8月29日-31日,2016中国卫生信息技术交流大会(以下简称CHITEC)在江苏南京开幕。来自全国各地区卫计委领导、医疗卫生领域行业专家、学者出席了本次会议,探讨信息化助力健康中国建设等诸多课题。联想作为医疗行业整合方案提供商,以“双态IT卫+为未来”主题参展,并与东软集团联合展示了针对区域卫生信息化建设的星果数据标准化采集方案和区域卫生平台整体方案。
联想-东软联合展区
消除数据壁垒 以互联互通打造惠民健康服务
随着国家医疗健康体系的发展以及“健康中国2030“的规划指导,大健康时代已经离我们越来越近。但医疗服务要真正覆盖最广泛的人群,尤其是满足欠发达地区人民的医疗需求,还有很长一段攻坚之路要走。政府提出在“十三五” 期间全面建立分级诊疗制度,提高基层医疗服务能力,意在缓解医疗资源分布不均的现状,加强基层医疗服务供给能力。而题中的首要之义就是建设以电子健康档案和电子病历数据共享为核心的区域性卫生信息化平台。在此基础上,提升健康信息服务和大数据应用能力,发展实行双向转诊和远程会诊。
针对当前医疗信息化建设的需求,联想凭借多年在该领域深耕的经验,认为对于医院和基层卫生管理部门而言,都面临着提升IT系统适应能力的问题——需要在保证业务持续稳定运转之外,灵活扩展,完成对海量数据的统一调度和管理。鉴于此,今年5月,在中华医院信息网络大会(CHINC)上,联想首次提出了针对医疗领域的“双态IT”顶层设计理念。“双态IT”核心是采用传统的集中式和新兴的互联网分布式IT技术手段,分别应对医疗部门的“稳”、“敏”双态业务需求,助力医院及卫生管理部门向“互联网+”成功转型,最终使“人民得实惠,医疗得发展,政府得民心”。
打造行业生态圈 “一站式”解决区域卫生信息平台建设
在陪伴医疗行业IT建设成长的历程中,联想摸索出了一条协力创新、整合优势的“Open+”之路。目前,已与全国医疗行业近70家ISV厂商开展合作,逐步建立了自有的生态链体系,为医疗行业客户提供细分领域端到端解决方案。为了深入一线实践,夯实从规划、实施、运维到人才输出的实力,联想还与温州医科大学附属第一医院合作建立了“联想-温附一智慧医疗研究院”。
此次CHITEC大会上,联想集团中国区商用业务医疗和教育行业总监瞿忠、联想集团中国区服务群组首席架构师毕巍、联想集团商用企业级营销联盟高级经理孙立波与东软集团副总裁兼医疗IT事业部总经理姚勇共同接受了媒体采访。众所周知,联想作为全球最大的端到端IT基础架构提供商和具有自主品牌的国际化企业,拥有一系列具有国际领先水平的医疗行业整合方案。而东软集团于1997年开始进入医疗卫生信息化领域,在卫生系统信息化建设及个人健康服务方面都具备深厚的经验与软硬件实力。双方共同将目光投注在区域卫生信息化建设领域,既是看中了这一市场未来的需求空间,也是想通过优势互补,助力“健康中国”建设,造福国计民生。
事实上,联想一直是支持区域卫生信息平台建设的践行者。联想曾与甘孜州医疗部门合作,对甘孜州卫计委信息系统和甘孜州人民医院业务系统合并改造,建立了具备远程容灾能力的州级医疗卫生私有云平台,打破与农村诊所、卫生院之间的信息壁垒,帮助优质资源下沉到基层,破解了藏区群众的就医难问题。
此外,联想的多个医疗解决方案已在广西、河北、河南、安徽等省份落地实施。通过对当地信息化建设情况和业务需求进行评析,提供针对性的建设方案和产品选型建议,再基于全价值链的产品覆盖和技术支持,确保方案系统化交付,联想的区域云平台建设方案、超融合方案、影像云存储方案已在各地的卫生信息化平台上发挥关键作用。此次CHITEC展会期间,联想与东软联合展出的星果数据标准化采集方案、区域卫生平台整体方案未来也将在系统化、一站式的信息化建设中发挥作用。
好文章,需要你的鼓励
TAE Technologies在最新一轮投资中获1.5亿美元,累计融资约18亿美元。公司利用 AI 技术优化融合反应堆设计,目标于 2030 年代商业化发电,谷歌等巨头均参与合作。
这项来自首尔国立大学的研究提出了状态机推理(SMR)框架,解决了大型语言模型在信息检索中的过度思考问题。研究者将推理过程从冗长的令牌生成转变为离散动作(精炼、重排序、停止),使系统能够高效地在状态间转换。实验结果表明,SMR在BEIR和BRIGHT基准测试中显著提高了检索性能,同时减少了74.4%的计算资源消耗,证明其在不同语言模型和检索器中的通用性。这种结构化方法不仅解决了冗余轨迹和误导性推理问题,还为构建更高效的信息检索系统提供了新思路。
Nvidia 正在全球数据中心推广 AI 芯片,其最新 Blackwell 架构在 MLPerf 基准测试中获得最高性能,大幅加速下一代 AI 应用的训练与部署。
REASONING GYM是GitHub团队开发的一个突破性推理环境库,为强化学习模型提供可验证奖励。与传统固定数据集不同,它能生成无限训练数据并调整难度,涵盖代数、算术、认知、几何等100多个领域的数据生成器。研究显示,即使顶尖AI模型在复杂任务上表现也不佳,而专门针对推理训练的模型明显优于通用模型。更重要的是,在一个领域学习的技能可以意外地迁移到其他领域,这为提升AI推理能力提供了新路径。