年代，早期以专家系统（如 QMR、DXplain）为主，但因技术限 制（如算力不足、算法不成熟）未能大规模应用。21 世纪初，深度学习、自然语 言处理和计算机视觉技术的突破重新激活了 AI 在医疗领域的潜力。医疗行业数 据量庞大（占全球数据总量的 30%），但 97%未被有效利用，这为 AI 模型的训 练提供了基础资源。例如，AI 通过分析医学影像和电子病历数据，实现了从辅助 诊断到药物研发的跨越式发展。政策与资本的双重推动：1）政策支持：数字社 于春节时间火爆出圈。纵 观全球，以佩洛西等为代表的优质资金大量流向“AI+医疗”的方向，科技的飞 速发展正在不断改变我们对健康管理的思维模式与理念，医疗行业人工智能化发 展已是大势所趋，国内外多个大型科技企业高度重视并持续进行技术研发投入， 未来行业发展具有重要潜力。AI 医疗也将更好地服务患者，进一步推动行业的创 新升级，建议关注创业慧康、卫宁健康、东软集团、医渡科技、安必平、久远银 海、医脉通等 2024E 2025E 2026E 2024E 2025E 2026E 300451 创业慧康 6.14 0.12 0.17 0.23 52 36 27 推荐 600718 东软集团 11.79 0.23 0.36 0.48 51 33 24 推荐 002777 久远银海 20.81 0.47 0.56 0.67 44 37 31 推荐

能技术应用于医学影像诊断，快速、低成本对 CT、MR、DR 和超声影像图 片精准诊断，中国近三年 AI 影像注册证获批呈加速态势，疫情期间多款 AI 影像产品获批用于肺炎筛查，AI 影像软件认可度提升，相关公司：鹰瞳科 技、万东医疗、数坤科技（拟港股 IPO）、推想医疗（拟港股 IPO）等。 ❑ 诊中治疗：医疗器械与 AI 的软硬件结合带动院内诊疗向精准化、智能化方 向发展。1）AI+诊疗器械：核心价值在于提升诊疗精准度，为医疗资源分布 系统基础上，以 AI 技术赋能，提升医院综合管理水平，并促 进医保资金安全有效使用，相关公司：卫宁健康、创业慧康、东软集团、万 达信息、久远银海等。 ❑ 风险提示：技术迭代、市场竞争、政策监管、产品落地不及预期风险、企业 经营、数据泄露风险等。 行业规模 占比% 股票家数（只） 447 8.9 总市值（十亿元） 6654.7 7.9 流通市值（十亿元） 诊断，病理科诊断流程复杂、自动化程度低、诊断时间长，“显微镜+病理组织 切片”为特点的传统人工诊断模式工作量大且误诊率高。以人工智能技术为核 心的智慧病理在病理切片数字化（数字病理）基础上，依托海量数据形成的数 据集，以深度学习技术找出数据集的内在共性，对可疑靶区做出勾画、渲染， 辅助病理医生判读切片，有效促进诊断效率和质量，提升病理行业数字化水平。 图 16：病理 AI 有效提高诊断效率 图 17：不同病理检验阶段所用的关键推动技术

注已具备一定流量及数据基础、积极引入 AI 模型的互联网医疗企业，例如京 东健康、阿里健康、平安好医生、智云健康、百度灵医智惠、微医、春雨医 生、好大夫在线、微脉等。 ❑ 风险提示：个人客户支付意愿不强导致商业化不及预期风险，技术迭代，生 成信息错误，数据安全，市场竞争，变现能力较弱，政策监管等风险。 行业规模 占比% 股票家数（只） 448 8.8 总市值（十亿元） 5769 AI 的优势在于可以整合平台过往的咨询及问诊数据并进行机器学习、深度 学习，进而模拟人与人交互的过程，改善患者服务体验。于患者而言，AI 平台就像是一位既有充足医疗健康知识储备、又足够关心了解其历史健康数 据的老朋友，可以进行连续且相关的对话，实现平台与患者双向多模态的交 互，例如，当前春雨医生、平安好医生等线上咨询平台已经能够在同一次咨 询中实现前后关联。 敬请阅读末页的重要说明 7 图 12 互联网+健康管理发展历程 资料来源：IT 桔子，招商证券 AI 模型的引入可能带来的改变： ◼ 智能可穿戴设备进行连续化数据采集，结合患者医院就医数据记录，提高数 据准确度和数据连续性：利用 NLP、HsMocap、ML、多模态神经网络 A 等 技术训练更加准确的人工智能，结合远程医疗提升检测数据与技术数据推论 的准确度。同时结合大数据、人工智能、云计算等技术建立个人健康档案有

高等教育数字化相关政策 时间 文件名称 相关内容 2023.11 关于深入推进学术学位与专 业学位研究生教育分类发展 的意见 充分发挥教育信息化的战略制高点作用，着力推进学位与研究生教育资源数 字化建设。 2023.7 关于加快推进现代职业教育 体系建设改革重点任务的通 知 在建设职业教育信息化标杆学校方面要求各校积极落实《职业院校数字校园 规范》，建设校本大数据中心，建设一体化智能化教学、管理与服务平台， Digital Research Report on Higher Education 第一，要充分利用好长期推进智慧教育、智慧校园建设积累的信息化基础服务设施与能力，重构业务流程，强化数据治理，积极探索数 字技术在高等教育教学、科研、治理和服务场景的创新应用，在持续应用中逐步消除各类信息孤岛。发挥数字技术的赋能作用，需要加 大技术应用的宣传推广和人员培训力度，引导相关利益主体了解并能熟练应用现有的 学习转型的目标任务、规范方案和制度框架， 着力培养多元主体的数字化素养，深化对数 字化认知、数字化技术运用以及数字安全防 护意识的认同与实践。结合不同的工作岗位 职责，以场景为载体，系统阐明创新应用数 字化技术手段可能引发的工作内容变动范围， 以及对提升个人工作质效的影响，强化沟通 协作，营造转型氛围，促进多元主体深刻理 解数字化转型对助推高等教育强国建设的重 要意义，主动跟上，适应数字时代变革大势。

这样的技术底座和技术体系实现教育信息系统“升级替代”和教育数字化转型， 最终目的是推动教育机构建立基于信创体系的智慧教学、智慧科研、智慧校园与 智慧管理，并培养符合未来产业需要的信创人才。教育信创应服务于教育机构数 字化战略目标，支持教育机构实现“自主可控”的数字化转型，通过构建“创新 高效、安全稳定“的数字化技术平台，支撑学校业务应用场景的创新，提升学校 业务运营效率与师生服务能力。 1.2 教育信创的原则 SEAF-ADM。最初的分块架构开发应该是一个高阶 的架构内容，如战略意图（需要解决的核心问题等），战略架构（数字化后将要 达到的未来状态等）及业务与信息需求（与其他业务的交叉协作需求及相互的数 据支撑等）。等具体需要时再做进一步细化的架构开发，如详细的业务架构、数 据架构和应用架构开发等。所有架构内容的开发都是为相应的决策服务，避免大 量的重复建设和无效劳动，并减少系统的复杂性。 3.5 智慧教育应用参考模型 化的关系，并尽量按标准的方式去构建每一层能力。 3.7 智慧教育运营参考模型 整个数字化转型都在从孤立的大项目建设走向微服务的迭代开发与持续运 营。信创工作不能只做“简单替代”，而要在“升级替代”的思路下，在新的数 字化模式中建立起持续运营的体系。智慧教育架构框架之运营参考模型（SEAF- ORM）（如图 3.7）可以大体划分为基础设施的运营参考模型和软件开发的运营参 考模型两大部分内容。 图 3

大模型支持下，口语练习场景更加开放，互动轮次更多，与 数字人技术结合后，可提供更加好玩、个性化的拟人陪伴。 英 语 场 景 跨 科 场 景 多学科能力 大模型的海量数据支持及生成能力可以弥补原先理科教研数 据不足的问题，提升数理化等学科的搜题、解题能力。 大模型对词典笔软件功能、内容的提升 功 能 升 级 价 格 降 级 竞争态势：工具型产品，标准化程度高，功能聚焦，产品难分档，市场进入门槛低，产品升 态化的数据支持 技术应用 智能手写笔和教育大屏天然契合，智 能手写笔在应用部署时，可以与教育 大屏无缝衔接，进行课堂互动 硬件联动 需求端对应用价值的认可是关键，如 校长等的重视和推动等，当前教育数 字化战略下，学校重视程度逐步提升 发展关键 产品力 渠道力 模式力 生态力 • 江西省智慧作业最早实现规模化应 用，以教师用笔为主 • 上海闵行、青岛崂山常态化应用 • 以市一级、区一级的整体实施为主 标 发 展 优化课 程内容 强调素 养导向 新课标 重点 突出实 践育人 措施：在小学数学精准学中，讯飞根据新课标新增了611个素养点、4172个 情境问题，全面覆盖了新课标要求的数感、量感、符号意识等11个核心素养 目标：响应新课标，引导孩子“会用数学的眼光观察世界、会用数学的思维 理解世界、会用数学的语言表达世界”。 政 府 合 作 及 影 响 力 合 作

年第三季度统计数据，目前市场销售额 CR5 达到 79.6%）。近期，智能学 习平板纳入上海等多地“两新”家电补贴范围，后续有望进一步促进市场销量增 长。 学而思学习机凭借“教培品牌认知+优质内容绑定”实现突围。根据洛图科技数 据，2024Q3 作业帮/学而思/小猿包揽线上销量前三，其中作业帮凭借 P20（2000 元价格带）首登销量榜首，学而思则以 Xpad 高端线（4000+价位占比 90%）稳居 销额第一。以学而思等 照解题、智能答疑及精准数学题库训练；近期其进一步拓展技术路径，打造接入 DeepSeek 的"随时问"App，新增作业检查、错题本管理等实用功能。当前两款应 用均采取免费策略，既通过双入口扩大用户覆盖，又通过九章随时问持续沉淀数 学垂类数据，意味着 MathGPT 可保留自研模型的独立训练。目前好未来旗下智能 硬件已嵌入了大模型，实现主题对话，解答问题，帮助练习口语及提供支持性陪 伴等功能。据公司公告，截至 2024 年 11 个月，共有 2.3 亿人次使 用了硬件 AI 功能。 表6：好未来 MathGPT 面对数学数据集测试，表现较优准确度 数据集类别 数据集 GPT4-0819 MathGPT 总数 正确数 正确率 总数 正确数 正确率 中文 TAL-SCQ5K-CN 2K Testing 2000 555 0.28 2000 1342 0.670 TAL-SCQ5K-CN 3K Training 3000

Exscientia、英矽智能（未上市）等。 ❑ 风险提示：技术迭代风险、市场竞争风险、数据获取风险、商业应用风险、 研发失败风险、盈利风险、政策监管风险等。 行业规模 占比% 股票家数（只） 450 8.8 总市值（十亿元） 5580.6 6.5 流通市值（十亿元） 4943.2 6.3 行业指数 % 1m 6m 优化链条上各类研发服务。 目前，公司基于超 6000 种不同的骨架结构，已经完成了超 1.2 万亿种结构全新 的 DNA 编码化合物合成，推出自助式筛选 OpenDel 产品，同时结合 AI/ML 数 据驱动的合成路线规划，以迭代式的“设计-合成-测试-分析”（DMTA）循环模 式加速临床前候选药物发现及优化过程。同时公司将多年积累的 DEL 筛选海量 数据用于机器学习（ML）、AI 大模型的训练和迭代，可以更加有效地在非