分子性能预测的基础上，提前筛选出合适的化学物质。 尤其是在合成生物学领域， AI 已在元件工程、基因线路、代谢工程、基因组工程中广泛应用，大幅提升合成生物学的各环节效率。基于 AI 的研发 平 台，可预测蛋白质结构，进而构造具有目标功能的物质。另一方面， AI 也促进了实验室自动化，对传统劳动密集型实验室进行技术革命。其中 微流 控技术，具有高灵敏度、高集成、高通量、高效率等多种优势，对合成生物学的研发和应用起到了巨大作用，加速合成生物学行业发展。 大作用，加速合成生物学行业发展。 u AI 优化化工设计和建设 AI 使工业领域落地周期逐步缩短。管道设计软件及流体力学仿真软件是设计研究和生产部门强有力的辅助工具，有效提高设计生产效率；一体化工 程设计软件推动卓越运营和智能制造，助力化工企业实现数字化转型，数字化孪生工厂的产生为企业后续运营储备了丰富的数据资产。众多的工程 企业尤其是设计院，正在谋求以数字化工厂与数字化交付为突破，从而实现企业的数字化转型。 已应用于精馏塔、反应器、锅炉、控制器、冷水机 组、压缩机、泵、管道等各种工艺设备的校正、工艺参数预测、故障诊断与优化；在纺织，水处理，化肥，核电站和油气等领域均有应用。 投资建议： 重点关注：合成生物学：凯赛生物、华恒生物；基因测序：华大智造（医药）；设计与建造：中国化学、东华科技、中国石化、中国石油； AI 应用： 万华化学、江南化工；智能制造典型：森麒麟；智能工厂整体方案供应商：中控技术（机械）；智能仪表：川仪股份（电新）

破除现有限制瓶颈的方向，将有望最开始明显受益：直接改善效率和提升速度的领域，或将最开始获得切入，目 前对选定方向，重复性测试或者方向性改善的领域，AI 智能化将有望直接缩短研究周期，降低投入成本，建议关 注合成生物方向，农药创制药赛道等；  技术研发的优化或将是智能化落地的主“战场”：AI 智能化对接的基础相对较好，投入成本相对可控，产生的长 远影响相对较大。对应的赛道更多是精细化工材料领域，通过 .... 11 四、行业变革及时解决技术痛点，关注技术智能化升级的机会......................................... 12 4.1、Deepseek 赋能合成生物，加速新品扩展和成本优化 ......................................... 12 4.2、Deepseek 赋能农药创制，或将大幅提升研发效率 ...... 图表 10： 中石化首个 AI 数字员工 ................................................................ 12 图表 11： 合成生物的构建策略 ................................................................... 12 图表 12： AI 智能化学习能够加速底盘细胞的构建

因素出现遗漏或错误。而高通量筛选技术可以在短时间内对大量化合物进行自动测试，例如 阿姆斯特丹大学开发了一种集成人工智能机器学习单元的机器人 RoboChem，一周内， RoboChem 可以优化大约 10 到 20 个分子的合成，而对于研究人员手动来说，这通常需要几 个月的时间。 5.产业知识图谱构建： AI 可以自动从互联网、企业数据库等多个数据源中抓取相关的化工 数据。接下来通过机器学习，可以对收集到的数据进行清洗和修复。通过建立数据模型，算 高效，受到 AI 冲击或相对较轻。例如谷歌 DeepMind 利用材料探索图形网络(GNoME)，使得 稳定晶体发现数较过往提升一个数量级；美国加州大学伯克利分校团队利用自动实验室系 统，在 17 天内成功合成 41 种目标材料，成功率超 7 成。 ➢ 化工企业的时代大考： 如何应对 AI+机器人大时代？ 我们认为：AI+机器人大时代给传统化工企业带来了巨大的生存挑战，但同时也蕴含着无限 的发展机遇。只有通过加强 .................. 25 图表 26： AI 指导机器人制造新材料 ..................................... 25 图表 27： A-Lab 合成成功率可超 7 成 .................................... 26 图表 28： 技术驱动加速发现周期 ..............................

9%。资金花费上，一款药物从研发 到上市销售，平均需要投入8-23亿美元，上市后还要投入超过3亿美元。与传统药物研发对比，AI制药更具有优势：AI制药方法可以对数十 亿个分子进行筛选，缩小实际需要合成和筛选的分子数量范围，在2-3年内仅需合成及测试数百个分子；可以定制生成数百个苗头分子，探 索未知分子，提高药物研发的创新性；能够通过计算机模拟的方式减少需要实验室验证的分子数量，节约验证和测试时间。 ◼ AI研发的 02亿美元，2022-2031年复合增长率约为27.2%。 AIDD 制药流程 新药发现 蛋白质结构预测 AI应用模块 AI模型 药物从头设计 虚拟筛选 靶点的发现和识别 ADMET预测 晶型预测 逆合成预测 临床试验 新药开发 临床阶段 知识图谱 机器学习 深度学习 自然语言处理 大语言模型 请务必阅读正文之后的免责声明及其项下所有内容 数据来源：智药局，国信证券经济研究所整理 AI制药给生物医药领域带来极大的突破 ◼ 与传统药物研发对比，在研发时间和效率上，AI制药 更具有优势： ① 传统的药物研发需要4-6年的时间合成以及测试约 5000个候选分子；AI制药方法则可以对数十亿个分子进 行筛选，缩小实际需要合成和筛选的分子数量范围，在 2-3年内仅需合成及测试数百个分子。 ② 传统筛选方式仅针对有限的分子库对特定的靶点进 行分子筛选，而AI制药可以定制生成数百个苗头分子， 探索未知分子，提高药物研发的创新性。

.......................................................................................57 4.3.1 语音合成（TTS）选型............................................................................................ 技术指标 | 测量方式 | |—————|———————————–|—————————| | 语义理解 | 领域术语识别准确率≥95% | 封闭测试集验证 | | 语音合成 | 自然度 MOS 评分≥4.2（5 分制） | ITU-T P.85 标准 评估 | | 多轮对话 | 上下文关联维持时长≥5 轮 | 真实场景压力测试 | | DeepSeek 大模型方案，旨在 通过先进的多模态交互技术，为博物馆、景区、交通枢纽等公共场 所提供高自然度、低延迟的智能语音服务。该方案以 DeepSeek- V3 大语言模型为核心引擎，结合语音合成（TTS）、语音识别 （ASR）及知识图谱技术，构建端到端的智能化讲解系统。系统部 署采用混合云架构，支持每秒千级并发请求，平均响应时间控制在 800 毫秒以内，确保高峰时段的稳定性。 系统核心模块包括：

人工智能等技术在新 药研发中的应用。AI 技术在新药研发领域中的应用推动行业快速变革，涉及靶 点发现、蛋白质结构预测、化合物筛选、ADMET 特性预测、临床试验结果预测、 药物重定位、晶型预测和逆向合成分析等多个关键环节。AI 制药技术的应用有 望缩短药物研发周期，降低成本，提高研发成功率。AI 技术使得从药物设计到 临床试验的全流程更加高效，为传统药物研发带来创新变革，并展现出在药物 研发领域的广阔前景和巨大潜力。 7 晶型预测可提供不同于经验规则的新见解 .......................................................... 16 2.8 逆向合成分析可有效优化和创造合成路线 .......................................................... 17 3. CRO 公司加速布局 AI 技术应用 ... 晶型预测与实验研究时间流程对比 .......................................................................... 16 图 15 逆向合成流程概述 ..............................................................................................

20 （三）数字孪生将启发交通发展新思路........................................................... 20 （四）跨行业协同跨技术融合成为趋势........................................................... 21 附录一：典型商业应用案例................... 可以将我国人车混流的交通运行实际在信息空间中如实再现，探索形 成符合我国交通实际的混合交通流仿真模型，有助于推动我国混合交 通问题的解决，也为智慧交通的发展提供技术参考。 （四）跨行业协同跨技术融合成为趋势 交通产业的跨行业、跨领域属性突出，人工智能等新技术在交通 领域的深入应用需要汽车制造业、信息通信、交通运营和交通管理的 跨界推进，跨行业的长效协同机制将有助于长期发展。同时，交通与 智能语音中的基础技术主要包括语音识别、语音合成和声纹识别。 语音识别目前已达到高精度识别率。客服类应用大多属于近场识 人工智能在交通领域业务应用白皮书 29 别，在海量的语音标注数据、丰富多样的语料库基础上，使用多种序 列神经网络模型以及多任务训练方法，结合业务知识库作为辅助，在 通用及垂直领域基本能达到 95%以上13的语音识别准确率。 语音合成已可将文本转换成较为自然流畅的语音。综合考虑声学

研究三：基于微调大语言模型的系统故障检测与诊断：模型微调 45/80 评估微调后模型能力，利用数据增强合成新的训练数据，对模型偏弱的能力进行针对性提升。 测试微调后模型能力 模型持续微调 新模型 dem e66 模型微调 模型微调数据集 利用数据增强算法合成 新的数据 Normal Fault 1 .. 检测诊断精度 生成额外的微调训练数据 量的平均值和标准差 归一化 归一化 研究三：基于微调大语言模型的系统故障检测与诊断：模型微调 46/80 基于诊断准确率自适应调整每类样本需新增的提示量，并基于 SMOTE 算法合成新样本 ·Nadd 为第 i 个类生成的额外微调对话的 数 量 · N₃ 故障类和无故障类的数量 ·Ntotal 原始微调数据集中的对话数 · r 类的诊断准确率 口基于已有检测与诊断提示数据样本，利用 SMOTE 算 法 ， 合成每类别提示对应数量的新的提示样本。 一段时间内征兆变量的平 口根据评估结果对诊断准确率较低的故障 类别按照比例生成额外提示，以提高训 第一段提示中 的数据样本 第二段提示中 的数据样本 第 n 段提示中 的 数据样 本 合成 样 本 序号 题 目 年份 期刊 1 Generative pre-trained

了其强大的推理能力和逻辑严谨性。  此外，DeepSeek-R1的自我反思能力使其在复杂查询中表现出色，如儿科临床决策支持中的多层次分析。  医疗数据处理方面，DEEPSEEK 的多模型技术融合成果较好。以金域医学接入 DeepSeek - R1 模型为例，其智能体应用 “小 域医” 在面对个性化临床咨询场景时，借助多模型融合技术能够更精准地理解用户意图。在单项报告解读任务中，结合了图像 度。  加速药物研发：AI 可分析基因数据预测药物疗效和副作用，模拟药物与基因靶点的相互作用，筛选有潜力的药物候选物，缩短 研发周期，提高成功率，还能定制个性化药物治疗方案 DNA测序和合成成本 资料来源：ARK，西南证券整理 基因蕴含生命密码，AI 测序助推精准医学 25 华大智造（688114）：推出αLabStudio，提升效率和数据分析能力 发布AI 大模型产品——αLabStudio AI制药平台 基于腾讯AI Lab自主研发的深度学习算法开发AI驱动临床前新药研发 开放平台“云深智药”，同时提供数据库和云计算支持，主要功能有 蛋白质结构预测、虚拟筛选、分子生成、ADMET预测和合成路线规划 基于华为云AI和大数据技术优势开发华为云“EIHealth”，为基因组 分析、药物研发、临床研究三个领域提供专业AI研发平台 成立负责大健康业务的极光部门，其AI Lab部门在北京、上海、美国

现，正式拉开了“百模大战”的序幕。这一年标志着大模型技术的飞跃式发展，行业格局与 趋势瞬息万变，整个领域经历了前所未有的百花齐放与创新浪潮。 大模型技术在数据积累、算力支撑、模型精进及应用拓展四大维度上，均实现了显著 突破。合成数据的应用，有效克服了现实世界数据在获取难度、规模限制及多样性不足等 方面的挑战；图形处理单元（GPU）和张量处理单元（TPU）等高性能计算硬件的飞速发展， 为算力提升提供了强有力的保障；多模态 集、企业自有数据以及AI 合成数据。大模型训练和微调所需数据量快速增长，真实世界数据将在数年内被用尽。研 究机构Epoch估计，机器学习可能会在2026年前耗尽所有“高质量语言数据”。据Gartner 预测，2024年用于训练AI的数据中有60%将是合成数据。以Meta今年7月发布的 LLaMA3.1模型为例，监督微调环节的数据里有相当比例是合成数据，使用合成数据确实 带来了模型效果的提升。 带来了模型效果的提升。 （1）合成数据成有力补充 高质量的真实数据已逐渐无法满足大模型训练与精细微调的需要，这促使合成数据 作为真实数据的重要补充，在人工智能领域扮演着日益关键的角色。合成数据作为算法、 生成模型及模拟技术的产物，能够模仿现实世界数据的特征与模式，为大模型的训练与优 化提供丰富的数据资源。 以AlphaGeometry项目为例，该项目通过生成高达一亿个精准合成的数据点，为解决 复杂几何