1895年11月8日,全球第一张X光片诞生。距今125年的这项突破,为现代医学影像奠定了基础。
在过去的几十年间,整个医学影像硬件和软件的生态系统已逐渐形成。如今,AI初创企业在这一生态系统中发挥着关键作用。
11月30日,NVIDIA宣布成立NVIDIA医疗健康初创加速企业联盟。这项倡议将为医疗AI初创企业提供新的机会,让它们在NVIDIA及其医疗健康行业合作伙伴的帮助下实现创新,并加速获得成功。
NVIDIA 初创加速计划是NVIDIA为90个国家/地区的6500多家AI和数据科学初创企业所提供的一项加速器计划。现在,该计划的会员企业可加入GE医疗Edison开发者计划。通过与GE医疗Edison平台结合,这些初创企业可以访问GE医疗的全球网络,在160个国家/地区中,基于其庞大的400万台成像、移动诊断和监控装置,使用2.3亿份检查和相关数据扩展临床和商业活动。
获得FDA许可的会员企业,还可以加入用于诊断成像的Nuance AI Marketplace。Nuance AI Marketplace通过将开发者与放射学用户直接连接,将AI技术引入放射学工作流程中。它为AI开发者提供单一API,可将开发者的AI解决方案与Nuance PowerShare网络内的8000多家医疗机构中的放射科医生连接,并为用户提供审核、试验、验证和购买AI模型的一站式服务。此举不但弥合了技术鸿沟,还让AI变得更加有用、可用且实用。
实现增长的途径
最近,加入NVIDIA初创加速计划的医疗AI初创企业突破了1000家。该计划为会员企业提供各种长期福利,包括产品上市支持、技术援助以及获得NVIDIA专业知识的机会。这些福利均依据企业发展不同阶段的需求而量身定制。初创企业可通过NVIDIA深度学习学院接受培训、通过NVIDIA全球分销商网络获得硬件的优惠价格、并受邀参加独家社交活动等。
为帮助医疗健康行业以及整个医疗生态中的AI初创企业实现增长,NVIDIA正与医疗健康行业巨头合作,加速初创加速计划会员企业的产品上市。
NVIDIA医疗健康初创加速企业联盟将通过定向网络、AI培训、技术早期访问、营销比赛和技术集成,探索新的增长途径。会员企业将获得量身定制的培训和支持,帮助它们能够在医学影像生态系统中自由地开发、部署和集成NVIDIA GPU加速应用。
部分会员企业除了可以在市场上推广其研发成果之外,还可以直接与共同客户接洽。这项倡议,将一场针对医学影像及相关支持领域领先的AI初创企业营销竞赛拉开序幕。
GE医疗副总裁兼人工智能总经理Karley Yoder表示:“初创企业处在创新的最前沿。GE医疗Edison开发者计划助力其触及全球最大的医疗设备企业和客户群。通过将业内领先合作伙伴的顶尖能力整合在一起,就可以打通加快互联生态系统创新的捷径。此举将有助于改善护理质量、降低医疗成本,并为患者带来更好的治疗效果。”
Nuance高级副总裁兼诊断部门总经理Karen Holzberger表示:“凭借Nuance对放射科医生需求和工作流程的深刻理解,我们可以帮助他们运用AI改变医疗健康行业。通过Nuance AI Marketplace,放射科医生可以在日常使用的解决方案内轻松购买、验证和使用AI模型,从而让其工作变得更加智能、效率更高。AI模型可以帮助放射科医生集中自己的精力与专业知识,适时治疗合适的病例,从而减少大量重复、单调的工作,最终改善患者护理,挽救更多的生命。将NVIDIA初创加速计划会员企业与Nuance AI Marketplace联系起来是天然的契合,它们的结合将使整个行业受益。”
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。