2023年11月20日 每日一猜答案：。 答案：ABC。
每日一猜答案分析：

华为云盘古大模型ai还能用吗,华为云盘古大模型ai还能玩吗,华为云上的云硬盘提供可弹性扩展的虚拟块存储服务,华为云训练的模型怎么导出

华为于3月31日正式发布了其2022年年度报告，收入增长0.9%，达到6423亿元。其中，2022年数字能源收入为508亿元，云计算业务为453亿元，ICT基础设施业务3540亿元，终端业务2145亿元。

华为近日宣布即将推出其最新的盘古大模型4，将是超过任何其他类似应用的最先进、最强大的自然语言处理应用。根据华为云官网显示，华为即将上线的“盘古系列AI大模型”分别为：NLP大模型、CV大模型、以及科学计算大模型。其中，盘古“NLP大模型”是被认为最接近人类中文理解能力的AI大模型，而盘古“CV大模型”首次兼顾了图像判别与生成能力。

国盛证券刘高畅等人在3月26日发布的研报中表示，盘古NLP大模型是业界首个千亿参数的中文预训练大模型；盘古CV大模型业界最大CV大模型、首次实现兼顾判别与生成能力、在ImageNet上小样本学习能力上的业界第一；盘古气象大模型提供秒级天气预报；紫东。太初是全球首个图、文、音三模态大模型。

上海证券陈宇哲在3月25日发布的研报中表示，在早前的华为开发者大会上，华为曾宣布盘古大模型是业界首个千亿级生成与理解中文的NLP大模型，分析师认为未来有望成为国内最强的Chat GPT应用。华为将围绕“鲲鹏”与“N腾”打造的两个基础芯片族，构筑异构的计算架构。

东吴证券王紫敬等人在3月27日发布的研报中表示，华为盘古大模型的优势在于人才储备和算力自主可控，有望成为国内领先的大模型，其生态产业链标的有望迎来加速发展。相关标的方面，整机：拓维信息，四川长虹，神州数码，同方股份，广电运通，紫光股份。固件：卓易信息。操作系统：麒麟软件(中国软件)，统信软件(诚迈科技)，麒麟信安。数据库：海量数据。

中间件：东方通，宝兰德。应用落地。金融行业：软通动力，润和软件，常山北明，中科软；智慧城市：云从科技；交通：千方科技，中远海科；ERP：用友网络，汉得信息，赛意信息；工业软件：能科科技，中望软件；办公软件：金山办公。

国盛证券认为，华为盘古为首个多模态千亿级大模型，有望赋能百业。在华为AI领域，推荐大模型端侧应用落地：润和软件、常山北明、软通动力、云鼎科技、中科星图。推荐N腾硬件伙伴：神州数码、拓维信息、广电运通、四川长虹。

具体来看，润和软件基于N腾AI基础软硬件平台，打造危化品存储室智能安全管控解决方案，帮助危化品存储操作实现智慧安全分析。常山北明为N腾应用软件伙伴，共同推进人工智能产业繁荣发展，明确在金融、互联网、电力等领域的全方位合作意向。软通动力深耕数字创新服务+AI赛道，打造了完整的技术创新体系及创新的AI技术能力和团队，并成立了专注于AI领域的人工智能研究与创新中心(AIC)，基于N腾AI推出的AI端云一体化产品也已发布。

云鼎科技联合华为公司煤矿军团、华为云、2012实验室，就AI在煤矿领域的应用展开合作，依托华为在AI算法方面的技术优势，结合云鼎科技在能源生产领域的业务实践，共同研究AI算法模型在能源生产领域的应用。

神州数码子公司神州鲲泰，依托自主创新和生态体系，为客户提供端到端的信创全产业链解决方案。拓维信息子公司湘江鲲鹏依托自主创新的研发基地、先进智能的制造基地和开放共享的应用实验室，在智慧城市等重点行业进行全面应用，联合华为在湖南打造首个“硬件+软件”的鲲鹏生态基地。

广电运通子公司广电五舟，提供国内高性能计算产品及解决方案、云服务器全系列产品、边缘计算和软硬一体化产品、智能计算产品、自主研发的存储产品和行业解决方案，产品广泛应用于政府等行业及领域，业务遍及全国。四川长虹子公司华鲲振宇，聚焦“新计算新存储”基础设施应用，打造基于“鲲鹏+N腾”处理器的自主品牌“天宫”系列计算产品。

值得注意的是，由于盘古大模型拥有超大规模的参数，需要消耗大量的计算资源和存储资源进行训练，因此训练成本较高。业内人士表示，尽管盘古大模型在中文语言的处理方面具有很高的准确度和质量，但是在语义理解方面仍存在一定的局限性，尤其是在处理复杂的语言结构和语义推理方面。

目前，国内外许多企业都在研发超大规模的AI模型，盘古大模型在这个领域面临着激烈的竞争压力，需要不断优化和提高模型的性能和质量，才能以保持在市场中的领先地位。

（文章来源：财联社）

医药dtp发展趋势 医药行业pst分析

dtp药品,医药行业dip是什么意思,dtp药房前景,dtp药房的概念

（报告出品方/作者：浙商证券，孙建）

ChatGPTPa 对医疗行业的影响

医疗服务流程及痛点

ChatGPT的定位：“医疗从业人员的好帮手” 。 高效率：ChatGPT胜任【诊前】基础性咨询、【诊中】辅助医生诊断和生成定制化健康管理计划、【诊后】整理病患资料等工作； 高质量：医护人员将专注于提升个人素质、业务能力、研究水平；同时重视人文关怀和医患关系处理。

ChatGPT在诊前阶段的作用―分诊

现状： 互联网医院：现有AI分诊服务针对性差，主要由患者根据在线医生评分及资料介绍自行选择； 线下医院：按片区（内科、外科等）设立分诊台，细粒度不足且服务质量难以保证； 痛点：两种模式下，医生均无法提前获知患者诉求及关键信息。 ChatGPT改变： 强大且快速的资料检索与匹配能力可取代线下医院的分诊台，为互联网医院接入具有针对性的线上分诊服务； 患者就诊前，医生已经完成患者病情初步认知。

ChatGPT在诊前阶段的作用―导诊

现状 ：多数线下医院不设置专门导诊台：仅靠楼层指示图、就诊流程图等给病人提供指引； 部分医院导诊台与分诊台合二为一：肩负双重功能，既加剧工作人员负担，也无法保证解答疑问的细致程度； 部分医院设置导诊服务但值班人手少：难以应付开诊期间庞大的咨询需求，如遇特定需求也无法离开导诊台提供进一步指引。ChatGPT改变： 智能化导诊：ChatGPT的快速资料检索和匹配能力、强大的多回合语言交互能力可与手机APP、线下医院导诊用电子屏结合，针对性更强、更详细的解答每位患者就医流程中遇到的问题，而无需来回奔波至导诊台排队咨询。

ChatGPT在诊中阶段的作用―辅助问诊（决策、诊断）

现状 ：线下优质医疗资源紧张：面诊最长等待周期超过一个月；互联网医院医生线上查看及回复的积极性低，轻症患者的紧急处方需求无法满足； 面诊中存在问题：医生过于依赖经验、因时间压力错漏识别医学检验或影像结果中的细微数据、患者无法准确自述症状及病史而导致的误诊。ChatGPT改变 ： 结合互联网医疗咨询模式和医院非公开数据库大数据，帮助在院医生分担诸如疑似危重症筛选、轻症患者处方需求及医学检验结果初步诊断等工作。依靠海量数据的训练，可提示危重病风险、用药及治疗方案等相关建议，在三甲医院，有望由医生根据经验做出决策，实现“AI+专家”双重把关，提高诊断效率及准确率。在基层、乡镇诊所，或可提高全科医生诊断能力。

AI影像：提升识别准确度，实现辅助诊断

1. AI辅助诊断，解决下沉式医疗资源不足问题。 如ECG、医疗影像等方向，对医生的经验要求较高，医生学习周期较长，下沉式医院有经验的医生短缺，导致医疗资源紧张，AI辅助诊断有望在医生诊断前预先进行分析诊断，节约患者与医生时间，缓解资源紧张。 2. AI辅助精准诊疗。 大数据学习可以识别影像中微小的数据差异，达到人眼难以做到的精准，减轻医生压力的同时实现精准、稳定的诊断结果。

手术机器人：提升手术精准度，缩短医生学习周期

AI辅助精准度提升，缩短医生学习周期。机器人为实现精准定位，往往需要图像识别分析与精准手术规划，辅助医生进行手术指引与辅助手术，缩短医生学习周期，降低医生手术难度。

NGS诊断：AI有望助推精准度提升与成本降低

1.AI赋能有望提升诊断效率，带来成本进一步下降。 成本过高一直是限制基因测序应用场景打开的重要因素之一，GPU的革新、技术的提升有望降低单G的数据分析时间，降低人员操作需求，降低单G分析成本，有望带来下游应用场景的打开。 2.AI赋能有望提升分析准确率，进一步带来应用场景打开。 基因诊断分析过程涉及图像识别，光学信号处理等多板块综合技术壁垒，AI有望进一步提升其分析准确度，提升市场认知度，从而助推下游应用场景打开。

ChatGPT在诊中阶段的作用―辅助查房及健康管理

现状： 患者病情进展了解不及时：主治医生查房，过半时间是在进行患者病历病情、医学检验结果汇报解读和常规身体状况问询； 术后康复教育效果差：责任护士需根据病人病情、身体状况和既往病史进行饮食和运动计划，用药注意事项、并发症预防等内容一对一的健康宣教，时间成本高；健康宣教的效果以及患者配合程度等反馈难以量化，目前主要通过患者满意度调查问卷抽查等主观方式进行衡量； 病人体征指标监控不及时：住院病人基础身体数据如体温、血压的监测需要护士手动测量记录并向医生汇报，病情和病例发生变化也需要手动更新；ChatGPT改变 ： 病情跟踪：结合语音识别技术和实时监测身体数据的可穿戴设备，辅助完成部分查房问询和基础的健康宣教工作，减轻医护人员压力，避免其在重复性工作中易产生的倦怠心理。 实时监测：对病人各项数据持续监测分析，便于快速高效掌握患者情况，针对性的提示各阶段的健康管理计划、风险预警等内容并呈现量化反馈。

ChatGPT在诊后阶段的作用―重要资料归档及数据分析

现状：随访覆盖不全面：倾向于重点关注临床观察实验、疑难杂症、重大术后患者身上，对于其他慢病患者则缺乏动力（内科病人中常见）； 意见反馈渠道不畅： 转接人工难度大，多数医院使用AI客服前置接待，但智能化程度低，机械重复的回应极大降低了投诉效率；病历总结归档繁琐易错：患者出院前出院摘要撰写，出院后病历资料录入、归档及分析耗费时间精力，容易精力不集中出现数据录入错误。ChatGPT改变 ： 医疗随访秘书：帮助医护人员高质高效地完成随访、投诉处理等服务性工作和医疗文书撰写、资料录入等行政性工作，病例数据统计分析：能够根据反馈和输入的信息进行学习、分析、归类，根据实际情况向医护人员生成数据洞察、重要指标统计结果的仪表盘，为接下来医护工作及改善指明方向。

ChatGPTPa 对医药行业的影响

药品研发至上市销售全流程及痛点

ChatGPT的定位：“数据分析+生成式AI”赋能，加速拓展药物研发新边界 。 高效率：高速的数据处理与匹配，预测药物和靶点之间的相互作用，快速筛选候选化合物并进行预测评估，减少医药代表和客户之间的信息差； 创造力：生成式算法可突破人类构想和测算极限，催生更具多样性的化合物，设计更合理的实验方案，助力医药发展从仿制为主向创新为重。

ChatGPT在药物发现环节的应用

背景：人脑学习能力有限，业界现有知识对新疾病发病机制知之甚少，难以识别和发现新靶点和生物标志物；蛋白质等大分子化合物的探索空间广阔，确定候选药品需对现有结构的预测、筛选、设计，凭借人类现有的计算能力需花费大量时间。未来趋势：ChatGPT有望在新靶点识别、大分子药物的结构预测与筛选中大放异彩。通过论文、专利和临床试验等大量数据训练，其搜索深度和广度将远超专家经验，其强数据挖掘和分析能力可加速新靶点和先导化合物的确定，生成式技术可帮助科研人员针对特点蛋白快速设计新分子。

ChatGPT在药品研发和临床前实验中的应用

背景： 研发持续时间长、效益低，研发人员因工作压力等原因跳槽离职频率高，部分资历经验积累尚不充分的人员被拔高任用，导致进展缓慢；药品制造与优化需要整合多领域的知识和专家，但各方协同配合难度大，信息与数据交流效率低下；动物模型和人类的发病机理、病程有显著区别，药物治疗效果预测能力差，临床前转化效率低。 未来趋势：ChatGPT有望成为“研发秘书”，承担该阶段中相对标准化的研究工作，整合各方提供的数据进行分析，并在药效预测时提供建议参考

ChatGPT在临床实验环节的应用

背景：存在因患者隐瞒病史、筛选标准主观、招募宣传告知不充分、受试对象代表性差等复杂因素导致受试者筛选耗时长、成功率及入组率低；临床专家参与度低（通常一人负责十几个项目），投入项目的精力有限，使得缺乏整体流程的规划和安排，研究人员、医生和患者之间脱节；实验持续时间长达数年，受试者坚持记录药物摄入和身体状况的依从性不足，导致研究人员无法收集相应数据以有效指导和监测患者。 未来趋势：ChatGPT有望结合现有技术及算法打造“一体化数字管理平台”，打通患者招募、试验设计、受试者管理以及结果数据分析全流程，尽可能减少人为流程产生的错漏。

ChatGPT在生产销售环节的应用

背景：部分医药代表由于缺乏足够的专业性，与医生间的信任感较难建立，且无法通过给医生赋能（传递前沿医药知识）来提高客户粘性；医药代表线下推广效率较低，通过实地拜访、参加学术交流活动方式获客的时间成本较高，且无法保证对医生的及时反馈；药品定价涉及到众多复杂因素的考量如产品成本、竞品情况、消费者价格敏感度、企业的社会责任等，稍有不慎则易产生较大负面市场影响。未来趋势：ChatGPT有望逐步替代医药代表，通过更丰富的专业知识、与医生更高频的沟通、更加合规的语言内容来快速捕捉医生的临床用药需求，提高客户转化率，并节省药企大量的销售费用支出。同时，ChatGPT可利用已掌握的海量市场信息和出色的建模能力，服务药企精准定价。

报告节选：

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）

精选报告来源：【未来智库】。