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 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+问诊：从语音录入到实时生成内容，提高临床记录环节效率 病例的录入是 大模型或主要在效率方面赋能医疗影像领域，通过提升自动化标注、自动 化模型筛选、参数调优、处理非结构化数据等能力，为行业带来缩短数据标 注和分析时间、提升影像精细程度等变化。 风险提示：AI 及技术落地不及预期；本研报中涉及到未上市公司或未覆盖个 股内容，均系对其客观公开信息的整理，并不代表本研究团队对该公司、该 股票的推荐或覆盖。 (21) (14) (6) 2 9 Apr-22 Aug-22 Dec-22

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 谱 Prediction等方式进行无监督预训练。 从应用层看，预训练模型微调，结合医学知识图谱、规则库等知识源增强医学专业 性，使用知识蒸馏、参数剪枝等技术压缩模型并在真实临床环境中评估、调优。经验 证的模型可部署到医疗信息系统、移动设备等，提供智能服务。 （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。 治疗方案。同时，大模型还能学习最新的医学知识，为医生提供治疗建议和决策支 持。例如，腾讯健康发布的混元通用大模型针对医疗领域升级了多个AI产品，包括智 能对话、病例结构化与检索、影像报告和辅助诊断等。这些医疗大模型产品已被整合 到患者就诊全流程中，从而提高了医疗服务的效率和质量。 在患者护理和保健过程中，医疗大模型可助力实现以下几方面工作：一是远程监测患 者健康，特别是慢性病患者，分析生理参数、设备数据和健康记录，帮助医生管理疾

1 从精益到智能—制造业转型的实践方案 2 愿景：中德智能制造产教融合生态体系 ① 产业赋能教育 产业学院 合作办学、合作育人、合作就业、合作发展 ② 教育培养人才 专业、教材、课程、师资、实践 ③ 人才支撑产业 人才与行业、地域、企业、岗位高效匹配 人才银行 存取 - 流动 - 升值 行业企业 招 - 培 - 用 - 留 场地 - 设备 - 师资 目 录 制造业转型的思考 进行调整的、有弹性的、可重新编程构 建的生产场景。（打通企业内部的管 控） 横向集成：跨越企业边界的一体化网 络，分享产品设计、企业模 型 以及工 艺细节。（打通企业之间的合作） 端到端集成：实现从价值链上游生产 系统规划到最终产品消费整个价值链 的端到端的数字化工业设计开发。 产品交付不仅仅是实物产品的交付，也包含数字模 型、设计 图、以及生产工艺的数字化交付 26 数据治理的整体架构 数据是企业的战略资产 数据 架构 标准 管理 数 据 质 量 管 理 基于主业务流的信息价值链综合治理（数据 / 流程 /IT ） : 纵横打通 + 数据清洁 战略到执行 信息价值链拉通 业务交易到核算 信息价值链拉通（ CRM+/ISC+ ） 产品创意到生命周期管理 信息价值链拉通（ IPD+ ） 存量管理到问题解决 信息价值链拉通（ CRM+ ） 数据打通是变革项目的关键交付 主 数 据 在 交

人工智能训练 和推理提供高效、稳定的计算环境。据测算，2023年全球生成式AI市场规模，包括硬件、软件以及服务等， 达675亿美元，到2028年有望增长到5160亿美元，复合年化增长率达50.2%；2023年，中国生成式AI市场 规模为1200亿人民币，到2028年将超过5000亿人民币（图1-1）。 据中国信通院测算，2023年全球计算设备算力总规模为1397EFlops，其中通用算力为497EFlops，智 力供应链自主化。高效的算法一方面减缓了AI训练的算力需求，另一方面AI应用的普及导致AI训练与推理的 侧重点发生转变，预计未来几年推理算力占比将远超训练部分。 1.2 技术破局：从GPU集群到分布式协同一体 建设和运营智算中心需要巨大的资本投入，包括购买昂贵的AI芯片、建设高密度机房等。AI工作负载对 网络带宽和存储性能有极高的要求。AIDC需要优化网络架构，例如采用高吞吐量的以太网或InfiniBand，并 former的大模型而言，在AI训练中有以下结论：1）模型规模要大：即增加模型参数量、数据集和计算量， 就可以得到性能更优的模型。2）模型参数量、数据集以及计算量之间存在幂律关系。3）随着模型规模增 加，模型会出现涌现特质——未预期到的新能力，推动模型性能提升。尺度法则正在驱动大模型硬件部署走 向更大集群。早期AI训练网络互联规模均在千卡左右，随着AI大语言模型的参数、训练量指数级提升，算力 卡互联规模从千卡提升到万卡，目前行业已经开始部署10

网络级负载均衡技术 23 4.1.5 AI交换机 17 4.2.2.1 流级负载均衡技术 4.2.2.2 逐包负载均衡技术 24 23 目录 4.2.3 拥塞控制技术 26 4.2.3.1 端网协同拥塞控制技术 4.2.3.2 FlexBuffer拥塞控制技术 28 26 4.2.3.3 拉远训练精准流控技术 29 4.2.3.4 AI ECN 2.0技术 30 4.2.4 在网计算技术 个主要阶段：虚拟化阶段、云化应用阶段和算力服务化阶段。 在虚拟化阶段和云化应用阶段，数据中心为办公和生产系统提供虚拟化和云化 基础设施，数据中心网络采用传统以太网技术用于支撑数据的集中管理以及计算和 存储资源的池化应用。发展到算力服务化阶段，随着高性能存储、超算中心高性能 互联和AI算网的引入，数据中心网络需要提供更高带宽、更低时延以及更高可靠性。 然而，传统以太网技术无法满足要求，导致数据中心高性能存储选择FC专网承载， 以太网技术不仅在带宽上超越了IB网络，无损以太网技术也逐渐成熟，为高性能网 络向无损以太演进奠定了基础。 超融合以太以实现数据中心网络融合为目标，将通用计算、存储、高性能计算 统一承载在0丢包以太网技术栈上，实现从三张网到一张网的融合部署，统一网络架 构，推动无损网络向超融合网络架构演进，实现算网融合。 在当前数字化浪潮席卷全球、AI应用呈指数级快速增长的时代背景下，数据中 心网络作为算力承载与数据流通的关键枢纽，其性能优劣直接决定了企业数字化转

是对第一级流程模块的流程图示& 每个方框代表一组业努流程。 L3 流程图 ! 每个方框代表一组有产出的行动a 对现有流程的分析可以在此层面进行。 预算管理 L4 行动图 丨 代表一系列组成流程的行动。在该层可以观察到每个行动（子流程 ）*| L5 步驟图 — ! 代表为完成行动而进行的一系列活动步骤（ 具体业务操作 ）的详细信息， I 包括步驟的执行岗位、输入输出详细信息 』是系统操作还是手工操作等. ！ ^ 16 蓝图规划 2周 2周 调 L3级跨业努域端到端流程构建 业努流程主干道及L4流程清单 数字化转型规划 目标 • 搭建L3级跨业努域蹢到端流程 . 定义业努流程主干道及1_4流程渣单 ■ 规划数字化转型业务架构蓝图 价值 • 协助业务部门从全局角度理解企业整体业 务流程 r 形成全貌的认気] ■ 构 建 窖 户L3级跨业努域端到端程 * 明确〗痛程具体运营环节走义 * 指导业劳实际运营 指导业劳实际运营 ，支持公司级体系 文件走义及更新 • 为各业务域信息化系统落定提供支搓 • 基于L3跨业务域端到端流程 ，分折走 义业务流彳Mi干道 & • 将业努流程主干道中的L3流程展开至 L4进行流程串联。 © 顾问构建业务流程主干道初■ © 顾 问 走 义L4流程渣单初稿 ③ w主责部n+协同部「了研讨修订 ® ”主责部门+协同部 r 根据样例绘 制L4流程图 • 识別运营中的问题及需求

等网络基础技术，对包括地面、近空、深空的广阔物理空间的各类算力、终端和数据要素实现泛在连接，所构建 的可靠、高效、安全、智能、绿色的网络技术体系。 （三）关键特征 我国互联网技术与产业正从跟随、并跑，到局部领跑，加速进入“无人区”。“新质互联网”作为我国互联网中长 期发展与演进方向和创新范式，中国工程院院士邬贺铨认为它是面向智能时代的网络“新”需求，基于 IPv6/IPv6+ 等网络基础技术，针 空口、800GE 广域、800GE/1.6TE DCN 超宽连接、短距无线融合、弹性无损、 端网协同、新型以太网等超宽新联接技术；IPv6+ 无损、IPv6+ 应用 / 数据标识、IPv6+ 时变路由等 IPv6+ 新扩 展技术；设备新智能和网络新大脑等网络新智能技术；内生安全、网络全程可信、云网边端一体化安全、数据可 信流转等安全新机制技术。 对于网络自身的运维来说，网络 AI 大脑融合 变化，进而影响和促进新质生产力的发展和释放。 图 1 新质互联网整体架构 ¹ 从发展来看，随着人工智能产业的成熟和发展，未来 3-5 年将是新质互联网从起步到成熟的关键时期。新质 互联网将从局部的算网应用和行业专网场景逐步扩展到运营商大网和更多行业网络，进而重塑数据通信的产业生 态和技术生态。 二、新质互联网远期发展目标及架构 （二）总体架构 “联算”，“联智”，“联数”，“联空”

面管控，还要 对安全事件进行事前、事中、事后的全面跟踪和保障。  更高效 集中统一是减负提效的必经之路。众多的品牌，众多的子系统，众多的操 作客户端，众多的数据信息，如何做到最大化的利旧、整合以及数据的统一展 示，是传统安防升级到智慧安防过程中的重要一环。也是节能减负提效的重要 手段。  更智能 智能让安防变得更加简单化和人性化。AI 时代的来临，让基于视频和大数 据的深度学 管理需求，计划采用现代化的技术手段，建设一套安全、智能、高效的园区安 防管理系统。具体需求如下： 1.2.1 平台集成化 众多的设备品牌需要统一标准接入，做到利旧。众多的子系统需要进行集 成联动，多重保障。众多的客户端需要统一界面操作，简化流程。众多的数据 信息需要统一门户呈现，更加直观。 1.2.2 数据可视化 视频监控要实时显示，抓拍图片要及时推送，体现视频监控最大的价值— —实时预警；指挥调度使用的地 研判：根据对过往人员、车辆的结构化信息检索，可以实现通过细小线索 快速锁定查找对象的功能；根据人员、车辆出现次数、轨迹的碰撞，也可以帮 助值班人员发现潜藏的安全隐患。做到事中的线索研判。 指挥：通过集成性平台客户端，值班人员可以快速知晓目前园区内的一切 状况，一旦事情发生后可以通过集成平台进行远程呼叫、开关门、声光警示等 动作，同时可以通过移动 APP 快速调度附近人员去现场查看处理。做到事中的 及时处理。