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

华泰研究–海外科技

2023 年 7 月 11 日│美国

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

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。

电子

增持 (维持)

研究员

SAC No. S0570523020002

何翩翩

SFC No. ASI353

purdyho@htsc.com

+(852) 3658 6000

每日免费获取报告 □

每日微信群内分享7+最新重磅报告;

每日分享当日华尔街日报、金融时报;

行研报告均为公开版, 权利归原作者所有,起点财经仅分发做内部学习。

正文目录

从自动驾驶、医药研发和金融科技看 AI 落地应用.. .3
Transformer 在自动驾驶中的应用：向“视觉+语言感知”及“全栈任务”衍生..
驭势科技：通用智能驾驶平台赋能全行业和全场景发展 .. ..8
主线科技：深耕物流枢纽及干线场景，Transformer 助力算法降本增效. .10
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.. .12
角井生物：AI 驱动大分子药物研发，助力药企降本增效 .. ..14
大数据赋能小微信贷服务，实现金融普惠与商业模式创新.. .17
风险提示 .. .19

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。

图表1：《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》圆桌讨论现场

资料来源：华泰研究

图表2：《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》圆桌讨论主持人与嘉宾合照

资料来源：华泰研究

图表3：华泰证券研究所海外科技组首席何翩翩发言

资料来源：华泰研究

图表4：角井生物董事长&首席科学官周一鸣发言

资料来源：华泰研究

图表5：复旦大学金融学教授黄毅发言

资料来源：华泰研究

图表6：驭势（上海）汽车科技总经理高丽萍发言

资料来源：华泰研究

图表7：主线科技合伙人&CFO付月男发言

资料来源：华泰研究

图表8：知行科技 CEO宋阳发言

资料来源：华泰研究

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（Surfaceelement，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。

图表9：特斯拉 Transformer 架构

资料来源：特斯拉 2022 AI Day、华泰研究

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 PatternRecognition，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 AutonomousDriving）》（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。

图表10： UniAD运作流程图

资料来源：《Planning-oriented Autonomous Driving》（2022，Shanghai AI Laboratory, Wuhan University, SenseTime Research 等）、华泰研究

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（negativetransfer，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。

图表11：自动驾驶框架的对比

资料来源：《Planning-oriented Autonomous Driving》（2022，Shanghai AI Laboratory, Wuhan University, SenseTimeResearch 等）、华泰研究

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（AverageMulti-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。

图表12：驭势科技主要产品

资料来源：驭势科技 2023 华泰 TMT 高峰论坛演讲展示稿、华泰研究

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。

图表13：香港机场落地产品

资料来源：驭势科技 2023 华泰 TMT 高峰论坛演讲展示稿、华泰研究

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。

图表14： hatGPT 与专用 NLP 模型

资料来源：驭势科技 2023 华泰 TMT 高峰论坛演讲展示稿、华泰研究

图表15：通用与专用自动驾驶模型

资料来源：驭势科技 2023 华泰 TMT 高峰论坛演讲展示稿、华泰研究

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。

图表16：主线科技 L4产品实现全场景的商业化落地

资料来源：主线科技 2023 华泰 TMT 高峰论坛演讲展示稿、华泰研究

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。

图表17：主线科技深耕物流枢纽和高速公路两大代表性场景

资料来源：主线科技 2023 华泰 TMT 高峰论坛演讲展示稿、华泰研究

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。

图表18：知行科技提供从入门级到高端车型自动驾驶的解决方案

资料来源：知行科技官网、华泰研究

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。

图表19：知行科技 iDC Mid 解决方案具体传感器配置

资料来源：知行科技招股说明书、华泰研究

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。

图表20：角井生物单细胞测序数据在线分析软件 ZeroCode

资料来源：角井生物 ZeroCode 官网、华泰研究

图表21： NeoDesign AI 新药设计平台

资料来源：角井生物官网、华泰研究

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。

图表22：生物技术与信息技术高速发展期

资料来源：角井生物 2023 华泰 TMT 高峰论坛演讲展示稿、华泰研究

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。

图表23：角井生物 NeoHTS 高通量湿实验平台

资料来源：角井生物官网、华泰研究

图表24：角井生物 NeoAntigen 新抗原设计平台

资料来源：角井生物官网、华泰研究

图表25： AI 算法在基因组的应用

资料来源：角井生物 2023 华泰 TMT 高峰论坛演讲展示稿、华泰研究

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。

图表26： 2013-2020年全球数字金融贷款总量（单位：十亿美元）

资料来源：国际清算银行、华泰研究

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。

图表27：数字金融的商业模式 DNA

资料来源：国际清算银行、华泰研究

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。

免责声明

分析师声明

本人，何翩翩，兹证明本报告所表达的观点准确地反映了分析师对标的证券或发行人的个人意见；彼以往、现在或未来并无就其研究报告所提供的具体建议或所表迖的意见直接或间接收取任何报酬。

一般声明及披露

本报告由华泰证券股份有限公司（已具备中国证监会批准的证券投资咨询业务资格，以下简称“本公司”）制作。本报告所载资料是仅供接收人的严格保密资料。本报告仅供本公司及其客户和其关联机构使用。本公司不因接收人收到本报告而视其为客户。

本报告基于本公司认为可靠的、已公开的信息编制，但本公司及其关联机构(以下统称为“华泰”)对该等信息的准确性及完整性不作任何保证。

本报告所载的意见、评估及预测仅反映报告发布当日的观点和判断。在不同时期，华泰可能会发出与本报告所载意见、评估及预测不一致的研究报告。同时，本报告所指的证券或投资标的的价格、价值及投资收入可能会波动。以往表现并不能指引未来，未来回报并不能得到保证，并存在损失本金的可能。华泰不保证本报告所含信息保持在最新状态。华泰对本报告所含信息可在不发出通知的情形下做出修改，投资者应当自行关注相应的更新或修改。

本公司不是 FINRA 的注册会员，其研究分析师亦没有注册为 FINRA 的研究分析师/不具有 FINRA 分析师的注册资格。

华泰力求报告内容客观、公正，但本报告所载的观点、结论和建议仅供参考，不构成购买或出售所述证券的要约或招揽。该等观点、建议并未考虑到个别投资者的具体投资目的、财务状况以及特定需求，在任何时候均不构成对客户私人投资建议。投资者应当充分考虑自身特定状况，并完整理解和使用本报告内容，不应视本报告为做出投资决策的唯一因素。对依据或者使用本报告所造成的一切后果，华泰及作者均不承担任何法律责任。任何形式的分享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效。

除非另行说明，本报告中所引用的关于业绩的数据代表过往表现，过往的业绩表现不应作为日后回报的预示。华泰不承诺也不保证任何预示的回报会得以实现，分析中所做的预测可能是基于相应的假设，任何假设的变化可能会显著影响所预测的回报。

华泰及作者在自身所知情的范围内，与本报告所指的证券或投资标的不存在法律禁止的利害关系。在法律许可的情况下，华泰可能会持有报告中提到的公司所发行的证券头寸并进行交易，为该公司提供投资银行、财务顾问或者金融产品等相关服务或向该公司招揽业务。

华泰的销售人员、交易人员或其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本报告意见及建议不一致的市场评论和/或交易观点。华泰没有将此意见及建议向报告所有接收者进行更新的义务。华泰的资产管理部门、自营部门以及其他投资业务部门可能独立做出与本报告中的意见或建议不一致的投资决策。投资者应当考虑到华泰及/或其相关人员可能存在影响本报告观点客观性的潜在利益冲突。投资者请勿将本报告视为投资或其他决定的唯一信赖依据。有关该方面的具体披露请参照本报告尾部。

本报告并非意图发送、发布给在当地法律或监管规则下不允许向其发送、发布的机构或人员，也并非意图发送、发布给因可得到、使用本报告的行为而使华泰违反或受制于当地法律或监管规则的机构或人员。

本报告版权仅为本公司所有。未经本公司书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人(无论整份或部分)等任何形式侵犯本公司版权。如征得本公司同意进行引用、刊发的，需在允许的范围内使用，并需在使用前获取独立的法律意见，以确定该引用、刊发符合当地适用法规的要求，同时注明出处为“华泰证券研究所”，且不得对本报告进行任何有悖原意的引用、删节和修改。本公司保留追究相关责任的权利。所有本报告中使用的商标、服务标记及标记均为本公司的商标、服务标记及标记。

中国香港

本报告由华泰证券股份有限公司制作,在香港由华泰金融控股（香港）有限公司向符合《证券及期货条例》及其附属法律规定的机构投资者和专业投资者的客户进行分发。华泰金融控股（香港）有限公司受香港证券及期货事务监察委员会监管，是华泰国际金融控股有限公司的全资子公司，后者为华泰证券股份有限公司的全资子公司。在香港获得本报告的人员若有任何有关本报告的问题,请与华泰金融控股（香港）有限公司联系。

香港-重要监管披露

• 华泰金融控股（香港）有限公司的雇员或其关联人士没有担任本报告中提及的公司或发行人的高级人员。

• 有关重要的披露信息，请参华泰金融控股（香港）有限公司的网页 https://www.htsc.com.hk/stock_disclosure其他信息请参见下方 “美国-重要监管披露”。

美国

在美国本报告由华泰证券（美国）有限公司向符合美国监管规定的机构投资者进行发表与分发。华泰证券（美国）有限公司是美国注册经纪商和美国金融业监管局（FINRA）的注册会员。对于其在美国分发的研究报告，华泰证券（美国）有限公司根据《1934 年证券交易法》（修订版）第 15a-6 条规定以及美国证券交易委员会人员解释，对本研究报告内容负责。华泰证券（美国）有限公司联营公司的分析师不具有美国金融监管（FINRA）分析师的注册资格，可能不属于华泰证券（美国）有限公司的关联人员，因此可能不受 FINRA 关于分析师与标的公司沟通、公开露面和所持交易证券的限制。华泰证券（美国）有限公司是华泰国际金融控股有限公司的全资子公司，后者为华泰证券股份有限公司的全资子公司。任何直接从华泰证券（美国）有限公司收到此报告并希望就本报告所述任何证券进行交易的人士，应通过华泰证券（美国）有限公司进行交易。

美国-重要监管披露

• 分析师何翩翩本人及相关人士并不担任本报告所提及的标的证券或发行人的高级人员、董事或顾问。分析师及相关人士与本报告所提及的标的证券或发行人并无任何相关财务利益。本披露中所提及的“相关人士”包括 FINRA 定义下分析师的家庭成员。分析师根据华泰证券的整体收入和盈利能力获得薪酬，包括源自公司投资银行业务的收入。

• 华泰证券股份有限公司、其子公司和/或其联营公司, 及/或不时会以自身或代理形式向客户出售及购买华泰证券研究所覆盖公司的证券/衍生工具，包括股票及债券（包括衍生品）华泰证券研究所覆盖公司的证券/衍生工具，包括股票及债券（包括衍生品）。

• 华泰证券股份有限公司、其子公司和/或其联营公司, 及/或其高级管理层、董事和雇员可能会持有本报告中所提到的任何证券（或任何相关投资）头寸，并可能不时进行增持或减持该证券（或投资）。因此，投资者应该意识到可能存在利益冲突。

评级说明

投资评级基于分析师对报告发布日后 6 至 12个月内行业或公司回报潜力（含此期间的股息回报）相对基准表现的预期（A 股市场基准为沪深 300 指数，香港市场基准为恒生指数，美国市场基准为标普 500 指数），具体如下：

行业评级

增持：预计行业股票指数超越基准

中性：预计行业股票指数基本与基准持平

减持：预计行业股票指数明显弱于基准

公司评级

买入：预计股价超越基准 15%以上

增持：预计股价超越基准 5%\~15%

持有：预计股价相对基准波动在-15%\~5%之间

卖出：预计股价弱于基准 15%以上

暂停评级：已暂停评级、目标价及预测，以遵守适用法规及/或公司政策

无评级：股票不在常规研究覆盖范围内。投资者不应期待华泰提供该等证券及/或公司相关的持续或补充信息

法律实体披露

中国：华泰证券股份有限公司具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J香港：华泰金融控股（香港）有限公司具有香港证监会核准的“就证券提供意见”业务资格，经营许可证编号为：AOK809美国：华泰证券（美国）有限公司为美国金融业监管局（FINRA）成员，具有在美国开展经纪交易商业务的资格，经营业务许可编号为：CRD#:298809/SEC#:8-70231

华泰证券股份有限公司

南京南京市建邺区江东中路228号华泰证券广场1号楼/邮政编码：210019

电话：86 25 83389999/传真：86 25 83387521电子邮件：ht-rd@htsc.com

深圳
深圳市福田区益田路5999号基金大厦10楼/邮政编码：518017
电话：86 755 82493932/传真：86 755 82492062
电子邮件：ht-rd@htsc.com

华泰金融控股（香港）有限公司

香港中环皇后大道中 99号中环中心 58楼 5808-12室
电话：+852-3658-6000/传真：+852-2169-0770
电子邮件：research@htsc.com
http://www.htsc.com.hk

华泰证券（美国）有限公司

美国纽约公园大道 280号 21楼东（纽约 10017）
电话：+212-763-8160/传真：+917-725-9702
电子邮件: Huatai@htsc-us.com
http://www.htsc-us.com

北京
北京市西城区太平桥大街丰盛胡同28号太平洋保险大厦A座18层/
邮政编码：100032
电话：86 10 63211166/传真：86 10 63211275
电子邮件：ht-rd@htsc.com
上海
上海市浦东新区东方路18号保利广场E栋23楼/邮政编码：200120
电话：86 21 28972098/传真：86 21 28972068
电子邮件：ht-rd@htsc.com

StartYourFinance

起点财经，网罗天下报告

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