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

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。

态获取网络资源与状态，结合 QoS 控制策略，应用基于 AI 的动态资源分配算法， 实现弹性、动态的资源调度与配置优化，提升资源利用效率与服务保障能力；在 智简传输层，构建多模态自适应语义通信传输处理机制，基于语义编解码和语义 知识库动态匹配与更新，实现高效、鲁棒地传输不同数据形态（模态）的信息语 义，并兼容语法传输和语义传输。缺少这些使能技术，语义通信系统将退化为面 向单一业务的专用通道。因此，该技术体系是连接理论创新与工程实践的关键桥 智能新型网络传输业 务流智能识别分类 业务保障层 QoS规则生成 QoS流映射 资源调度层 资源调度和配置 多维资源和状态感知 智简传输层 语义编码 语义知识库同步 语法编码 语义解码 语法解码 网络资源状态库 共享语义知识库 本地语义知识库 AI引擎-AI训练 业务智能 识别分类 智简传输资源库 QoS策略 自生成 资源调度 配置策略 语义编解 码器 多模态自适应传输 智能新型网络传输业 务流智能识别分类 业务保障层 QoS规则生成 QoS流映射 资源调度层 资源调度和配置 多维资源和状态感知 智简传输层 语义编码 语义知识库同步 语法编码 语义解码 语法解码 网络资源状态库 共享语义知识库 本地语义知识库 AI引擎-AI训练 业务智能 识别分类 智简传输资源库 QoS策略 自生成 资源调度 配置策略 语义编解 码器 多模态自适应传输

3） 监控中心部分 系统在接入交换机处配置 NVR 对高清视频图像进行存储，解决数据落地问 题，另外在监控中心配置用于故障备份的 NVR，提高存储可靠性。监控中心配 置视频综合平台，完成视频的解码、拼接，通过部署 LCD 大屏用来将视频进行 上墙显示等。 系统可将模拟摄像机、 网络摄像机和数字摄像机都接入到视频综合 平台，实现统一的管理平台、 统一的切换控制系统和统一的显示系统， 实现对整 米以内），点对多点光纤 PON 接入方式， 将前端信号汇聚至中心的核心交换机。 3） 监控中心部分 监控中心采用 CVR 对高清视频图像进行存储，解决数据落地问题。另外， 监控中心配置视频综合平台，完成视频的解码、拼接，通过部署 LCD 大屏用来 将视频进行上墙显示等。 系统可将模拟摄像机、 网络摄像机和数字摄像机都接入 到视频综合平台，实现统一的管理平台、 统一的切换控制系统和统一的显示系统， 实现对整个系统的统一配置和管理。 分光器 接入交换机 高清网络球机 高清网络枪机 接入交换机 LAN 网络键盘 监控管理终端 平台服务器群 视频综合平台 云存储 第22页 外，监控中心配置视频综合平台，完成视频的解码、拼接，通过部署 LCD 大屏 用来将视频进行上墙显示等。 系统可将模拟摄像机、 网络摄像机和数字摄像机都 接入到视频综合平台， 实现统一的管理平台、 统一的切换控制系统和统一的显示 系统，实现对整个系统的统一配置和管理。

5.5.2 存储部分（三选一） ....................................................................... 60 5.5.3 解码拼控部分 ................................................................................... 69 5.5.4 3） 监控中心部分 系统在接入交换机处配置 NVR 对高清视频图像进行存储，解决数据落地问 题，另外在监控中心配置用于故障备份的 NVR，提高存储可靠性。监控中心配 置视频综合平台，完成视频的解码、拼接，通过部署 LCD 大屏用来将视频进行 上墙显示等。 系统可将模拟摄像机、 网络摄像机和数字摄像机都接入到视频综合 平台，实现统一的管理平台、 统一的切换控制系统和统一的显示系统， 实现对整 视频综合平台 AI+ 智慧园区解决方案 XXX 系统技术有限公司 第 42 页 监控中心采用 CVR 对高清视频图像进行存储，解决数据落地问题。另外， 监控中心配置视频综合平台，完成视频的解码、拼接，通过部署 LCD 大屏用来 将视频进行上墙显示等。 系统可将模拟摄像机、 网络摄像机和数字摄像机都接入 到视频综合平台，实现统一的管理平台、 统一的切换控制系统和统一的显示系统， 实现对整个系统的统一配置和管理。

以遵循英特尔® OPS-C 规范的嵌入式教学一体机设备为例， 如图 2-2-9 所示，其一方面可以选配英特尔® 酷睿™ 处理器等 算力平台来形成强大的计算处理能力、优异的图形处理能力 以及强有力的视频编解码性能，并通过与英特尔® VPU 产品 的结合，借助 OpenVINO ™ 工具套件提供的人工智能性能加 速，使教育机构在狭小的嵌入式设备中也能部署高效的边缘 人工智能处理能力。 另一方面，借助英特尔® 优先级加载模式，其可以同时被指向加载 VPU 2 和 VPU 1， 且 VPU 2 优先级高于 VPU 1。 • 在推理运行阶段，系统可以通过分线程处理的方式来提升 效率。其中线程 1 用于视频的解码且缓存到 Buffer 1 中。 线程 2 则从 Buffer 1 中取数据，使用 VPU 1 进行人头检 测，返回检测结果给 CPU，然后基于 CPU 执行跟踪网络 1 和跟踪网络 2 两个模型，并将结果缓存到 为例，可以通过如下代码进行网络初 始化： 模型加载阶段 VPU1 VPU1 VPU2/VPU1 VPU2/VPU1 CPU 运行阶段 线 程 1 人头 检测 人头 检测 视 频 解码下一帧 缓存到 Buffer1 Buffer1 Buffer2 缓存到 Buffer2 跟踪 网络1 跟踪 网络1 跟踪 网络2 跟踪 网络2 行为 检测 行为 检测 行为 验证

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