人脸识别及访客系统 智能解决方案 目 录 第一章背景与需求.........................................................................................................3 1.1 应用背景................................................... 楼宇管理的重点在于对楼宇人员的进出管理。大厦管理方均希望提供给业主租户提供 一个具有很强科技感、高效、安全、便利、用户体验良好的高科技大楼。因此大厦对 人行道闸及访客系统在做深化设计，含人脸识别、门禁、二维码访客、智能派梯系统， 从用户体验角度，业主希望运用 AI 人工智能技术的人脸识别及基于微信公众号的访客 管理平台，打造更具科技感的智慧楼宇。 1.2.1 智能管理 互联网信息技术的发展，企业管理进入了信息时代，而企业生存发展的需要、信 等等。我们设计的企业智能化解决方案是从人的角度管理业务和场地，未来随着功能 的完善和深入，将使企业管理真正具有智能，同时带来更大的价值。 1.2.2 数据运营 数据管理体系构建的基础和核心都已不再是传统管理模式的团队和制度，当然大 数据商业管理体系技术的战略意义也不在于掌握庞大的数据信息，而是对这些数据进 行专业化处理、分析与发掘的能力养成和发展。数据商业管理体系产业化的关键在于 对数据的“训练”能力，通过“训练”实现数据增值的过程。

免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 1 证券研究报告 电子 AI 大模型+医疗:从问诊到新药开发 华泰研究 电子 增持 (维持) 研究员 黄乐平，PhD SAC No. S0570521050001 SFC No. AUZ066 leping.huang@htsc.com ，也已经催生了 Nuance、IBM Watson 等一批全球知名企业。随着基于大模型的生成式 AI 的出现，我们看 到 AI+医疗有望迎来一波新的发展机遇，具体看好：1）基于大模型的实时 问诊病例生成，2）按需生成新蛋白质结构提高药物发现效率等应用。另一 方面，目前尚未看到面向医疗影像的新 AI 大模型服务，大模型在医疗影像 领域主要作用是降本。国内关注讯飞医疗、云知声、晶泰、数坤等企业发展。 AI+医疗中最经典的应用场景之一。2021 年被微软以 197 亿 美金收购的 Nuance 和国内的科大讯飞、云知声等是主要企业。生成式 AI 的出现，使病例的录入过程从过去医生问诊后口述总结，向基于大模型的自 动实时问诊记录生成演进。今年 3 月，微软旗下的 Nuance 已经推出基于 GPT-4 的临床笔记软件 DAX Express，可以在几秒钟内生成准确的临床记 录，以及整合进微软 Teams

斗。“十五五”时期 是基本实现社会主义现代化夯实基础、全面发力的关键时期，要巩固拓展优势、破除瓶颈制约、 补强短板弱项，在激烈国际竞争中赢得战略主动，推动事关中国式现代化全局的战略任务取得重 大突破，为基本实现社会主义现代化奠定更加坚实的基础。 （3）“十五五”时期我国发展环境面临深刻复杂变化。大国关系牵动国际形势，国际形势演变深 刻影响国内发展，我国发展处于战略机遇和风险挑战并存、不确定难预料因素增多的时期。从国 地缘冲突易发多发；单边主义、保护主义抬头，霸权主义和强权政治威胁上升，国际经济贸易秩 序遇到严峻挑战，世界经济增长动能不足；大国博弈更加复杂激烈。从国内看，我国经济基础稳、 优势多、韧性强、潜能大，长期向好的支撑条件和基本趋势没有变，中国特色社会主义制度优势、 超大规模市场优势、完整产业体系优势、丰富人才资源优势更加彰显。同时，发展不平衡不充分 问题仍然突出；有效需求不足，国内大循环存在卡 定力，增强必胜信心，积极识变应变求变，敢于斗争、 善于斗争，勇于面对风高浪急甚至惊涛骇浪的重大考验，以历史主动精神克难关、战风险、迎挑 战，集中力量办好自己的事，续写经济快速发展和社会长期稳定两大奇迹新篇章，奋力开创中国 式现代化建设新局面。 二、“十五五”时期经济社会发展的指导方针和主要目标 （4）“十五五”时期经济社会发展的指导思想。坚持马克思列宁主义、毛泽东思想、邓小平理论、 “

身优秀的信息表征及关系提 取能力，已经为计算机视觉(cv)及自然语言处理(nlp)等领域带来了突 破性的进展。现在，AI的魔力已经被逐步引入药物研发的领域，并正 在深刻地改变这个领域的研究和发展流程。无论是在早期的药物筛 选、药物优化，还是在药物的临床试验和后期的上市监控，AI的应用 都愈发广泛。 在上篇 "AI for 医疗" 的专题文章“AI for 医疗: AI大模型在药物 靶 靶点识别中的应用”中，我们整体描述了药物研发的流程，并介绍了AI 大模型在药物研发的第一步: 靶点识别中的应用。这篇文章，我们将 延续这一路线，介绍AI在药物研发的第二步: 先导化合物发现中的应 用。 图1：药物研发生产流程，图片引自[1] 传统方法在先导化合物发现中的局限性 在AI大模型时代到来之前，先导化合物的发现以实验方法及计算机辅助药物 设计(CADD)的方法为主。这些方法都有着一些自身难以解决的问题。 计算资源和时间很难避免。曾有研究统计过，若想要对100亿个小分子进行令人 满意的筛选，则需要长达3000年的时间。简而言之，利用CADD进行高精度的 药物虚拟筛选，所需的时间同样是难以接受的。 AI大模型辅助药物虚拟筛选 基于AI的算法，包括监督学习，无监督学习，自监督学习，强化学习以及基 于规则的算法，可能有助于解决传统方法中存在的问题。 AI方法通常基于对数据特征的学习。具体来说，就是从大量的已知药物化合

项目编号： 餐饮服务基于 DeepSeek AI 大模型 应 用 方 案 目 录 1. 引言............................................................................................................................................... ...................................................................................9 1.3 DeepSeek 大模型简介................................................................................................ ...................................................................................13 2. DeepSeek 大模型在餐饮服务中的潜在应用.......................................................................................

2023年是中国医疗大模型发展的元年，各种医疗大模型已广泛应用于临床辅助决策、 医学研究、健康管理等多个场景。未来，医疗大模型有望实现多模态AI与医疗实践全 流程的深入链接，应用于医疗教育和临床培训，提高药物研发和药物反应监测等方面 的能力。但在实际应用中，医疗大模型仍面临一些挑战，如准确度、透明度和可解释 性等问题，以及对数据隐私和安全问题的担忧。本文主要探讨医疗大模型在医疗领域 的应用及其面临的挑战。 的应用及其面临的挑战。 大模型技术在医疗领域的应用 （一）医疗大模型的逻辑框架 医疗大模型一般指在医疗健康领域应用的大规模预训练语言模型（LLM），其训练数 据集包含大规模的医疗科研文献、电子病历、医学图像等，参数量通常在百万级到亿 级，远超过普通深度学习模型，因而能够获取更强的特征提取和学习能力等。 医疗大模型的典型运作逻辑主要包含三个层面： 从数据层看，大模型可构建医疗数据集，收集包括电子病历、文献报告、医学知识图 务。 （二）医疗大模型的主要应用场景和适用范围 医疗大模型在医疗领域的应用广泛，涵盖疾病预测、辅助诊断、个性化治疗、药物发 现等各个方面，同时还可用于医疗咨询和患者教育，提供相关信息和建议。 在医疗实践场景中，大模型可以协助分析临床文本以提取关键信息，从而加快医生的 诊断和治疗建议。此外，大模型还可辅助分析医学影像，帮助检测肿瘤并进行疾病分 型。通过分析DNA测序数据，大模型能识别与疾病相关的基因突变，从而制定个性化

苏文星，硕士，发表论文 4 篇。 人工智能大模型在医疗领域的应用现状与前景展望 郑琰莉 （天津泰达普华医院 天津 300203） 李舒玉 （先进操作系统创新中心 (天津) 有限公司 天津 300450） 苏文星 （1 中国科学院大学 应急管理科学与工程学院 北京 100049， 2 先进操作系统创新中心 (天津) 有限公司 天津 300450） [摘要] 目的/意义 梳理分析人工智能大模型在医疗领域的研究现状，旨在为人工智能大模型在 旨在为人工智能大模型在 该领域的研究提供新思路。方法/过程 在相关文献分析基础上，梳理人工智能大模型在智慧医疗、 医疗元宇宙、医学研究等领域的应用场景及具体实例。结果/结论 虽然人工智能大模型目前面临 一定风险与挑战，但其在医疗领域仍具有广阔的发展空间。 [关键词] 人工智能大模型；智慧医疗；医疗元宇宙；医学研发 Application Status and Prospect of Artificial DALL-E、GPT-4、LLaMA 等人工智能大模型 （下称“大模型”）的出现，也给该领域带来了前所未有的技术突破[1]。大模型又被称 为预训练模型、基础模型（Foundation models），它可以集中各种模态的数据信息，然 后基于海量数据、超大规模参数进行预训练（Pre-training）并通过微调（Fine-tuning） 以适配不同领域任务需要[2]。在医疗领域，医疗数据本身就具有多模态的特性，大模型 将进一

药物研发的最后一步，便是将药物大规模应用到患者体内以进行实际效果测试，这 一步骤即临床试验。临床试验是一种系统性的研究，其目的是调查医药产品对人类 疾病过程的影响，以证实或揭示试验药物的作用、不良反应及试验药物的吸收、分 布、代谢和排泄，并最终确定试验药物的疗效与安全性。 临床试验是一项极为重要的任务，其结果直接决定了药物能否成功上市。如果临床 试验无法通过，那前期所有的初筛、优化、预实验都将失去意义。 而完全无法开展。据估算每招募一名患者约花费6000至7500美元，成本可谓十分 高昂。因此如果进行高效的临床试验-患者匹配，是药物研发中急需解决的一个难 题。 传统的临床试验患者匹配方法及局限性 传统情况下，患者和试验的匹配是人工进行的。主要包含两大方向：TO B（找医 生）和TO C（找患者）。早期的患者招募机构多采取线下招募的方式，即项目人员 前往不同的城市、医院，乃至不同 其大批量的为临床试验匹配患者，便可 节省大量的人力、物力，治愈更多的患者。 TrialGPT, 基于大语言模型的临床试验患者匹配方法 近年来，随着大语言模型（LLM）的发展，越来越多的人注意到了大语言模型在提 高临床试验招募的效率和准确性方面的潜力。 大语言模型作为一种基于深度学习的AI技术，已经在许多领域展现出了惊人的能 力，比如大语言模型为自然语言处理（NLP）领域的文本生成、文本摘要、问答系 统等任务