..............................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 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

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 计算复合指数、拟合模型、预测流感病例［13］ 简单线性模型 谷歌 疾病名称（-） 拟合并验证模型［21］ 简单线性模型 谷歌 疾病名称（-） 预测手足口病暴发［27］ 简单线性模型 谷歌 - 与流感的实验室检测数据拟合，实现早期预测［7］ 负二项回归模型 谷歌 疾病名称、症状、治疗方法（-） 预测登革热发病率［20］ 广义提高回归模型谷歌 疾病名称、症状、治疗方法（-） 预测登革热发病率［20］ 出现作者姓名和发表年份。 句子中没有出现显性的“首次”、“最早”、“第一次”等标志性词汇的句子称为“描述性句子”非评论性句子。 学术评论句举例：斯坦福大学医学院 Michele P. Cabs[1]实验室在利用中Ф31 整合系统进行基因治疗方而做出了系列开创性的工作。2000 年，他 们首次将中Ф31 整合酶用于人细胞并获得成功。 摘自文献：张霖, 赵国屏, 丁晓明，中国科学, 2010, 40（12）:

复旦大学“伏羲”大模型 4 等 AI 气象模型显 著提升了全球天气预报能力，实现更长时间 尺度、更高精度的天气预测。普林斯顿等离 子物理实验室利用强化学习优化等离子体控 制，解决撕裂不稳定性问题，加速核聚变能 源的实现 5。加州大学伯克利分校和劳伦斯 伯克利国家实验室利用机器人执行实验，机 器学习规划实验并结合主动学习优化实验过 程，研发用于无机粉末固态合成的自动实验 室 A-Lab，显著提高了材料合成效率 LLM 文本表示融合，在提升预测精度的同时， 也提供了更友好的人机交互方式。 3.2.4 自主实验室实现材料智能合成 材料智能合成正借助大规模密度泛函理 论（DFT）计算数据库、生成式结构预测与 LLM 快速发展。机器人自动化与云端调度协 同优化实验流程，确保模型实时更新。例如， 自主实验室 A-Lab4，利用 DFT 数据库与自 然语言模型驱动无机粉末合成闭环；云端异 步分布式协作模式 升热力学稳定性。同时，结合 LLMs+ 自主 实验室优化合成路径，实现实验可行性评估。 3.3.3 将 AI 与自主实验室集成，实现材 料发现全自动化及性能智能优化。 高效整合 AI 计算、实验自动化与多尺 度建模，加速设计室温超导材料、自修复柔 性半导体材料、超轻高强纳米复合材料等革 命性材料已成为推动材料科学变革的前沿问 题。 突破路径：自主实验室的突破依赖多层 次 AI 集成：首先，利用生成模型生成符合

基因深植于业务的 e 成科技，一直在潜心研发和积累，致力于将 AI 技术深 度应用于人力资本全场景中，推动人力资本智能变革。凭借自身在 AI 能力和行业经验的独特优势， 以及来自全球顶尖跨媒体技术实验室的 AI 核心团队，拥有顶尖的跨媒体 AI 技术，结合多年积累 的知识图谱与对话技术，e 成科技推出的 AI 面试机器人更是如虎添翼。 △e 成科技 AI 开放平台四大算法中台 28 | 第三部分 中 文 的 预 训 练 模 型 的 改 进 则 体 现 在 对 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 MacCarthy）作为人工智能学科的发起者，推动了麻省理工学院的 MAC 项目，后又主导创建了斯坦福大学人工智能实验室。此外，大名鼎鼎的 LISP 语言也是由他创造。 由于在人工智能领域的突出贡献，1971 年麦卡锡获图灵奖。 马文 · 闵斯基（Marvin Lee Minsky）与麦卡锡一同组织了达特茅斯会议并且参与了麻省理工 学院人工智能实验室的筹建。此外，他与 1951 设计并建构了第一部能自我学习的人工神经网络 机器

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、平台与训练框架的 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

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

） 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 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 全额AI奖学金与研究项目；编程 /AI集训营；创新园区与沙盒 国家AI战略（如阿联酋、沙特阿拉 伯）与主权基金；专门研究AI的高 校与实验室；计算资源/模型投资 中东/ 海湾地区 实用AI技能就业适配；负责任AI 与数据治理；政府AI能力建设 泛非AI学习网络（如Indaba）； 奖学金与社区实验室；计算资源 资助与研究项目 捐赠方与多边机构支持的AI能力建 设项目；新兴国家AI战略；AI枢纽 种子基金

编 张茜茜 涂 群 成 员 张向宏 刘世峰 宫大庆（北京交通大学信息管理理论与技 术国际研究中心） 孟庆国 张少彤 王理达 周 亮 张影强（清华大学计算社会 科学与国家治理实验室） 张 闯 徐广姝（北京物资学院信息学院） 李 宾 王 军（北京化工大学经济管理学院、北京化工大 学信息化绩效评估中心） 闫 强 王友奎（北京邮电大学经济管理学院） 洪 光 底，促进全国数智产业更好更快发展，北京物资学院信息学 院、北京化工大学经济管理学院、清华大学计算社会科学与 XII 国家治理实验室、北京交通大学信息管理理论与技术国际研 究中心、北京邮电大学经济管理学院、南京邮电大学数据要 素创新实验室、北京化工大学信息化绩效评估中心、北京京 数智科技开发有限公司和上海合合信息科技股份有限公司 等单位，于 2025 年初组建了“全国数智产业发展专题研究 新一代物质科学大原子模型，研发 10 个（套）以上垂类模型 和自主核心软件，形成 15 个人工智能赋能的标杆性新材料 产品；建成新材料大数据中心主平台服务门户、数据资源节 点集群，建成一批新材料智能实验室和公共服务平台，打造 "人工智能+新材料"融合创新示范基地；推动新材料研发服务 业态培育取得积极进展，形成国际领先的新材料创新策源与 人工智能应用高地。 2025 年 2 月 28 日，北京市科委、中关村管会等部门发

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 应用开发和数智化转型提供基础支持。 CDSS 可通过整理既往患者的治疗路径、医学 指南和最新研究成果，建立疾病诊断模型，模拟医学 专家诊断、治疗疾病的思维和过程。在具体病案中， 能够整合患者电子病历、医学影像数据、临床笔记、 基因组学、实验室结果等多源数据，在疾病诊断、风 险预测等方面为医生提供决策支持。同时，依据患者 的个体差异和病情特征， CDSS 能为医生提供个体化 的治疗方案和临床路径设计，并依据不同患者的生理 状况、基因信息等因素对治疗方案进行优化。智能化 的疾病负担日益加重。数据显示，慢病相关支出在医 疗卫生支出总额中的比重从 2018 年的 55.7%提升 至 2022 年的 61.6%，凸显了慢性病管理的重要性。 大模型能够整合来自可穿戴设备、电子健康记录 （EHR）、实验室检测等多源慢性病数据，生成全面 的患者健康画像；基于患者的健康数据和生活习惯， 可以生成个性化的饮食、运动、用药建议，帮助患者 更好地控制病情。通过分析历史数据和实时监测数 据，能够预测患者的病情发展趋势，并在风险升高时

借助交换机内部元件的运动或物化性质改变等来改变光的出射方 向。主动光交换机的重配置时间一般较长（数毫秒级），成本较 高，但端口数量有明显优势，商用可达 320×320 个端口的规模， 部分技术在实验室阶段已探索更大规模。  被动光交换机典型的例子如 AWGR，则令不同波长的输入光在固 定光路结构中被引导至不同的输出端口，从而实现波长选择性连 接。AWGR 本身无任何可调组件，不具备动态重配置能力，其路 步降低，实现更智能的网络资源分配和动态优化。 光电协同网络技术正站在历史性的发展机遇期，其未来发展将深 刻改变智能计算的基础设施格局。通过技术创新、产业协作、标准化 推进等多方面的努力，光电协同网络将从实验室走向产业化应用，从 局部试点走向大规模部署，最终成为支撑人类社会数字化转型的核心 技术基础。 面对激烈的国际技术竞争，我国应该抓住光电协同网络发展的战 略窗口期，加大技术研发投入，完善产业发展政策，培育具有国际竞