科学研究促进人工智能创新。传统科研 范式大致可分为经验归纳（实验科学）、理 论建模（理论科学）、计算模拟（计算科学） 以及数据密集型科学 2。实验科学由自然现 象和实验结果归纳出一般性规律，但没有抽 象出经验规律背后的普适理论。理论科学基 于自然现象或实验结果，提炼科学问题并形 成科学假设，然后运用逻辑推理和数学分析， 构建普适理论，但难以在复杂系统中实验验 证。计算科学以科学模型为基础，通过数值 的同时，显著提高模型的泛化能力，如物理 信息神经网络 3。 人工智能创新重塑传统科学研究过程， 加速科学发现。人工智能通过融合数据和先 验知识的模型驱动、假设生成与验证、自动 与智能化实验以及跨学科合作等方式，加速 科学发现。传统科学发现以实验观察和理论 建模为核心，提出科学假设并归纳一般规律， 如物理定律。人工智能则采用模型驱动的方 式，从大规模数据中自动发现隐藏的规律， ©️diyun Zhu / Moment 4 5 2. 发展与态势 2.1 最新进展 随着深度学习、生成模型与强化学习等 技术的突破，人工智能不仅能从海量数据中 识别人类难以察觉的复杂模式，更展现出自 主提出科学假设、设计实验方案、优化研究 路 径 的 惊 人 能 力。DeepMind 推 出 的 AlphaFold 31 突破性地实现了对几乎所有分 子类型的蛋白质结构预测，提高了蛋白 - 配 体相互作用预测的准确度，为新药研发、疫

周。初步证明了基于网络监测可以提 早 发 现 疫 情 。 其 后 ， Ortiz 等 ［ 5］以 2009 年 甲 型 H1N1 流感暴发为出发点，分别选取 2003－2008 年 GFT 数据和美国 CDC 流感病例监测数据以及实验 室确诊病例数进行相关分析，皮尔逊相关指数分别 为 0.94 与 0.72。在加拿大，Eysenbach［6］通过追踪 谷歌流感相关搜索词与 2004－2005 年度监测数据 比较研究，发现搜索词点击量与第二周流感病例数 等［7］在加拿大发现 2009 年 H1N1 流感暴发期间，谷歌流感相关检索词的搜索 量与卫生部门的数据具有一致性，但关键词的搜索 峰值较实验室确诊病例数据提前 2 周。在瑞典， Hulth 等［8］通过医学平台 vardguiden 选取流感相关 搜索词并获得其检索数，结果显示与实验室流感确 诊病例数构成比和哨点报告的流感及类似流感症 状病例模型的确定系数 R2 分别为 0.90 与 0.89，验 证结果显示预测发病高峰与实际发病高峰高度重 常用的搜索引擎与传染病预警模型 除以上围绕重点疾病开展的研究外，各国学者 还利用不同搜索引擎对传染病的预警预测模型进 行了研究探索。研究者通过收集搜索引擎与疾病呈 正相关词条的数据，与卫生部门的监测数据或实验 室确诊数据拟合，并结合气候、时间等因素后构建 合适的模型对传染病进行监测预警，见表 1。 谷歌和百度是研究者使用最多的搜索引擎平 台，搜索的关键词可分为疾病名称、症状、治疗方法 三大类；目前国内外研究者采用的预警预测模型种

据特征现象去做统计特征，比如出现频率统计，特征共现统计，多维特征多样性统计等操作。 相对应的 title 和 description 文本特征也可通过简单的加权命中率来构成特征加入到树模型中。 总之实验证明 ID 类特征，二分类特征，连续特征离散化，统计类特征，以及 embedding 产生 的 vector 的交叉特征都会给模型带来正向收益。 图 2 5 第一部分 | 02 模型演变 3 embedding 空间结构。 6 第一部分 | 图 3 经历了 DNN 尝试没带来正向收益我们偏向于以线性和深度非线性结合的 Wide&Deep 结构（如 图 4）进行适配，此时我们考虑到 DNN 的实验产生的问题。 7 第一部分 | 图 4 图 5 我 们 并 未 直 接 加 入 由 知 识 图 谱 产 生 的 ID embedding 和 由 文 本 DSSM 模 型 产 生 的 文 本 match，IDsim，textsim 连接作为 wide 的输入。以 输入 ID 类特征，match 类特征，IDsim 特征，textsim 的 xgboost 模型作为 wide&deep 的比 较模型，实验证明 wide&deep 模型略优于 xgboost 模型，但是如果对此基础上 xgboost 做统 计特征则可超过 wide&deep 模型。以上可得 deep 模型非线性表征能力还是略微的比 xgboost

...............................53 数据标准化是确保不同来源的数据具有一致性的重要步骤。医疗数据通常来自多种设备和系 统，如电子健康记录（EHR）、医学影像设备和实验室检测系统，这些数据可能存在不同的 单位和量纲。标准化过程通常包括以下步骤：............................................................ 如智能手机或平板，与医生进行视频咨询，DeepSeek 能够实时转 录对话内容，并为医生提供关键信息的摘要，提高咨询效率。 在数据分析方面，DeepSeek 可以整合来自不同来源的健康数 据，如电子健康记录（EHR）、实验室结果和影像资料，通过深度 学习模型生成全面的健康报告。这不仅帮助医生更好地理解患者的 健康状况，还能为患者提供个性化的健康建议。 为了更直观地展示 DeepSeek 在远程医疗与健康监测中的应 器 学习算法，DeepSeek 能够高效地处理和分析大量的医疗数据，从 而实现精准的远程诊断与治疗方案。首先，DeepSeek 可以通过分 析患者的电子健康记录（EHR），包括病历、影像资料、实验室检 测结果等，快速识别出潜在的健康问题。例如，对于心脏病患者， 系统可以自动分析心电图（ECG）数据，并结合患者的病史，提供 初步的诊断建议。 其次，DeepSeek 技术能够支持医生进行远程会诊。通过实时

低研发成本和风险。例如， AI 在新冠药物研发中 展现了显著优势，部分 AI 驱动的药物研发公司（如 Insilico Medicine、Atomwise）已取得阶段性成果。 然而，AI 预测的化合物仍需通过实验验证，在临床试 验方案设计上仍面临复杂的医学、伦理和法规挑战， 且临床试验的设计和执行仍高度依赖人工经验，无法 完全替代 人工精细设计。尽管如此， AI 有望将药物 研发周期从 10-15 年缩短至 验验证活性与安全性，临床 试验转化成功率目前较低 化合物筛选 在大型药企的研发管线中逐步 应用，成为常规筛选流程的补 充手段 高，是药物研发领域投 资热点 存在较高的假阳性和假阴 性率，筛选结果需进一步 实验验证 ADMET 预测 部分药企已在研发流程中采用相 关 AI 技术，但尚未完全普及， 多处于辅助决策阶段 高，吸引大量药企与投 资机构关注 模型在复杂人体生理环境下 的预测精准度仍有提升空 平台及大模型服务生态，为医疗健康行业的 AI 技应用提供整 体技术底座。算力基础设施上，打破传统 HPC 高成本、低弹性的限制，提供按需扩展的 GPU/HPC 资源；AI 开发平台上， 降低 AI 开发门槛，加速模型从实验室到临床的转化；模型调用和适配上，通过 API 服务，推动 AI 能力与医疗业务深度融合。通过上述能力，阿里云已助力生物科技头部机构实现研发周期压缩、成本优化与效率跃 升，为医疗健康行业 AI

电子病历中可能存在相似病例但不同 医生依据个人经验给出的结论不 一 致、病例信息收集不完整、误录或书写格式不统 一 的数据， 这 对模型的训练和结果有重大影响。 多源数据融合难： 医疗数据来源广泛， 包括电子病历、实验结果、影像数据等。如何将多种不同 形式的数据整合成一个统一的训练数据集，是一个重大的技术挑战。 (3) 伦理问题 随着大模型在医疗领域中的应用， 伦理问题受到越来越多的关注。大模型在医疗健康领域的应用 医疗大模型应用实践案例 大模型技术凭借其强大的数据处理与学习能力 ， 正逐步渗透并重塑医疗领域的传统范式。例如， 在现代医疗环境中， 患者常常面临医学报 告难以理解的问题。拿到手的放射科、实验室或病理报告 充满了专业术语， 对于非医疗背景的人来说几乎如同 “ ” 天书 ， 这增加了患者的焦虑和不确定性。患者 希望能够快速、准确地了解自己的健康状况， 但传统 上需要预约并等待医生解读， 成本较高 3. 辅助工具与创新方法 为了缓解主观评估的高成本问题，业界探索了多种辅助评估方式： GPT-4 辅助评估： 使用 GPT-4 替代人工评估是一种高效且一致的方式。团队内部实验表明， GPT-4 的评估结果与专业人员评估的相关性较高，且评估效率显著提升。通过 GPT-4 可以快速进 行质量判断、内容比较以及多模型对抗测试 对抗测评与 Elo 评分：对抗测评与 Elo

技术路线，并针对当前光计算面临的问题及解决方案进行了系统性分 析。光计算的发展成熟需要产学研用各方凝心聚力，中国移动愿与业 界合作伙伴一道，共同攻关光计算关键技术，孵化创新应用，加速光 计算从“实验室”到“产业化”进程，推动光计算技术成熟和生态繁 荣，助力我国实现算力技术的“换道突破”和产业的“弯道超车”。 中国移动 面向新型智算的光计算白皮书（2025） IV 目 录 前 言... 算稳定性不足。因此，尽管全光计算在理论上具备终极性能潜力，其实际发展尚 停留在实验室探索与原理验证阶段。 中国移动 面向新型智算的光计算白皮书（2025） 13 3. 光计算面临的挑战及建议 当前，光计算为解决电子计算“算力墙”和“功耗墙”提供了关键路径，在 人工智能、大数据中心、智能机器人、自动驾驶等领域的应用探索上展现出巨大 发展潜力。但光计算要从“实验室”走向“产业化”，仍面临多方面挑战。 3.1 材料与器件 128x128。 天枢的关键进展在于成功实现商用 AI 算法的实际部署，可高效支持包括 ResNet50、SSD、Qwen 7B、DeepSeek 8B 等在内的主流计算机视觉与大语言模型， 标志着技术从实验室迈向实际应用。目前，曦智科技正基于其先进的软硬件平台， 积极推进光计算生态系统的建设，加速该技术在人工智能和高性能计算领域的产 业化进程。 （2）光本位科技 光本位科技自主研发基于相变材料的光子存内计算芯片和光电融合计算卡，

轮）》，2024年12月，样本量=889） 为应对“新技能培养”“管理模式调整”与“失业恐惧”等问题，领先组织正采用创新的实践型 学习方式，以满足AI时代下不断变化的技能培养需求。最新调查数据显示，高达83%的组织已在 使用“实践实验室”、“学习游戏”、“任务挑战” 及其他交互式平台开展技能培养，另有10% 的组织计划在2025年底前落地这些方式。 仅有少数受访者（17%）选择“计划在今年晚些时候使用，或目前暂无相关计划”。这一转变反 人才培养重点 就业趋势 重要举措 / 项目 AI/ICT领域产教融合； “AI+X”跨学科培养方向； K-��阶段AI素养教育与教师技 能提升；AI/云/数据/网络安全 领域职业教育路径；国家重点 实验室与试点园区建设；扩大 计算资源与应用研究渠道 AI/ICT 岗位需求旺盛且薪资溢 价显著；人才缺口持续存在， 竞争激烈；岗位集中于北京、 上海、深圳、杭州等城市；毕 业生数量增加，证书与实践项 色”双技能培养 “伊拉斯谟+”（Erasmus+） AI专项项目；提供AI测试与补贴 券的欧洲数字创新中心；初创 企业计算资源获取支持 “地平线欧洲”与“数字欧洲”AI 专项资助；AI测试与实验设施；支 持AI工作负载的欧洲高性能计算 （EuroHPC）系统；《AI法案》 实施资金 欧盟 负责任AI框架；AI岗位产业合 作；公共部门AI能力建设 职业教育与培训（VET/TAFE）

Future Food 2.2 生物发酵工厂生命周期内的常见问题 关注点 常见问题 工艺与 设计 工艺放大 细胞内部复杂的代谢调控网络，以及细胞外部复杂的湍流环境，使得发酵过程在实验 室、中试和工业规模发酵罐中的表现存在巨大差异，生产放大困难重重 高效工程 传统设计流程中，工艺、电气和自控等专业不能并行进行，设计周期过长，数据存在于 不同的数据库或文件中，维护混乱，版本众多，给工厂的后续运维优化带来挑战 8 质量管理 生产运营要与质量运营齐头并进，西门 子 Opcenter Laboratory 作为先进的实验室 管理系统（LIMS）通过在协同、流程优化、 质量测试以及产品召回方面实现结构化节约 来降低成本，提高透明度和控制能力，减少 废料和返工。 图 9 实验室管理解决方案的功能 3.9 预测性维护 预测性分析技术通过周期或持续监测设 备运行数据，结合人工智能算法，评估工厂

标准和自动化测试工具与用例，实现 厘清异构智算算力的优缺点与适用场景，促进算力落地，指导未来算力发展。 业界现有评测实践大致分三类，一是芯片原厂自测，侧重自家峰值算力，数据孤岛化； 二是第三方实验室评测，资源有限、更新慢、模型覆盖面不足；三是头部云厂商自建 19 Benchmark，场景封闭、结果不可横向对比。三类方案均停留在“单点、单次、单模型” 层面，缺乏自动测试的机制，难以支撑多元异构、快速迭代的国产芯片落地使用。 芯片，协同完成同一大模型训练过程，需要在算力芯片统一纳管、集合通信库、训练框架等 层面实现逐层对接。 4.1.1 中国电信智算异构四芯混训解决方案 中国电信联合壁仞科技、中兴通讯、中国科学院计算技术研究所、上海人工智能实验室、 北京邮电大学、中科加禾、天数智芯、沐曦等单位率先发布了包括统一训练框架、统一集合 通信库、统一 RDMA 网络的“智算异构四芯混训解决方案”，打造覆盖算力、网络、通信 库、平台与训练框架 HGCT（Heterogeneous GPU Collaborative Training），采用三层架构层次设计，包括异构调度、异构通信、异构拆分。2025 年 3 月， 壁仞科技与上海人工智能实验室联合开展千卡规模异构混训，联合设计了 HGCT 统一异构 通信库+DeepLink 统一异构训练框架的超大规模异构混训方案。 （1）在统一异构通信库层：采用插件化、模块化设计机制，向上一行代码实现训练框