相关检索词的搜索 量与卫生部门的数据具有一致性，但关键词的搜索 峰值较实验室确诊病例数据提前 2 周。在瑞典， Hulth 等［8］通过医学平台 vardguiden 选取流感相关 搜索词并获得其检索数，结果显示与实验室流感确 诊病例数构成比和哨点报告的流感及类似流感症 状病例模型的确定系数 R2 分别为 0.90 与 0.89，验 证结果显示预测发病高峰与实际发病高峰高度重 常用的搜索引擎与传染病预警模型 除以上围绕重点疾病开展的研究外，各国学者 还利用不同搜索引擎对传染病的预警预测模型进 行了研究探索。研究者通过收集搜索引擎与疾病呈 正相关词条的数据，与卫生部门的监测数据或实验 室确诊数据拟合，并结合气候、时间等因素后构建 合适的模型对传染病进行监测预警，见表 1。 谷歌和百度是研究者使用最多的搜索引擎平 台，搜索的关键词可分为疾病名称、症状、治疗方法 三大类；目前国内外研究者采用的预警预测模型种

据特征现象去做统计特征，比如出现频率统计，特征共现统计，多维特征多样性统计等操作。 相对应的 title 和 description 文本特征也可通过简单的加权命中率来构成特征加入到树模型中。 总之实验证明 ID 类特征，二分类特征，连续特征离散化，统计类特征，以及 embedding 产生 的 vector 的交叉特征都会给模型带来正向收益。 图 2 5 第一部分 | 02 模型演变 3 embedding 空间结构。 6 第一部分 | 图 3 经历了 DNN 尝试没带来正向收益我们偏向于以线性和深度非线性结合的 Wide&Deep 结构（如 图 4）进行适配，此时我们考虑到 DNN 的实验产生的问题。 7 第一部分 | 图 4 图 5 我 们 并 未 直 接 加 入 由 知 识 图 谱 产 生 的 ID embedding 和 由 文 本 DSSM 模 型 产 生 的 文 本 match，IDsim，textsim 连接作为 wide 的输入。以 输入 ID 类特征，match 类特征，IDsim 特征，textsim 的 xgboost 模型作为 wide&deep 的比 较模型，实验证明 wide&deep 模型略优于 xgboost 模型，但是如果对此基础上 xgboost 做统 计特征则可超过 wide&deep 模型。以上可得 deep 模型非线性表征能力还是略微的比 xgboost

过程自动化层涵盖了可编程逻辑控制器 (PLC)、分布式控制系统 (DCS) 等控制系统, 在制造运营自动 化层涵盖了制造执行系统 (manufacturing execution system, MES)、实验室信息管理系统 (laboratory information management system, LIMS)、报警系统 (alarm management, AM) 等. 随着 2012 年工业互联网架构被首次提出 质与反应过程, 支持设备选型、夹点分析等, 提升能效、经济性和环保水平. 软件主要由物性数据、热力学模块、单元操作模块和流程求解算法组成. 其中, 物性数据是基础, 涵盖热力学、传递性质等, 来源包括实验测量和模型估算 (如基团贡献法). 热力学模块支持多种物质 体系和相态计算, 部分采用神经网络预测原油黏度. 单元操作模块将典型设备 (如泵、换热器、精馏 塔) 建模计算, 普遍遵循 CAPE-OPEN 以下详细列举了可以本地化部署的开源大语言模型, 如 DeepSeek R1, DeepSeek V3, Qwen 等. ChatGLM-6B (清华大学 KEG 实验室) [38]: ChatGLM-6B 是由清华大学知识工程实验室推出的 开源大语言模型, 拥有 60 亿参数, 于 2023 年 3 月发布. 该模型专注于对话生成任务, 支持中英文语言 https://www.sciengine

...............................53 数据标准化是确保不同来源的数据具有一致性的重要步骤。医疗数据通常来自多种设备和系 统，如电子健康记录（EHR）、医学影像设备和实验室检测系统，这些数据可能存在不同的 单位和量纲。标准化过程通常包括以下步骤：............................................................ 如智能手机或平板，与医生进行视频咨询，DeepSeek 能够实时转 录对话内容，并为医生提供关键信息的摘要，提高咨询效率。 在数据分析方面，DeepSeek 可以整合来自不同来源的健康数 据，如电子健康记录（EHR）、实验室结果和影像资料，通过深度 学习模型生成全面的健康报告。这不仅帮助医生更好地理解患者的 健康状况，还能为患者提供个性化的健康建议。 为了更直观地展示 DeepSeek 在远程医疗与健康监测中的应 器 学习算法，DeepSeek 能够高效地处理和分析大量的医疗数据，从 而实现精准的远程诊断与治疗方案。首先，DeepSeek 可以通过分 析患者的电子健康记录（EHR），包括病历、影像资料、实验室检 测结果等，快速识别出潜在的健康问题。例如，对于心脏病患者， 系统可以自动分析心电图（ECG）数据，并结合患者的病史，提供 初步的诊断建议。 其次，DeepSeek 技术能够支持医生进行远程会诊。通过实时

低研发成本和风险。例如， AI 在新冠药物研发中 展现了显著优势，部分 AI 驱动的药物研发公司（如 Insilico Medicine、Atomwise）已取得阶段性成果。 然而，AI 预测的化合物仍需通过实验验证，在临床试 验方案设计上仍面临复杂的医学、伦理和法规挑战， 且临床试验的设计和执行仍高度依赖人工经验，无法 完全替代 人工精细设计。尽管如此， AI 有望将药物 研发周期从 10-15 年缩短至 验验证活性与安全性，临床 试验转化成功率目前较低 化合物筛选 在大型药企的研发管线中逐步 应用，成为常规筛选流程的补 充手段 高，是药物研发领域投 资热点 存在较高的假阳性和假阴 性率，筛选结果需进一步 实验验证 ADMET 预测 部分药企已在研发流程中采用相 关 AI 技术，但尚未完全普及， 多处于辅助决策阶段 高，吸引大量药企与投 资机构关注 模型在复杂人体生理环境下 的预测精准度仍有提升空 平台及大模型服务生态，为医疗健康行业的 AI 技应用提供整 体技术底座。算力基础设施上，打破传统 HPC 高成本、低弹性的限制，提供按需扩展的 GPU/HPC 资源；AI 开发平台上， 降低 AI 开发门槛，加速模型从实验室到临床的转化；模型调用和适配上，通过 API 服务，推动 AI 能力与医疗业务深度融合。通过上述能力，阿里云已助力生物科技头部机构实现研发周期压缩、成本优化与效率跃 升，为医疗健康行业 AI

电子病历中可能存在相似病例但不同 医生依据个人经验给出的结论不 一 致、病例信息收集不完整、误录或书写格式不统 一 的数据， 这 对模型的训练和结果有重大影响。 多源数据融合难： 医疗数据来源广泛， 包括电子病历、实验结果、影像数据等。如何将多种不同 形式的数据整合成一个统一的训练数据集，是一个重大的技术挑战。 (3) 伦理问题 随着大模型在医疗领域中的应用， 伦理问题受到越来越多的关注。大模型在医疗健康领域的应用 医疗大模型应用实践案例 大模型技术凭借其强大的数据处理与学习能力 ， 正逐步渗透并重塑医疗领域的传统范式。例如， 在现代医疗环境中， 患者常常面临医学报 告难以理解的问题。拿到手的放射科、实验室或病理报告 充满了专业术语， 对于非医疗背景的人来说几乎如同 “ ” 天书 ， 这增加了患者的焦虑和不确定性。患者 希望能够快速、准确地了解自己的健康状况， 但传统 上需要预约并等待医生解读， 成本较高 3. 辅助工具与创新方法 为了缓解主观评估的高成本问题，业界探索了多种辅助评估方式： GPT-4 辅助评估： 使用 GPT-4 替代人工评估是一种高效且一致的方式。团队内部实验表明， GPT-4 的评估结果与专业人员评估的相关性较高，且评估效率显著提升。通过 GPT-4 可以快速进 行质量判断、内容比较以及多模型对抗测试 对抗测评与 Elo 评分：对抗测评与 Elo