电子行业动态点评：AI不只是大模型，从自动驾驶、医药研发和金融科技看落地应用-20230711-华泰证券-22页_2mb

AI落地应用分析总结

核心内容

AI技术的应用已不再局限于大模型，其在多个行业中的落地应用正逐步显现。本文从自动驾驶、医药研发和金融科技三个最具代表性的行业出发，分析AI技术如何推动这些领域的发展，提升效率与准确性。

主要观点

自动驾驶

• AI应用全面性：自动驾驶是目前AI应用最全面的领域，涵盖感知、决策、路径规划等任务，近年来Transformer算法的应用显著提升了系统的性能。
• 技术方向：Transformer在自动驾驶中的应用正向“视觉+语言感知”和“全栈任务”两个方向发展。前者通过引入LLMs（大语言模型）实现与道路使用者的自然语言交互，后者通过端到端解决方案如UniAD实现感知、预测和规划的融合。
• 商业化进展：
  • 驭势科技：以通用智能驾驶平台U-Drive赋能全行业，已在机场物流、城市服务和乘用车领域取得商业化成果，尤其在封闭场景中实现“去安全员”运营。
  • 主线科技：专注于物流枢纽及干线场景，L4级自动驾驶产品已在天津港、宁波港等实现商业化落地，累计运输里程超1000万公里。
  • 知行科技：专注于乘用车市场，提供从L2到L3的自动驾驶解决方案，认为L3乘用车商业化仍需3-5年，需技术与法规的双重推动。

医药研发

• AI应用领域：AI在医药研发中主要应用于数据获取、模型构建和自动化平台，缩短了药物研发周期，提升了研发效率。
• 技术应用：
  • 数据领域：AI协助获取基因组、单细胞测序等数据。
  • 模型领域：基于患者病理数据，通过自研算法模拟抗原结构，设计肿瘤新抗原。
  • 自动化平台：精准筛选药物靶点和化合物，辅助抗体和多肽等大分子药物研发。
• 案例：角井生物通过AI技术实现了个性化肿瘤药物设计，其NeoDesign平台和ZeroCode软件提升了药物研发效率。AlphaFold等大模型也显著提高了蛋白质结构预测的准确率。

金融科技

• AI应用方向：AI在金融科技中主要应用于信息采集、验证和处理，通过大数据信贷模型实现金融普惠，提升小微企业的信贷可得性。
• 商业模式：
  • DNA模式：通过数据（Data）、网络（Network）、活动（Activities）形成正循环，降低人工成本，提升服务效率。
  • 技术优势：利用数字支付平台获取用户行为数据，构建信用评分模型，提升风控能力。
• 行业影响：AI技术帮助金融机构降低风险识别成本，提升客户服务体验，同时推动金融业务的创新与扩展。

关键信息

自动驾驶

• 技术进展：特斯拉、Waymo等企业已将Transformer应用于BEV特征提取、场景生成和路径规划，提升自动驾驶系统性能。
• 行业应用：驭势科技的U-Drive平台已实现多场景部署，包括机场物流、城市服务和乘用车；主线科技在港口和干线物流中取得突破性进展。
• 政策影响：国内自动驾驶法律法规逐步推进，为商业化落地提供政策支持。

医药研发

• AI技术应用：Transformer、Geometrics deep learning、Graph neural network等算法被广泛应用于药物设计和生物数据分析。
• 数据需求：随着生物数据获取成本的下降，AI在医药行业的算力需求将逐步上升。
• 商业化前景：初创企业在AI药物研发方面进展更快，与大药企合作加速新药开发进程。

金融科技

• 数字金融发展：2020年全球数字金融贷款总量超过750亿美元，AI技术在风险控制、信贷评估等方面发挥重要作用。
• 模式创新：通过“DNA”模式（Data-Network-Activities）实现金融业务的正循环，提高普惠性。
• 技术应用：AI算法帮助金融机构识别欺诈行为、评估信用风险，提升整体金融服务效率。

行业趋势与挑战

• 技术融合：AI与多模态数据、Transformer等模型的结合，成为推动行业进步的关键。
• 政策支持：自动驾驶法律法规的逐步完善，为商业化落地提供保障。
• 成本与效率：AI技术的部署需兼顾成本与性能，传感器选配和算法优化是核心挑战。
• 风险提示：AI发展可能面临数据质量、政策执行和法律接受度等方面的挑战，需持续关注。

总结

AI技术正从大模型走向实际应用，其在自动驾驶、医药研发和金融科技领域的落地表现尤为突出。各行业均在探索AI如何提升效率、降低成本，并推动商业模式创新。尽管面临技术与政策的双重挑战，AI的持续发展将为这些行业带来深远影响。