疾控工作者应该怎么利用 DeepSeek 等 AI 大模型 主要内容 先了解人工智能发展简史和发展方向 再介绍大模型的概念和与人工智能的关系 接着介绍垂域模型与智能体的概念 了解以上概念后开始将交流和畅想疾控与人工智能 + 再接着介绍 DeepSeek 大模型 最后是普通疾控人在工作中的具体使用探索交流 1 . 1 著名的图灵测试 1950 年，“计算机之父”和“人工智能之父”艾伦 大模型的设计和训练旨在提供更强大、更准确的模型性能，以应对更复杂、更庞大的数据集或任务。大模型通常 能够学习到更细微的模式和规律，具有更强的泛化能力和表达能力 学习能力强 大模型可以从大量的数据中学习， 并利用学到的知识和模式来提供 更精准的答案和预测。这使得它 们在解决复杂问题和应对新的场 景时表现更加出色 上下文理解能力 大模型具有更强的上下文理解能 力，能够理解更复杂的语意和语 就业机会。例 二、大模型：人工智能的前沿 从而减轻了人们的工作负担。 例如，在金融领域，大模型可 以自动分析大量的金融数据， 如 ，需要更多的人来开发和维 护大模型，也需要更多的人来 利用大模型进行各种应用开发 2.6 大模型对工作生活的影响 优化 决策过程 自动化 部分工作 创造新的 就业机会 帮助人们做出更准确的决策 增强娱乐体验 大模型在娱乐领域的应用，可以提供更

本规范适用于职业院校数字校园的实施，职业院校包括高等职业院校和中等职业学校。数字校园 的实施应按照规划与设计、建设与部署、管理与维护、应用与推广、评价与改进的步骤进行，是一个 持续优化和完善的循环过程。 数字校园是指以网络为基础，利用信息技术将学校的主要信息资源数字化，并实现网络化的信息 产生、管理、传播和使用方式，从而形成信息化、智能化的校园环境，其内涵为： 良好的网络、通讯和信息技术的普及应用是建设数字校园环境的基础； 《职业院校数字校园建设规范》 管理要求，根据自身情况选择实施，量力而行，逐步完善。基础设施的建设应充分利用网络互联和云 计算技术的优势，积极借助社会力量，协同构建院校中心机房、服务器、网络、仿真实训系统环境等 基础设施，将来自校外的数字化服务与校本提供的服务相结合，经济高效地为学生、教师和管理人员 构建人人互通的数字化学习空间，推动教学模式变革，提高人才培养质量，体现在： a) 支持教师面向校内开展混合式教学，提高教学质量，面向校外提供在线教学，服务企业培训和 终身学习； b) 促进优质教育资源的交流与共享，支持教师利用信息技术开展教学，提高教学的效益和质量； c) 开展虚拟仿真实训，既可以使学生达到实际操作训练教学导训的目的，又可以大幅度减少昂贵 设备的投入，减少实操耗材，提升实操实训安全系数，有利于培养学生岗位职业技能；

变以及他们需要具备哪些能力以实现伦理 且有效的AI应用。教师是教育中人工智能 的主要用户，他们被期望成为利用人工智 能设计和促进学生学习的设计者和 facilit ators，确保人工智能丰富环境中的安全 和伦理实践，并成为终身学习人工智能的 榜样。为了承担这些责任，教师需要得到 支持，以发展其能力，充分利用人工智能 带来的潜在好处并减轻其在教育环境及更 广泛社会中的风险。 然而，人工智能（AI）对学生、教学社区 第 1 章 ： 导论 教师教育提供者、教师工会、学校 领导、教师和教育专家。 The AI CFT 的结构，如第三章所示，遵 循ICT CFT 的结构。这两个框架都基于 一个愿景，旨在赋予教师适当利用技术进 行教育所需的能力。两个框架在架构上具 有共同性，涵盖了从预职前、在职和持续 支持阶段的全面教师专业发展方法，从而 确保持续的进步和信息技术与人工智能工 具的实际整合。通过在组织上镜像ICT C 学习中使用人工智能合成内容。 数据挖掘用于训练AI系统威胁个人数据隐 私。以往的ICT工具设计主要用于传输或 共享信息，并且倾向于对用户的手动操作 做出响应。相比之下，AI平台的设计背后 的數據挖掘涉及积极地侵犯和利用个人数 据，往往未经同意。此外，提供AI系统的 背后存在一种隐性的商业规则，促使用户 在注册“享受”AI服务的好处时放弃一定程 度的隐私权。尽管以往的ICT工具已引发 了一些关于隐私和安全的伦理担忧，但AI

会损失较大的精度。在药物发现这个先导化合物准确率极为重要的领域，大量的 计算资源和时间很难避免。曾有研究统计过，若想要对100亿个小分子进行令人 满意的筛选，则需要长达3000年的时间。简而言之，利用CADD进行高精度的 药物虚拟筛选，所需的时间同样是难以接受的。 AI大模型辅助药物虚拟筛选 基于AI的算法，包括监督学习，无监督学习，自监督学习，强化学习以及基 于规则的算法，可能有助于解决传统方法中存在的问题。 的化合物空间。而大规模的虚拟筛选数据集DUD-E，虽然包含超过100万个蛋 白-复合物条目，但也因为数据自身的质量而饱受诟病。 随着transformer模型的出现，人们注意到了利用无标签数据对模型进行预 训练可以提高模型的性能，正如目前风头正热的GPT，GPT利用了大量无标签文 本数据进行自监督预训练，这些文本数据虽然没有标签，但是数据量远远多于有 标签的数据。相应的，模型也可以进行大规模的设计以适应海量的数据。这便是 AI模型方法仿佛理解了自然语言的语 法，从而为自然语言处理带来了质的飞跃。 而在药物筛选领域，如果我们依照类似的方式，让AI模型去充分利用海量的 蛋白、分子数据去进行自监督训练，是否也有可能学习到分子世界中的"语法"规 则? 这种方法的潜在优势在于，它可以利用现有的大量无标签分子数据集，就像 GPT使用互联网上的无标签文本一样。通过自监督学习，模型可以无需昂贵的实 验数据标签，就能够识别和理解

数也很少；另外，这 些应用系统的使用模式也非常有规律，如大部分用户的使用和访问集中在上班时间，非正常上班时间(晚 上、节假日)利用率很低。在这些时间内，只有少数人偶尔使用 OA 系统、邮件系统等，大量的业务系统 实际上处于空闲状态，CPU 和内存利用率不超过 15%,但支持这些应用系统正常运行的所有资源(服 务 器等硬件设备)需要不间断工作，大量的服务器硬件增加了维护难度和能耗成本。 源的动态流转，可以更好的 利用资源，降低基础资源供应商的成本。 云计算是能够提供动态资源池、虚拟化和高可 “ ” 用性的下一代计算模式，可以为用户提供 按需计算 服 务。根据当前教育信息化的现状及发展趋势，云计算在教育行业将有极其重要的应用价值： (1) 教育资源的优化整合 对目前教育信息化的各种资源进行整合开发利用，充分挖掘潜力，提高资源的利用率。首先将分散在 不同地域的 不同地域的教学园区的软硬件资源进行整合，提高其重复利用率，杜绝闲置和浪费现象，达到数据的标准 统一、管理统一、维护统一，逐渐将校园网内各个分校、各个应用系统的数据动态及时地互联互通，彻底 消除教育信息化中的信息孤岛，实现信息分散、动态采集，集中安全管理，共享应用。通过服务器虚拟化 技术，将各种硬件及软件资源虚拟化成一个或多个资源池，并通过系统管理系统对这些虚拟资源进行智能 的、自动化的管理和分配。

许多医院需要扩建设施并增加更多的能源密集型设备 3. 能源价格持续上涨 这增加了管理者的预算压力，迫使他们想方设法降低与能源有关的运营成本。微电网可以充分发挥现场分布式能源 (DER) 的优势，利用高效发电手段，如热电联产 (CHP)、燃料电池以及太阳能、风能等可再生能源发电，并结合可以 移峰填谷的储能与智能管理供需的高级控制工具，提供有效的解决方案。 图 1 : 微电网技术通过提高对电网中 Generation，2017 施耐德电气 3 微电网系统技术已经成熟，预计在全球范围内将以每年 20% 的速度持续增长，而自 2014 年以来， 微网的一次性投 资成本预计下降了 25% 至 30%。5现在是医院利用这一经济高效的手段减少对公用电网依赖的最佳时机。当电网停 电时，医院可以从电网中“孤立”出来，独立运行一段时间。当电网能源成本上升时，微电网可以增加对现场可再生能 源或储能的消耗。在能获得最佳经济效 本白皮书面向正在研究微电网优势和成本的医院团队，简要概述了有助于确保其微电网解决方案得到全面优化的考 虑因素和选项： • 开展可行性研究，以确保获得足够的投资回报 • 正确设定 DER 的规模，以实现医院的能源目标 • 利用模块化、预预置化的微电网设计来简化安装、运行和维护 • 考虑最新的微电网融资和运营方案 5 “微电网发展为 309 亿美元市场的驱动因素为何？”，Microgrid Knowledge，2018

节，应用数智技术提升新靶点和新药发现效率，加速药物 研发和临床试验进度。 1.精准靶点识别与筛选 面向疾病机制探究和药物靶点发现等业务活动，针对 传统实验方法在通量和成本方面的局限性问题，利用多组 学数据分析和文本挖掘方法，整合丰富的生物学数据，结 合自然语言处理、深度学习、图像识别以及大模型等人工 智能（AI）技术，构建新药研发知识图谱，开展复杂蛋白 质结构预测，显著提升药物靶点的识别和筛选效率。 特 2 定要求的化合物，实现药物分子的从头设计及结构优化。 3.超高通量化合物虚拟筛选 面向新分子实体（NMEs）筛选等业务活动，针对传统 筛选方法效率低下和创新性不足的问题，利用计算机仿真、 分子模拟和成药性理化模型等技术进行高通量虚拟筛选， 加快化合物生物活性和药理作用的评估速度；基于人工智 能（AI）技术挖掘文献、数据库等，提高化合物筛选范围 和效果。 4.动物模型数据挖掘与虚拟动物实验 动物模型数据挖掘与虚拟动物实验 面向动物实验研究、药物测试等业务活动，针对动物 替代需求高、与人体结果一致性有偏差等问题，运用数据 挖掘、模拟技术，建立动物造模计算机仿真模型；基于动 物实验数据库，利用建模工具建立决策树、神经网络等不 同模型，对实验数据进行解析，指导药物研发，从而提高 决策质量、效率和成本效益。 5.中医药人用经验数据挖掘和决策模型研究 面向协定处方和院内制剂向创新药转化等业务活动，

中医药监管场景指的是借助物联网、大数据等远程技术对中医诊疗、中药 合理用药等进行监管，例如中药材建立质量追溯体系、审方平台等，保障患者医 疗和用药安全。 3 中医院外管理场景是指患者经过中医药治疗后，利用互联网、AI 技术在院 外进一步接受随访、患教、复诊提醒等服务。 本文重点对现代数字化技术加持下的院内外辅助诊断设备进行研究。 2. 中国智慧中医产业发展历程 中国在中医 ，采用经典的推理模式， 比如知识库采用树型结构进行存储，辨证推理树和施治推理树从知识树的节点开 始；推理过程则是利用回溯机制从初始态到目标态，根据节点的可信度进而得到 最优途径；基于产生式规则，通过逆向推理能够获取部分专家知识；多级极大值 搜索法建立启发式联想推理机一般利用数组或矩阵来表示知识。 4 （2）基于传统机器学习的阶段 进入 90 年代后，研究人员已经突破传统专家系统的概念，采用了机器学习 如华南理工将遗传算法、模糊技术和神经网络三种技术交叉，针对类风湿性 关节炎，提出了一种中医分型诊断系统。厦门大学人工智能研究所利用粗糙集、 神经网络及其软计算技术，构建了关于八纲辨证和脏腑辨证的多种模型和系统， 也取得了良好的成果。 虽然科研工作者利用机器学习对中医智能辨证诊断方法做了许多积极且富有 意义的研究探索，但受到技术手段制约，中医智能诊断系统诊断准确率低、覆盖 病种少以及系统应用率低的问题依然凸显。

如何将其在安全合规的基础上进行协同共享 ，是高校数据资源能够高效利用的保障。 在这些数据资源中 ，积累着大量的知识 ，其中不乏教学资料、学术文献、科研报告、试 验数据、会议视频音频等。知识于高校而言 ，是最大的资源、也是最强的生产力 ，知识 是高校的智力 ，是高校保持旺盛生命力、保持可持续发展的能力源泉。 但当前 ，数据资源中的知识并未被高效利用 ，知识沉淀、传承与赋能仍无法达成。因而， 在“数据”和“知识”双引擎驱动下 ，实现多云数据就地存储、按需访问； • 虚拟多份逻辑数据集 ，实现不同角色、不同权限用户的数据视图隔离。 • 通过低代码建模 ，快速构建全景图、仪表盘、搜索、链路、告警等多样化的可视 化 及分析模型 ，利用整合规则计算、机器学习及图谱构建等技术 ，实现观测视图 的实 时构建、访问和探索。 • 全息观测技术 ，提供全业务运营流程的问题闭环处理能力。 数据驱动智慧校园建设｜ 15 统一日志管理及可观测性方案 的服务水平（ SLA ）。 AnyRobot 统一日志管理及可观测性方案，旨在帮助组织实现对全平台机器数据的统一采集、存储、管理和分析，包括日志、 指标和调用链等。采用云原生架构和大数据处理引擎，利用机器学习算法和知识图谱技术，对各类数据进行集成和处理，全 面满足合规要求并为各类业务系统提供可观测性能力。通过数据驱动业务系统的运营与运维，增强组织数字化韧性： • AnyRobot

“教学和科研信息化”转变。在教学信息化方面：许多具备良好 IT 应 用技能的教师对信息化需求旺盛、使用 IT 手段辅助教学得心应手， 随着 MOOC 在高校的发展与应用，利用 MOOC 平台上的数据分析 和评估教学效果，将呈现越来越来多的需求；在科研信息化领域： 云技术得到高度重视，利用云计算和分布式技术开展科研信息化， 强化协同工作和知识管理，统一资源，提升计算和存储效率，降低 了科研工作的门槛；数据密集型科学的全新科研范式日趋明显，通 间上分离、空间上分散，但又相互依赖、相互协作的个体之间进行 联系的枢纽。通过设计表单与流程，实现公文网络审批的智能流转、 电子签章、多人会签等，既规范管理流程，又大幅度提高工作效率。 同时，支持移动办公，相关领导和工作人员可以利用手机进行公文 批阅，重要的校内新闻、通知、公告、公文等会以手机短信、手机 邮件等各种方式推送到手机，实现重要事务的应急响应与及时处理。 智能监控 学生可以随时随地查询有空闲座位的自习教室、开放的实验室，节 端用户接入到公网、将外部用户接入到内网。出口除了要保证校园 内外的数据传输，还需要保证边界安全。  核心层 核心层负责整个园区网的高速互联，一般不部署具体的业务。核心 网络需要实现带宽的高利用率和网络故障的快速收敛。  汇聚层 汇聚层将众多的接入设备和大量用户经过一次汇聚后再接入到核心 层，扩展核心层接入用户的数量。  接入层 负责将各种终端接入