科学研究促进人工智能创新。传统科研 范式大致可分为经验归纳（实验科学）、理 论建模（理论科学）、计算模拟（计算科学） 以及数据密集型科学 2。实验科学由自然现 象和实验结果归纳出一般性规律，但没有抽 象出经验规律背后的普适理论。理论科学基 于自然现象或实验结果，提炼科学问题并形 成科学假设，然后运用逻辑推理和数学分析， 构建普适理论，但难以在复杂系统中实验验 证。计算科学以科学模型为基础，通过数值 的同时，显著提高模型的泛化能力，如物理 信息神经网络 3。 人工智能创新重塑传统科学研究过程， 加速科学发现。人工智能通过融合数据和先 验知识的模型驱动、假设生成与验证、自动 与智能化实验以及跨学科合作等方式，加速 科学发现。传统科学发现以实验观察和理论 建模为核心，提出科学假设并归纳一般规律， 如物理定律。人工智能则采用模型驱动的方 式，从大规模数据中自动发现隐藏的规律， ©️diyun Zhu / Moment 4 5 2. 发展与态势 2.1 最新进展 随着深度学习、生成模型与强化学习等 技术的突破，人工智能不仅能从海量数据中 识别人类难以察觉的复杂模式，更展现出自 主提出科学假设、设计实验方案、优化研究 路 径 的 惊 人 能 力。DeepMind 推 出 的 AlphaFold 31 突破性地实现了对几乎所有分 子类型的蛋白质结构预测，提高了蛋白 - 配 体相互作用预测的准确度，为新药研发、疫

周。初步证明了基于网络监测可以提 早 发 现 疫 情 。 其 后 ， Ortiz 等 ［ 5］以 2009 年 甲 型 H1N1 流感暴发为出发点，分别选取 2003－2008 年 GFT 数据和美国 CDC 流感病例监测数据以及实验 室确诊病例数进行相关分析，皮尔逊相关指数分别 为 0.94 与 0.72。在加拿大，Eysenbach［6］通过追踪 谷歌流感相关搜索词与 2004－2005 年度监测数据 比较研究，发现搜索词点击量与第二周流感病例数 等［7］在加拿大发现 2009 年 H1N1 流感暴发期间，谷歌流感相关检索词的搜索 量与卫生部门的数据具有一致性，但关键词的搜索 峰值较实验室确诊病例数据提前 2 周。在瑞典， Hulth 等［8］通过医学平台 vardguiden 选取流感相关 搜索词并获得其检索数，结果显示与实验室流感确 诊病例数构成比和哨点报告的流感及类似流感症 状病例模型的确定系数 R2 分别为 0.90 与 0.89，验 证结果显示预测发病高峰与实际发病高峰高度重 常用的搜索引擎与传染病预警模型 除以上围绕重点疾病开展的研究外，各国学者 还利用不同搜索引擎对传染病的预警预测模型进 行了研究探索。研究者通过收集搜索引擎与疾病呈 正相关词条的数据，与卫生部门的监测数据或实验 室确诊数据拟合，并结合气候、时间等因素后构建 合适的模型对传染病进行监测预警，见表 1。 谷歌和百度是研究者使用最多的搜索引擎平 台，搜索的关键词可分为疾病名称、症状、治疗方法 三大类；目前国内外研究者采用的预警预测模型种

据特征现象去做统计特征，比如出现频率统计，特征共现统计，多维特征多样性统计等操作。 相对应的 title 和 description 文本特征也可通过简单的加权命中率来构成特征加入到树模型中。 总之实验证明 ID 类特征，二分类特征，连续特征离散化，统计类特征，以及 embedding 产生 的 vector 的交叉特征都会给模型带来正向收益。 图 2 5 第一部分 | 02 模型演变 3 embedding 空间结构。 6 第一部分 | 图 3 经历了 DNN 尝试没带来正向收益我们偏向于以线性和深度非线性结合的 Wide&Deep 结构（如 图 4）进行适配，此时我们考虑到 DNN 的实验产生的问题。 7 第一部分 | 图 4 图 5 我 们 并 未 直 接 加 入 由 知 识 图 谱 产 生 的 ID embedding 和 由 文 本 DSSM 模 型 产 生 的 文 本 match，IDsim，textsim 连接作为 wide 的输入。以 输入 ID 类特征，match 类特征，IDsim 特征，textsim 的 xgboost 模型作为 wide&deep 的比 较模型，实验证明 wide&deep 模型略优于 xgboost 模型，但是如果对此基础上 xgboost 做统 计特征则可超过 wide&deep 模型。以上可得 deep 模型非线性表征能力还是略微的比 xgboost

...............................53 数据标准化是确保不同来源的数据具有一致性的重要步骤。医疗数据通常来自多种设备和系 统，如电子健康记录（EHR）、医学影像设备和实验室检测系统，这些数据可能存在不同的 单位和量纲。标准化过程通常包括以下步骤：............................................................ 如智能手机或平板，与医生进行视频咨询，DeepSeek 能够实时转 录对话内容，并为医生提供关键信息的摘要，提高咨询效率。 在数据分析方面，DeepSeek 可以整合来自不同来源的健康数 据，如电子健康记录（EHR）、实验室结果和影像资料，通过深度 学习模型生成全面的健康报告。这不仅帮助医生更好地理解患者的 健康状况，还能为患者提供个性化的健康建议。 为了更直观地展示 DeepSeek 在远程医疗与健康监测中的应 器 学习算法，DeepSeek 能够高效地处理和分析大量的医疗数据，从 而实现精准的远程诊断与治疗方案。首先，DeepSeek 可以通过分 析患者的电子健康记录（EHR），包括病历、影像资料、实验室检 测结果等，快速识别出潜在的健康问题。例如，对于心脏病患者， 系统可以自动分析心电图（ECG）数据，并结合患者的病史，提供 初步的诊断建议。 其次，DeepSeek 技术能够支持医生进行远程会诊。通过实时

低研发成本和风险。例如， AI 在新冠药物研发中 展现了显著优势，部分 AI 驱动的药物研发公司（如 Insilico Medicine、Atomwise）已取得阶段性成果。 然而，AI 预测的化合物仍需通过实验验证，在临床试 验方案设计上仍面临复杂的医学、伦理和法规挑战， 且临床试验的设计和执行仍高度依赖人工经验，无法 完全替代 人工精细设计。尽管如此， AI 有望将药物 研发周期从 10-15 年缩短至 验验证活性与安全性，临床 试验转化成功率目前较低 化合物筛选 在大型药企的研发管线中逐步 应用，成为常规筛选流程的补 充手段 高，是药物研发领域投 资热点 存在较高的假阳性和假阴 性率，筛选结果需进一步 实验验证 ADMET 预测 部分药企已在研发流程中采用相 关 AI 技术，但尚未完全普及， 多处于辅助决策阶段 高，吸引大量药企与投 资机构关注 模型在复杂人体生理环境下 的预测精准度仍有提升空 平台及大模型服务生态，为医疗健康行业的 AI 技应用提供整 体技术底座。算力基础设施上，打破传统 HPC 高成本、低弹性的限制，提供按需扩展的 GPU/HPC 资源；AI 开发平台上， 降低 AI 开发门槛，加速模型从实验室到临床的转化；模型调用和适配上，通过 API 服务，推动 AI 能力与医疗业务深度融合。通过上述能力，阿里云已助力生物科技头部机构实现研发周期压缩、成本优化与效率跃 升，为医疗健康行业 AI

电子病历中可能存在相似病例但不同 医生依据个人经验给出的结论不 一 致、病例信息收集不完整、误录或书写格式不统 一 的数据， 这 对模型的训练和结果有重大影响。 多源数据融合难： 医疗数据来源广泛， 包括电子病历、实验结果、影像数据等。如何将多种不同 形式的数据整合成一个统一的训练数据集，是一个重大的技术挑战。 (3) 伦理问题 随着大模型在医疗领域中的应用， 伦理问题受到越来越多的关注。大模型在医疗健康领域的应用 医疗大模型应用实践案例 大模型技术凭借其强大的数据处理与学习能力 ， 正逐步渗透并重塑医疗领域的传统范式。例如， 在现代医疗环境中， 患者常常面临医学报 告难以理解的问题。拿到手的放射科、实验室或病理报告 充满了专业术语， 对于非医疗背景的人来说几乎如同 “ ” 天书 ， 这增加了患者的焦虑和不确定性。患者 希望能够快速、准确地了解自己的健康状况， 但传统 上需要预约并等待医生解读， 成本较高 3. 辅助工具与创新方法 为了缓解主观评估的高成本问题，业界探索了多种辅助评估方式： GPT-4 辅助评估： 使用 GPT-4 替代人工评估是一种高效且一致的方式。团队内部实验表明， GPT-4 的评估结果与专业人员评估的相关性较高，且评估效率显著提升。通过 GPT-4 可以快速进 行质量判断、内容比较以及多模型对抗测试 对抗测评与 Elo 评分：对抗测评与 Elo

轮）》，2024年12月，样本量=889） 为应对“新技能培养”“管理模式调整”与“失业恐惧”等问题，领先组织正采用创新的实践型 学习方式，以满足AI时代下不断变化的技能培养需求。最新调查数据显示，高达83%的组织已在 使用“实践实验室”、“学习游戏”、“任务挑战” 及其他交互式平台开展技能培养，另有10% 的组织计划在2025年底前落地这些方式。 仅有少数受访者（17%）选择“计划在今年晚些时候使用，或目前暂无相关计划”。这一转变反 人才培养重点 就业趋势 重要举措 / 项目 AI/ICT领域产教融合； “AI+X”跨学科培养方向； K-��阶段AI素养教育与教师技 能提升；AI/云/数据/网络安全 领域职业教育路径；国家重点 实验室与试点园区建设；扩大 计算资源与应用研究渠道 AI/ICT 岗位需求旺盛且薪资溢 价显著；人才缺口持续存在， 竞争激烈；岗位集中于北京、 上海、深圳、杭州等城市；毕 业生数量增加，证书与实践项 色”双技能培养 “伊拉斯谟+”（Erasmus+） AI专项项目；提供AI测试与补贴 券的欧洲数字创新中心；初创 企业计算资源获取支持 “地平线欧洲”与“数字欧洲”AI 专项资助；AI测试与实验设施；支 持AI工作负载的欧洲高性能计算 （EuroHPC）系统；《AI法案》 实施资金 欧盟 负责任AI框架；AI岗位产业合 作；公共部门AI能力建设 职业教育与培训（VET/TAFE）

Future Food 2.2 生物发酵工厂生命周期内的常见问题 关注点 常见问题 工艺与 设计 工艺放大 细胞内部复杂的代谢调控网络，以及细胞外部复杂的湍流环境，使得发酵过程在实验 室、中试和工业规模发酵罐中的表现存在巨大差异，生产放大困难重重 高效工程 传统设计流程中，工艺、电气和自控等专业不能并行进行，设计周期过长，数据存在于 不同的数据库或文件中，维护混乱，版本众多，给工厂的后续运维优化带来挑战 8 质量管理 生产运营要与质量运营齐头并进，西门 子 Opcenter Laboratory 作为先进的实验室 管理系统（LIMS）通过在协同、流程优化、 质量测试以及产品召回方面实现结构化节约 来降低成本，提高透明度和控制能力，减少 废料和返工。 图 9 实验室管理解决方案的功能 3.9 预测性维护 预测性分析技术通过周期或持续监测设 备运行数据，结合人工智能算法，评估工厂

标准和自动化测试工具与用例，实现 厘清异构智算算力的优缺点与适用场景，促进算力落地，指导未来算力发展。 业界现有评测实践大致分三类，一是芯片原厂自测，侧重自家峰值算力，数据孤岛化； 二是第三方实验室评测，资源有限、更新慢、模型覆盖面不足；三是头部云厂商自建 19 Benchmark，场景封闭、结果不可横向对比。三类方案均停留在“单点、单次、单模型” 层面，缺乏自动测试的机制，难以支撑多元异构、快速迭代的国产芯片落地使用。 芯片，协同完成同一大模型训练过程，需要在算力芯片统一纳管、集合通信库、训练框架等 层面实现逐层对接。 4.1.1 中国电信智算异构四芯混训解决方案 中国电信联合壁仞科技、中兴通讯、中国科学院计算技术研究所、上海人工智能实验室、 北京邮电大学、中科加禾、天数智芯、沐曦等单位率先发布了包括统一训练框架、统一集合 通信库、统一 RDMA 网络的“智算异构四芯混训解决方案”，打造覆盖算力、网络、通信 库、平台与训练框架 HGCT（Heterogeneous GPU Collaborative Training），采用三层架构层次设计，包括异构调度、异构通信、异构拆分。2025 年 3 月， 壁仞科技与上海人工智能实验室联合开展千卡规模异构混训，联合设计了 HGCT 统一异构 通信库+DeepLink 统一异构训练框架的超大规模异构混训方案。 （1）在统一异构通信库层：采用插件化、模块化设计机制，向上一行代码实现训练框

叉。学校 通过开设综合性课程、推动项目式学习等方式，将不同学科的知识和技能进行整 合，培养学生的综合素养。 ❍ 实践性：AI时代的课程设置更加注重学生的实践能力和问题解决能力的培养。 学校通过增加实验课程、实践项目等方式，让学生在实践中学习和掌握知识，提高 他们的动手能力。 ❍ 创新性：在AI时代，课程设置更加注重培养学生的创新意识和创新能力。学校 通过开设创新课程、开展创业实践活动等方式，激发学生的创新思维和创业精神， 培养他们的思辨能力。为了 培养学生的这两种能力，教育者需要调整教学方式，鼓励学生积极参与课堂讨论， 提出自己的观点，并努力寻找问题的多种解决方案。同时，学校还可以开展各种实 践活动，如创新项目、科研实验等，让学生在实践中锻炼批判性思维和创造性解决 问题的能力。 总之，批判性思维和创造性解决问题的能力是AI时代人才的关键能力。教育者应注 重理论与实践的结合，积极探索新的教育方法，为培养出适应新时代需求的高素质 要。如图3-7所示，AI在中学 理化生实验教学中的应用，极大地降低了教师的工作强度，而且可以做到实时纠正 错误、考完立即评分，提高教学效果。 3. 提高语言学习效率 对于学习外语的学生来说，AI驱动的语言学习应用可以提供发音指导、语法练习和 实时对话等功能。这些工具能够帮助学生更快地掌握语言技能，并提高语言学习的 效率。 图3-7 AI在中学理化生实验教学中的应用 3.2.3 AI对家长的支持