家住成都市成华区二仙桥的高先生登录区网上市民服务中心办事大厅,上传了办理医师执业变更的申请材料图片。不到半个小时,高先生的手机就收到通过审核和线下服务短信。高先生随即根据短信提示在区网上市民服务中心在线下单,委托第三方专业服务公司提供线下服务。当服务人员将变更后的医师执业证和医师资格证送到高先生手中时,仅过去了1个多小时。
把服务送到群众身边,这正是成都市成华区建设“大联动”信息平台的初衷。成华区是成都最大的主城区,拥有常住人口94.30万人,管辖14条街道。为了深入贯彻落实中央、省、市、区关于“改革创新、转型升级”的总体战略部署,推进社会治理体系和能力现代化建设,成华区制定了“大联动”方案。
攻守兼备的 “大联动”
所谓“大联动”就是充分应用互联网+、物联网、云计算等现代信息技术手段,“联动发现问题、联动解决问题”。大联动中心整合了综治、城管、应急等功能,是汇总信息、掌握情况的“中枢神经”,又是统一调度、统筹协调的“灵敏大脑”,同时还能为领导的研判分析和决策指挥提供技术支撑。
“大联动”方案的核心是建立“大联动”信息平台,依托基础数据库、业务数据库等数据通道,与公安指挥中心协作实现警务与非警务分流,与政务服务中心协作,实现543项行政审批事项“网上预约、网上代办”,与数字化城管中心协作,构建大城管体系。
信息孤岛、空间不足,两座大山难翻越
成华区“大联动”信息平台需要整合全区25个部门、14个街道的基础数据,包括人口、房屋、单位场所等9大类基础信息,这些数据需要在社区网格化管理系统、应急值守系统、扁平化指挥调度系统等十几个系统之间进行调度、查询、对比和分析,然而这些信息系统却分布在不同的地点,不利于资源的整合与管理,而且每个信息系统都相对独立,内部数据没有打通,“信息孤岛”现象严重。
想要支撑像“大联动”信息平台这种规模的系统平台,如果选用基于传统机架式服务器的云化方案,需要至少部署120台双路,而当前成华区信息中心机房已经被大量服务器、存储和网络设备占用,空间所剩无几,如果建设新的机房一方面会严重影响“大联动”信息平台上线的时间,另一方面也需要一笔不菲的资金。
如何打通系统间的隔阂,实现资源灵活调度,如何平衡有限机房空间与新上设备之间的矛盾成为成华区建设“大联动”平台必须翻越的两座大山。
浪潮融合架构整机柜服务器SR搭起云平台
针对成华区面临的两大难题,浪潮为客户量身打造了以整机柜服务器SR为基础的云计算解决方案。利用虚拟化技术,能够将单台物理服务器的计算能力最大化,破解信息孤岛难题,实现数据的灵活交互和资源的动态分配。
浪潮为客户部署了120个整机柜服务器SR节点用于搭建云计算平台。SR整机柜服务器具有高密度、低功耗、模块化的特点,适合横向扩展集群化部署。此次部署的SR整机柜服务器共拥有240个计算核心,可为整个云平台提供强大的并行计算计算能力,是建设云资源池的理想选择。相比传统机架式双路服务器,SR整机柜服务器,机柜式设计使得空间利用率大幅提升,部署空间节省了50%,计算密度提升84%,集中供电式的设计使得整体功耗节省了近15%。客户可以充分利用现有机房空间完成平台部署,无需另建机房,解决了当前机房空间不足难题。
另外,浪潮为客户提供了30台具备均衡性能和良好可靠性的四路服务器NF8460M3作为数据库服务器和管理服务器。
让数据多跑路 让群众少跑路
以浪潮SR整机柜服务器为基础的云平台,实现了数据中心资源管理、调度、多资源池融合,打破了信息孤岛,方便数据的灵活调取、对比和分析。“大联动”信息平台是成华区“大联动”体系建设的核心模块,是实现智慧城市的必然要求。
成华区“大联动”信息平台相关负责人表示:“在信息化技术不断成熟的今天,政府乃至街道社区应该用云计算技术来搭建办公网络,为老百姓提供服务,形成基于互联网+和云中心的智慧社区。”
以“大联动”为支撑,成华区积极探索“互联网+”在社会服务治理领域的应用,推进政府全域信息化建设,围绕“实验区+大联动”线上线下融合的双轮驱动智慧治理,为“智慧城市”建设开拓了新思路。“大联动”信息平台与公安指挥中心、政务服务中心、数字化城管中心互动,基本实现了信息的共享和资源的共用,探索建立警务分流、政务服务零距离、大城管的工作格局。
依托“互联网+”,成华区的“大联动”体系在民生服务中的应用正变得越来越广泛。让市民通过网络实现了审批服务事项全流程“一网办”,通过让数据在网上多跑路,让人民群众在现实生活中少跑路。
好文章,需要你的鼓励
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。