07 解码DeepSeek,) 构建医药⾏业新质⽣产⼒ 腾讯健康 李慧 ⽬录 • 从DeepSeek看⼈⼯智能发展趋势 • ⼤模型及DeepSeek潜在应⽤场景探索 从DeepSeek看⼈⼯智能发展趋势 AI离我们越来越近，越来越密集的“加速”信号 4 “AI”概念⾯世 1950s 2012 CNN,$⼈脸识别 Alpha, ⼤战李世⽯ 2017 2022 Chatgpt 数万对⾼质量prompt 增长：破圈，两个⽉到⼀亿⽤户的速度 “创新落后”的机会成本被不断放⼤ 体验： 哎哟 不错噢 低成本，超出⽤户预期的“智能” 产品：典型的2B能⼒集合 ‰ 快速推出全家桶和云服务矩阵 市场：典型的B端商业模式 ‰ 快速市场预热和商业化 6 再看DeepSeek, ⼜⼀个“⼯程奇迹” 7 DeepSeek&是“深度求索” 开发的⼀系列⼈⼯智能模型。DeepSeek&通过持续的技术 50%-60%，极端降 幅超90%5 药品集采5 • 研发成本激增 • 成功率低 • 美国创新药临床成功率仅 5.1% • 研发回报率低 研发回报下滑6 医疗⾏业⾯临前所未有的挑战 新⽣产要素在数据，“问数据，要数字” 数据来源：1. 甲⼦光年智库梳理，2023年；2医疗保障事业发展统计快报，国家医保局; 3. 《解读财务分析报告：透视公⽴医院财务状况》，医院管理论坛报，2024年12⽉;

未来产业新赛道研究报告 中国电子信息产业发展研究院 未来产业研究中心 1 2 2. 2 未来产业赛道竞争面临的形势 Ø 引领型国家通过全方位体制机制创新，打造先进制造、人工智能、量子科技、新 一代通信等全面领先优势 3 未来产业新领域新赛道发展意义 p 麦肯锡：2030年人工智能有望 为全球经济贡献25.6万亿美元， 约相当于当前全球GDP总量的 8%。 p GVR：2023年一2030年全球 律和社会问题）、人机界面技术、数据处理 生物技术：智能生物产业、以实现精密医学为目 标的新一代生物监测和生物工程技术 量子科技：量子通信、量子计算、量子加密、 量子仿真、量子平台 人工智能：新一代人工智能、小数据、下一 代云计算、计算机系统 先进制造：用于人工智能的特殊处理器、自 适应且节能的神经形态AI芯片、3D打印、自动驾 驶、医疗器械 人工智能：新一代人工智能技术、AI芯片、人工智 能基础领域研究、脑机能、认知科学、机械学习 增材制造 微纳制造 生物制造 原子级制造 人形机器人 下一代机器人 高档数控机床 智能装备与仪器 先进航空航天装备 先进轨道交通装备 节能和新能源汽车 高端/智能加工工艺和装备 长城战略咨询公司 《中国新赛道体系发展报告2024》 腾讯研究院 《数字化转型指数报告2023》 上海中创研究院 《2023未来产业潜力指数报告》 国家工业信息安全发展 研究中心 《“十五五”时期未来产业十大趋势研判》

1 香港製造業發展研究報告 報告摘要 隨著「新質生產力」成為國家推動高質量發展的內在要求和重要著力點，全球發達經濟體也在佈 局國家級的產業化戰略，香港如何能跟上科技創新、綠色製造、客製化等趨勢，轉型並升級本地 製造業？ 為探討香港製造業的未來發展方向，香港生產力促進局（生產力局）於 2024 年開展《香港製造 型的路徑、方向、挑戰及機遇。本研究亦就香港製造業的未來發展提出七大行動建議，以煥發香 港製造新動能。 香港製造業有悠久歷史，隨著經濟轉型，表面上已外流境外，但綜合調研結果顯示，部份香港製 造企業的總部職能仍然留港，轉型成「製造服務業」。適逢國家 2023 年提出「新質生產力」， 香港必須發展高質量的綠色製造業，推動產業創新及升級轉型。 在全球製造業重塑的挑戰下，香港製造業面對的四大挑戰，包括：競爭日益激烈、全球供應鏈重 塑、消費者需求趨向小批量與客製化，以及可持續發展勢成新趨勢。為此，香港製造業業界必須 把握自身在綠色製造、客製化的獨特優勢，尤其香港的國際化人才供應豐富、具與國際標準接軌 的能力，以及健全的知識產權保護和高效物流基礎。 為了解香港製造業現況，生產力局成功訪問 288 間本港從事製造業務的企業，研究結果重點如下 : • 69%企業認同款多量少是製造業新趨勢 • 81%企業表示未引入智能化方案應對客製化新趨勢 • 6

腾讯云运营商行业 解决方案图谱（2025） 秦若毅 腾讯云运营商行业解决方案总监 腾讯云运营商行业解决方案图谱（2025） 云网融合 • 大网内容加速 • 边缘加速与计算 • 端云协同AIoT 自主创新 • 新型AI基础设施 • 自主创新组件 • 可信数据空间 • 办公协同基座 人工智能 • 全渠道数智化 • 大模型原子能力 • 智能体开发平台 • B端大模型应用套装 出海公有云 • 出海云能力套装 • 轻量化开区合营 云网融合趋势观察：网络演进推动场景化升级 跨境数据传输 需求激增 宽带业务 场景化转型 5G专网驱动 边缘加速 AIoT平台 智能化演进 云网融合解决方案：云边端多级加速，使能全场景连接 大网内容加速 • 游戏加速 • 直播加速 • 教育加速 • 跨境加速 • 场景化宽带 边缘加速与计算 • 边缘上云服务 • • 边缘安全加速 • 全球应用加速 • 多网聚合加速 • 异网内容分发 端云协同AIoT • 端云协同视频处理 • 端云协同AI对话 自主创新趋势观察：从技术突破走向全域生态 软件自主创新迈向深水区 可信数据空间加速落地 自主办公软件智能化升级 自主创新解决方案：高兼容灵活解耦，私有化专属部署 新型AI基础设施 • 高性能计算集群 • 智能高性能网络 • 高性能文件存储

图书在版编目（CIP）数据 模式5：低碳经济带来的新商业机会/林伟贤，杨屯山著.—北京： 中国人民大学出版社,2013.1 ISBN 978-7-301-21192-2 Ⅰ.①模…Ⅱ.①林…②杨…Ⅲ.①商业模式－研究Ⅳ.①F270②F71 中国版本图书馆CIP数据核字（2012）第210820号 出版发行：中国人民大学出版社 定 价：39.90元 目录 封面 版权页 序 第一章 低碳时代的大幕徐徐开启 中国钢铁工业占 全国二氧化碳排放总量的12%左右，因此钢铁企业承担节能减排任务 责无旁贷，并肩负巨大的减排压力； 欧盟提出“碳足迹税”，将对纺织服装产品碳足迹和排放量进行标 识追踪，与之相对应新贸易壁垒就是，对超过排放量的纺织服装产品 将课以重税。 中小企业同样面临着节能方面的瓶颈。 70%以上的中国中小企业认为：目前实现“低能耗、低污染、低排 放”的主要瓶颈，一是资金缺乏，包括市场融资困难和政府的支持力度 果还能在出力的同 时获取一定的益处，那就是个富有智慧的人。无数案例证明，只有顺 应潮流，才能成为时代的宠儿。 可见，无论是哪个层次，都需要一种新的理念：低碳理念；无论 什么地位的人，都需要一种新的态度：低碳态度；无论是国家、企 业、个人，都需要一个新的模式：低碳商业模式。 依靠低碳商业模式成功的企业案例有很多： 蒙牛通过全新的模式把牛粪这一污染源变成一个黄金产业链； 沃尔玛通过打造绿色产业链的众多举措，不仅每年节约数亿美元

智慧商贸 新零售数智化 5g+AI+ 边缘计算 重构人货场数字化生态 1 行业发展分 析 3 应用场 景 2 方案架构设 计 新 零 售 数 智 化 4 典型案 例 CONTENTS 加入星球获取更多更全的数智化解决方案 l “ 十四五”规划明确指出 ，要加快 AI 网络部署 ，构建 AI 应 用场景和产业生态。工业和信息化部等九部门共同出 台 了《 AI 应用“扬帆 ”行动计划 科学决策 、 标 签 化客群 、 数字 化营销 传统商贸 经营导向 租赁导向 业主定位 房东 数字化成驱动零售企业增长核心动力之一 ，商贸行业正向以消费者为中心、线上线下融合的数字化新零售转型 ，然而 面对获客成本的逐年提升 ，客户存量市场争夺成为焦点 ，如何深度挖掘存量客户的价值 ，成为企业当下争夺的焦点。 会员复购缺乏数据支撑 ：会员分层运营（基于 RFM 模型的数据分群） ，识别客户和捕捉消费行为 ，实 现更精准的消费者洞察 行业需求 分析 华为云利用大数据和人工智能技术，为某零售企业构建智能推荐 系统。通过分析海量的用户浏览、购买数据，实现商品的个性化 推荐。 场景 商品推荐 内容推荐 火山引擎为某连锁品牌提供消费者运营方案，通过整合多源数 据，深入洞察消费者需求和行为。 场景 新客首购 精细运营 老客促活 沉默召回 1. 数据整合能力：跨平台数据拉通的能力

解码 DeepSeek, 构建医药⾏业新质⽣产⼒ 07 • 从 DeepSeek 看⼈⼯智能发展趋势 • ⼤模型及 DeepSeek 潜在应⽤场景探 索 ⽬录 从 DeepSeek 看⼈⼯智能发展趋 势 AI 离我们越来越近，越来越密集的“加速”信 号 Alpha, ⼤战李世⽯ “AI” 概念⾯世 DS,“Aha” 时刻 CNN, ⼈脸识 别 Chatgpt, C 端破 圈 1950s 2023 年； 5 体验： 哎哟 不错噢 低成本，超出⽤户预期的“智能” 增长：破圈，两个⽉到⼀亿⽤户的速度 “ 创新落后”的机会成本被不断放⼤ 产品：典型的 2B 能⼒集合 快速推出全家桶和云服务矩阵 市场：典型的 B 端商业模式 快速市场预热和商业化 Prompt engineering 提⽰词⼯程 Nvidia A100 （ A800 ） ⾼性 能卡 RLHF 强化学习 SFT 下滑 • 居民医保：收⽀失衡加剧 ⽀出增速 收⼊增速 2023 14.1% 7.9% 2024 5.5% 4.4% 新⽣产要素在数据，“问数据，要数字” 研发回报下滑 6 • 研发成本激增 亿美元 21.7% 11.9% 2010 2018 单个创新药上市成本

模型的研究人员 提供了能源使用和碳排放的详细摘要 他们的工作 ， 指出为什么外部研究人员的估计是错误的。 实际排放量比先前研究的估计值小 88 倍。17 不幸的是 ， 大众媒体很少注意纠正 记录或注意新的发现 ， 所以最初的印象 住在。 研究人员在随后的几年中发表了多项研究 估算训练许多知名 AI 模型所需的能量 作为他们的碳排放量。如表 1,虽然更大的模型 通常需要比较小的能源使用更多的能源 ， 倍 能量训练。18 最后 ， 用于为数据中心供电的能源组合 开发人员训练 AI 模型会影响其碳排放。对于 例如 ， BLOOM 的开发人员使用法国的数据中心 核能 ， 减少了碳足迹。19 尽管有了新的研究 ， 但批评人工智能的团体一再引用 最初的不正确研究他们要求决策者减少 对大规模计算资源的投资。例如 ， 美国 公民自由联盟 （ ACLU ） 致信科学和 2021 年 10 月的技术政策 (OSTP) 最后 ， Meta 研究人员的一项研究指出 ， 确切的分解 训练与推理之间的差异在不同的用例中有所不同。对于 LLM ， 他们 估计推断与 65% 的碳有关 足迹 ， 但对于参数必须为的推荐模型 根据新数据经常更新 ， 他们估计平均分裂 在训练和推理之间。35 多个因素影响推理过程中使用的能量 ， 包括任务类型和 AI 模型。如表 2,能源 推理的要求可能因任务而异。例如 ， 使用 AI 模型对文本进行分类通常计算强度较低