搜索引擎对疾病监测的巨大潜力［2］。 国内外搜索引擎的种类多样，常用的有以下几 种。谷歌：是互联网公司谷歌的主要产品，被公认为 全球最大的搜索引擎。曾有媒体报道谷歌每天提供 超过 30 亿次查询服务。百度：于 1999 年底成立，是 目前全球最优秀、最大的中文信息检索与传递技术 供应商，搜索范围涵盖了中国大陆、香港、台湾、澳 门等地区，在中国，其市场覆盖率已高达 89.10%。 雅虎：是时间最长的“分类目录”搜索数据库，在全 78；西班牙、韩国与中国广东省均有 研究证明检索词的搜索量与流感监测病例数存在 一致性［10–12］。以上研究表明基于谷歌平台，该方法 在不同语种间同样适用。 在中国，大量网民选择百度作为首选的搜索引 擎，基于百度搜索引擎的流感监测研究也相继开 展。Yuan 等［13］尝试使用百度搜索平台，通过关键 词筛选、过滤、指数复合和建立模型四步来预测流 感在中国的发病情况，同时选取了“流感预防”、 “流感的症状”等相关系数高的检索词构建复合指 流感暴发期间，公众对疫 情的关注和流感疫情严重程度存在显著的正相关； 百度搜索词 H7N9 的搜索量在早期急剧的增长，随 后出现波动，其中百度指数与病例累计死亡率的相 关指数为 0.43；Xie 等［15］与 Liu 等［16］在研究中也 得出公众对疫情的关注和流感疫情严重程度存在 正相关的结论。Luo 等［17］同时收集了百度和谷歌 搜索引擎数据，对 2009 年北京市甲型流感进行监 测并取得较好的效果，他们还提出使用多种搜索引

客户资产 > 渠道 > 品牌价值。这也是 BAT 市值按照 TAB 来排列的原因。 腾 讯是强连接的客户资产， 阿里巴 巴的 核心在商业渠道。当然，这也 是百度 与前两者价值差距的原因。 从需求侧的三要素布局讲 天际线设计策略： 如何设计天际线 生态要素布局 生 态要素布局有两条规律： 03. 生 态 9 1 n 共享系统是生态型 设施，并有效构建商业生态，其生态战 略疆域若要突破，关键在于需求侧的客 户资产，即如何让自己的客户强连接能 力逼近腾讯。 百度，其需求侧三项中至少两项低于腾 讯、阿里巴巴，因此百度把战略重心调 整到源技术，全押人工智能。在供给侧 的创新能否成功，直接决定了百度生态 战略的基础和未来的生态边界。 腾讯以持客户强连接资产而执牛耳， 生态已孵化的市值超过了腾讯， 其 生 态战略疆域若要再突破，核心在

模式，通过API调用直接驱动IaaS和PaaS层的资源消耗，实现了高效的商业闭环。 要在MaaS层取得成功，云厂商主要有两条路径：一类是具备自研基座模型的厂商，必须采取 “开源+闭源”双轨策略，并依靠性能、性价比、或行业适配性（如百度）等差异化优势来锁定客 户；另一类是不具备基座模型能力的厂商，则必须通过打造丰富的“模型超市”和完善的低门槛 工具链（如数据处理、知识库等）来构建生态，服务客户。 MaaS未来将成为调动I+P+S 机器人训练场等） • 开源+闭源双轨策略。闭源保持性能优势绑定 客户到PaaS平台，开源吸引生态建设。 • 三者至少做到其一，越多越好：性能领先 （阿里）、性价比领先（豆包）、行业适配 性领先（百度）。 做好MaaS的两条路径 具备卷基模资本 不具备基模能力 过去：企业部署AI购买GPU、准备数据、组 建团队一系列昂贵资本支出 现在：企业通过MaaS部署AI，几行代码，立即 注入顶尖AI能力

国 防科技大学学报,2023,45(04): 1-10. [6] 任雄飞. 面向数据中心的光交换网络资源调度技术研究[D].北京: 北京邮电大学,2024. [7] 百度智能云. 百度云智一体白皮书[R]. 北京: 百度公司, 2023. [8] 段晓东,李婕妤,程伟强,等. 面向智算中心的新型以太网需求与关 键技术 [J]. 电信科学, 2024, 40 (06): 146-159.

转型的B端解决方案商，也有深耕一线医疗健康服务的 C端平台型企业。在B端领域，AI技术正在快速渗透， 头部科技企业基于自身优势，推动AI医疗大模型在临床 场景应用，如华为盘古大模型、腾讯云深智药、百度 LinearDesign、浙大&阿里HealthGPT等。在C端市场， 互联网医疗企业和医药电商都已建立了从在线问诊、电 子处方、医药服务到慢病管理或健康管理的一体化服务体 系，典型的一体化平台有微医、阿里健康、京东健康等。 语音交互的“数字陪诊师”和生成式电子病历，提高医生门诊效率。 通过昇腾AI框架、盘古大模型、云计算等核心技术能力，打造全面的数智生态 华为 AI大模型赋能全医疗场景，推动医药研发创新和医疗产业链智能化 百度 数智技术构建一体化互联网医疗全链条服务 京东 利用AI对线上医疗业务进行全链条赋能，建设数据驱动的智能医疗 阿里 12 中国智慧医疗行业白皮书 新兴科技企业布局智慧医疗案例： • 推 上海镁善斯健康 科技有限公司 • 宇树科技 • 优必选 • 欧姆龙 • 蔚蓝智能 • 赋之科技 • 平安好医生 • 阿里健康 • 好大夫在线 • 京东健康 • 百度健康 • 微医 中国智慧医疗行业白皮书 20 智慧医疗发展至今已初具规模，我们总结了几个智慧医疗发展的关键挑战。 三、智慧医疗行业挑战 在公立医院内，各科室间信息化程度不均衡，一些科室

著增长趋势，未来将持续扩大资本支出规模。 12 BAT Capex变化 资料来源：公司公告，灼识咨询 关键分析 • 下游AI应用的推广和国产算力硬件性能的提升带动国内云巨头资本开支拐点向上。根据百度、阿里巴巴与腾讯的公告显示，2024Q3三家合计实现资本开支362亿元， 同比增长117%，2024年BAT合计资本开支有望超1,200亿元。此外，包括字节跳动在内的国内其他互联网企业同样加大了资本开支，2024年字节跳动的资本开支达 现有业务的AI转型升级，整体AI投资节奏 进一步加快 阿里巴巴FY25Q3电话会 亿元 3,800 2021 2022 2023 2024E 938 687 596 >1,200 未来三年 腾讯 阿里 百度 200% 117% 144% 38% 23Q4 24Q1 69% 24Q2 24Q3 24Q4 % BAT资本开支季度同比变化 2022年ChatGPT的出现引领全球科技领域的核 主要为互联网巨头及云厂商提供定制批发型算力中心。 供给特征 • 作为中国的首都，北京是全国互联网企业总部、金融行业企业总部以 及独角兽企业总部的聚集地。全国有超三分之一的百强互联网企业总 部位于北京，阿里巴巴、百度、美团、京东、字节跳动等头部互联网 企业，覆盖了电商、视频、游戏、社交等消费互联网的重要领域，引 领北京地区互联网产业迅速发展；与此同时，北京市是国家金融管理 中心，是中国金融产业聚集区，金融产业产值占整个市GDP

卡一台计算机运行，大幅提升大模型训推效率。 （2）昆仑芯三代 XPU-R，自研 XPU-Link 全互联架构，搭建“芯片—XPU-Lite 框架— 千卡 1.2 TB/s XPU-Link 集群—百度文心大模型”四级闭环，已在百度内部提供 90%以上文 心系列训练算力，日均稳态负载 85%+。 （3）壁仞科技采用 Chiplet 架构设计大算力芯片，其首款 GPGPU（General-Purpose Computing

荣耀亲选、万魔、飞利浦、 倍思、漫步者、Anker、铁三角、传音、魅蓝、FIIL、弱水时砂、IKF、sanag、boAt、Noise、TITAN、NOKIA 等硬件品牌， 以及腾讯 QQ 音乐、百度、喜马拉雅、科大讯飞、博雅 BOYA 等内容 / 技术服务商，客户结构多元化且具备头部背书。 2025 年上半年，中科蓝讯实现营业收入 8.12 亿元，同比增长 2.63%，归属于上市公司股东的净利润为 万台，显示出线下渠道在用户感知提升方面的潜力。值得注意的是，2024 年第四 季度线上市场在“双 11”和国补政策刺激下，中高端产品销额实现双位数增长，部分缓解了整体颓势。 市场格局呈现高度集中化特征，百度、小米、天猫精灵三巨头合计占据 96.2% 的市场份额，较 2023 年进一步提升。其中， 小米凭借覆盖全价格段的产品矩阵和智能家居生态优势，市场份额同比跃升 9.3 个百分点至 43%，首次跃居第一。其成功 元价格段产品通过音质升级、增加屏幕等功能， 有效承接了 100-199 元低端市场的用户流失。 百度和天猫精灵则因高端带屏产品增长乏力和低端市场萎缩，份额分别下滑至 21.5% 和 22.4%。带屏智能音箱虽在 2024 年占据 35% 的出货量，但受学习平板、移动智慧屏等替代产品挤压，千元以上高端市场出现断崖式下滑，直接拖累 了百度和天猫精灵的表现。不过，百度通过大模型技术新品的推出，已在 2025 年上半年显现止跌企稳迹象。

整 个 单 词 进 行 mask（即 全 词 mask， whole-word-mask）。 BERT_wwm 哈工大讯飞联合实验室开放的中文预训练模型 BERT-wwm[17]，与下文介绍的百度的 ERNIE 类似，是采用了全词 mask 策略（Whole Word Masking, wwm），对同属一个词的所有子词 进行 mask、保留或替换操作。数据预处理的分词过程采用了哈工大 LTP mask 方 式 为 “[mask][mask] [mask] 是 黑 龙 江 的 省 会，国 际 [mask] [mask] 文化名城”。在训练数据方便，ERNIE 使用了中文维基百科，百度百科，百度新闻及百 度 贴 吧 的 论 坛 对 话 数 据，并 采 用 类 似 于 BERT 下 一 句 预 测 的 对 话 语 言 模 型（Dialogue Language Model, DLM）来建模对话句对结构。 从这两句话中，我们都可以提取词语 ‘京东’，而且京东确实一个公司，但是很明显在语句 2 中， 京东所表达的并不是一个公司。此时，我们就可以使用基于 BERT 的语言模型进行相关的判定， 我们将两句话中的京东都替换成百度，发现对第二句话模型预测句子的合理性出现了大幅的降 低，可以判定在第二句中提取的京东不是一个真正的公司。我们正在探索使用此类方法，来进 一步提升我们实体识别的准确率。 本文主要阐述了 BERT