|
在2023年7月5日华泰 2023 TMT 高峰论坛上，我们举办了以《AI 不只是大模型，从医药研发、自动驾驶和金融科技看落地应用》为主题的圆桌会议。我们认为，自动驾驶、医药研发和金融科技是当下 AI 落地最具代表性的三个行业。其中，自动驾驶是目前 AI 应用落地最全面的领域，自谷歌Waymo将AIGC应用于自动驾驶领域开始，Transformer应用愈发广泛，包括特斯拉、百度Apollo、地平线、毫末智行等企业均已纳入解决方案，本届 CVPR 最佳论文提出的UniAD 通过 Transformer 覆盖自动驾驶关键任务；医药研发领域的 AI 应用在创新药和疫苗研发领域崭露头角；金融科技的 AI 应用帮助投资分析和风险管理等方面提升效率和准确性。 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 在华泰2023 TMT高峰论坛上，海外科技组举办了以《AI不只是大模型，从医药研发、自动驾驶和金融科技看落地应用》为主题的圆桌会议，邀请了五位初创企业领导和高校专家学者进行分享。我们认为，自动驾驶、医药研发和金融科技是当下AI落地最具代表性的三个行业。自动驾驶是目前AI应用落地最全面的领域，解决方案中感知和决策等任务均需应用深度学习算法，而近年也加入了不少Transformer算法。医药研发领域的AI应用自疫情以来也崭露头角，缩短了创新药和疫苗研发的时间。金融科技也在广泛应用AI技术，主要在投资分析和风险管理等方面提升效率和准确性。 Transformer在自动驾驶中的应用向视觉+语言感知及全栈任务衍生 Transformer的基本原理是在预训练的前提下，根据一系列信息的全局关联性去预测下一步，从而输出结果。在自动驾驶领域，谷歌Waymo将AIGC应用于仿真场景生成，特斯拉基于Transformer进行BEV特征提取。Transformer在自动驾驶中的应用正不断衍生，一是向视觉+语言感知发展：特斯拉设想以LLMs赋予系统运用自然语言与代理互动的能力，以优化导航并提升安全性；二是向覆盖全栈任务发展：本届CVPR最佳论文提出的UniAD通过Transformer覆盖自动驾驶关键任务，不同层并行处理图像信息并进行交互，最终输出本车对周围环境的感知及预测信息，以实现路径规划。 自动驾驶：L4商用车进入商业化阶段，L3乘用车商业化落地或仍需3-5年 驭势科技以通用智能驾驶平台U-Drive赋能全行业和全场景发展，主要业务包括机场物流和城市服务等平台的商用车以及ADAS等乘用车产品，其中最先落地的是为香港机场提供多车型方案，目前物流牵引车、巡逻车均已落地，摆渡车仍处于测试阶段。U-Drive不仅能把握行业间的共性，还凭借多传感器融合软件针对不同场景灵活部署。主线科技深耕物流枢纽及干线场景，L4产品已在天津港、宁波港和满都拉口岸等物流枢纽落地。公司专注全线技术能力研发，采用多传感器融合的解决方案，并使用Transformer降本增效。知行科技则专注于为乘用车提供域控制器（SuperVision和iDC系列）、智能前视摄像头（iFC系列）及解决方案。公司认为，L3乘用车真正商业化落地仍需3-5年，瓶颈在于技术提升与法律法规配合。 医药研发：AI驱动药物研发，助力药企降本增效 角井生物在AI医药研发主要应用于三大领域：1）数据领域：协助获取基因组和单细胞测序数据；2）模型领域：基于患者的病理数据，通过自研算法模拟抗原结构，精准设计肿瘤新抗原；3）自动化平台领域：精准筛选潜在的药物靶点和化合物，协助设计抗体和多肽等大分子药物。角井生物应用AI技术驱动大分子药物研发，通过模型与自动化平台相结合，助力药企创新转型与降本增效。AI也赋能医疗技术，通过数据解码的方式将患者的医学影像和病理诊断等多模态数据，解码至一种模态的数据。 AI+金融：大数据赋能小微信贷服务，实现金融普惠与商业模式创新 复旦大学黄毅教授表示，数字金融服务可分为：1）抓取信息和另类信息数字化；2）通过作为信息采集、验证及处理中心的数字系统提供金融服务。科技公司金融化的优势在于，以数字支付为基础，进一步带来信贷和保险等各种金融服务的交互；同时，利用现存的商业网络例如电子商务或是社交网络提供金融服务。以大数据信贷模型为例，数字金融的两大特点为：1）为广大小微企业实现金融普惠；2）为金融科技机构降低信息获取成本。 风险提示：政策落地不及预期、AI发展不及预期、本研报中涉及到的未覆盖个股不代表对该公司或股票的推荐及覆盖。 从自动驾驶、医药研发和金融科技看AI落地应用 在2023年7月5日举办的华泰证券2023 TMT高峰论坛暨世界人工智能大会科技金融创新论坛上，海外科技组举办了以《AI不只是大模型，从医药研发、自动驾驶和金融科技看落地应用》为主题的圆桌讨论，在三个领域邀请了五位初创企业领导和高校专家学者进行分享。我们认为，自动驾驶、医药研发和金融科技，是当下AI应用落地最具代表性的三个行业。自动驾驶是目前 AI 应用落地最全面的领域，解决方案中感知和决策等任务均需应用深度学习算法，而近年也加入了不少Transformer算法。医药研发领域的 AI 应用自疫情以来也崭露头角，极大缩短了创新药和疫苗研发的时间。金融科技也在广泛应用 AI 技术，主要在投资分析和风险管理等方面提升效率和准确性。
Transformer在自动驾驶中的应用：向“视觉+语言感知”及“全栈任务”衍生 Transformer的基本原理是在预训练的前提下，根据一系列信息的全局关联性去预测下一步，从而输出结果。在自动驾驶领域中，可应用于特征提取、场景模拟与生成，以及路径规划等。Transformer的概念源于2017年谷歌发布的论文《Attention is All You Need》架构发布初期主要用于翻译等任务，直至谷歌Waymo将AIGC引入自动驾驶领域，基于感知数据生成仿真场景，可用于生成罕见场景进行模型训练，以解决长尾问题。主要步骤包括：1）收集激光雷达获取的图像，重建由Surfel（Surface element，可将其视为二维或三维表面中的微小部分，主要适用于动态建模）构成的场景；2）用相机轨迹对Surfel进行渲染，优化光影效果；3）通过GAN（Generative Adversarial Networks，生成式对抗网络，是一种用于生成逼真样本的机器学习模型）优化图像的几何形状与纹理并生成最终的仿真图像。 2021年，特斯拉通过将感知任务内置于Transformer中，使神经网络能够自动完成从2D图像到BEV（Bird’s Eye View，即俯视角度）特征信息的转换，具体步骤为：1）通过RegNet（Regularization Network，用于图像分类的神经网络结构）对摄像头获取的2D图像信息依据分辨率进行分层；2）利用BiFPNs（Bi-directional Feature Pyramid Networks，用于图像语义分割的神经网络结构）使分类信息发生交互，形成可被神经网络理解的输入信息；3）基于预训练获取的信息，根据相关性提取观测对象的特征（如类别和位置等），并整合至3D空间。这一架构已成为目前在自动驾驶领域中广泛应用的范式，地平线、百度Apollo和毫末智行等均已完成Transformer的自研，并将其纳入智能驾驶解决方案中。
特斯拉提出的Transformer正基于“视觉感知”任务衍生，主要包括两个方向：1）优化感知任务本身，向“视觉+语言感知”发展：特斯拉设想将LLMs引入自动驾驶架构下，赋予系统与代理（agent，即能够进行感知和作用的自主实体，在自动驾驶场景下是行人和车辆等主体）运用自然语言进行互动的能力，一是能通过交流最佳路线来优化导航，二是能在有必要时为其他道路使用者提供警告，以确保行驶路线的安全；2）扩大Transformer的覆盖范围，向“全栈任务”发展：本届CVPR（Conference on Computer Vision and Pattern Recognition，计算机视觉与模式识别会议，是以计算机视觉和机器学习等为导向的人工智能顶级会议）最佳论文《以路径规划为导向的自动驾驶（Planning-oriented Autonomous Driving）》（2022，发表机构包括上海人工智能研究所、武汉大学、商汤科技等）提出感知决策一体化的端到端自动驾驶解决方案Unified Autonomous Driving（UniAD）。UniAD通过Transformer多层架构覆盖感知、预测和规划任务，不同层并行处理图像信息并进行交互，最终根据本车对周围环境的感知及预测信息以实现路径规划。 UniAD的运作流程共包括四个基于Transformer的感知和预测模块以及最后的规划模块（Planner）。流程的第一步是特征提取，由多个摄像头获取图像，经过BEVFormer转换为BEV特征信息，这一步骤和特斯拉的过程类似。这些信息分别输入感知、预测及规划层：感知层包括TrackFormer和MapFormer，分别提取代理的轨迹信息和整体道路信息，将其输入至预测层的MotionFormer与OccFormer，MotionFormer捕捉代理与地图、代理与代理和代理与行动目标之间的相互作用，基于此预测每个代理最可能采用的k种轨迹，并对轨迹进行平滑以减少预测不确定性，OccFormer再进一步将BEV特征信息与轨迹信息结合，预测是否存在可能被占用的区域以避免出现碰撞；最后，规划层Planner根据以上信息决定路线。 论文发表机构之一上海人工智能实验室表示，UniAD这种端到端多模块融合流程的亮点在于1）模型通过Transformer的多层架构覆盖关键任务，不同Transformer层间信息的输入输出融合了每个环节，并行处理多个不同的任务；2）感知与预测环节均包含本车信息（Ego-vehicle），最后Planner结合本车信息与BEV特征信息进行决策，从而使整个网络均以规划为目标，有效提升解决方案的整体性能。
端到端方案相比模块化方案更利于提高路径规划的效率。行业内自动驾驶解决方案包括模块化系统、多任务模块架构系统和端到端自动驾驶系统三类。据论文所述，模块化系统将一个方案分解成不同模块处理，是目前最常见的解决方案，有助于通过跨团队合作提升研发效率，但存在跨模块信息丢失和误差累积等风险。而多任务模块架构系统虽然将大量任务合并到共享特征提取器中，能够节省芯片的计算成本，但可能会导致负迁移（negative transfer，指一个任务中获得的知识会对下一个任务的表现产生干扰）。端到端系统则是将各模块融合，使前置任务也以规划为目标，能够避免模块化的累计误差及多任务的负迁移问题。 论文中称UniAD为首个实现感知、预测和规划三个模块融合的端到端方案。据论文对比，现有的端到端解决方案包括两类：1）基础的端到端方案基于预设的环境条件直接规划路线，在闭环仿真中效果较好，但由于未将代理与环境的交互作用考虑入内，方案难以应对复杂真实场景中可能存在的突发情况；2）按照任务划分网络的显式设计将感知及预测作为关键前置任务纳入模型，以放宽基础方案对环境固定的假设，但目前对模块下子任务（目标检测、目标跟踪、场景建图、轨迹预测、栅格预测和路径规划）的覆盖并不全面。而据论文，UniAD使输入的传感器数据经过感知、预测和规划模块下六小类子任务后进行输出，相比另两种方案更注重交互和融合，可有效优化以决策为目标的各项任务的表现。
论文称，UniAD使用nuScenes数据集（在波士顿和新加坡采集的开源自动驾驶数据集）进行测试，在多种自动驾驶任务中均达到领域最佳性能，其中预测和规划的提升较为明显。在感知方面，多目标跟踪上，UniAD与MUTR3D（基于3D-2D Queries的多摄像头追踪模型）和ViP3D（基于3D Queries的感知与视觉轨迹预测模型）相比，在AMOTA（Average Multi-Object Tracking Accuracy，平均多目标跟踪精度）上分别提升6.5和14.2；在线地图上，车道分割能力与BEVFormer相比提升7.4IoU（Intersection Over Union，交并比，用于衡量目标检测的准确性），但其余表现例如可规划区域（Drivable）、分道线（Divider）和交通路口（Crossing）不如其他方法。在运动预测方面，与PnPNet-vision（基于跟踪模块的运动预测模型）和ViP3D相比，UniAD在minADE（Minimum Average Displacement Error，最小平均距离误差）上减少了38.3%和65.4%的预测误差；在占用预测方面，与FIERY（基于单目摄像头的占用预测模型）和BEVerse（基于多摄像头系统的占用预测模型）相比，UniAD在IoU-near（附近交并比，是针对占用预测任务的loU，更加关注预测结果在真实标注周围区域的准确性）上分别增加了4.0和2.0。在规划方面，与ST-P3（基于时空特征学习的规划模型）相比，UniAD减少了51.2%的L2误差和56.3%的碰撞率。UniAD与上述提及的方案均为纯视觉模型；而与LiDAR方案相比，论文在规划测试部分提及UniAD在L2误差和碰撞率方面的表现优于NMP（基于神经网络更新的全局地图）、SA-NMP（引入空间注意力机制的NMP）、FF（前馈神经网络结构）和EO（环境观测）。 驭势科技：通用智能驾驶平台赋能全行业和全场景发展 全场景自动驾驶服务为各行业提供“AI司机”。驭势科技成立于2016年2月，以无人观光车“城市移动包厢”起家，目前商业化落地可能性较大的业务包括：1）机场物流平台：包括物流牵引车、中巴及巡逻车，目前已在香港机场落地，并推广至乌鲁木齐国际和长沙黄花国际等机场及上汽通用五菱、巴斯夫和一汽物流等厂区；2）城市服务平台：包括末端微循环的中巴和小巴，以及末端配送小车；3）乘用车产品：包括L2-4级智能驾驶乘用车产品。公司坚持乘用车与商用车双轮驱动的策略，旨在通过乘用车上路获取数据、完善技术，同时通过商用车业务拉动毛利。
香港机场物流产品发展迅速，“去安全员”技术迈向商用。公司自2018年起开始与香港机场合作，为香港机场提供一站式多车型方案，包括物流牵引车、摆渡车和巡逻车等，致力于降低客户的管理成本。基于香港机场客户的需求，公司物流牵引车于2019年启动“真无人”运行，是去安全员无人驾驶常态化运用的突破，并由此迈向规模化商用，目前在香港机场已有8辆牵引车处于无安全员运作状态，负责将海天客运码头的行李运输至机场T1航站楼。无人驾驶摆渡车在2022年于机场禁区测试接待员工，目标在2023年投入运作，2024年连接香港口岸及航天城，未来计划延伸至东涌市中心。无人驾驶巡逻车主要用于协助机场禁区边界的巡逻工作，自2021年9月起于机场跑道南路开启正式运作。
公司的厂区无人驾驶产品主要落地于汽车物流行业。截至2022年11月，全球500强企业中的20家汽车企业已有7家采用公司提供的自动驾驶物流解决方案。该解决方案基于自主研发的自动驾驶物流车和云端智能运营管理系统，旨在提高厂区内物流运输效率、解决劳动力短缺和提升安全性。 公司的智能驾驶平台U-Drive兼具通用性与灵活性，其中多传感器数据融合是驭势科技的关键技术。公司基于自动驾驶技术在不同行业的落地成果完善算法，使自研的U-Drive智能驾驶平台能够把握行业间的共性，同时也能部署至不同行业。灵活部署要求平台为细分行业追加子任务，而大量传感器是完成子任务的基础，如何融合多传感器数据并为后端决策提供高质量信息成为平台发展的关键。驭势科技自研多传感器数据融合软件，已于2022年12月获得ISO 26262汽车安全完整性（ASIL）最高等级的认证，为其智能驾驶平台的发展构筑良好基础。 多传感器的数据矛盾极大考验软件的工程能力。多传感器数据出现矛盾时，需根据时间点前后的序列信息和所处的场景等来判断信息的可置信程度，单传感器若出现误报等数据矛盾问题则需要工程团队基于经验进行判断。
主线科技：深耕物流枢纽及干线场景，Transformer助力算法降本增效 主线科技深耕物流枢纽及干线场景解决方案。主线科技成立于2017年，目前已发布十几款Robotruck产品，分为公路货运的ATK燃油系列和适用于港口和园区的ATK新能源系列。主线科技主营业务分为两个方向，第一个方向是港口，包括海港、空港和口岸等，主线科技能够提供“水平运输系统”（即自动驾驶卡车）。第二个是高速干线上自动驾驶卡车的单车运营以及队列行驶的解决方案。公司表示，主线科技已与重汽、一汽解放、福田和徐工等合作并实现了落地交付。软件方面，主线科技提供TrunkGO人工智能运输系统，客户可通过TrunkGO将自动驾驶卡车与客户的不同业务融合，以实时、动态和可视化的方式实现全流程自动驾驶物流运营管理。 主线科技L4产品已实现港口场景商业化，累计交付数百辆自动驾驶卡车。公司表示，主线科技在天津港完成了全球首个完全无人的自动驾驶港口商业项目的自动化码头建设，并推动了宁波舟山港（至2022年连续14年为全球年货物吞吐量最大港口）的商业化落地，并且在宁波港开展了完全混行案例：混行场景中既有外部车辆，也有内部的人工作业车辆，复杂程度近似于城区场景。此外，公司对近期的业务情况进行了总结：1）主线科技在天津港4月份的常态运输中实现了30%的效率提升，体现出主线科技利用AI技术帮助港口场景进行效率提升的能力；2）在口岸场景，公司在疫情期间实现了全球首个自动驾驶卡车在边境口岸的应用，显著提升中蒙满都拉口岸全时段和全天候的通关效率。
港口和高速干线是具有代表性的场景，分别对定位和感知具有高要求。公司指出，封闭场景（港口）和开放场景（干线），这两个场景具有代表性：在港口，卡车需要和港口其他设备进行交互，对定位提出非常高的要求，例如集装箱从货船上运到到卡车上时，需要自动驾驶卡车定位非常精准，才能做到准确停车；而在高速干线上，卡车处于高速状态，对于感知的要求相对非常高。公司表示，目前主线科技智能驾驶累计的运输里程超过1000万公里，并且主线科技能实现L4级别自动驾驶路上测试和常态运营。自2020年起，申通、德邦、以及大宗物流平台中储智运等成为主线科技的主要客户。
主线科技采用了多传感器融合的解决方案。不同的传感器之间具备不同优势和劣势，可以有效针对不同场景，因此公司将各种传感器的优势进行聚合，在统一的软件架构下通过融合算法形成稳定的方案。 主线科技利用 Transformer 和大模型为算法降本提效。Transformer 具备诸多优势，公司早期除基础架构之外，也使用了 Transformer 配置包，主要应用在感知和预测两个方面，比如离线数据挖掘和真值数据生成等。对于大模型来说，目前主要应用于嵌入式设备的部署。在公司将模型部署至实车端的过程中，公司关注模型如何优化并节省算力。公司认为，实车部署使用 Transformer，目前看来有一定成效。 国内自动驾驶法律法规稳健推进，关注下一步政策进展推动商业化落地。近年来，国内自动驾驶法律法规，尤其是封闭场景和开放场景，实现逐步快速开放。比如近年国家颁布《自动驾驶汽车运输安全服务指南（试行）》（征求意见稿）指出“鼓励……在点对点干线公路运输、具有相对封闭道路等场景使用自动驾驶汽车从事道路普通货物运输经营活动”，自动驾驶示范区建设也在迅速推进，相关牌照也在陆续发放。主线科技在北京市获得全国首批高速干线上的 L4自动驾驶测试牌照。工信部副部长辛国斌在6月21日发布会上表示，组织开展L3级及更高级别的自动驾驶功能商业化应用。主线科技也在积极关注并配合相关政策的开展。公司认为，立法声音越来越多，步骤也越来越快，对于行业是较好的趋势。 与海外情况做对比，公司认为，前几年国外在法律法规方面的进展较为迅速，例如像图森未来等一系列上市自动驾驶公司能够在海外进行路测。尽管海外法律法规有相对快速的进展，但是在落地过程当中也遇到了量产方面的问题，国内的环境发展则比较稳健。接下来，公司认为可以持续关注政策节奏推动下的商业化快捷落地。 知行科技：专注于乘用车自动驾驶解决方案，技术积累助力L3乘用车商业化落地 知行科技专注于乘用车市场，提供从入门级到高端级的自动驾驶解决方案。知行科技成立于2016年底，产品包括：1）iFC系列：面向L2级自动驾驶的经济型解决方案。iFC 2.0已开始量产，由Mobileye的EyeQ®4M作为主芯片并配备170万像素的摄像头，包括车道居中（LCC）、自适应巡航（ACC）及安全辅助功能（如紧急车道保持（ELK）和自动紧急制动（AEB））。公司计划于2024年推出iFC 3.0，该方案将符合未来的C-NCAP及EURO-NCAP五星安全评级标准，且具备更强的感知能力、更小巧的外观及更强的功能扩展能力；2）iDC系列：自主研发的自动驾驶域控制器产品。iDC Mid已经量产，主要面向中高端车型，能够集成针对高速场景的导航辅助驾驶（NoA）等驾驶功能及针对低速场景的记忆泊车辅助（HPA）等泊车功能。公司还将推出iDC High，产品相比iDC Mid将具备更高的算力和更强的传感器配置；3）SuperVision™：可在各种道路上全面运行的点对点辅助驾驶导航解决方案，包括云功能提升并支持OTA升级。SuperVision™配备11个摄像头，装备两个Mobileye的EyeQ®5H芯片，拥有视觉感知能力，满足OEM客户对高端智能车型的需求。
域控制器的发展将注重于功能的整合和提升。传统的整车架构中，各个子系统通常由独立的控制器进行管理和控制，然而随着汽车功能的不断增加，分散控制器架构导致系统的复杂性和开发维护成本的增加，同时还会导致重复计算的问题。为了解决简化电气架构设计的需要，域控制器不断取代多个独立分散的控制器架构。知行科技创始人宋阳先生认为，域控制器将向两个方向发展：1）功能的整合：由于分离控制器架构会带来重复研发和较高成本，域控制器必须要对不同功能整合；2）功能的提升：随着记忆行车功能、自主代客泊车功能的落地，高档车的部分功能将不断下沉至 B 级车甚至 A 级车。 传感器的选配和数量需要综合考虑精确度和成本。大多数科技公司选择视觉方案实现L2++级自动驾驶，同时选择毫米波辅助测距，超声波辅助泊车。公司认为，商业化落地的核心除了精确度的实现，还有成本和工程复杂度的考虑，因此传感器的数量并不是越多越好。当自动驾驶级别提升到L3时，需要做到安全冗余。知行科技表示，公司于2021年获得全流程功能安全ASIL-D证书（ISO26262标准，汽车功能安全管理体系最高等级认证），此外可选择激光雷达作为辅助传感器。
乘用车L3产品真正商业化落地需3-5年，瓶颈在于技术提升与法律法规配合。乘用车自动驾驶L3级别的商业化落地，目前依然面临着法律法规、成本、车辆工程化和技术等问题。公司认为，首先，乘用车L3自动驾驶级别的驾驶责任由驾驶人转到车上，车厂将要承担更大的安全责任。第二，如何保证消费者体验到较好的功能，如何研究出更好的感知效果和路径规划等。在法律法规层面，公司提到近期相关政策发布支持自动驾驶商业化落地。例如，工信部 6 月 21 日发文，“启动智能网联汽车准入和上路通行试点，......组织开展L3级及更高级别的自动驾驶功能商业化应用”。公司认为，综合法律法规的支持以及目前技术的发展情况，乘用车L3产品的真正商业化落地需要3-5年。 角井生物：AI驱动大分子药物研发，助力药企降本增效 角井生物致力于AI驱动大分子药物研发。公司于2017年成立，主要运用人工智能和组学大数据等创新技术，加速新药物发现和验证。目前角井生物布局高通量实验、人工智能算法和抗体研发三大技术领域，致力于为新药研发客户提供技术、产品和服务。角井生物利用Transformer、Geometrics deep learning和Graph neural network 等算法，搭建多种AI算法平台，提升大分子药物的开发效率。
角井医药在AI医药研发主要应用数据、大模型及自动化平台三大领域。第一，在数据领域协助获取生物医药数据。角井生物通过AI靶点发现平台和高通量湿实验平台，快速获取大分子药物、单细胞测序及多组学等生物医药数据。 第二，在大模型领域协助提升降低研发时间和成本。角井生物运用设计肿瘤新抗原的技术平台，利用针对性模型提供肿瘤治疗方案。2018年初，角井生物基于单个患者的数据，通过自研算法推出首个个性化的肿瘤药物。2018年9月，公司递交了临床药物检验申请，为肿瘤患者提供精准伴随诊断检测、设计精准的免疫治疗方案及筛选完全个性化的肿瘤新抗原。2022年7月，谷歌旗下人工智能公司DeepMind与欧洲分子生物学实验室合作，利用AI开发出了AlphaFold数据库，预测出超过100万个物种的2.14亿个蛋白质结构，几乎涵盖了地球上所有已知蛋白质。AlphaFold2模型帮助预测蛋白质结构准确率从60%提高到93%以上，加速新药研发速度。2022年10月，洛桑联邦理工学院与联合微软研究院等团队基于结构的药物设计（SBDD），提出了3D扩散模型DiffSBDD。基于DiffSBDD模型，通过生成对特定蛋白质靶标具有高结合亲和力的多种配体，协助药企设计药物分子化合物，降低了药物研发时间。 第三，在自动化平台协助药企降本增效。角井生物通过打造新一代大分子药物设计平台，AI靶点发现平台、AI新药设计平台、高通量湿实验平台和新抗原设计平台，为新药研发客户提供最优的技术、产品和服务。角井生物进行抗体、多肽、酶和AAV等大分子药物设计，降低新药研发的时间和传统实验的成本。通过为客户提供自动化平台的方式，角井生物提供端到端的抗体药物设计模型，有效降低药物研发的时间和成本，提升药物研发效率。 另外，AI 也赋能医疗技术行业，辅助多模态医学数据转变为单一模态数据。多模态医学数据的复杂度高、数据完整度差，AI基于患者的医学影像、病理诊断和生物数据等多模态数据，通过数据解码的方式，解码至一种模态的数据，后续基于单个模态数据进行分析。 随着生物数据获取成本降低，医药行业AI芯片算力需求逐步上升。由于数据量级的原因，相比较其他行业，AI医药行业的算力需求相对较少。AlphaFold的蛋白预测主要基于19万条蛋白质结构预测数据，与其他领域大语言模型如ChatGPT的1750 亿参数量不在一个数量级上，目前医药行业所掌握的数据还是远远不足的。公司表示，生命科学属于高度复杂的领域，未来3-5年的时间医药行业可能会发生颠覆性变革，医药行业将需要更多样化的生物数据对AI模型进行训练。随着AI在医药行业的普及，产生一个蛋白的数据的成本将逐步降低，产生数据的效率将提高2~3个数量级，未来的生物数据会随着效率提升而增加，AI芯片算力的需求也会进一步上升。
在AI生物医药研发领域应用，初创企业相对大药企发展更快。全球大型药企基本也和一个以上的 AI 制药初创公司合作，通过与 AI 制药公司合作，加速新药的研发。公司表示，目前整体 AI 生物制药初创公司的药物研发速度及技术更迭，相较其他大药企而言更加高效和快速。
公司创始人及管理团队在生物医学及AI算法领域拥有丰富的经验。角井生物的联合创始人及首席科学家周一鸣是国际统计界最高奖“考普斯奖”获得者，曾任“863”生物医学大数据首席科学家。角井生物的联合创始人及首席执行官兼首席技术官迟颖是英国牛津大学博士后，伦敦帝国理工大学博士，曾任阿里巴巴达摩院制药智能创建和负责人，是科技部十四五“生物技术和信息技术融合”专家组成员。公司创始人和科学顾问刘军是美国哈佛大学统计系终身教授、 清华大学统计研究中心创始人及首任主任。 大数据赋能小微信贷服务，实现金融普惠与商业模式创新 数字金融服务可分为两类：第一类是抓取信息和另类信息数字化，第二类是通过作为信息采集、验证及处理中心的数字系统提供数字金融服务。在金融科技创新1.0时代，1969年ATM出现；目前正在进入的数字金融科技创新2.0时代，出现了包括数字支付和数字货币在内的数字金融服务，可总结为ABCD（A-AI，B-区块链，C-云计算，D-大数据）四大技术。摩根大通在2019年致股东的信中指出人工智能和机器学习的作用已经在帮助摩根大通降低风险和欺诈，升级客户服务，提高了承销规模，也增强了公司的营销能力。本次论坛邀请的复旦大学金融学教授及博士生导师黄毅教授谈及了行为金融学中的两种偏差包括认知偏差和激励机制，因为这两种偏差的存在，需要通过另类数据进行行为数据分析，从而了解客户的风险偏好与承担能力。 根据国际清算银行数据，2020年全球数字金融贷款总量超过750亿美元。科技公司布局金融化的优势在于，其以数字支付为基础，从而进一步带来信贷、保险和资管等各种金融服务的交互。同时，数字金融公司利用现存的商业网络例如电子商务或是社交网络提供金融服务。
数字金融的特点之一是通过大数据信贷模型提高小微企业绩效，实现金融普惠。以大数据为基础的数字金融信贷模型，采用深度学习和机器学习等方法作为信贷决策的依据，为长尾客户提供信贷服务。小微企业客户往往信息不对称、没有可抵押资产、借贷金额小且借贷项目“非标准化”，故小微企业等长尾客户在借贷市场存在较大需求。而通过高频、实时、非传统、多维度和高覆盖的另类大数据行为信息，可帮助机构克服信息不对称的问题，通过机器学习等方法生成小微企业和个人的“信用得分”，从而决定借贷。除获得借贷服务外，AI技术还可帮助解决信贷中的风险，如欺诈风险（身份识别技术）、信用风险和贷前筛选，贷后监督等；风控模型可帮助客户对利息（价格元素），信贷额度和期限（非价格元素）等因素进行进一步关注。据黄毅教授在本次会议上分享，经过AI技术识别后的小微贷款对企业销售额与销售量增长的提升分别可以达到3.5%和4%。 数字金融采用“DNA”的正循环商业模式。“DNA”的商业模式即Data-Network-Activities，通过在网络平台对以数字支付为入口的数据进行信息的收集、验证和处理，培育丰富的金融业务生态形成正循环。目前，在小微贷款领域仍存在大量使用信贷员一对一进行信贷销售的传统模式，2019年诺贝尔经济学奖获得者Abhijit Banerjee和Esther Duflo也在专著《Poor Economics》中提到，让经济水平较低的人群受限于获取小额信贷的原因往往不在于其信用水平普遍较低，而在于此群体信用信息评估成本较大等因素。举例来说，网商银行使用信贷分对小微企业信用进行智能评估，仅377个员工就服务了850万小微企业，极大的降低了金融机构运行所需的人工成本。此类大数据借贷平台与传统银行相比，具有信息优势、低成本销售、商业生态和声誉监督的优势。
数字金融特点之二是大数据信贷模型和信息优势（数字足迹）。大数据算法与AI算法帮助金融服务更为普惠的同时，利用海量的商业平台另类数据，可以提高金融业的业绩。此外，黄毅教授还谈到复旦大学大数据中心的PET技术等研发项目，其专注于隐私保护，帮助用户在保护个人隐私的基础上使用并处理数据。 风险提示： 政策落地不及预期：相关政策的落地可能会受到区域差异、执行进度等各种因素的影响，可能不及预期； AI发展不及预期：1）AI技术发展不及预期：AI技术的发展需要大量高质量数据和计算资源，数据的获取和处理及AI模型的训练和优化均可能面临障碍；2）AI落地应用不及预期：AI落地需考虑社会与法律接受度，实际部署速度可能不及预期； 本研报中涉及到未覆盖个股内容，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。 相关研报 |
|
|
