图灵提出“机器能否思考”的哲学命题，但未形成系统研究框架。 ◆1997 年 — —深蓝胜利： IBM 超级计算机击败国际象棋冠军，体现专用 Al 的突破，但通用智能仍未实现。 ◆ 2012 年——技术突破的转折点：深度学习崛起， Geoffrey Hinton 团队在 ImageNet 竞赛中以卷积神经网络将错 误率 从 26% 降至 15%, 引发算力与数据驱动的 Al 革命。 ◆ 2016 年—— AlphaGo: 年人工智能元年至今，人工智能的发展历程经历了漫长的岁月，大致可以划分为以下 6 个 阶段 一、人工智能发展简史了解 互联网推动人工智 能不断创新和实用 深蓝战胜国际象棋冠军 BM 提出智慧地球 我国提出感知中 国 深度序习与 大数据兴起 带来了人工 着 能的爆发 物联网 专家系统遍地开花 人工智能转向实用 医疗专家系统 MYCN 任务失败 目标落空 机器翻泽 笑话百出 定理证明 反思 、上市圈钱，你醒来发现银行卡多了 100 亿。 一、人工智能发展简史了解 OpenAl 的 5 级 AGI 量表 二、大模型：人工智能的前沿 2.1 大模型的概念 大模型通常指的是大规模的人工智能模型，是一种基于深度学习技术，具有海量参数、强大的学习能力和泛化 能力，能够处理和生成多种类型数据的人工智能模型 通常说的大模型的“大”的特点体现在：参数数量庞大、训练数据量大、计算资源需求高 2020 年， OpenAl

AI 推向第二个黄金 期 199 0 年 AI 计算机 DARPA 计划失败，政府缩 减投入， AI 进入第 二次低谷 2006 年 Hinton 提出“深度 学习“神经网络使 得人工智能性能获 得突破性进展” 2013 年 深度学习算法在语音 和视觉识别上识别率 显著提升，进入感知 智能时代 2016 年 AlphaGo 战胜人类 围棋冠军， AI 关 注 度空前提升 2022 年 硬件奠基，算法发展，数据积累 算法框架：逻辑回归、朴素贝叶 斯 .... 特征工程 + 算法 推荐系统 输入法 可解释但依赖人工经验输入 深度学习 2010-2020 硬件发展，大规模数据，算法突破 推荐系统 人脸识别 算法框架：深度神经网络、卷积神经网络 自动进行特征学习，端对端训练，有监督 在特定场景效果好，但需要根据 不同任务训练不同的模型，泛化 能力差 生成式 AI 应用创新 发布《卫生健康行业人工智能应用场景 参考指引》从四大领域给出 84 个应用 场景。 《上海市发展医学人工智能工作方案 (2025-2027 年 ) 》，旨在促进医学与 人工智能深度融合。 《武汉市促进人工智能产业发展若 干政策措施的通知》，通过算力补 贴、公关专项等方式发展人工智能。 AI 医疗迎来爆炸式发 展 在人工智能（ AI ）技术飞速发展的时代，医疗实验室正迎来一场深刻的变革。

世纪初的传统机器学习阶段，研究者们主要尝试单一或多种机 器学习算法进行中医智能辨证诊断研究；第三个阶段为 21 世纪 10 年代以来的 大数据与深度学习探索阶段，随着大数据技术的成熟、计算机算力的提高和深度 学习等算法的发展，尤其是 2016 年深度学习相关技术崛起后，中医智能辨证诊 断研究又进入了新一轮的中医智能诊断研究高峰。 （1）基于知识与经验推理的阶段 早在 20 世纪 70 盖 病种少以及系统应用率低的问题依然凸显。 （3）大数据与深度学习探索阶段 随着大数据产业和人工智能技术的进一步发展，尤其是神经网络技术的进步， 以深度学习技术为代表的新一轮智能技术浪潮随之而来。2016 年，谷歌公司的 深度学习技术产品阿尔法狗的诞生，拉开了新一轮人工智能技术的序幕。在这一 轮人工智能热潮中，通过深度学习、强化学习、迁移学习等技术手段，极大地推 动了自然语言处理 发展。 这些新技术还在辅助诊断、新药发现等领域发展发挥了重要作用。 在中医药领域，深度学习、迁移学习技术已经广泛应用于中医舌诊、面诊的 5 辅助诊断中应用最为广泛。如北京交通大学胡晓晨团队将深度学习和强化学习结 合运用在续贯诊疗方案优化中，并在冠心病和糖尿病的数据测试中得到了优于传 统深度学习的效果。而以卷积神经网络、循环神经网络等为基础的各类学习技术 在其它领域已经展示了

为“健康中国”插上智慧的翅膀 图 1-1 智慧健康医疗的定义 基于该重大项目的研究成果，智慧健康医疗被定义为现代数智 科技赋能的最优化大健康生态体系。这个健康生态体系将现代数字 化、智能化科技手段集成应用并深度融合于健康医疗实践，通过全 要素、全流程、全链条的系统优化，实现覆盖全人群、全生涯、全 维度的全域照护，最终实现优质、高效、经济、可及的价值医疗。 智慧健康医疗的核心是健康医疗实践。数字化、智能化科技是 了数字经济的内涵与边界，形成了以数字技术为支撑、以数据为生 产要素的新产品、新服务、新模式和新业态，促进社会经济向数字化、 网络化、智能化转变。 自 2008 年全球金融危机发生以来，世界经济长期在进行深度调 整，经济增长持续放缓，多重压力不断释放，国际经济政治格局加 速演变。此外，2020 年初暴发的新型冠状病毒肺炎疫情，显著影响 中国智慧健康医疗蓝皮书 2022 6 为“健康中国”插上智慧的翅膀 卫生健康产业发展、临床辅助诊疗、医院 智能管理、医学科研与教育、公共卫生智 能服务等方向 智能影像辅助诊断：对脑、肺、眼、骨、心脑血管、皮 肤等患病部位的多模态影像标注、融合，经过机器学习、 深度学习等人工智能技术进行病灶分析后，实现对新检 测影像的自动分割，通过辅助诊断软件识别异常部位， 提高基层医事服务能力 5G 技 术 5G 技 术 即 第 五 代 移 动 通 信 技 术（5th

技术特别是在自然语言处理 （NLP）、图像识别、数据挖掘和机器学习等方面的飞速进步，为 医疗数据的处理和分析提供了强有力的工具。在中医院门诊病历自 动生成的应用中，AI 能够通过对症状、病历记录及临床数据的深度 学习，不仅加速病历的生成过程，还提高了病历的准确性和完整 性。 从全球来看，AI 在医疗领域的应用正在得到越来越多的认可。 根据市场研究机构的数据显示，预计到 2030 年，全球医疗 AI 平，提升患者的 就医体验，同时促进中医事业的可持续发展。 2. AI 大模型概述 AI 大模型是近年来人工智能领域的重要进展，通过大规模的数 据训练和深度学习算法，能够在各种复杂任务中展现出强大的理解 和生成能力。其核心在于通过深度神经网络架构，尤其是 Transformer 模型，处理和分析文本、图像和音频信息。这些模型 在自然语言处理、计算机视觉以及其他领域中已经展现出超越传统 大模型是指通过大规模数据训练，具备强大上下文理解和生 成能力的人工智能模型。与传统的机器学习模型相比，AI 大模型在 处理复杂的自然语言理解和生成任务方面展现出了显著的优势。这 些模型通常采用深度学习技术，尤其是基于变换器 （Transformer）架构的模型，通过海量数据的预训练，获取语义 理解和语言生成的能力，其核心在于对数据的有效学习和知识的迁 移。 在医疗行业，AI 大模型的应用前景尤为明朗，尤其是在中医领

助力专科齐鸣 • 以患者为中心，以临床为导向 • 通用与专科相辅相成，满足通用医 疗管理要求下，支持专科流程和个 性化诊疗 • 多类事件自动触发机制，原生内嵌 CDSS ，深度融合业务流程，助力高 质量同质化医疗过程管理 原生一体 赋能高效协同 • 数据一体化，真正实现医护同源 • 业务一体化，多功能应用全覆盖 • 用户体验一体化，多应用无缝切 换 新一代 Values • 用户使用体验好：统一的用户体验，学习成本低；多应用无缝切 换浏览 • 数据同源，数据共享程度高，业务连续性好 • 临床、运营、财务数据一体化，更好的支持深度智能化、未来应 用发展及数据分析 • 智能辅助应用实时响应 • 统一后台，更容易维护 China Tasy ：原生一体，赋能高效协 同 统一的数据模型，统一的技术应用架构，统一的

基于患者画象、自然语言处 理、诊疗决策路径、知识图 谱、机器学习等 AI 技术，形 成训练模型，形成应对不同 应用方向的 AI 决策支撑能力。 临床科研 整合传统统计方法、深度 学习算法、大数据分析方 法等，自动根据医疗数据 的特点，挖掘数据中存在 的规律并可视化。 二、 ( 七 )“ 一体化”：临床 · 科研一体 化 数据集成 数据中心 数据库 大数据 人工智能 物联网 区块链 边缘计算 微服务架构 AR/VR 5G 深度学习 Spark 开放体系 三、积极探索新的技术与应用 软件定义业务 数据驱动 面向未来 触手可及 主动式服务 数据治理 去 IOE 平台化 去中心 积木式框架 通过对能力、效率、 安全三个维 度进行综合评价，提 高评估结果的 全面性和可靠性； 解决了不同学科之间 的可比性问 题； 鼓励各级医师专注临 床工作，努 力提高专业技能，扩 大临床服务广 度和深度。 DRGs 绩效评价与管 理 科室间主要指标对比

应用创新 发布《卫生健康行业人工智能应用场景 参考指引》从四大领域给出 84 个应用 场景。 《上海市发展医学人工智能工作方案 (2025-2027 年 ) 》，旨在促进医学与 人工智能深度融合。 《武汉市促进人工智能产业发展若 干政策措施的通知》，通过算力补 贴、公关专项等方式发展人工智能。 AI 医疗迎来爆炸式发 展 宏观政策支持医院数字化转型 -AI 助力医院高质量发展 xxx 多模态影像专病数据库 影像的移动诊断服务 影像质控标准化 面向智慧医疗—人工智能辅助诊疗 电子病历 患者主诉 / 疾病 史 / 检验检查 …… 可能的 疾病建 议及置 信度 深度学习 决策器 海量医学资源 医学知识 证据读 取器 证据 海量医 学资源 疾病资源 疾病读 取器 疾病知识 候选疾病 相似病例推荐 诊疗方案建议 语音识别 语义解析 主诉 问诊 多模态异构数据治理 • AI 技术 + 疾病知识图谱融合 • 文本数据 + 影像组学 + 生物信 息等多模态数据治理 AI 技术赋能 • NLP 自然语言处理 • 深度学习 / 机器学习 • 统计分析支持 • 工具、算法开放探索 xxx 提出科学问题 制定研究方案 收集数据

学数据分析和文本挖掘方法，整合丰富的生物学数据，结 合自然语言处理、深度学习、图像识别以及大模型等人工 智能（AI）技术，构建新药研发知识图谱，开展复杂蛋白 质结构预测，显著提升药物靶点的识别和筛选效率。 2.智能药物分子设计与优化 面向药物分子设计和先导化合物优化等业务活动，针 对传统基于经验的药物设计模式限制问题，通过运用计算 机模拟、数字孪生以及深度生成模型和强化学习算法等人 工智能（AI）技术，以更高的效率和更低成本获得符合特 床有效性和特点进行解析，提高中药创新药转化决策质量、 效率和成本效益。 6.基于风险的临床试验管理 3 面向临床试验方案设计、患者招募、风险管理等业务 活动，针对数据合规管理等需求，利用深度学习、自然语 言分析等数字技术，构建疾病模型，分析过往相似性试验 计划，快速评估临床试验的可实现性及潜在风险，从而进 一步优化试验计划及方案；结合真实世界数据、人工智能 （AI）技术，自动筛选符合入组标准的患者，提高招募效

large language models." arXiv preprint arXiv:2302.07257 (2023). 背景 用于医学图像的计算机辅助诊断 (CAD) 网络通过 使 用先进的深度学习算法来支持临床决策，在医学 领 域取得了重大成功。大型语言模型 (LLM) 最近 展示 了在临床应用中的潜力，其提供了宝贵的医学 知识 和建议。 挑战： LLM 目前难以从这些医学图像中解释和提 智能交互机器人 语音识别 / 合成 全自研语音技术 基于 GPT 的语言模 型 高精度医疗语音 识别 高噪声低采样率语音识 别 语言大模型 +NLP 预训练语言大模型 垂直场景小模型深度优化 迁移学习 + 提示学习快速落 地 复杂多轮对话推理技术 智能外呼机器人可视化运维 医学知识管理 百万级基础知识图谱 + 专科 知识图谱 图谱定制，全面赋能院内外 各类场景算法落地 100G 日常文本训练数据 语音识别 + 语音合成 • 面向医疗文本、对话交互等场景，持续研发构建预训练大模型 基础模型库，为不同应用场景的 NLP 任务提供更坚实的支撑。 • 通过大量实践积累和深度优化，构建了一套面向院后疾病管理 领域的高精度人机对话语义理解模型库。 • 利用自主专利技术的细粒度交互对比学习算法，极大提高了语 义匹配的准确率，可达 96.9% 。 • 融合应用神经