随着2006年DeepLearning算法的提出，人工智能(AI)的发展进 入了第三次浪潮。DeepLearning凭借自身优秀的信息表征及关系提 取能力，已经为计算机视觉(cv)及自然语言处理(nlp)等领域带来了突 破性的进展。现在，AI的魔力已经被逐步引入药物研发的领域，并正 在深刻地改变这个领域的研究和发展流程。无论是在早期的药物筛 选、药物优化，还是在药物的临床试验和后期的上市监控，AI的应用 都愈发广泛。 在上篇 在上篇 "AI for 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 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

AI如何赋能药物研发工作中的最后一步：临床试验。 图1：药物研发生产流程，图片引自[1]↓ 临床试验简介 药物研发的最后一步，便是将药物大规模应用到患者体内以进行实际效果测试，这 一步骤即临床试验。临床试验是一种系统性的研究，其目的是调查医药产品对人类 疾病过程的影响，以证实或揭示试验药物的作用、不良反应及试验药物的吸收、分 布、代谢和排泄，并最终确定试验药物的疗效与安全性。 基于大语言模型的临床试验患者匹配方法 近年来，随着大语言模型（LLM）的发展，越来越多的人注意到了大语言模型在提 高临床试验招募的效率和准确性方面的潜力。 大语言模型作为一种基于深度学习的AI技术，已经在许多领域展现出了惊人的能 力，比如大语言模型为自然语言处理（NLP）领域的文本生成、文本摘要、问答系 统等任务带来了颠覆性的突破，也为计算机视觉（CV）领域的文生图等多模态任 务提供了新

随着2006年DeepLearning算法的提出，人工智能(AI)的发展进入 了第三次浪潮。DeepLearning凭借自身优秀的信息表征及关系提取能 力，已经为计算机视觉(cv)及自然语言处理(nlp)等领域带来了突破性的 进展。现在，AI的魔力已经被逐步引入药物研发的领域，并正在深刻地 改变这个领域的研究和发展流程。无论是在早期的药物筛选、药物优 化，还是在药物的临床试验和后期的上市监控，AI的应用都愈发广泛。 本文 本文将简要的概括药物研发的流程，并深入探讨AI在药物研发的第 一步: 靶点发现中的作用，以及它如何为这个过程带来革新。 药物研发的整体流程 药物的研发是一个复杂且耗时的过程，业内一直流传着"三十定律"的说法: 耗时10年，耗资10亿美金，成功率不足10%。因此，如何降低药物研发的金钱 成本、时间成本，提高成功率已然成为了药物研发行业的重中之重。 通常而言，药物的研发包括以下步骤: 靶点发现，候选药物筛选，候选药物 的第一步，是新药研发中决定成败的一步，成功的靶点识别可以为后续的药物设 计提供方向。不仅能提高新药的研发效率，也能极大地改善患者治疗期间的生活 质量。 药物研发生产流程，图片引自[1] 传统方法在靶点识别中的局限性 在AI的第三次浪潮之前，靶点的识别通常依赖多组学实验方法或者计算机辅 助药物设计的方法。多组学方法主要通过对病例组和对照组进行基因组、蛋白质 组等组学数据差异性比较，提取出可能致病的基因或蛋白靶点。这一方法通常有

教师的 AI 能力框架 © UNESCO 2024 联合国教科文组织 - 全球教育领导者 封面 ： scart / Shutterstock. com * CLD 1005.24 教科文组织设计和印刷 法国印刷 2030 年全球教育议程 联合国教科文组织（UNESCO）作为联合国负责教 育的专业机构，被委托领导和协调教育2030议程， 这是全球通过17项可持续发展目标消除贫困运动的 指导教师在教育中使用和滥用 AI AI处理大量信息，生成新内容，并通过预测分析辅助决策。在 教育领域，AI已将传统的教师-学生关系转变为教师-AI-学生的 动态关系。 作为全球参考，该工具指导国家人工智能能力框架的发展，影响教 师培训项目，并帮助设计评估标准。它还提供了教师构建人工智能 知识、应用伦理原则和支持其职业发展的策略。 教学方法，以及专业学习中的AI应用。这些能力被划分为三个进 阶层次：获取、深化和创造。 阶层次：获取、深化和创造。 The AI能力框架针对这一缺口，通过定义教师在AI时 代必须掌握的知识、技能和价值观来解决这一问题。 该框架基于保护教师权益、增强人类自主性和推动可 持续性的原则进行开发，并详细列出了五个维度下的 15项能力：以人为中心的心态、AI伦理、AI基础与应 用。 这一转变需要重新审视教师的角色及其在人工智能时代所需的能力。然而，很少 有国家定义这些能力或开发国家级项目来培训教师使用人工智能，导致许多教育

AI+ 智慧园区解决方案 AI+ 智慧园区解决方案 第 i 页 目录 第 一 章 背景及需求 .................................................................................................. 1 1.1 应用背景 ..................................... 3.3.6 便捷的功能设计 ............................................................................... 19 AI+ 智慧园区解决方案 第 ii 页 3.3.7 丰富的产品支持 ................................................................. ............................................................................................. 38 AI+ 智慧园区解决方案 第 iii 页 5.2 系统架构（三选一） ................................................................

三甲医院如何看AI+医疗250225_导读 2025年02月25日 18:23 关键词 手术排程 AI 门诊排班 运筹规划 电子病历 润达医疗 推想科技 科大讯飞 NLP 智能辅助编码 ICD9 病案科 AI算力 推理一体机 三甲医院 全国前十 瑞星 短信 看病能力 赚钱能力 全文摘要 医院在人工智能技术的应用上，当前主要通过数学模型优化手术排程，旨在提升手术室使用效率与医院 收入， 收入，尽管潜力巨大，实际部署需深入理解医院运作细节。AI在门诊排班、检验报告解读以及电子病 历、影像诊断等方面的应用也显示出效率提升的可能。医院对AI持开放态度，计划逐步加大投入，但资 金预算与领导层支持是主要制约因素。资本支出在医院预算中的比例，以及AI技术在医疗领域的长远影 响与面临的挑战，成为讨论重点，强调了技术发展与医院管理策略的协同重要性。 章节速览 ● 00:00 运用数学模型与AI提升医院手术排程与门诊利用率 增 加医院收入。同时，讨论了利用AI，如deep seek，提升手术排程的可能性，尽管实际操作需要对医院业 务有深入理解且模型训练不易。此外，还提及了门诊排班与排号的问题，特别是如何通过运筹规划最大 化诊室利用率，以应对高门诊量的挑战。当前，这些优化工作主要依赖人工思路的理清，为未来基于大 模型的智能排程奠定基础。 ● 01:59 医院运营效率提升与AI技术的融合 对话主要围绕医院运营

CHIMA 【 01 】未来医院发展新方 向 【 02 】未来医院应用新生态 【 03 】未来医院建设新体 系 【 04 】数智化转型创新实 践 CHIMA 宏观政策支持医院数字化转型 -AI 助力医院高质量发展 公立医院发展方式从规模扩张转向提质增效，运行模式从粗放管理转向精细化管理，资源配置从注重物质要素转向更加注重人才技术要素。 坚持数字化转型，打造高水平智慧型医院，驱动医院医 结节 1~2cm 检查甲胎蛋白 AFP （ - ） 肝组织病理活检 确诊，肝 癌 住院 手术治疗 + 放射治疗 + 药物治疗 AI 驱动 H“I”T （ Healthcare Information Technology) 时代 H“I”T （ Healthcare Intelligence | 业务顺畅 | 聚焦功能 AI 驱动 | 效率提升 | 聚 焦体验 H“I”T 在智慧医疗应用逐步凸显出质变：由流程驱动聚焦功能逐步到 AI 驱动聚焦体验的系统化升级。 智慧医疗诊疗过程演进 CHIMA 疾病治疗 疾病治疗 病理检查 病理检查 肝组织病理活检

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 资料来源：Wind，华泰研究 2023 年 4 月 06 日│中国内地 专题研究 生成式 AI 为问诊、影像、制药等各个医疗健康场景注入新活力 医疗健康领域是人工智能率先落地的行业之一，也已经催生了 Nuance、IBM 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 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

智能 AI+ 智慧医院解决方案 解决方案 建设内容 建设背景 加入星球获取更多更全的数智化解决方案 各级政府积极推动卫生健康行业 AI 应用创新 发布《卫生健康行业人工智能应用场景 参考指引》从四大领域给出 84 个应用 场景。 《上海市发展医学人工智能工作方案 (2025-2027 年 ) 》，旨在促进医学与 人工智能深度融合。 《武汉市促进人工智能产业发展若 干政策措施的通知》，通过算力补 干政策措施的通知》，通过算力补 贴、公关专项等方式发展人工智能。 AI 医疗迎来爆炸式发 展 宏观政策支持医院数字化转型 -AI 助力医院高质量发展 公立医院发展方式从规模扩张转向提质增效，运行模式从粗放管理转向精细化管理，资源配置从注重物质要素转向更加注重人才技术要素。 坚持数字化转型，打造高水平智慧型医院，驱动医院医疗服务品质新跃升智慧医院建设。以数字化为引领，建设具有国际水平的智慧医院。 结节 1~2cm 检查甲胎蛋白 AFP （ - ） 肝组织病理活检 确诊，肝 癌 住院 手术治疗 + 放射治疗 + 药物治疗 AI 驱动 H“I”T （ Healthcare Information Technology) 时代 H“I”T （ Healthcare Intelligence

项目编号： 教育行业 AI 大模型 设 计 方 案 目 录 1. 背景与目标...................................................................................................6 1.1 教育领域的挑战...................................... ..............................................7 1.2 AI 大模型的优势....................................................................................9 1.2.1 提高学习效率....................................... .................................................................................15 1.3.1 设计灵活的教育 AI 模型.............................................................17 1.3.2 实现知识的有效传播................