...................................................................................31 (七) 协同联动强化，融入监督治理生态...............................................................................39 二、 行业发展特征分析. ..........................................................................................81 一、 审计监督范围不断延伸............................................................................................. ........................... 40 图 32 协同监督平台建设意愿与共享机制偏好 ............................... 41 全国内部审计数智化转型发展研究报告（2025） 1 前言 本报告由中国内部审计协会和中国信息通信研究院，在审计署 内部审计指导监督司的指导下，根据 2025 年 10 月联合开展的全国 内部审计数智化转型情况问卷调研数据，组织有关单位共同起草。

促进负责任的创新：通过坚持最佳实践、保持透明度、问责制和建立 强大的治理结构，组织可以培育一种负责任的和安全的人工智能创新文化，确 保人工智能在发展的同时对社会产生积极影响。通过多样化的团队、全面的文 档记录和人类监督，负责任的人工智能将通过减轻偏见、及早发现问题以及与 现实世界保持一致，增强模型表现。 ©2025 云安全联盟大中华区版权所有 12 范围和适用性 由于人工智能，更具体地说是生成式人工智能（GenAI）本身具有多样性， 正人工智能模型训练数据中已经获取的不准确信息的可行性尚不明确。虽然 ©2025 云安全联盟大中华区版权所有 17 有关数据标记和隐私保护技术的研究仍在进行，但确保 "更正权 "仍然是 一个开放性的挑战，应持续监督促进对这一需求的研究。 ● 删除权（被遗忘权）：个人有权要求删除其个人数据，这可能会影 响人工智能/机器学习系统模型的训练和使用方式。由于个人数据在训练后 可能会深嵌于模型内部复杂的表征中，因此落实这项权利对这些模型是一项 云安全联盟大中华区版权所有 23 ■ 高风险人工智能系统，如用于关键基础设施的系统，必须满足 严格的要求，通过审查，并在部署前获得预先批准。此类系统的提供者必须遵 守最严格的法规规定，包括透明度和可解释性、人类监督和独立验证。 ■ 中风险人工智能系统的风险较低，但仍必须遵守特定要求。这 些系统的提供者必须确保它们符合相关的法律义务、透明度和可追溯性等规则。 ■ 低风险人工智能系统对个人几乎不构成风险。这些系统不受相

化…… sopen AI 2016 发布 Gym 强化学习平台 & Universe 训练工具包 2018.6 GPT-1 1.17 亿参数 无监督预训练 + 有监督微调 2019 GPT-2 15 亿参数 半监督语言模 型效果验证 2020 GPT-3 1750 亿参数 超大模型 2022 年初 InstructGPT 13 亿参数 人类反馈强化学习 成为离图灵测试最近的机器人。 第二阶段：利用人工标注引导生成 2021 年底 - 至今 演进动力 : 从人类反馈中学习 8 ChatGPT 的技术路线选 择 海量人类积累的文本数据，进行无监督训练。 即可获得博学的文本生成模型 自回归 生成 单字接龙 9 第一阶段：模型规模增大，融合的任务更多 第二阶段：利用人工标注引导生成 ChatGPT 针对奖励模型优化策略 采样一个新的问题 基于有监督策略初 始化 PPO 模型 输出策略生成答案 奖励模型计算输出 奖励 更新策略 第二步 收集比较数据并训练奖励模型 采样问题，模型输出 问题的多个回答 人工对多个答案进行 排序 使用排序比较数据训练 奖励模型 从问题数据集中抽取 问题 人工标注期望的答案 使用有监督的数据微调 GPT-3 ChatGPT 训练过

医疗器械生产质量管理规范 (原国家食品药品监督管理总局 2014 年第 64 号) • 医疗器械生产质量管理规范附录 –独立软件 (国家药品监督管理局 2019 年第 43 号) • 医疗器械软件注册审查指导原则(2022 年修订版)(国家药品监督管理局医疗器械技术 审评中心 2022 年第 9 号) • 医疗器械网络安全注册技术审查指导原则(2022 年修订版)(国家药品监督管理局医疗 器械技术审评中心 器械技术审评中心 2022 年第 7 号) • 人工智能医疗器械注册审查指导原则(国家药品监督管理局医疗器械技术审评中心 2022 年第 8 号) • 医疗器械生产质量管理规范独立软件现场检查指导原则(国家药品监督管理局 药监综 械管[2020] 57 号) • YY/T 0664-2020 医疗器械软件 软件生存周期过程 • YY/T 0287-2017 医疗器械 质量管理体系用于法规的要求 • GB/T

》 —— 2023-05-08 大模型参数量级飞涨，相应训练集需同比提升。李开复定义 AI 2.0 时代的 特征是通过海量数据，无需标注自监督学习，训练一个基础大模型，并在各 领域将其专业化。据相关论文，当模型的参数量大于某阈值，会展现出类似 推理、无监督学习等未曾出现的能力，这种现象被称为“涌现”，因此目前 大语言模型参数均在十亿量级以上。同时，Deepmind 研究表明，模型参数的 上涨需要 增加，且单一领域的数据集和模型形成孤岛，每个领域和应用的优化都是割裂的， 难以形成“通用”。 AI 2.0 时代的特征是通过海量数据，无需标注自监督学习，训练一个基础大模型， 并在各个应用领域将其专业化。具体来说有三个特点：1）对于拥有的超级海量的 数据，无需进行人工标注，即进行自监督学习；2）基础模型规模非常大，参数规 模从十亿到千亿级别；3）训练出的基础模型具有跨领域知识，而后通过微调用降 低成本的方法来训练，以适应不同领域的任务。AI 于剪枝和量化，知识蒸馏是通过构建一个轻量化的小模型，利用性能更好的大模 型的监督信息，来训练这个小模型，以期达到更好的性能和精度。最早是由 Hinton 在 2015 年首次提出并应用在分类任务上面，这个大模型被称之为教师模型，小模 型称之为学生模型。来自教师模型输出的监督信息称之为知识，而学生模型学习 迁移来自教师模型的监督信息的过程称之为蒸馏。 在子模型场景当中，子模型是完整模型的子集，每个子模型能够独立的训练，学

究，为图像分割领域的研究和应用提供更加完备的解决方案。  SAM 模型基于 Meta 在 2021 年发布的 Unified Vision 模型架构，并在此基础上进行了优化和改进。该模型采用了多尺度特征 融合和深度监督等技术，具有更好的图像分割效果和更高的鲁棒性。SA-1B 数据集是 Meta 开源的一个大规模的、高质量的图 像分割数据集，包含 10 万张图像和 100 万个标注，涵盖了人、动物、车辆、建筑等多种类别。 的是帮助医疗器械企业了解审批要求，加快软件注册审批的进程，保证医疗器械软件的质量和安全性，促进医疗器械行业的健康发展。 2019.10.18 药监局《关于成立人工智能等3个医疗器械标准化技术归口单位的公告》  根据《医疗器械监督管理条例》和国家标准化管理委员会的有关规定，成立人工智能医疗器械标准化技术归口单位、植入性医疗器械标准化技 术归口单位和口腔医疗器械标准化技术归口单位三个单位，分别归口中国生物医学工程学会、中国医疗器械产业协会和中国口腔医学会。 公司人工智能可以在云平台上运行、速度大大提升，而且为下一步研发基于半监督和无监督学习算法的AI模型更新技术提供 支撑，以持续保持诊断准确率的不断提升 采用独有的云、边、端协同一体化的云平台架构，辅助超声诊断 15 疾病筛查 定位病灶 定量标注 辅助诊断  采用在云端部署多种疾病的超声医学影像人工智能诊断模型。 通过最新的半监督和无监督学习技术，不断完善模型，并定期 向终端AI应用软件推送更新的模型

GPT-1 2018 年 6 月 1.17 亿 约 5GB 1.3B 结合无监督学习及有监督的微调 GPT-2 2019 年 2 月 15 亿 40GB 15B 学习在无明确监督情况下执行多种任务 GPT-3 2020 年 5 月 1,750 亿 45TB 499B 结合少样本学习和无监督学习 GPT-4 2023 年 3 月 待公布 基于规则的奖励模型 数据来源：OpenAI，Medium I 的潮流开 始遍布国内外多行业。 1.2. AIGC 发展改革生产力，已具备多领域应用能力 AIGC 发展改革生产力，已具备多领域应用能力。AIGC 可以利用大量无标注数据 进行自监督学习再利用少量的标注数据进行迁移学习，能够持续生成规模大、质量高、 单位成本低的内容，在生产力上具有革命性的增长。在应用方面，按场景分类 AIGC 已 经较为成熟地应用于文本和代码撰写、图像识别和生成，在影视、传媒、电商、C 2、AI 技术发展低于预期导致应用面狭窄：AI 技术发展遭遇瓶颈，可能导致诸多场 景的大规模落地缺乏技术可行性。 免责及评级说明部分 免责声明 东吴证券股份有限公司经中国证券监督管理委员会批准，已具备证券投资咨询业务资格。 本研究报告仅供东吴证券股份有限公司（以下简称“本公司”）的客户使用。本公司不 会因接收人收到本报告而视其为客户。在任何情况下，本报告中的信息或所表述的意见并不

临床医学领域 Top 10 热点前沿发展态势 041 1.2 重点热点前沿⸺“CFTR 调节剂三联疗法对囊性纤维化实现从症状控制到病因治疗” 042 1.3 重点热点前沿⸺“全切片病理图像的弱监督深度学习框架” 045 2. 新兴前沿及重点新兴前沿解读 048 2.1 新兴前沿概述 048 2.2 重点新兴前沿⸺“人工智能大语言模型 ChatGPT 等在医疗健康领域的应用” 049 的新选 择，涉及其效果、作用机制、安全性等多方面研究。 此外，随着人工智能的快速发展，其在临床医学 领域中的应用研究热度越来越高。从去年的“人工智 能与牙科学”，到今年的“全切片病理图像的弱监督 深度学习框架”，可以预测人工智能一定会深刻影响 未来的临床诊疗模式。 表 19 临床医学领域 Top 10 热点前沿 序号 热点前沿 核心 论文 被引 频次 核心论文 平均出版年 1 疫 双免疫检查点阻断（PD-1/LAG-3）在黑色素瘤新辅助与 辅助治疗中的疗效 23 4983 2021.5 9 晚期肝细胞癌免疫联合疗法 29 15779 2021.3 10 全切片病理图像的弱监督深度学习框架 29 6537 2021.1 041 2019 2020 2021 2022 2023 2024 疫苗和单克隆抗体用于预防呼吸道合胞病毒感染 晚期宫颈癌的免疫治疗及联合疗法

用方、数据服务方等参与方依据既定规则自由选择参与或退出 各级各类可信数据空间。运营规则应当包括但不限于进入/退出、 权利责任、收益分配以及数据确权登记、交易支付、数据协作 程序规范等。数据管理机构（监管方）应当明确指导、监督和 18 规范的范围，并公开合规要求和监管规则。 19 四、技术框架 （一）能力要求 根据可信数据空间的主要特征和功能定位，应该具备用户 和数据的可信管 作 为平台技术供应方、微众银行作为区块链开源技术支持方共同 54 研究打造。 2024 年 5 月，在深圳市委网信办、前海管理局、深圳市港 澳办、中国人民银行深圳市分行、国家金融监督管理总局深圳 监管局、深圳市地方金融管理局、香港金融管理局金融科技监 管沙盒等部门的共同指导和支持下，深港跨境数据验证平台正 式上线试运行。平台由国家（深圳·前海）新型互联网交换中心、 深智 撮合、托管运营等服务； （2）技术支持与保障：运用专业技术能力，协 助解决数据流通和使用过程中的技术问题； （3）合规与标准遵循：遵守可信数据空间的相 关规则和标准，确保服务的合规性，配合监管方 和运营者的监督检查； （4）业务合作与共创：与可信数据空间运营者 开展价值协同和业务合作，营造可信数据空间发 展的良好生态。 ➢ 数据开发企业：专注于 数据存储、处理、分析 等技术研发； ➢ 数据中介企业：提供数

部分可 解释性，但显著提升应对无保护左转、施工区绕行、鬼探头等强不确定性场景 的泛化能力，亦为后续与Optimus人形机器人共享视觉-运动控制底层模块奠定 技术同源基础[1]。 当前FSD（监督版）已在中国以外市场广泛部署于城市道路领航辅助（CityStre etNavigateonAutopilot）场景，支持红绿灯识别、路口通行、环岛绕行及自 动泊车等功能。用户交互模式强调‘渐进式信任’：系统全程要求驾驶员手扶方向 级，而是以‘ADSLevelofAutomation’为描述性术语，将责任判定交由州级法院 依据个案证据裁量；德国则在《自动驾驶法》中首创‘技术监督员（TechnicalS upervisor）’制度，规定L4系统必须内置经TÜV认证的远程监控模块，一旦系 统请求接管失败，监督员须在10秒内人工介入，否则制造商承担全部民事与刑 事责任[2]。该机制将算法可靠性、通信冗余与人工兜底能力三者深度耦合，形 成闭环责任链。 化系统，使软件版本迭代 答对先见AI 全球智能驾驶辅助技术发展现状:技术路线、商业化落地与政策框架分析 25 周期压缩至周级，远超现行标准修订平均2–3年的周期。工业和信息化部与国 家市场监督管理总局联合发布的《关于进一步加强智能网联汽车产品准入、召 回及软件在线升级管理的通知》已前瞻性指出该矛盾，明确要求企业提交深度 测试方案与质量安全风险评估方案，并推动沙盒监管机制落地，为标准动态演