图1：药物研发生产流程，图片引自[1] 传统方法在先导化合物发现中的局限性 在AI大模型时代到来之前，先导化合物的发现以实验方法及计算机辅助药物 设计(CADD)的方法为主。这些方法都有着一些自身难以解决的问题。 实验方法: 当前，药物化学实验方法在很大程度上依赖于"试错法"。这些技 术涉及检查大量潜在的药物化合物，以识别具有所需特性的化合物。显然，这些 方法速度缓慢且成本高昂，若是完全基于实验方法进行药物虚拟筛选，完成化合 完成化合 物数据库的筛选所需的时间是一个天文数字。此外，实验方法还受到可用测试化 合物的供应和准确预测它们在体内行为的难度的限制。 计算机辅助药物设计方法(CADD): CADD相较实验方法极大地加速了先导 化合物发现的速度。在CADD中，先导化合物的筛选被普遍称为: 虚拟筛选 (virtual screening)。他使用基于分子力场或者量子力场的分子对接方式，对数 据库中的海量化合物与靶点 据库中的海量化合物与靶点进行对接，从而依据自由能最小化等方式，计算靶点 与药物的亲和力，完成药物的筛选。基于CADD的方法除了能够加速，还不受化 合物是否可以获得的限制。然而，基于CADD的虚拟筛选存在一个trade off， 即想要进行精确的筛选需要大量的计算资源和时间，而想要快速的完成筛选，则 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

而完全无法开展。据估算每招募一名患者约花费6000至7500美元，成本可谓十分 高昂。因此如果进行高效的临床试验-患者匹配，是药物研发中急需解决的一个难 题。 传统的临床试验患者匹配方法及局限性 传统情况下，患者和试验的匹配是人工进行的。主要包含两大方向：TO B（找医 生）和TO C（找患者）。早期的患者招募机构多采取线下招募的方式，即项目人员 前往不同的城市、医院，乃至 Criteria、Exclusion Criteria，为临床试验挑选合适的患者。 这样的方法存在着一些难以解决的问题： • 招募效率低：人工筛选过程耗时且效率不高，很难快速识别和招募合适的患 者，这可能导致临床试验启动和完成的时间延长。 • 数据利用不充分：人工匹配的方法难以充分利用患者的历史医疗记录和其他 相关信息来进行更精细化的匹配。 • 性，例如患者可能同时患有多种疾病，这在传统的匹配方法中难以体现。 • 统计功效问题：由于传统匹配方法可能导致样本数量不足或样本选择存在偏 差，这可能影响临床试验的统计功效，即发现实际有效治疗效果的能力。 因此，如果存在一种方法能自动, 高准确率, 其大批量的为临床试验匹配患者，便可 节省大量的人力、物力，治愈更多的患者。 TrialGPT, 基于大语言模型的临床试验患者匹配方法 近年

AI-学生的 动态关系。 作为全球参考，该工具指导国家人工智能能力框架的发展，影响教 师培训项目，并帮助设计评估标准。它还提供了教师构建人工智能 知识、应用伦理原则和支持其职业发展的策略。 教学方法，以及专业学习中的AI应用。这些能力被划分为三个进 阶层次：获取、深化和创造。 The AI能力框架针对这一缺口，通过定义教师在AI时 代必须掌握的知识、技能和价值观来解决这一问题。 该框架基于保护教师权益、增强人类自主性和推动可 教育和研究中的生成人工智能指南。 它基于来自广泛利益相关方的贡献，受益于联 合国教科文组织成员国在开发和实施人工智能学校课程方面的见解、国际工作组的专 业知识，以及四次国际咨询会议和多轮在线咨询的成果。 该框架通过倡导以人为本的方法，将人工智能能力与人权原则和人类责任原则相结合， 从而与联合国教科文组织的使命相契合。以此方式，它响应了2021年联合国教科文组织 报告中发出的紧急呼吁。 重新构想我们的未来 ： 一种新的教育社会契约 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2 以人为中心的 AI 方法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.3

心技术来追溯AI的整体演进，旨在为教育者构建一个适应未来的认知新框架与人才培养视角。第二部分在阐明AI如何引领教育范式 革命的基础上，通过实践案例探索教育者利用新技术进行教学创新的具体路径与普适性方法。 二、DeepSeek与AI认知 此部分从DeepSeek的历史开始，逐步讲解AI的演进及认知： 1. DeepSeek解密：详细介绍DeepSeek技术历程、核心优势及其算法在理解、推理、知识应用上的提升。解析V3、R1等模 选择理由。 2、DeepSeek在教育中的应用：展示K12与高校AI人才培养及教学实践的创新案例。对比专业AI平台与通用模型（如 DeepSeek）的应用路径。强调利用通用大模型及开放工具赋能教育者，突出方法原理的通用性与可迁移性。 第一天的摘要：DeepSeek技术重塑教育 学习交流可加AI肖睿团队助理微信号（ABZ2829） 第4页 目录 1. DeepSeek解密 2. AI技术演进与认知框架 人工智能：让机器具备人类智能，让机器具备非人类智能（超人类智能） Ø 传统（知识+规则）：专家系统（知识库+推理机） Ø 现代（数据+学习）：机器学习（模型、目标、策略），数据模型（IID，用数学模型模拟世界） • 常规统计学习方法：逻辑回归，决策森林，支持向量机，马尔科夫链，…… • 人工神经网络：与人脑最大的共同点是名字（原理、机制和架构并不一样），用神经网络表达数学模型 传统神经网络：霍普菲尔德网络，玻尔兹曼机，….

药物研发生产流程，图片引自[1] 传统方法在靶点识别中的局限性 在AI的第三次浪潮之前，靶点的识别通常依赖多组学实验方法或者计算机辅 助药物设计的方法。多组学方法主要通过对病例组和对照组进行基因组、蛋白质 组等组学数据差异性比较，提取出可能致病的基因或蛋白靶点。这一方法通常有 着较高的准确性，但整体策略既费时又费力，且实验结果严重受到生物样本质量 的限制。 计算机辅助的方法主要包括反向对接，结构相似性分析等。这些计算技术能 析等技术的实 现。 基于上述所提的AI在靶点发现中的应用，本文将依据近期的AI医疗相关论 文，为大家介绍AI在药物靶点发现中的两个应用: 驱动新颖靶点的发现，预测蛋 白质结构。并将为大家介绍这些方法的技术细节以及局限性。 医学大语言模型驱动新颖靶点的发现 目前已有研究利用大语言模型，通过分析海量的医疗文本，实现了对新颖靶 点的挖掘。这里我们以英矽智能于23年9月发表的论文: Biomedical BioGPT-G信息提取流程，图片引自[2] 文章结论 通过上述方法，作者将prompt中的{DISEASE}设置为阿尔兹海默症、肌萎 缩性侧索硬化症等14个衰老相关疾病。对于每个疾病分别提取输出基因列表中 top200的基因及probability。最后提取出14个衰老疾病共有的靶点基因，共提 取出了9个靶点。这些靶点中6个是已经报道过的衰老相关靶点，一定程度上反 应了该方法的准确性。同时还发现了3个新颖靶点，其中1个由于不可成药性无

......................................................................................16 2.3 与现有评价方法的对比................................................................................................ .......................................................................................39 5.2 数据采集方法................................................................................................... 续提升奠定坚实基础。 1.1 背景介绍 随着教育技术的不断发展，传统的教学评价方式已逐渐无法满 足现代教育的需求。这些传统方法往往依赖于主观的教师评价和单 一的考试成绩，难以全面、客观地反映学生的综合能力和学习效 果。在此背景下，学校正积极探索新的评价工具和方法，以提升教 学质量和学生反馈的精确性。DeepSeek 作为一种基于人工智能和 大数据分析的先进教育技术，能够通过收集和分析学生的多方面数

不同工作组间的用户二层互访，每个工作组就是一个虚拟局域网。虚拟局域网 的好处是可以限制广播围，并能够形成虚拟工作组，动态管理网络。 VLAN 在交换机上的实现方法，可以大致划分为 4 类： 1、 基于端口划分的 VLAN 这种划分 VLAN 的方法是根据以太网交换机的端口来划分，比如 Quidway S3526 的 1~4 端口为 VLAN 10，5~17 为 VLAN 20，18~24 为 VLAN 的最广泛的方法，IEEE 802.1Q 规定了依据以太网交换机的端口来划分 VLAN 的国际标准。 这种划分的方法的优点是定义 VLAN 成员时非常简单，只要将所有的端口 都指定义一下就可以了。它的缺点是如果 VLAN A 的用户离开了原来的端口， 到了一个新的交换机的某个端口，那么就必须重新定义。 2、基于 MAC 地址划分 VLAN 这种划分 VLAN 的方法是根据每个主机的 地址的主机都配置他属于哪个组。这种划分 VLAN 的方法的最大优点就是 当用户物理位置移动时，即从一个交换机换到其他的交换机时，VLAN 不用重 新配置，所以，可以认为这种根据 MAC 地址的划分方法是基于用户的 VLAN， 这种方法的缺点是初始化时，所有的用户都必须进行配置，如果有几百个甚至 上千个用户的话，配置是非常累的。而且这种划分的方法也导致了交换机执行 效率的降低，因为在每一个交换机的端口都可能存在很多个

（一）医疗大模型超越传统方法的优势特征 大语言模型（Large Language Model）在医疗领域相对传统方法具有多方面的优势， 不仅体现在知识的提取整合上，也体现在医疗实践的各个环节之中。 在自动化的知识提取与整合方面，传统医疗信息整合通常需要大量人工努力，涉及文 献检索、数据抽取和手工整理，是一个费时费力的过程。大模型可以自动从大量医学 文献中提取知识，识别重要的疾病信息、治疗方法和疾病-基因关联等，迅速整合多个 联等，迅速整合多个 数据源，提供有价值的医学知识。 在临床文本分析与诊断支持方面，传统的临床文本分析通常依赖于规则引擎或浅层机 器学习方法，对复杂的医学文本难以处理。大模型可以处理自然语言文本，分析临床 病例和医学报告，帮助医生更快速地做出诊断和制定治疗方案。它可以理解上下文， 处理模糊信息，并且能自我学习和更新知识，这使得它在处理复杂和变化的医疗问题 时具有优势。 在医学影像分析方面，传统医 性和一致 性。 在医学研究和知识发现领域，传统医学研究依赖于繁琐的实验和文献回顾，速度较 慢。大模型可以分析大规模文献数据，发现新的疾病关联、药物靶点和治疗方法，加 速医学研究的进展，为科学家提供重要洞察。 大模型在医疗领域相较于传统方法具有自动化、高效性、多模态数据处理和个性化医 疗的优势。这些优势使医疗大模型成为医疗人工智能领域的有力工具，有望提高医疗 保健的质量和效率。 （二）医疗大模型面临的技术挑战与局限

研究目的与意义....................................................................................8 1.3 研究方法与框架..................................................................................10 1.4 文章结构概述 7.1 评估指标体系构建..............................................................................80 7.2 评估方法与工具..................................................................................82 7.3 评估结果分析 义。通过系统研究中小学人工智能应用的政策与实践，本研究将为 推动教育信息化 2.0 时代的教育改革提供有力支持，助力我国中小 学教育迈向智能化、现代化的新阶段。 1.3 研究方法与框架 本研究采用定性与定量相结合的研究方法，通过文献分析、案 例研究、问卷调查和专家访谈等多种手段，全面探讨教育信息化 2.0 背景下中小学人工智能应用的政策框架与实践路径。首先，通 过文献分析法，系统梳理国内外关于教育信息化

技术的认知：人工智能的本质 智能（ Intelligence ）：以模型为核心，是对真实世界的模拟和解释 • 用语言逻辑方法获取理论模型：模糊 • 用解析数学方法获取数学模型：精确 • 用计算数学方法获取数据模型：近似 • 用机器学习方法获取概率模型：复杂 • 用人工神经网络获取网络模型：黑盒 • 超过两层的神经网络可以逼近任意连续函数 人类智能 • • 抽象（语言）：概念，数字，理 念 • 逻辑（理性）：归纳，演绎，类 比 • 计算（模型）：科学方法 • 基于观测经验，发现规律 • MIT ：一切问题都是模型问题 • 模型： 一个映射， 一个函数 科学范式 ◼ 从规则到数据：逐步破除我执（去人类中心主 义） 1. 第一代（规则系统）： 推理为核心 2. 第二代（知识工程）： 知识为核心 3 、数据智能： LLM 取得了突破，最被看好 • 概率模型，机器学习（统计学习方法）、数据模型、计算数学 2 、学习人脑：当前遇到挑战，可能会成为道路 1 的一部分 • 抽象模型：杨立昆的世界模型 + 功能分区 • 类脑计算：意识研究、认识论（哲学物理学）、认知神经科学 包括生物计算，不排斥数据科学方法（ mortal computation ） 3 、具身智能：刚起步，研究热点，可能会成为道路