行业投资评级 - 医药生物行业评级为“增持”，且评级维持不变 [5] 核心观点 - 本周核心观点是持续关注AI医疗相关投资机会，认为腾讯元宝流量增长带来的AI应用端投资机会中，AI医疗作为分支有望受益于行情持续发酵 [2] - 投资逻辑的核心在于“数据闭环”与“场景刚需”，在医保控费（DRG/DIP）与技术奇点（大模型/多模态）的双重驱动下，AI已成为医疗新基建的核心生产力 [2][22] - 未来的竞争核心在于谁拥有独家的、高质量的私有数据，并能通过业务场景实现数据的持续迭代 [2][22] - AI+医疗应聚焦几大核心主线：AI制药因能显著缩短新药研发周期，药企付费意愿最强；AI医学影像是落地最成熟的赛道；AI慢病管理因能降低长期保险赔付，商业价值凸显；AI手术机器人因能解决医疗资源分布不均，具备极强的国产替代逻辑 [2][22] - 2026年年度投资策略强调“政策与产业共振，投资临床价值三段论”，未来医药板块投资应着重于解决医患临床需求的本质逻辑 [3] - 从临床价值三段论出发，看好创新药产业链（包括BD出海加速的创新药及上游CXO）和创新医疗器械（包括创新升级的高端医疗器械和高值耗材） [3][26] 行情回顾 - 上周（1月26日至1月30日）A股医药生物（申万）指数下跌3.31%，跑输沪深300指数3.39个百分点，跑输创业板综指1.19个百分点，在31个申万一级行业中排名第22 [1][15] - 港股恒生医疗健康指数上周收跌2.98%，跑输恒生国企指数4.69个百分点 [1][15] - A股子板块中，跌幅最小的是血液制品（下跌0.99%），跌幅最大的是线下药店（下跌4.83%） [9] - A股个股层面，凯普生物涨幅最大，上涨26.49%；*ST赛隆跌幅最大，下跌22.39% [15] - 港股个股层面，GUANZE MEDICAL涨幅最大，达75.28%；大健康国际跌幅最大，达70.89% [15] 研发与审批进展 - 上周，恒瑞医药的羟乙磺酸达尔西利、信达生物的信迪利单抗、泽璟生物的盐酸吉卡昔替尼新适应症申请上市（NDA） [1][30][31] - 上周，奥赛康的ASKG915临床申请新进承办（IND） [1][31] - 上周，康诺亚的CM512正在进行二期临床；金赛药业的GS3-007a正在进行一期临床 [1][30][33] 重点公司推荐与估值 - 报告重点推荐以下公司：信达生物（H）、益方生物-U、天士力、药明康德（A+H）、普蕊斯、迈瑞医疗、联影医疗、伟思医疗 [3][27] - 重点公司盈利预测与估值详情如下 [4]： - 信达生物（1801.HK）：股价72.15元，2025年预测EPS为0.49元，对应PE为147倍，评级“买入” - 益方生物-U（688382.SH）：股价25.56元，2025年预测EPS为-0.44元，评级“买入” - 天士力（600535.SH）：股价15.10元，2025年预测EPS为0.77元，对应PE为20倍，评级“买入” - 药明康德A股（603259.SH）：股价95.20元，2025年预测EPS为5.07元，对应PE为19倍，评级“买入” - 药明康德H股（2359.HK）：股价98.93元，2025年预测EPS为5.07元，对应PE为20倍，评级“买入” - 普蕊斯（301257.SZ）：股价69.69元，2025年预测EPS为1.39元，对应PE为50倍，评级“买入” - 迈瑞医疗（300760.SZ）：股价189.26元，2025年预测EPS为9.36元，对应PE为20倍，评级“买入” - 联影医疗（688271.SH）：股价129.30元，2025年预测EPS为2.39元，对应PE为54倍，评级“买入” - 伟思医疗（688580.SH）：股价55.42元，2025年预测EPS为1.36元，对应PE为41倍，评级“增持” 行业数据更新 - **医保收支**：2025年1月至11月，基本医保累计收入达26，321亿元，累计支出达21，100亿元，累计结余5，220亿元，累计结余率为19.8% [34][39] - **医药制造业**：2025年1月至11月，医药制造业累计收入为22，065亿元，同比下降2.0%；利润总额同比下降1.3% [51] - **CPI**：2025年12月，医疗保健CPI同比上升1.8%，环比上升0.1%；其中医疗服务CPI同比上升2.9% [60] - **原料药价格**：2025年12月，国内维生素、心脑血管原料药价格基本稳定；抗生素价格涨跌各异 [43][46][48] 近期行业动态 - **带量采购**：1月下旬，浙江省就神经介入通路导管、PICC、输液港、眼科手术用重水等耗材发布省级组团采购征求意见稿；河南省就冠脉介入球囊类耗材发布省际联盟集采征求意见稿 [63][64] - **公司要闻**：上周（1月26日至1月30日）重要公司公告包括：百普赛斯递交H股上市申请、鱼跃医疗和三鑫医疗产品获欧盟MDR认证、东诚药业肝素钠原料药通过美国FDA检查、新诺威与阿斯利康签署战略合作等 [29]

行业核心观点 - 2026年是物理AI脱离屏幕AI的关键元年 机器人产业对标“智能手机+自动驾驶”混合体 投资应遵循“智能层>协同层>硬件层”新范式 聚焦核心能力与生态构建 [1] - 人形机器人产业的核心矛盾是“智能赤字” 产业核心是具身智能 价值关键在服务能力差异化 具身智能大脑为核心护城河 [2] - 数据是具身智能时代堪比锂矿的核心资源 采集与高效生产能力决定模型上限 数据产业链成为核心投资方向 [3] 产业发展阶段对标 - 2026年人形机器人的发展节点对标2012-2014年的新能源汽车 二者均依托成熟大规模制造业与AI算法跃迁 [1] - 当前人形机器人产业阶段对标2012年新能源汽车 政策推动、资本热度空前 与彼时Model S落地后的新能源车特征相似 但商业模式闭环尚未形成 [1] - 新能源汽车产业在2008-2020年的核心是攻克动力电池物理化学极限 中国依托规模效应实现电池成本大幅下降 奠定“电池为王”的硬件投资逻辑 [2] 产业本质与投资逻辑演变 - 人形机器人与新能源汽车产业存在阶段对标性但产业本质相异 智能是前者堪比新能源动力电池级别的核心产业锚点 [2] - 硬件投资逻辑仅具阶段性正确性 硬件本体将随供应链大幅度降本快速商品化 [2] - 硬件与智能形成“智能定义硬件 硬件反哺智能”的正向循环 硬件迭代方向由智能需求动态定义 2026年核心硬件仍有较大迭代空间 [2] 数据资源的核心地位与挑战 - 具身智能面临严峻的物理AI数据瓶颈 VLA模型所需万亿级物理交互数据与现有百万级公开数据集差距悬殊 本体感受数据的匮乏为最大挑战 [3] - 行业内企业正通过数采中心、VR遥操作、动作捕捉等方式争夺数据开采权 但这类高价值数据目前获取成本高、效率低 [3] - 数据工厂是机器人智能体的核心起跑线 能低成本、高效率搭建大规模遥操作数采流水线的企业将构筑深厚护城河 形成“数据-能力-订单”正循环 [3] 技术加速与投资方向 - 仿真技术与合成数据成为数据生产的重要加速器 英伟达Isaac Lab及合成数据初创公司已率先布局 [3] - 投资层面 除硬件铲子股外 数据采集服务商、仿真平台生态伙伴、场景运营方等数据产业链“矿产公司”是值得关注的潜在受益标的 [3] - 投资应聚焦具备数据闭环和场景能力的本体公司(机械+汽车) 其次是具备数据场景和元宇宙领域相关企业(计算机覆盖) 最后是优质零部件企业 [1]

文章核心观点 - 国内外医疗公司持续布局AI产品与服务，涵盖健康管理、AI精准医疗、AI数字化临床实验、AI制药、AI测序、AI医疗影像等多个产业链环节 [4] - AI医疗正从技术验证迈向商业兑现，投资逻辑核心在于“数据闭环”与“场景刚需”，在医保控费（DRG/DIP）与技术奇点（大模型/多模态）的双重驱动下，AI已成为医疗新基建的核心生产力 [4] - 未来竞争核心在于谁拥有独家的、高质量的私有数据，并能通过业务场景实现数据的持续迭代 [4] - 场景刚需决定支付意愿，在医保控费背景下，需关注能帮医院“省钱”或帮药企“赚钱”的AI应用 [4] - AI+医疗应聚焦几大核心主线：AI制药（药企付费意愿最强）、AI医学影像（落地最成熟）、AI慢病管理（商业价值凸显）、AI手术机器人（国产替代逻辑强） [4] AI+医疗核心主线与代表公司 - **AI制药类**：代表公司包括晶泰控股、泓博医药、成都先导、英矽智能等 [5] - **AI医学影像类**：代表公司包括联影医疗（联影智能）、万东医疗、金域医学、迪安诊断、润达医疗等 [5] - **AI健康管理类**：代表公司包括美年健康、医脉通、梅斯健康、鱼跃医疗、三诺生物等 [5] - **AI诊疗类**：代表公司包括固生堂、京东健康、阿里健康、平安好医生等 [5] - **AI手术机器人类**：代表公司包括微创机器人、精锋医疗等 [5] 重点公司分析 - **晶泰控股**：核心壁垒在于“量子物理计算+AI算法+机器人实验”构建的技术护城河 [5]；商业模式从Biotech演进至CRO+，通过提供药物发现服务收取首付款及里程碑费用，规避全自研管线高风险，同时通过孵化Biotech子公司保留高成长权益 [5]；在药企普遍寻求降本增效背景下，作为研发基础设施的价值将持续重估 [5] - **联影医疗**：国内医学影像设备龙头，具备全球竞争力 [5]；是AI全栈赋能的先行者，将AI植入CT、MR等设备的底层信号处理链条中，以提升成像水平、缩短检查时间、减少辐射剂量、简化操作流程为目标 [5]；其子公司联影智能拥有行业领先的智能医疗大模型，AI是实现技术超车和溢价的关键工具 [6] - **鱼跃医疗**：在家用呼吸机、血氧血糖、可穿戴血压计领域利用AI算法分析用户健康需求 [6]；其医疗级的院外数据是医生进行慢病长期管理的依据 [6]；随着人口老龄化，呼吸与心血管慢病管理成为刚需，公司作为家用医疗器械龙头具备极强的用户粘性 [6] - **微创机器人**：不仅在硬件上对标达芬奇，更在AI软件端实现了差异化突围 [6]；结合中国5G基建优势和AI算法预测优势，使得跨越数千公里的远程手术常态化，解决了医疗资源分布不均痛点 [6]；随着国家大型医用设备配置证松绑及多地将机器人手术纳入医保支付，国产手术机器人迎来大规模商业化，公司作为全赛道龙头具备最强的国产替代能力 [6]

文章核心观点 - 智能驾驶行业已从技术验证的浪漫期进入规模化与商业化并重的攻坚期 行业竞争的本质是在技术、数据、商业与生态之间找到平衡 能够穿越周期的幸存者普遍具备五大特征 [2][4][20] - 规模化装车量是现阶段生存与竞争的核心法则 它决定了数据积累、商业话语权及盈利模式的转型 [2][4][11] - 数据是驱动行业未来发展的核心燃料 构建高效、低成本的数据闭环能力比算法模型本身更具竞争力 [7][8][21] - 行业盈利模式正从一次性硬件销售转向软件加服务订阅 而这一转型成功的前提是拥有足够庞大的装车量作为基础 [14][16][17] 行业阶段与竞争本质 - 行业已从技术验证的浪漫期 硬着陆进入规模化与商业化并重的攻坚期 [4] - 行业竞争的本质演变为在技术、数据、商业与生态之间找到平衡 [2] - 城区NOA的前装渗透率预计在2025年底突破10% 进入规模化拐点 市场正从高端车型快速下沉至10万至20万元主流价位 [4] - 城区NOA的竞争是第三方供应商与车企自研体系在技术、量产、成本与数据闭环能力上的全方位较量 [11] 规模化装车量的核心地位 - 装车量是关键 没有车就没有数据 没有数据算法便无法在真实世界中进化 [4] - 装车量等于话语权 是与客户谈判的核心筹码 也是技术实力与商业能力的双重信用背书 [10][11][13] - 装车量是商业模式转型的前提 只有达到一定阈值才能推动从卖硬件到卖服务的订阅制模式 [14][17] - 元戎启行通过深度绑定长城、吉利等主流品牌的畅销车型实施车海战术 截至2025年其城市NOA系统累计交付超20万套 2025年10月单月在第三方城区NOA供应商市场份额逼近40% [2][4] 数据驱动的行业范式 - 智能驾驶行业已进入AI大模型驱动阶段 技术范式发生根本变革 [7] - 数据闭环的效率已超越算法模型本身 成为更核心的竞争力 无法构建此能力的公司将迅速落后 [7][21] - 获取数据洪流主要有两条路径：前装量产车的群众路线与特定场景运营的精英主义 两者共同指向构建高效、低成本、自动化的数据闭环系统 [8] - 元戎启行押注前装量产路线 其纯视觉与无图化技术选择旨在降低单车成本并摆脱对高精地图的依赖 以在最广阔真实的场景中收集数据 [9] 盈利模式转型：从硬件到服务 - 行业共识在于必须从一次性硬件销售转向软件加服务订阅 并探索未来基于自动驾驶的出行服务运营 [14][16] - 卖硬件的模式面临挑战 例如需要100万台车才能摊薄7纳米芯片上亿美金的流片成本 [16] - 卖服务的订阅模式逻辑在于以前期合理的硬件价格确保方案大规模上车 再通过持续软件升级获得长期收入 [16] - 订阅模式成功的前提是足够庞大的装车量 用以摊薄成本、积累数据驱动迭代飞轮以及培育用户习惯与商业生态 [17] 穿越周期幸存者的五大特征 - **特征一：拥有可闭环的数据流与迭代能力** 公司的价值取决于能否构建一个从数据采集到部署上车的低成本、高速运转的飞轮 [21] - **特征二：技术路线与商业路径协同** 技术选择必须为商业模式服务并能在市场中验证 元戎启行的纯视觉、无图化路线降低了成本 使其方案能快速适配10万至20万元主流车型 [22][23] - **特征三：具备健康的现金流或明确的盈利路径** 幸存者必须证明自己能赚钱或看到清晰路径 装车量带来的量产订单收入是关键 并为订阅制铺平道路 [24] - **特征四：在产业生态中找到不可替代的生态位** 避免与巨头正面竞争 在价值链特定环节建立深度优势 元戎启行作为独立第三方全栈解决方案供应商 专注于算法与软件 以开放姿态与主流车企合作 [25] - **特征五：具备产品规模化交付能力** 能够跨越从实验室原型到稳定交付成千上万用户产品的工程化鸿沟 元戎启行在2025年实现单月城区NOA搭载量跻身行业第一 证明了此能力 [26]

行业阶段与核心生存法则 - 智能驾驶行业已从技术验证的浪漫期，进入规模化与商业化并重的攻坚期，活下去成为最大难题 [2] - 行业竞争的本质是在技术、数据、商业与生态之间找到平衡 [2] - 数据是未来燃料，装车量即话语权，成为行业现阶段的真正生存法则 [2][3] 规模化装车量的战略意义 - 装车量是关键，没有车就没有数据，算法无法在真实世界进化 [3] - 城区NOA前装渗透率预计在2025年底突破10%，进入规模化拐点 [3] - 元戎启行累计交付超20万套城区NOA系统，2025年10月单月在第三方供应商市场份额逼近40% [2][3] - 规模化数据积累比短期品牌溢价更具长期战略价值，能形成“更多车→更好用→更多订单”的增长飞轮 [4][10] - 装车量是供应商技术实力与商业能力的双重信用背书，影响与车企的谈判话语权 [9] - 足够的装车量是摊薄高昂研发与芯片成本、探索“软件+服务”订阅盈利模式的前提 [10][11] 技术路线与商业路径协同 - 元戎启行坚持“纯视觉”和“无图化”路线，以适配主流市场对性能与成本的严苛要求，实现方案大规模上车 [5][14] - 该技术路线降低了单车硬件成本和对高精地图的依赖，使其方案能快速适配10万至20万元主流价位车型 [7][14] - 技术选择必须彻底服务于数据获取的效率，摆脱对预制地图的依赖以在最广阔真实的场景中学习进化 [7] 数据驱动的行业范式变革 - 智能驾驶行业已进入“AI大模型驱动阶段”，数据闭环的效率已超越算法模型本身，成为更核心的竞争力 [6][14] - 通往真正无人驾驶必须通过大规模量产车辆在真实道路上积累的数据洪流来驱动 [5][6] - 获取数据洪流主要裂变为两条赛道：前装量产车的“群众路线”与特定场景运营的“精英主义” [6] - 高效、低成本、自动化的数据闭环系统直接决定了算法迭代的节奏和商业化的步伐 [7] 市场竞争格局与生态位 - 城区NOA竞争是第三方供应商与车企自研体系的全方位较量 [8] - 以“华元魔”（华为、元戎启行、Momenta）为代表的头部玩家凭借从研发到量产交付的完整闭环，形成三足鼎立格局 [8] - 元戎启行作为独立第三方全栈解决方案供应商，专注于算法与软件迭代，以开放姿态与主流车企合作，找到了不可替代的生态位 [16] - 公司深度绑定长城、吉利等销量庞大的主流品牌，采取“走量优先”策略 [3][9][16] 商业模式转型：从硬件到服务 - 行业共识是从“一次性硬件销售”转向“软件+服务”订阅制，并探索未来基于自动驾驶的出行服务运营 [10][11] - “卖硬件”模式面临成本与售价的脆弱平衡，例如需要100万台车才能摊薄7纳米芯片上亿美金的流片成本 [11] - “卖服务”订阅模式的前提是足够庞大的装车量，以摊薄成本、积累数据、培育用户习惯与商业生态 [11][12] - 规模化交付正在为整个行业跑通订阅服务进行压力测试 [12] 穿越周期幸存者的关键特征 - 拥有可闭环的数据流与迭代能力，数据闭环效率是比算法模型更核心的竞争力 [13][14] - 技术路线与商业路径高度协同，技术选择为商业模式服务并能在市场中验证 [13][14] - 具备健康的现金流或明确的盈利路径，不再依赖融资输血 [13][15] - 在产业生态中找到不可替代的生态位，在价值链特定环节建立深度优势 [13][16] - 具备产品规模化交付能力，跨越从原型到稳定量产产品的工程化鸿沟 [13][16]

报告行业投资评级 * 报告未明确给出统一的行业投资评级，但在投资建议章节中明确看好AI医疗从技术验证迈向商业兑现的产业周期，并提出了具体的投资主线与标的[57] 报告的核心观点 * AI医疗正从技术验证迈向商业兑现，投资逻辑的核心在于“数据闭环”与“场景刚需”[57] * 在医保控费（DRG/DIP）与技术奇点（大模型/多模态）的双重驱动下，AI已成为医疗新基建的核心生产力[57] * 未来的竞争核心在于谁拥有独家的、高质量的私有数据，并能通过业务场景实现数据的持续迭代[57] * 场景刚需决定支付意愿，应聚焦于能帮医院“省钱”或帮药企“赚钱”的领域[57] * 商业化博弈的关键在于设计利益共担机制（如按效果付费），打破“医院出钱、医保省钱”的死循环，将技术红利转化为现金流[12] 根据相关目录分别进行总结 第一章：复盘 * **2025年初行情回顾**：国内外AI医疗概念股普涨，美股行情侧重于健康管理（订阅制）和AI数字化临床实验领域，国内有相关映射标的涨幅较大[8] * **2026年初行情分析**：国内AI医疗概念股普涨，行情发酵侧重点与2025年初不同，美股AI制药与AI测序领域涨幅分化明显，A股和港股相关个股投资情绪高涨[10] * **具体领域表现**： * **AI制药**：结合机器学习、计算化学和自动化实验进行药物设计，优化新药研发流程[10] * **AI测序**：基于AI技术提高测序准确性和效率，实现疾病早期筛查和诊断[10] * **AI医学影像**：利用AI和计算机视觉技术提升影像诊断效率和准确性[10] 第二章：AI+药物研发 * **行业痛点**：传统新药研发平均需要超过10年时间、超过10亿美元投入，临床整体成功率低于10%[23] * **AI赋能价值**：将AI技术应用于药物研发各环节，可显著缩短研发周期、降低研发成本、提升研发成功率和投资回报率[28] * **主要参与阵营**： * **IT巨头**（如英伟达、谷歌）：提供算力基础设施和底层大模型，商业模式为提供云服务、算力租赁、模型API[27] * **AI Biotech**（如Recursion、晶泰科技）：拥有垂直领域算法和自动化实验室，商业模式为卖服务(CRO)或自研管线(Biotech)[27] * **传统药企**（如辉瑞、罗氏、礼来）：拥有海量私有数据和临床开发经验，通过“AI+内部研发”或收购/合作AI初创公司布局[27] * **变现模式探讨**： * **软件授权(SaaS)**：向药企出售AI软件账号或计算平台使用权，收入稳定、毛利高，但天花板低[29] * **技术服务(CRO)**：首付款+里程碑销售分成，现金流好，风险与药企共担，是目前最主流的稳健模式（如晶泰科技）[29] * **自研管线(Biotech)**：自己做药，推进至临床阶段后上市销售或License-out，爆发力强但烧钱快、临床失败风险高[29] * **付费方分析**：大型药企付费动力极强（★★★★★），面临“专利悬崖”，愿意为能显著缩短研发周期的技术支付高溢价；Biotech公司付费动力中等（★★★☆☆），更倾向于采购结果导向的CRO服务[29] 第三章：AI+医学影像 * **发展阶段**：成熟度最高的AI医疗应用，正从1.0时代迈向2.0时代[31] * **1.0时代**：AI在肺结节、乳腺疾病等多个病种的辅助诊断中已取得突破，在CT、MR、超声领域的渗透率迅速提升[31] * **2.0时代**：大模型展现出惊人的零样本分割能力（如Meta分割大模型），并能结合多模态信息增强对医学语言的理解（如Google Med-Gemini）[32] * **主流盈利模式**： * 销售AI影像诊断解决方案给医院或体检机构（一次性买断或订阅付费）[36] * 为医院提供影像数据的收集和标注服务[36] * 向影像设备厂商进行智能算法授权[36] * 提供基于AI的影像增强技术[36] * **变现模式探讨**： * **卖软件(SaaS)**：在中国市场较难走通，医院付费意愿低，难以获得独立收费编码[37] * **卖设备(捆绑)**：将AI作为高端设备的功能提升硬件溢价，是联影、迈瑞等设备厂商的主流模式[37] * **卖服务(按次收费)**：获得医疗服务收费编码后按例收费，如美国IDx-DR软件模式[37] * **未来趋势推演**：AI将成为医疗设备的“操作系统”，未来的影像设备将是自带诊断能力的智能终端；算法壁垒降低，能低成本触达医院并嵌入医生工作流的企业将获得市场份额[37] 第四章：AI+诊疗 * **AI核心职能**：在诊疗流程中充当医生的“AI分身”[39] * **诊前**：智能分诊与信息收集，渗透率最高，能精准识别患者诉求并完成结构化病史采集[39] * **诊中**：辅助决策与自动病历书写，释放医生精力并提供诊疗建议[39] * **诊后**：全周期健康管理，进行7×24小时诊后随访、用药跟踪和康复指导，显著提高管理效率和患者依从性[39] * **发展难点**：医保支付难覆盖，医保对线上B2C模式准入持谨慎态度；医院历史病历数据存在“孤岛”问题，获取难度大[40][41] * **发展优势**：降本增效(ToB)，利用“AI分身”替代部分医生人力以降低运营成本；提升用户留存与精细化运营，挖掘存量用户价值，促进药品与健康服务的二次转化[41][42] 第五章：AI手术机器人&健康管理 * **AI手术机器人**：正处于从“半自动化/智能化”迈进的关键阶段，在术前规划（如三维重建）和术中导航（结合AR技术）方面价值显著；国内企业（如微创机器人）正通过“AI+5G远程手术”实现弯道超车，有望解决医疗资源分布不均的痛点[44] * **AI健康管理（慢病管理）**： * **核心逻辑**：AI将慢病管理从“千人一面”的被动医疗转变为“千人千面”的主动健康服务[45] * **生态联动与变现**：平台型AI（如蚂蚁阿福）正打通监测-干预-支付闭环，通过接入设备数据、利用AI提升用户粘性，并与支付生态、保险结合，实现“医+药+险”一站式体验，跑通可持续商业路径[45] * **C端推广潜力**：AI Agent（如蚂蚁阿福）有望成为7x24小时个人健康助理；商业闭环与保险控费深度绑定（如“带病体保险”）；生态呈现分工，硬件厂专注数据采集，平台方提供流量与触达[47] * **具体公司案例**： * **三诺生物**：聚焦AI+糖尿病管理，其“糖尿病专科智能体”集成多种功能，成为医生助手；数据已接入蚂蚁健康档案[48][49] * **鱼跃医疗**：将传感器技术与自研AI算法融合，其“安耐糖”产品通过AI赋能实现连续血糖监测与趋势预测[50][51] 第六章：投资建议 * **看好方向**：AI制药、AI医学影像、AI慢病管理、AI手术机器人[57] * **AI制药**：因能显著缩短新药研发周期，药企付费意愿最强[57] * **AI医学影像**：是落地最成熟的赛道[57] * **AI慢病管理**：因能降低长期保险赔付，商业价值凸显[57] * **AI手术机器人**：因能解决医疗资源分布不均，具备极强的国产替代逻辑[57] * **具体标的推荐**： * **AI制药类**：晶泰控股、泓博医药、成都先导、英矽智能等[58] * **AI医学影像类**：联影医疗、万东医疗、金域医学、迪安诊断、润达医疗等[58] * **AI健康管理类**：美年健康、医脉通、梅斯健康、鱼跃医疗、三诺生物等[58] * **AI诊疗类**：固生堂、京东健康、阿里健康、平安好医生等[58] * **AI手术机器人类**：微创机器人、精锋医疗等[58] * **重点公司分析**： * **晶泰控股**：核心壁垒在于“量子物理计算+AI算法+机器人实验”；商业模式从Biotech向稳健的CRO+演进，通过提供药物发现服务收取首付款及里程碑费用，同时孵化Biotech子公司保留高成长权益[58] * **联影医疗**：国内医学影像设备龙头，是AI全栈赋能的先行者，将AI植入设备底层信号处理链条；其子公司联影智能拥有行业领先的智能医疗大模型[59] * **鱼跃医疗**：家用医疗器械龙头，利用AI算法分析用户健康数据，在呼吸与心血管慢病管理领域具备强用户粘性[59] * **微创机器人**：在硬件对标达芬奇的同时，于AI软件端实现差异化突围，结合5G与AI算法推动远程手术常态化[59]

市场格局与规模 - 2025年1-11月，中国搭载城市NOA功能的乘用车累计销量达312.9万辆，渗透率占乘用车上险量的15.1%，较2024年全年提升5.6个百分点 [1][3] - 第三方供应商市场呈现“双强”格局，Momenta和华为合计占据第三方供应商市场份额约八成 [1][3] - 2025年1-11月，Momenta城市NOA搭载量为41.44万辆，占第三方供应商比例约61.06%；华为HI模式搭载量约13.41万辆，占第三方供应商比例约19.76% [3] - 搭载城市NOA的乘用车销量中，自主品牌销量达253.73万辆，占比81.1% [4] 竞争主体与模式 - 市场呈现车企自研与第三方合作的“双轮驱动”格局，多数车企选择与第三方供应商合作以抢占市场先机 [3] - Momenta覆盖国内主流乘用车企业，全球排名前10大车企中有8家与其合作 [3] - 华为通过HI模式与企业强绑定 [3] - 合资品牌如奔驰、宝马、奥迪、凯迪拉克、别克、丰田等通过与中国头部智驾供应商合作落地城市NOA功能 [4] - 第三方技术供应商为全球智能驾驶产业提供“中国方案”，吸引德、美、日、韩等国家知名汽车品牌与中国科技企业深度合作 [4] 核心竞争要素 - 算法、数据闭环能力以及规模化量产经验是决定辅助驾驶供应商市场地位与发展速度的核心要素 [4] - 规模化量产的成功经验为技术方案迭代提供资源，并为巩固和扩大市场份额奠定基础 [4] - 行业发展从早期单一技术指标比拼，转向涵盖产品体验、技术上限高度、规模化能力的综合能力竞争 [7] - 头部玩家凭借先发优势，构建“算法、数据闭环、规模化量产”的体系化闭环，使解决方案具备强大的“可复制性”，能快速适配不同品牌和平台的新车型 [7] 技术发展趋势 - 城市NOA正推动技术路线、核心架构与产业生态发生系统性变革：应用场景从高速NOA向城市NOA延伸；技术以端到端大模型为核心，推动系统架构向一体化深度重构；产业加速车路云协同与法规标准体系成熟 [5] - 端到端大模型已成为NOA辅助驾驶技术迭代的核心引擎，推动行业从分模块架构向感知规划端到端一体化转型，并升级安全体验 [5] - 华为乾崑智驾采用的全新一代架构WEWA是典型的生成式端到端，通过“云端世界引擎+车端世界行为模型”协同，可高效输出车控轨迹并提升长尾场景适配能力 [5] - 造车新势力通过全栈自研构建技术壁垒，部分领先企业已实现一段式端到端量产 [6] - Momenta以“强化学习+端到端架构”为核心技术路线，其R6强化学习大模型作为国内首个在端到端基础上实现量产落地的强化学习大模型，已于2025年第三季度正式量产上车 [6] - 随着多模态模型与端到端技术融合及算力平台升级，基于强化学习的端到端大模型能进一步突破长尾场景处理瓶颈，提升驾驶安全体验 [6]

百度自动驾驶技术架构 - 公司采用感知大模型与规划大模型相结合的架构 [2] - 系统采用端到端联合训练方式，从原始传感器时序数据直接到油门和转向控制输出 [3][5] - 联合训练确保感知部分的中间态数据以模型自身可理解的隐式数据空间形式，携带最佳信息丰度和准确度进入决策规划网络 [5] 端到端联合训练的具体实现 - 在端到端联合训练前，感知和规划分模型的独立训练与调整仍是必要的，以确保中间态数据符合人类对感知结果的判断标准 [5] - 联合架构中保留了感知网络的Decoder（如道路结构decoder、障碍物decoder）以及“显示三维向量空间”，以增加模型的可读性、可监督性和问题可追溯性 [5] - 规划侧切割出一个局部视图，用于处理更精细的规划任务 [6] 感知结果与决策规划的融合 - 显式的感知结果（人类独立训练下的感知输出，如道路参与目标状态和道路状态目标）与隐式的BEV特征数据一同被送入决策规划网络 [8] - 决策规划网络对显式三维向量空间进行Encoder编码，然后与隐式BEV数据联合送入Transformer模型 [8] - Transformer模型用于在大量数据间挖掘隐藏关系，寻找最佳轨迹匹配 [8] 系统整体方案 - 公司构建了包含数据闭环的系统解决方案 [9][10] - 系统解决方案涵盖感知系统与计算平台 [11] - 方案采用了全维冗余设计以提升系统可靠性 [13]

海外市场战略 - 海外市场采用“本地化服务+轻资产运行”模式，核心目标是提升品牌影响力与市场份额，实现业务规模化与可持续发展 [2] - 海外拓展区域优先级明确：非洲为第一优先级，已设立服务网点；俄罗斯及中亚为第二优先级；南美为第三优先级；澳大利亚等成熟市场为第四优先级 [3] - 针对“中资海外”与“本土外资”两类客户群体提供差异化服务：对中资企业派驻技术团队、布局区域仓储中心；对外资企业构建本地化服务保障体系以突破市场壁垒 [2] - 海外业务毛利率显著高于国内业务，定价坚持价值竞争，凭借高性价比与快速响应服务获取订单 [4] “一体两翼”核心战略 - “一体”指高端智能装备研发制造，是公司发展的根基与技术源泉 [5] - “两翼”之一为运维服务，战略权重持续提升，重点是通过智能化实现主动运维，增强客户粘性 [5] - 另一“翼”为资源投资，现阶段以参股中小型金、铜矿山为主，旨在投资拉动装备销售与运营服务，并获取工业试验场景 [5][10] - 资源投资坚持“聚焦与稳健”原则，仅聚焦金、铜品种，投资阶段选择已完成勘探的“短平快”项目，不介入早期勘探 [10] 业务模式与协同 - 生产性承包运营分为两种模式：为大型矿业集团提供专业化运维服务；通过参股为中小型矿山提供全流程资金、技术及运营管理服务 [6] - 通过参股矿山实现“设备+服务+投资”的业务协同，并获取全流程数据闭环，反哺装备主业的技术创新与迭代 [6][11] - 参股矿山的数据闭环能精准定位设备性能短板以驱动研发，并基于真实数据优化维保方案、支撑智能预测性维护 [11] 产品竞争力与市场应用 - 公司核心装备综合性能与国际一流品牌的差距已大幅缩小，部分产品线有差异化优势，且产品开发响应速度更快 [7] - 凭借产品品质与快速服务，公司已在美国等重要市场赢得客户积极评价，并获得重复采购及备件替代需求 [7] - 产品主要应用于矿山选矿作业及大型工程骨料生产，暂无计划拓展至地铁隧道场景 [7] - 公司具备建筑固废处理技术能力，但因国内商业模式不成熟，未作为当前战略重点，将持续关注海外该领域 [8] 核心优势与挑战 - **核心优势**：资金保障充足，银行贷款额度充足且成本低；战略路径清晰，契合行业趋势；产品与服务具备竞争力；模式创新兼具灵活性与可持续性 [13] - **主要挑战**：人才团队不足，矿山运营、地质勘探、跨文化管理等专业人才短缺；全球品牌影响力相较于国际知名品牌仍较薄弱；海外本地化运营能力仍需强化 [13] - **应对措施**：加大核心人才招聘与培养；以美国、非洲市场为核心，通过优质产品与服务积累口碑以提升品牌；深入研究区域政策与文化，吸纳本地人才以优化本地化服务 [13] 战略转型背景与行业趋势 - 战略转型基于对市场环境的研判：国内骨料市场竞争激烈，而全球矿业市场伴随中资出海呈现结构性机遇 [12] - 行业趋势提供支撑：金属价格处于较好区间刺激资本开支；中资企业海外矿业投资已成趋势；中国高端装备全球竞争力增强，国产替代路径延伸至海外 [12]

文章核心观点 - 当前自动驾驶行业所宣称的“数据闭环”大多停留在算法团队内部的“小闭环”，距离能够“数据直接解决问题”的“大闭环”或“真闭环”仍有显著差距 [1] - 实现“真闭环”需要满足问题发现自动化、解决效果可量化可复盘、投入产出可评估等多层要求，而目前行业普遍存在被动闭环、归因困难、链路断裂、组织结构制约等典型断点 [4][5][7][18] - 一套有效的实践方案是：从量化真实世界的“体感指标”出发，通过轻量高召回的车端触发机制、代码级统一的触发与验证体系、结合大模型的自动问题分类与分发，构建一个可演进的数据闭环系统 [24][25][41][43] - 未来的发展方向在于通过端到端架构和闭环仿真/世界模型等技术，降低解决每个问题的边际成本，使数据驱动从口号变为可规模化复制的基础设施 [84][85][88] 行业现状：理想与现实之间的差距 - **理想中的“真闭环”定义**：至少需要满足三层：1) 问题发现自动化，系统能从海量数据中自动发现异常行为并形成数据集；2) 解决效果可量化、可复盘，能持续追踪问题频率是否下降、是否引入新问题；3) 投入产出可评估，能判断每次数据、算力、开发投入是否值得 [4][5][7] - **行业普遍实践**：多数厂商的“数据闭环”实质是“数据驱动的研发流程加一些自动化工具”，且局限在单个算法团队的“小闭环”视角 [8] - **典型小闭环流程**：线上触发/抽取 → 清洗与标注 → 训练/回归 → 上线与监控，这更多是模块级、算法视角的闭环，而非系统级闭环 [9][13] 实现“真闭环”的主要挑战与断点 - **起点被动**：大量问题仍依赖司机反馈、运营投诉、领导试驾或人工刷录像等被动方式发现，是“问题驱动数据”，而非“数据自动发现问题” [10] - **归因困难**：同一现象（如急刹）背后常是感知、预测、规划、控制等多模块高度耦合的原因，缺乏体系化诊断工具，导致责任难以界定，效率低下 [12][15] - **链路不完整**：许多团队的闭环止步于“数据到模型”，即关注离线技术指标提升，但未追踪是否解决了哪个具体的线上真实业务问题 [16] - **自动化程度有限**：从问题发现、标注、训练、评估到上线的全流程中，人工干预环节仍占大头，系统更像高度自动化的生产线，而非可自我决策的“自愈系统” [17][21] - **组织架构制约**：感知、预测、规划、控制、地图等团队以及Tier1、整车厂等各方边界分明，OKR各异，导致系统级闭环被组织结构天然拆散 [18][22] 一套具体的数据闭环实践方案 - **核心理念**：从“体感指标”出发，用Trigger（触发器）把世界离散成token，再用大模型（LLM）做分类和路由，最后用统一代码串起“发现”和“验证” [25] - **量化真实痛点**：将急刹、接管、大幅转向等用户有感的“体感指标”作为第一公民，要求100%记录，并沉淀为“每万公里急刹车率”等可统计指标 [26][27][28] - **车端轻量触发机制**：在算力受限（如单颗Orin X）条件下，设计高召回、低开销的micro log机制，一旦发生疑似事件（如急刹），即打包关键状态信息上传，宁可多报，不能漏报 [30][32][33] - **云端验证与数据拉取**：云端对micro log进行规则/模型过滤，确认可信后，再下发任务拉取包含更多中间结果和短视频的mini log，实现按需、分层的数据上传，避免带宽浪费 [34][35][38][39] - **代码级统一**：将定义问题的Trigger逻辑代码在车端实时挖掘、云端历史数据挖掘、仿真验证评价三个场景中统一，确保从发现问题到验证修复的语义一致，无实现偏差 [41] - **问题自动分发体系**：将Trigger体系视为领域专用的tokenizer，将原始数据流转化为高层语义事件序列（token），再文本化后输入大模型，由大模型作为时序分类器进行根因归因和团队路由 [43][45][47] - **持续学习闭环**：利用研发人员在问题系统中真实的“改派”行为作为弱监督标签，持续回流训练大模型分类器，使其在真实业务分布下越用越准 [49] - **降低规则编写门槛**：所有Trigger逻辑用纯Python实现并统一接口，配合详细的文档和示例，并利用大模型辅助，让测试、运营等非算法人员也能用自然语言描述需求并生成可微调的Trigger代码 [50][54][55] - **量产环境解耦**：将数据挖掘Trigger设计为可云端下发的“配置”或运行在车端沙箱中的脚本，使其与主算法版本解耦，能灵活、快速地响应突发场景（如大雪天）的数据挖掘需求，而不影响系统安全与稳定性 [56][57] 数据管理与使用的关键见解 - **区分标签类型**：严格区分“世界标签”（如天气、道路类型、交通参与者数量）和“算法标签”（如感知框抖动、规划重规划频率），前者用于精细场景筛选，后者用于算法归因调参 [60][61] - **向量检索的正确用法**：向量检索适合作为“精筛”工具，而非“粗筛”主力面对海量数据时，应先用结构化标签规则过滤掉80%-90%的无关系数据，缩小范围后，再用向量检索进行语义级细筛，以提升效率和精度 [62][63][64] - **生成式/仿真数据的定位**：主要用于补充现实中难以凑齐的长尾场景训练数据（如临时路障、路面坑洼），以扩大模型“见世面”但最终用于评测和放行的评测集必须坚持使用真实数据，因为无法完全模拟真实世界 [66][67][69] - **监控模型副作用**：在引入生成数据提升召回时，需警惕误检（FP）在未知场景下恶化的风险采用对两个版本进行逐帧全量结果差分的方法，系统性监控差异模式，评估“涨得干不干净”，而不仅仅看召回率涨幅 [70][74][77] 未来展望与演进方向 - **当前本质**：现有体系更接近一个“Bug-Driven开发体系”，核心是更快、更准、更系统地发现、量化和跟踪具体问题（bug） [77][80] - **现存卡口**：当前主要瓶颈已从“发现问题”侧，转移到“谁来解决问题、怎么解决问题”侧，受限于人工标注成本、仿真验证的可信度以及研发人员带宽等刚性约束 [81][82][86] - **积极方向**：端到端/模仿学习架构的兴起，通过直接对齐人类驾驶行为，绕开了中间真值难标的问题；同时，闭环仿真/世界模型的快速发展，旨在让“在仿真里充分暴露问题、充分迭代”更接近真实世界 [84][87] - **最终目标**：通过降低解决每个问题的边际成本，并结合在Trigger体系、自动分类等工程实践上的积累，使“数据驱动”从口号变为一套能持续运行、可核算、能规模化复制的基础设施 [85][88]