中国合伙制会计师事务所，毕马威企业咨询（中国）有限公司— 中国有限责任公司，毕马威会计师事务所— 澳门特别 行政区合伙制事务所，及毕马威会计师事务所— 香港特别行政区合伙制事务所，均是与毕马威国际有限公司（英国私营担保有限公司)相关联的独立成员所全球组织中的成员。 版权所有，不得转载。 智慧银行：以人工智能驱动转型并创造价值 2 目录 引言 阶段二：融合 概要 阶段三：演进 调研结论 为迎接人工智能奠定基础 简介 主要考虑因素 中国合伙制会计师事务所，毕马威企业咨询（中国）有限公司— 中国有限责任公司，毕马威会计师事务所— 澳门特别 行政区合伙制事务所，及毕马威会计师事务所— 香港特别行政区合伙制事务所，均是与毕马威国际有限公司（英国私营担保有限公司)相关联的独立成员所全球组织中的成员。 版权所有，不得转载。 智慧银行：以人工智能驱动转型并创造价值 3 然而，许多银行却因为保守而故步自封。定义长期价值 颇为不易，许多银行在制定明确目标、确定关键业绩指 中国合伙制会计师事务所，毕马威企业咨询（中国）有限公司— 中国有限责任公司，毕马威会计师事务所— 澳门特别 行政区合伙制事务所，及毕马威会计师事务所— 香港特别行政区合伙制事务所，均是与毕马威国际有限公司（英国私营担保有限公司)相关联的独立成员所全球组织中的成员。 版权所有，不得转载。 智慧银行：以人工智能驱动转型并创造价值 4 正在设法 降低成本 希望能提升 客户体验 人工智能目标明确 已经利用人工智能 获得了较高的收入

英矽智能两项对外授权产品情况..........................................................................43 图表 36 晶泰科技领航资深独立投资者股权占比情况................................................... 44 图表 37 2022 年“一带一路”高贡献医疗设备出口结果..... 个细节， 这种辅助模式限制了影像 AI 的价值。如今，影像 AI 企业为实现某个脏器的诊断，必须 将该脏器中的热门病种逐一诊断，进而导致热门病种对应的影像 AI 数量激增。 3. 冷门病种虽然独立，但仍有潜力。病理、心电等场景同样存在工作量大、相关医疗 资源缺乏的问题，是医疗 AI 落地的优质场景，但由于这类场景不属于医疗影像，主流 AI 公司较少跨界这一方向。此外，不少仅需二类证即可实现商业化落地，因而产品竞争 三、医学影像设备厂商－智能算法授权 当影像 AI 的产品数量与产品种类逐渐增多，医疗机构选购影像 AI 的决策成本随之提高。 12 因此，不少医生均透露跟更偏好直接从医学影像设备厂商处调用，而非采购独立的工作 站。一方面，这一模式对于医生而言更便捷，无需对影像 AI 产品进行过多甄别，另一 方面，当影像 AI 无法满足医生需求时，医生可以迅速更换其他算法，规避了风险。 对于影像 AI 企业而

一的深度学习神经网络，经过处理后直接输出驾驶命令。深度神经网络赋予端到端模型强大的学习能力，使其能 从大量驾驶数据中自动学习复杂的驾驶模式和场景特征。 传统智驾系统的感知层、决策规划层和控制执行层之间 相互独立，信息传递容易积累误差，且智驾方案依赖于 工程师通过代码制定的规则，难以处理所有复杂场景， 边际效应随着智驾能力的提升呈现几何式骤减。与基于 规则的传统自动驾驶算法结构相比，端到端算法基于数 从模块化方案向一体化端到端模型过渡 端到端架构的本质是深度学习的全面使用与数据驱动。根据感知模块与决策模块之间的贯通程度，可分为模块化 端到端与一体化端到端。 模块化端到端将感知模块和决策规划模块视为两个独立部分，分别使用神经网络，但模块之间仍存在人工设计的 数据接口。例如，华为乾崑ADS 3.0由GOD感知网络和PDP决策规划网络组成，GOD负责感知障碍物，PDP则根据感知 信息迅速做出决策。一体化端 600）：搭载于仰望品牌，配 备3颗激光雷达+双Orin X芯片，堪称“智驾顶配”。它能实现城市领航、 高快领航、易四方泊车等全域覆盖，比如在复杂城区道路自动避让行人、 高速自动变道超车，甚至能通过四轮独立驱动完成极限车位泊车。 天神之眼B - 高阶智驾激光版（DiPilot 300）：面向腾势及汉/唐等高配 车型，采用1-2颗激光雷达+Orin X芯片。除了支持城市领航和高快领航， 腾势Z9/

4GHz）的多无线产品固有且棘手的共存问题。恩智浦将 “三频无线”技术与应用微控制器相结合，实现了低功耗单芯片产品。微处理器（Linux） 产品需要更高的配置灵活性，因此恩智浦也将“三频无线”技术封装成独立芯片。无论哪种 方式，利用免授权频谱实现统一连接都是连接IoT设备最具成本效益的方式。 广域设备网络 局域设备网络使用基于标准、现成的单芯片（或双芯片）无线电，在免授权频谱下运行，可 多站点——虽然Matter规范并未涉及跨多个物理位置的网络管理，但每个Matter 实例（fabric）都是独立的。因此，管理多个fabric主要是自动化生态系统（或企 业领域）的功能。像多户住宅这样的应用场景属于生态系统级别的功能，不一定需 要对Matter规范进行大幅修改。每个住宅单元可以有独立的fabric，自动化生态系 统可以独立管理每个fabric。多户住宅将是一种新型的生态系统应用。 • 管理方式——

Model作为目标函数来建模低层级动作的连 续分布。 Action Expert结构设计上与Latent Planner类似， 也是与VLM主干网络共享相同的Transformer结构，但使用 两套独立的FFN和Q/K/V/O投影矩阵，它通过Denoising Process（去噪过程）逐步回归动作序列。 Action Expert 动作专家 通过ViLLA创新性架构，在五种不同复杂度任务上测试 级（完全由人控制）、L2级（基础辅助智能）、L3级（具身 智能和训练监督）、L4级（自成长智能）和L5级（完全自主智能）。当前，人形机器人产业正朝着L3级迈进，这一阶段的机器人能够在大量 场景中独立运行，但在复杂情况下仍需人工监督。何小鹏预计，到2026年，具备L3初阶能力的人形机器人将进入适度规模的商业化量产阶段。 结合何小鹏对于机器人分级以及我们对于机器人能力程度的拆解，我们将具身机器人分级进一步细化。 L4级具身智能机器人-理解世界做任务 • 与人类关系：硅基佣人或硅基工人 • 应用场景：B端为主，少量C端。主要为工业制造，商业服务等。如餐厅务员，清洁工，制造车间工人等 • 智能化能力：在工商业特定活动范围内独立自主完成工作，具有一定的特定场景下的泛化学习能力 • 行动能力：运行环境封闭固定，轮式或者轮足式为主，达到安静稳定与运行效率的平衡 • 主要厂商：现有机器人本体厂商为主，互联网大厂为辅 • 应

加入完成液冷板铺设 • 向下游拓展基础组装类：上述步骤后， 加入高压线束安装，上盖安装 演进逻辑：总装各步骤包含的操作仍然较复杂，可由各步骤中的可胜任工作进入(螺丝预拧紧，贴Logo等)，逐步拓展独立完成单一步骤。 除新能源汽车场景外， 未来也将考虑进入其 他工业应用场景： 整体逻辑：总结环境 /工作类别上与新能 源汽车场景的共性， 寻找共性高的场景优 先落地。 举例：优先汽车零部 件供应商的产线。借 夹具定位及滚轮压实且精准度更高。 • 质检类：在安装后进行扭矩检测 • 向各步骤上下游逐步拓展：如各安装环 节的螺丝预拧紧后，使用阿特拉斯枪拧 紧螺丝，同时进行扭矩检测，最后画定 位标线结束螺丝安装 • 逐步向独立完成单一步骤演进：如独立 完成座椅总成装配，车门装配，轮胎安 装等工作，复杂且精细的工作如面板线 路连接，低压线束装配（pin针较多且 需考虑收放线）等仍待进一步开发 M2 2025 Proprietary

III. 算力中心供给分析 IV. 算力中心供需研判及未来展望 V. 附录 ① 独立大模型厂商算力中心需求分析 ② 运营商算力中心供给分析 独立大模型厂商算力资源的采购模式以公有云算力租赁为主，未来整体算力需求持续扩大。 49 大模型厂商算力部署策略 • 智谱、Kimi、Minimax等独立大模型企业通过 向第三方或运营商采购和租赁算力硬件部署。 鉴于成本波动、技术升级等因素的考虑，短期 取自采算力服务器，部署到自建或租赁的算力 中心的策略，通过自有资源和自主部署满足大 规模计算需求。 中国大模型AI企业整体算力需求，2023-2028E • 大模型厂商主要分为两类，包括自主研发大模 型的互联网大厂，以及独立大模型企业。 年均复合增长率 2023-2028E 21.8% 35.0% 47.6% 单位：MW 109 142 180 222 267 293 109 142 188 乐观预测 资料来源：灼识咨询 目录 50 I. 引言及算力中心发展概况 II. 算力中心需求分析 III. 算力中心供给分析 IV. 算力中心供需研判及未来展望 V. 附录 ① 独立大模型厂商算力中心需求分析 ② 运营商算力中心供给分析 核心战略 部署资源 2024年前4月三大运营商 智算中心项目建成概况 • 规划“2+3+7+N+M”多层 次智算算力布局。 • 在京津冀、长三角地区建

关于商业和世界的许多其他关键数据硬编码到一个系 统中，该系统能够以比以往任何时候都高的水平理解 和行动。 这是我们需要真正关注的真正颠覆。因为现在，尽管高 管们竞相实施这一代人工智能，但很少有人能超越各个 独立的部件，真正理解他们实际上正在构建的范围：人 工智能“ 认知数字大脑 这将会彻底重塑技术在企业以及 人们的日常生活中所扮演的角色。 社会将把世界提升到下一个层次的能力、表现和进步。 它将推动一个进化的过程，通过人工智能的认知，使世 他们的手，但你仍然会陪在他们身边。他们可以自己 在外面玩耍，但只能在围栏内。随着我们的信任不断 增强，我们绘制的护栏边界也越来越宽。直到有一天 ，他们完全成长为了成年人。我们还会检查他们的情 况——但现在，他们是独立个体，拥有做出自己决定 的自主权。 关键在于，这个例子展示了信任和自主性是如何密不可 分的。但它也表明了信任领导者现在需要考虑的细微差 别。父母与子女之间的关系取决于信任的情感和认知两 个方面。安全护栏有助于营造一个充满爱心、培养和安 题 的措施。但这个故事将AI信任的话题仅仅局限于不良行 为者和利用。这只是部分真相。为了实现真正的自主权 ——在系统、整个劳动力以及顾客中——领导者需要对 信任进行更全面地思考。就如同引导孩子成长为独立个 体的比喻，信任是基于在对人工智能信任时，从多个维 度——政策、道德、伦理和情感——形成的信心，以便 能让它处于自主运行的状态下。这意味着，信任不仅仅 关乎于AI被利用的情形，更难的部分在于即使我们在使

2 OpenAIo1 开启后训练 Post-Training 时代下的 RL 新范式：后训练扩展律 Post-Training Scaling Law DS-R1 独立发现了一些通往 o1 路上的核心理念，并且效果还好到受到了 OpenAI 的认可 如何通过有效的 Test-Time Scaling 和 Train-Time Scaling 提升模型的推理能力？ RL-Scale 22 From PPO to GRPO: PPO 的价值函数通常是与策略模型规模相当的独立模型，这带来了巨大的内存和计算负担。 奖励模型通常仅对输出序列的最后一个词元分配奖励，导致逐词元价值函数的训练复杂化。 GRPO ：无需像 PPO 额外近似价值函数，而是利用同一问题下多个采样输出的平均奖励作为基线。具 Model Parameter Size. 从胡克定律 f=−kx 到大模型的弹性（而抗拒对齐） 算法设计 / 评估与模型评估等，应当从模型的内在机理出发； ① 预训练阶段和对齐阶段不应当各自独立； u 预训练模型抗拒对齐，如何在预训练阶段为对齐阶段提供一个具备可塑性分布帮助微调； u 如何确保对齐初始模型弹性系数更小（抗拒更小），弹性限度更大（对齐空间更大） ； ② 模型评估应该更关注模型内在表征的对齐；

行业及AI技术洞察 创新·变化·多元，AI奇点为食品饮 料行业带来更多想象空间                    各模态独立发展阶段 多模态融合阶段 物理世界模型阶段 转型案例 全场景、全链路的价值跃迁， AI驱动行业升级再造    实操问题难以解决 奶牛养殖往往依靠专业知识及实操 经验，通识概念无法完全解决实际