健康管理：智能设备监测及分析个人数据，医疗科技乘风而起  AI 制药：当前国内外AI制药行业的主要玩家主要有三类，即大型药企、AI制药初创型企业和互联网头部企业。其中 大型药企包括传统药企及CRO企业。根据Deep Pharma Intelligence数据，截至2022Q1，全球参与AI药物研发 的大型药企超过56家，其中包括超36家传统药企和20家CRO企业；相关互联网头部企业超31家，AI制药初创型企 业超过495家。 推进人工智能与互联网相结合，利用人工智能技术和医疗健康智能设备，开展移动医疗示范，实现个人健康实时监测、评估、疾病预警、慢性 病筛查和主动干预。强化临床、科研数据的整合、共享和应用，支持医疗健康相关的人工智能技术、医用机器人、大型医疗设备、应急救援医 疗设备、生物三维打印技术和可穿戴设备等的研发。计划到2025年，在智能医疗等领域广泛应用新一代人工智能技术。 2019.6.28 药监局技术器械审评中心《深度学习辅助决策医疗器械软件审评要点及相关说明》 AI 制药：AI可参与药物开发过程多个 阶段 27 AI 制药：逐渐完善的行业拼图 即大型药企、AI制药初创型企业和互联网头部企业，其中大型药企包括传统药企及CRO企业。根据Deep Pharma Intelligence数 据，截至2022Q1，全球参与AI药物研发的大型药企超过56家，其中包括超36家传统药企和20家CRO企业；相关互联网头部企业 超31家，AI制药初创型企业超过495家。

Step 2 Step 3 Step 4 Step 5 究其根因，在于企业的本地化深入程度 大型外企深入全流程，中小企业多止步于Step2生产组装 企 业 市 场 表 现 本地化进程 … 人形机器人 整机 过去10年，外企在中国市场的表现“两极分化” 大型外企信心与市场表现持续增强 大型外企 企 业 对 中 国 市 场 的 商 业 信 心 当外企对中国市场投资信心产生分野时，市场环境现象： ： ▪ 政策密集出台：本土产业扶持政策（如中国制造2025）中小企业扶持政策 （如专精特新小巨人）等 ▪ 市场逐渐饱和：大型外企市场表现稳定、结构性领先 ~2015 中小外企 时间 2016 2024 2025+ … · · 机器人零部件 光伏、锂电 大型外企：全流程本地化 中小外企：止步于生产组装 电气设备/3C For Roundtable M2 2025 Proprietary

采用了一些独特的架构设计，其中比较关键的是混合专家（MoE） 架构。混合专家模型（MoE）的核心思想是通过选择性激活子模型（专家模型） 3 来提高模型的计算效率和表达能力。 简单来说，MoE 架构就像是一个大型的专家团队，这个团队里有很多不同 “ ” 领域的 专家 （每个专家都是一个小的神经网络）。当人们提出一个问题时，会 “ ” 有一个 路由 机制来决定把这个问题交给哪个或哪些专家来处理。 例 是开源的大语言模型服务工具，能将模型权重、配置和数据捆绑， 优化模型运行，支持 GPU 与热加载，在 Mac 和 Linux 上通过 docker 可快速 部署，可让用户便捷地在本地运行开源大型语言模型，如 deepseek 系列模型、 通义千问系列模型等，实现本地推理，且跨平台兼容主流操作系统，提供命令行 与 API ，方便开发者集成。 确认系统兼容性 ：Ollama 支持多种操作系统，包括 ” ） 三个维度构建结构化的信息处理系统。工程审计领域因其 复杂性、专业性和风险管控需求， 特别适合应用此类结构化思维模型，将抽象的 审计任务转化为可操作的 AI 交互策略。 应用场景：大型基础设施项目财务审计 1. 行动（Action）：审核 2023-2024 年城市轨道交通建设项目财务报告 2. 目的（Purpose）：确保项目资金使用的合规性和透明度，识别潜在财务风险

S0980522100001 S0980522090001 l GPU 是人工智能时代下满足深度学习大量计算需求的核心 AI 芯片。 过去五年，大型语言模型的参数规模以指数级增长；从 2018 年起， OpenAI 开始发布生成式预训练语言模型 GPT 以来， GPT 更新换代持续提升模型 及参数规 模； 2022 年 12 月， OpenAI 年 3 月，英伟达在 GTC 大会上推出 4 个针对各种生成式 AI 应用程序进行优化的推理平台，其中发布带有双 GPU NVLink 的 H100 NVL 加速计算卡， 以支持 ChatGPT 类大型语言模型推理。与适用于 GPT-3 处理的 HGX A100 相比，配备四对 H100 与双 GPU NVLink 的标准服 务器的速度最高可达 10 倍。 l 计算与网络事业部收入占比提升，数据中心超过游戏成为收入主要来源。 2016 年的 241.5 万个上升至 2021 年 的 566.7 万个，对应 CAGR 达 18.60% ；其中，云数据中心负载任务量 CAGR 预计达 22% 。 l 以模型中的参数数量衡量，大型语言模型的参数 在过去五年中以指数级增长。随着参数量和训练 数据量的增大，语言模型的能力会随着参数量的指 数增长而线性增长，这种现象被称为 Scaling Law 。 但当模型的参数量大于一定程度的时候，模

语言推理等任务上，性能比肩 OpenAI-o1 正式版。 2 月 1 日消息，据彭博社报道， DeepSeek 的人工智能助手在 140 个市场下载次数最多的移动应用程序排行榜 上名列前茅。国外大型科技公司如微软、 英伟达、亚马逊等已先后上线部署支持用户访问 DeepSeek-R1 模型。 2 月 1 日，华为云官方发布消息，硅基流动和华为 云团队联合首发并上线基于华为云昇腾云服务 的 DeepSeekR1/V3 例。据 Appfigures 数据（不 包括中国的第三方应用商店），这款推理人工智能 聊天机器人于 1 月 26 日升 至苹果公司应用商店的榜首，此后一直占据全 球第一的位置。 l 国外大型科技公司已上线部署支持用户访问 DeepSeek-R1 模型。 1 月 30 日， 微软宣布 DeepSeek-R1 模型已在 Azure AI Foundry 和 GitHub 上提 供。 1 据，英伟达 对 Blackwell 系列芯片的划分更为细致，以向大型云服务商提供符合其能效要求和服务器 OEM 性价比需求的产品，并根据供应链情况动态调整。预计 2025 年英伟达将 更着力于营收贡献度较高的 AI 机种，例如积极投入技术和资源在 NVL Rack 方案，协助服务器系统厂商针对 NVL72 系统调教或液冷散热等，推动 大型云服务厂商从现有 NVL36 转为扩大导入 NVL72 。出货占比方面，据

一是构建数据流通环境。通过国有企业和龙头企业建设企 业可信数据空间，广泛联合合作的中小企业，构建多方互信的 数据流通利用环境，协同上下游企业开放共享高质量数据资源， 打造数字化供应链。例如，大型制造企业通过与多家中小供应 商合作，构建企业可信数据空间，可实现供应链数据的实时共 享和协同管理，提高了供应链的稳定性和效率。 二是提升业务协同效率。企业可信数据空间可以更加便捷 地共享数 效率，培育数 字经济新业态、新模式。 4．个人可信数据空间 一是掌握个人数据自主权。当前，个人数据分散存储在政 府部门、电商企业、电信运营商和互联网平台等单位，个体在 12 大型互联网平台面前相对弱势，在“要么同意，要么不服务”的 条约下，用户只能同意个人数据被采集甚至过度采集。个人数 据空间为用户提供了一种全新的自主可控隐私保护方案，通过 个人信息可携带权打通个人数据壁垒的同时，区块链等数据使 溯、可验证，配合做好数据安全相关工作； （5）数据权益维护与分配：在数据创造价值 后，有权根据约定分享相应权益。 ➢ 数据资源管理部门：掌 握 着 大 量 的 人 口 、 法 人、教育、医疗等公共 数据资源； ➢ 大型企业：在领域内具 备引领带头作用，拥有 海量用户信息、行为数 据等； ➢ 科研机构：研究过程中 积 累 了 大 量 的 科 学 数 据。 数据使 用方 按约加工使用数据资源、数据产品和服务，具体

供情感支持。人形 机器人还被用于养老陪护，如提醒独居老人服药。人形机器人可通过改善应急响应和日常监视来改变公共安全。它们可以快速穿越灾区、寻找幸存者并提 供援助，从而降低人类救援人员的风险；还可以在大型活动期间检测异常情况、威慑犯罪并确保人群安全，增强应急响应能力并提供持续监控。在这些服 务场景中，人形更容易被人接受，也更具情感价值，相比工业场景更具优势。Research Nester预测医疗健康 产品的应用场景。  OpenAI投资了Figure AI、1X Technologies和Physical Intelligence三家人形机器人公司，并在人形机器人AI模型方面展开合作，探索在大型 多模态AI模型支持下，人形机器人的智能极限。另外，The Information报道称OpenAI正考虑重组已解散四年的机器人团队，亲自下场研发人形 机器人。  特斯拉已推出人形机器人Opti moga共同研发，采 用仿人硅胶面孔和模拟人类面部肌肉动作能力的设计，提供了逼真的视觉和触觉效果，可以模拟人类的嘴巴 和面部肌肉运动，令人信服地表达说话、微笑、张嘴等表情。Mornine还嵌入了大型语言模型，能解释口头 或书面订单，并回答汽车领域专业问题，增强与用户的互动质量。初期，Mornine将担任门店导购。 3 3.1.3 跨界车厂满足主业需求 资料来源：IT之家，光锥智能，CyberDaily，华西证券研究所

5）的持续领先。同时，它基于这些基础模型，通过后训练技术扩展出面向推理 的“o 系列”模型，满足更专业的市场需求。 趋势三：大模型训练成本倍数级增长趋势 根据 Cottier, B., et al. (2024) 的研究分析，大型语言模型（LLM）的训练成本正呈现出惊人 的倍数级增长趋势。前沿模型训练成本每年约 2–3 倍增长，至 2027 年或超 10 亿美元。成本构成 以加速器 / 服务器 / 互联折旧（47%–67 到端控制，来实现最优的性能和效率。在这 种模式中，互联协议本身是闭源的，用户面临严重的厂商锁定风险，选择和灵活性受到极大限制， 并且通常需要承担高昂的成本。 第二种是由其他芯片巨头、云服务商和大型科技公司组成的“协议开放”模式。其核心战略是以 “兼容性”和“选择权”来对抗“封闭性”，旨在构建一个基于开放标准的、更加多元化的生态系 统。这个联盟的主要参与者包括 AMD（推广其 ROCm 开源软件平台）、Intel（其 等训练技术的发展，训推一体的集群规模和节点间的流量持续提升， 需要更大规模的超节点，消除卡间的通信瓶颈，并释放算力。 Scale Out 组网：实现集群化扩展，突破单节点算力限制。 面临万亿参数规模的超大型模型训练需求，超节点可通过叠加 Scale Out 组网，构建集群化组 网架构。依托跨节点通信协议完成数据交互与任务调度，结合任务分配机制优化，将模型训练任务 负载拆解至多个超节点并行执行，显著

》和《加州消费者隐私法案(CCPA) 》/《加州隐私权法案(CPRA)》，虽然为数据隐私提供了基础保障，但并未针 对人工智能开发的独特挑战提供具体的指导，而且不足以满足例外情况下的需 求。随着大型科技巨头计划向人工智能投资数千亿，预计技术创新的步伐不会 放缓，技术革新的快速步伐已经超出了立法适应的能力。 一个令人担忧的缺口正在出现：生成式人工智能的广泛使用，无论是个人 还是专业用途，都 显了开发透明且负责任的生成式人工智能以尊重个人隐私权的必要性。 ● 合规性：《通用数据保护条例》要求对数据处理活动执行数据隐私 影响评估(DPIA)，这也适用于人工智能系统的数据处理及其对数据主体造成 的风险。在用于训练大型生成式模型的大数据集中识别个人数据非常困难， 目前还不清楚欧盟将如何处理生成式人工智能中的《通用数据保护条例》合 规性问题。 ● 自动化决策管理治理：《通用数据保护条例》第22条规定，个人有 数据修改：根据训练过程的不同，可能需要对特定数据点执行匿名处理 或编辑，这可能会影响模型的准确性和可解释性。 ○ 知识移除：如何识别千亿层深度神经网络中的已学知识，并移除特定的 信息呢？实际上，这意味着需要从头开始重新训练大型语言模型，从而既不经 济，也不环保。 从技术可行性角度看，在复杂的训练数据集中识别并移除单个数据点可能 计算成本高、耗时长，甚至是对于高级人工智能系统（如大语言模型）来说有 时根本不可能实现

、省经信 厅、省发展改革委、省科技厅、省商务厅、省广电局） 3.提供“元办公”多样服务。支持大型平台企业搭建虚拟办 公平台，打造自由化、沉浸式、无边界办公体验，实现工作效 率、沟通效率、协作效率的全域提升。依托领军企业，优化提 升沉浸式会议平台，拓展虚拟会议在展会、发布会、宣讲会、 大型论坛等垂直领域的定制化、差异化解决方案，打造行业级 标杆产品与服务。（责任单位：省经信厅、省科技厅、省发展