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 电子 AI 大模型+医疗:从问诊到新药开发 华泰研究 电子 增持 (维持) 研究员 黄乐平，PhD SAC No. S0570521050001 SFC No. AUZ066 leping.huang@htsc.com Watson 等一批全球知名企业。随着基于大模型的生成式 AI 的出现，我们看 到 AI+医疗有望迎来一波新的发展机遇，具体看好：1）基于大模型的实时 问诊病例生成，2）按需生成新蛋白质结构提高药物发现效率等应用。另一 方面，目前尚未看到面向医疗影像的新 AI 大模型服务，大模型在医疗影像 领域主要作用是降本。国内关注讯飞医疗、云知声、晶泰、数坤等企业发展。 AI+问诊：从语音录入到实时生成内容，提高临床记录环节效率 病例的录入是 AI+医疗中最经典的应用场景之一。2021 年被微软以 197 亿 美金收购的 Nuance 和国内的科大讯飞、云知声等是主要企业。生成式 AI 的出现，使病例的录入过程从过去医生问诊后口述总结，向基于大模型的自 动实时问诊记录生成演进。今年 3 月，微软旗下的 Nuance 已经推出基于 GPT-4 的临床笔记软件 DAX Express，可以在几秒钟内生成准确的临床记 录，以及整合进微软

2023年是中国医疗大模型发展的元年，各种医疗大模型已广泛应用于临床辅助决策、 医学研究、健康管理等多个场景。未来，医疗大模型有望实现多模态AI与医疗实践全 流程的深入链接，应用于医疗教育和临床培训，提高药物研发和药物反应监测等方面 的能力。但在实际应用中，医疗大模型仍面临一些挑战，如准确度、透明度和可解释 性等问题，以及对数据隐私和安全问题的担忧。本文主要探讨医疗大模型在医疗领域 的应用及其面临的挑战。 的应用及其面临的挑战。 大模型技术在医疗领域的应用 （一）医疗大模型的逻辑框架 医疗大模型一般指在医疗健康领域应用的大规模预训练语言模型（LLM），其训练数 据集包含大规模的医疗科研文献、电子病历、医学图像等，参数量通常在百万级到亿 级，远超过普通深度学习模型，因而能够获取更强的特征提取和学习能力等。 医疗大模型的典型运作逻辑主要包含三个层面： 从数据层看，大模型可构建医疗数据集，收集包括电子病历、文献报告、医学知识图 医学知识图 谱、医学图像等多源异构的医疗数据，同时进行数据清洗、标注、统一编码，构建规 模化的医疗语料库。 从模型层看，可使用Transformer、BERT等框架，输入大规模医疗语料，通过Masked LM、Next Sentence Prediction等方式进行无监督预训练。 从应用层看，预训练模型微调，结合医学知识图谱、规则库等知识源增强医学专业 性，使用知识蒸馏、参数剪枝等技术压缩模型并在真实临床环境中评估、调优。经验

半导体智能制造 SIEMENS DIGITAL INDUSTRIES SOFTWARE 从精益制造向智能制造演进 siemens.com/semiconductors 与许多半导体公司一样，几十年来，贵公司一直依赖精益制造技术。精益制造关乎企业生 存。利用精益生产方式，贵公司已经能够裁汰各项非增值流程，以减少浪费并充分提高生 产效率。 芯片制造商们深知精益制造的优势至关重要，但其中大多数公司也明白，在当今要求苛刻 的数据，而智能制造则不 同，它使用先进的软件解决方案和分析方法将实时生产数据转化为可操作的 洞察，以提高当前和未来的绩效。 智能制造极大地增强了数据的力量 通过系统之间的端到端连接，可以直接从半导体制造执行系统 (MES) 收集实时数据， 为半导体专用仪表板（包括独特的半导体特定制造流程清单 / 信息清单模块）提供信 息。用于半导体制造的 MES 可以利用生产的数字孪生来实时捕获性能数据，包括统计 manufacturing process Real-time reporting and analytics Seamless collaboration across disciplines 从精益制造发展到智能制造需要哪些步骤？ I. 虚拟呈现制造流程。 首先，需要模拟实际制造流程，包括工艺节点和制造 线，对其进行虚拟再现，以获得对规划和生产必要的 洞察，从而消除缺陷和产品返工，提高

1 从精益到智能—制造业转型的实践方案 2 愿景：中德智能制造产教融合生态体系 ① 产业赋能教育 产业学院 合作办学、合作育人、合作就业、合作发展 ② 教育培养人才 专业、教材、课程、师资、实践 ③ 人才支撑产业 人才与行业、地域、企业、岗位高效匹配 人才银行 存取 - 流动 - 升值 行业企业 招 - 培 - 用 - 留 场地 - 设备 - 师资 目 录 制造业转型的思考 与价值创造的合作伙伴有关的能力 与价值创造的主体有关的能力 与价值创造的对象有关的能力 与价值创造的驱动要素有关的能力 14 智改 数转的思考 制造业智改 数转是一项系统工程，范 围广、周期长、投入大、风险高 制造业智改 数转基于 公司战略，进行顶层设计 制造业智改 数转 需分步骤进行，每一步都需要制定详细规划 制造业智改 数转 需要高、中、基层专业员工团队支撑 企业管理水平和精益化提升是智改 备网络化数字化的基础 时搞智能化 -- 需要补课、普及、充实、提高 18 中小企业该何去何从？ 技术落后 从清晰的价值链分析入手 寻找定位价值流动的断点与根因 从“以人管人模 式” 向 “ 基于流程的业务流转” 精益生产入手，以信息系 统、数字化、自动化辅助 从各业务单元独立向数据 流动推进 追求高效的价值流动 设备老旧 产品设计粗糙 信息化基础薄弱 人才匮乏

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 电子 AI：大模型掘金金融行业数据富矿 华泰研究 电子 增持 (维持) 研究员 黄乐平，PhD SAC No. S0570521050001 SFC No. AUZ066 leping.huang@htsc.com 金融行业坐拥数据富矿，有望成为 AI 大模型率先落地的垂直领域之一 近期，多家金融机构、金融服务机构发布其 AI 大模型：彭博发布支持金融 领域的自然语言处理（NLP）任务的 BloombergGPT，中国农业银行推出类 ChatGPT 的大模型应用 ChatABC，中国工商银行发布了基于昇腾 AI 的金 融行业通用模型。我们认为垂直行业的高价值量数据对于 AI 大模型的训练 和垂直领域应用至关重要 和垂直领域应用至关重要，金融行业数字化程度领先，拥有数据富矿，有望 成为 AI 大模型率先落地的垂直领域之一。应用端，我们看到生成式和理解 式大模型在银行、保险、资管、投研、投顾等多个细分领域正在落地或拥有 潜在落地场景，帮助金融机构降本增效。 银行：大模型助力数据洞察能力提升，赋能高质量顾问式金融服务 在银行领域，理解式大模型可以用在信贷风险管理、智能获客和产品识别等 场景，通过提升银行的数据洞察理解能力，来更好地识别客户需求以及评估

工信洞察系列之 从互联网大数据看 中小企业发展 （2025） 中国互联网络信息中心 2025 年 11 月 工信洞察系列报告编委会 编 委 会 主 任 刘郁林 编委会副主任 张 晓 编 委 李 强 吕 坚 汪立东 编 写 组 王常青 郝丽阳 谭淑芬 孟 蕊 武志敏 王 翀 高 爽 从互联网大数据看中小企业发展（2025） 从互联网大数据看中小企业发展（2025） 前 言 助力我国社会在新 格局下足履实地、进而有为。 互联网大数据是研究中小企业发展态势的重要依据，可以为中小企业 发展研究提供丰富的实时信息和深入的分析能力。在此背景下，中国互联 网络信息中心启动从互联网大数据看中小企业发展研究工作，结合企业全 量数据和抽样调查数据，以多维度的数据指标综合反映中小企业发展状况 及态势，力图为政府部门、国内外行业机构、专家学者和广大人民群众了 解我国中小企业发展提供参考。 感谢政府部门对本研究工作的大力支持。希望广大读者提出宝贵的意 见建议，帮助我们不断提升重点问题研究能力，形成更多具有前瞻性、战 略性的研究成果。 工信洞察系列报告编委会 2025 年 11 月 从互联网大数据看中小企业发展（2025） 从互联网大数据看中小企业发展（2025） I 目 录 一、总体概况......................................................

大湾区低空经济 发展与城市规划 将低空经济融入城市规划 与设计的策略指南 低空经济 (LAE)概念的诞生标志着孤立的无人机技术正向更广泛的 经济体系的发生转变，该体系可利用低空空域开展物流、出行和公共 服务等多个领域的活动。低空经济的核心不仅仅在于飞行设备本身， 更关乎我们应如何重新思考城市的运作方式。低空经济引入了一个 新的基础设施层，有助于减少交通拥堵，提高配送效率，并在应急响 应、环境监测，乃至旅游业等方面提供支持。 这一转型在粤港澳大湾区等高密度城市地区显得尤为重要，可帮助 其应对土地资源紧缺和出行需求旺盛带来的挑战。大湾区城市间的 高度互连互通、雄厚的技术实力以及政策动力，为低空经济的试点与 规模化应用提供了理想的环境。此外，该地区在城市形态和治理结构 上的多样性，也为跨境协同与制度创新提供了宝贵的试验场。 然而，低空经济目前仍处于初步发展阶段，面临诸多关键挑战。其中 诸多关键挑战。其中 包括如何管理日益拥挤的低空空域、保障飞行安全与个人隐私，以及 构建能够适应技术快速变革的监管框架。公众接受度亦是另一大阻 碍——人们须积极接纳低空经济带来的便利，而非将其视为一种干 扰。 尽管面临重重挑战，低空经济的潜力依然巨大。它有望推动更可持续、 去中心化的物流体系，减少对地面基础设施的依赖，并创造新的经济 增长点。然而，要实现这些发展愿景，我们亟需一种协调一致的跨学

医疗" 的专题文章“AI for 医疗: AI大模型在药物 靶点识别中的应用”中，我们整体描述了药物研发的流程，并介绍了AI 大模型在药物研发的第一步: 靶点识别中的应用。这篇文章，我们将 延续这一路线，介绍AI在药物研发的第二步: 先导化合物发现中的应 用。 图1：药物研发生产流程，图片引自[1] 传统方法在先导化合物发现中的局限性 在AI大模型时代到来之前，先导化合物的发现以实验方法及计算机辅助药物 满意的筛选，则需要长达3000年的时间。简而言之，利用CADD进行高精度的 药物虚拟筛选，所需的时间同样是难以接受的。 AI大模型辅助药物虚拟筛选 基于AI的算法，包括监督学习，无监督学习，自监督学习，强化学习以及基 于规则的算法，可能有助于解决传统方法中存在的问题。 AI方法通常基于对数据特征的学习。具体来说，就是从大量的已知药物化合 物和非药物化合物中，去学习成药所需的潜在特征，并依据这一特征对化合物进 行能否 训练可以提高模型的性能，正如目前风头正热的GPT，GPT利用了大量无标签文 本数据进行自监督预训练，这些文本数据虽然没有标签，但是数据量远远多于有 标签的数据。相应的，模型也可以进行大规模的设计以适应海量的数据。这便是 AI大模型的由来。经过了自监督训练任务，AI模型方法仿佛理解了自然语言的语 法，从而为自然语言处理带来了质的飞跃。 而在药物筛选领域，如果我们依照类似的方式，让AI模型去充分利用海量的 蛋白、分子数据去

项目编号： 餐饮服务基于 DeepSeek AI 大模型 应 用 方 案 目 录 1. 引言............................................................................................................................................... ...................................................................................9 1.3 DeepSeek 大模型简介................................................................................................ ...................................................................................13 2. DeepSeek 大模型在餐饮服务中的潜在应用.......................................................................................