解码 DeepSeek, 构建医药⾏业新质⽣产⼒ 07 • 从 DeepSeek 看⼈⼯智能发展趋势 • ⼤模型及 DeepSeek 潜在应⽤场景探 索 ⽬录 从 DeepSeek 看⼈⼯智能发展趋 势 AI 离我们越来越近，越来越密集的“加速”信 号 Alpha, ⼤战李世⽯ “AI” 概念⾯世 DS,“Aha” 时刻 CNN, ⼈脸识 别 Chatgpt, C 端破 圈 1950s

07 解码DeepSeek,) 构建医药⾏业新质⽣产⼒ 腾讯健康 李慧 ⽬录 • 从DeepSeek看⼈⼯智能发展趋势 • ⼤模型及DeepSeek潜在应⽤场景探索 从DeepSeek看⼈⼯智能发展趋势 AI离我们越来越近，越来越密集的“加速”信号 4 “AI”概念⾯世 1950s 2012 CNN,$⼈脸识别 Alpha, ⼤战李世⽯ 2017 2022 Chatgpt

结果应⽤：将绩效结果贯穿于管理应⽤，成为有效管理抓⼿ 以战略为导向的全⾯绩效管理解决⽅案� 过程跟进：任务、周报、⽬标复盘多种⼯具让过程管理有抓⼿� AI绩效：让⽬标制定更科学，让绩效反馈更有效 战略解码：结构化战略解码⽀撑战略落地 ⾯谈与改进：绩效⾯谈，共识结果，促进能⼒提升，激发⾼绩效 评估校准：以价值为导向的综合评价，驱动价值合理分配 AI领导⼒教练Mr. Sen：通过实战教练让领导⼒真正提升 征有了更清醒更客观的认知 AI智能 随着⼤模型智能化程度越来越⾼，成本不断降低，AI赋能企业管理获 得越来越多企业的⻘睐 数字化技术加持 信息化、数字化技术的加持，使得绩效变⾰更落地 绩效变⾰趋势 战略解码 围绕战略，明确战略达成的策略及衡量标准，明确⾏动计划，并落实 到组织与个⼈，实现战略穿透 项⽬绩效 跨部⻔、协同作战模式下的⼈员趋向于采⽤矩阵式、项⽬制的绩效管理 � 模式 ⽬标“西学东⽤” 成熟的员⼯绩效解决⽅案 关注战略落地与协同 协同与价值创造 战略伙伴：协同团队服务组织战略⽬标达成 战略贡献者 驱动战略执⾏与组织优化� 加强对战略落地的⽀撑如OGSMA、BSC等 涵盖战略解码、组织绩效、员⼯绩效、通过 � AI赋能绩效管理的全⾯绩效解决⽅案 核⼼焦点 ⽂化导向 管理者⻆⾊ 员⼯⻆⾊ 结果应⽤ 主要绩效⼯具 数字化⽀撑 维度 1.0 2.0 3.0 企业在绩效管理中⾯临的挑战

术爆发式发展阶段，正沿着脑感知与脑调控这两大核心方向稳步演 进，且展现出融合化与智能化的发展趋势，具体表现为技术手段深 度融合、功能模块有机整合以及多学科交叉渗透融合，进而使得脑 机接口系统在解码、控制与校准等关键环节的智能化水平显著提升。 从产业发展格局审视，全球脑机接口企业数量已突破 800 家， 这些企业主要集中分布在美国和中国。在业务布局方面，近八成的 企业聚焦于无创脑机接口的研发工作，有创占比约为两成且多集中 脑感知技术是通过电、磁、光、超声等手段采集和分析大脑信号， 脑机接口技术与应用研究报告（2025 年） 2 从而解码出大脑意图。解码结果可用于揭示脑状态和输出意图，如 揭示疲劳、情绪、认知等状态；还可被转化为控制命令，实现对无 人机、轮椅等外部设备的控制。对大脑意图的解码结果还可以用于 优化对大脑进行刺激的参数，使对大脑的神经调控更加精准，以实现 神经功能的恢复、替代和增强，此类技术可视为脑调控技术。 技 术。其核心目标包括脑功能状态评估、神经疾病预警诊断及人机交 互控制，技术路径按侵入程度可分为有创与无创两大类。 电信号感知技术包含有创与无创两类。创新方向聚焦于电极材料、 信号处理芯片及解码算法的协同优化，以提升信噪比与时空分辨率。 磁信号感知技术包括超导量子干涉仪（SQUID）和新型原子磁 力计这两类脑磁图仪（MEG）无创技术，创新方向聚焦于高通道密 度、便携化及成本优化演进，同时探索量子传感等新型磁探测技术。

组实采数据样本作为支撑，同时空口开销也较高。 对于基于机器学习的信道状态信息压缩反馈而言，其模型一般分为编码网络（encoder） 和解码网络（decoder）两部分，如下图所示。 高维信道矩阵 反馈比特 （过信道） 高 维 信 道 矩阵 编码网络 （反馈发送端） 解码网络 （反馈接收端） 信道反馈网络模型 图 2-3-1 基于机器学习的信道压缩反馈 由于神经网络节点和层数较多，需要大 所示，该系统包括语义编码器/解码器、信道编码器/解码器，以及加密/解密模块与密钥处理 器。 图 2-4-1. SecureDSC 系统模型 其工作流程为：发送端 Alice 的消息 m，先经语义编码器提取出关键语义特征，接着借 助加密模块与密钥处理器进行加密，再经信道编码器转化为适应信道传输的信号格式后发送。 合法接收者 Bob 收到带有干扰和噪声的信号y�，依次通过信道解码器、解密模块、语义解码 器的顺序，精准重构消息。而窃听攻击者 构性对语义通信系统的安全使用构成了挑战。具体而言，在复杂通信网络中实际部署的语义 通信系统更新有两个关键要素：系统同步和训练。系统同步意味着要让多个参与者之间的语 义通信编解码器相互匹配，以防止语义信息的提取和理解出现偏差。另一方面，动态通信场 景中不断变化的通信任务要求持续对语义通信编解码器进行训练。这就需要无线设备收集与 任务相关且不断改变的数据，而这些数据不可避免地分布在不同设备上。然后，这些设备通 过交互进行全局模型

海外展：IOTSWC 世界物联网解决方案展 5 月 13-15 日（西班牙·巴塞罗那） 参展联系：18676385933 11 视觉消费类 IPC 芯片统计表（排名不分先后） 公司 产品型号 CPU 编解码能力 制程 工作功耗 &aov 功耗 是否支持 aiisp 处理速度 (TOPS) 海思 Hi3516CV610 双核 950MHz 支持 1 路 4K/20FPS,H264/H265 28 1w 海外展：IOTSWC 世界物联网解决方案展 5 月 13-15 日（西班牙·巴塞罗那） 参展联系：18676385933 12 视觉消费类 IPC 芯片统计表（排名不分先后） 公司 产品型号 CPU 编解码能力 制程 工作功耗 &aov 功耗 是否支持 aiisp 处理速度 (TOPS) 全志 V851S3 单核 1.2G+ 小 核 600Mhz 4K/20FPS,H264/H265 22 0.8W V821L2-WXX 单核 1.2G+ 小 核 600Mhz 5M/20FPS,H264 22 0.4W &100mW 否 内置人形加速 算能 CV181x 双核 1.0G&700M 支持两路 mipi，最大编解码能力 5M30fps 22 800mw&120mw 否 0.5-1T 爱芯元智 ax620q 双核 A53 4k20fps H264/265 12 / 是 2.4T ax630c 双核 A53

市场研读 | 2025/02 来源：沙利文、头豹研究院 关键发现 中国推理算力的发展核心聚焦于解决高实时性、低时延与高并发需求。其关键技术突破在于 采用P/D分离架构，通过预填充（Prefill）与解码（Decoding）实例分工，并利用高性能 RoCE网络实现KV Cache同步，从而兼顾首Token低时延与后续Token生成效率。 中国推理算力核心技术分析 市场研读 2025/08 推理终端与算力中心距离导致时延增加。  通过高性能RoCE网络实现预填充与解码实例间KV Cache同步  每个NPU配备不少于200Gbps的RoCE接口  确保数据传输低延迟和高带宽 用户请求 任务调度 预填充实例 Prefill  任务类型：计算密集型  硬件需求：高算力NPU/GPU集群  优化目标：最小化首Token时延 解码实例 Decoding  任务类型：内存密集型  硬件需求：大容量内存+高内存带宽

技术详解 脑机接口（BCI）技术通过双向交互链路实现了人脑与机械设备的直接通信，其本质 是通过解码神经信号控制外部设备，同时将物理世界的反馈以电刺激或虚拟信号形式返回 大脑，形成“感知 - 决策 - 反馈”的闭环系统。作为感知技术的终极跨界形态，其关键 技术突破包括： 1. 神经信号高精度采集与解码  侵入式与非侵入式传感方案： 研究报告 2025 年全球感知技术十大趋势预测 非侵入式：采用 EEG（脑电图）、fNIRS（功能性近红外光谱）等技术，从头皮表面 捕捉神经活动，虽安全性更高，但信号易受噪声干扰。 解码算法：基于深度神经网络（如 CNN - LSTM 混合模型）、卡尔曼滤波器实现对运 动意图、视觉感知等神经信号的实时解码，关键指标包括解码速度（<200ms 延迟）与准 确率（>95%）。 2. 多模态感知融合与反馈增强 触觉 - 视觉 - 听觉多模态整合 触觉通路）或光遗传学技术，将机械设 备的触觉、温觉信息编码为大脑可识别的神经信号，突破传统 BCI 单向控制的局限。 3. 自适应与边缘计算赋能 动态校准算法：依据脑电信号特征变化实时调整解码模型参数，解决因电极偏移或脑 组织特性改变导致的性能衰减问题。 边缘端轻量化部署：通过神经形态芯片（如 Intel Loihi）与脉冲神经网络（SNN）， 在可穿戴设备端实现低功耗神经信号处理，避免数据云端传输的隐私风险。

佳，而深度图 像包含了更多的位置和轮廓信息，赋予算法更强的上下文解读能力，从而实现更精细的场景解析。 目前该领域的技术方向主要围绕神经网络结构和学习技巧两方面展开，主要的网络结构包括编码器－ 解码器（encoder-decoder）网络结构、孪生网络结构、长短时记忆网络结构等。常用的学习技巧包括注意 力机制、深度显著性图引导分割、使用跨模态互补信息、使用跨层级互补信息等。结合视觉大模型的先验 作物智能设计与合成生物育种技术是指利用计算机科学、信息技术和生物学等多学科知识 , 对作物基 因组和代谢通路等进行重构设计 , 从基因到分子层面进行创新的新型育种理念和技术。这一技术主要通过 解码和分析作物转录组、基因组、表观遗传组等多组学数据 , 开展全基因组水平的作物性状预测与设计 , 用于从种质资源中发掘优异等位变异 , 指导作物精准杂交育种 ; 或设计自然界不存在的优异等位变异或功 作物智能设计与合成生物育种技术 作物智能设计与合成生物育种技术是指利用计算机科学、信息技术和生物学等多学科知识，对作物基 因组和代谢通路等进行重构设计，从基因到分子层面进行创新的新型育种理念和技术。它通过解码和分析 作物转录组、基因组、表观遗传组等多组学数据，开展全基因组水平的作物性状预测与设计，从种质资源 中发掘优异等位变异，指导作物精准杂交育种；设计自然界不存在的优异等位变异或功能核酸 / 蛋白元件，