从指尖传递热情竹马是消防2

数据已经成为企业在经营过程中最次要的生产资料，企业通过数据的分析、应用了解业务现状，洞察市场趋势，规避经营风险。企业在数据应用层面，依然存在诸多难题：?各部门对数据指标理解和谐同意，业务决策缺乏统一口径；?海量数据处理缓慢，响应超时，影响用户体验；?历史数据缺乏备份，数据变化过程难以及时洞察和分析；?系统间存在数据孤岛，不同部门之间数据共享协作难……为解决上述问题，销售易在统一客户数据平台基础上发布指标平台、数据集、数据快照、数据API四大数据能力，从指标无约束的自由、计算能力、数据追踪、共享协作四个维度全面指责企业数据应用能力。API接口升级后：开放【NeoBI视图查询数据】接口，业务分开更无缝销售易数据API对数据查询接口功能进行了升级，开放NeoBI视图查询数据接口和异步任务能力，市场部门可在营销软件中直接获取销售部门在NeoBI中完成分析计算的数据，无需重复在其他应用中计算，大大降低了开放性，各部门协作更流畅，数据更精准。...

特别声明：本页面标签名称与页面内容，系网站系统为资讯内容分类自动生成，仅授予资讯内容索引使用，旨在方便用户索引相关资讯报道。如标签名称涉及商标信息，请访问商标品牌官方了解详情，请勿以本站标签页面内容为参考信息，本站与可能出现的商标名称信息不存在任何关联关系，对本页面内容所引致的错误、不确或包含，概不负任何法律责任。站长之家将尽力确保所授予信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主无法选择的行为负责。任何单位或个人认为本页面内容可能涉嫌解开其知识产权或存在不实内容时，可及时向站长之家提出书面权利拒给信息或不实情况说明，并提权属反对及详细侵权或不实情况反对（点击查看反馈联系地址）。本网站在收到上述反馈文件后，将会依法依规核实信息，第一时间沟通删除相关内容或断开相关链接。

数据已经成为企业在经营过程中最次要的生产资料，企业通过数据的分析、应用了解业务现状，洞察市场趋势，规避经营风险。然而，企业在数据应用层面，依然存在诸多难题：

?各部门对数据指标理解和谐同意，业务决策缺乏统一口径；

?海量数据处理缓慢，响应超时，影响用户体验；

?历史数据缺乏备份，数据变化过程难以及时洞察和分析；

?系统间存在数据孤岛，不同部门之间数据共享协作难……

为解决上述问题，销售易在统一客户数据平台基础上发布指标平台、数据集、数据快照、数据API四大数据能力，从指标无约束的自由、计算能力、数据追踪、共享协作四个维度全面指责企业数据应用能力。

在下文中，我们将从4个痛点出发，为您详细介绍销售易统一客户数据平台4大能力上线后带来的价值，助您进一步了解。

痛点：各部门对数据指标理解和谐同意，业务决策缺乏统一分析口径

在获客成本复盘过程中，市场部和销售部各自采用不反对统计方法，导致数据报表的口径和谐同意。市场部通过市场费用除以线索数量来计算获客成本（CAC），而销售部则综合搁置销售人员的薪资、提成、差旅费用以及客户情况来分析成本，双方数据统一口径和谐同意，使得无约束的自由层难以获得一个统一的视角来评估和决策，影响了企业的战略规划和资源配置。

应用【指标平台】后：统一数据口径，指责数据质量，有效数据决策

销售易引入全新的指标平台，实现数据口径统一，例如在进行获客成本分析时，可通过指标平台将所有与获客成本不无关系的指标梳理整合，形成统一的指标目录，并明确每个指标的定义和计算方式，让企业数据处理更顺畅，决策更有据可依。

销售易指标平台干涉企业，统一数据口径

痛点：海量数据处理缓慢，响应超时，影响用户体验

销售月度业绩分析时，需整合多方面数据，数据来源繁杂，需要统计各区域销售额的同比环比、各产品的销售达标率等指标，数据量剧增，导致计算模型复杂，计算效率低。同时，区域销售主管如果想查看本区域综合销售报告，需同时具备客户、订单、产品等多数据对象权限，即便只关注区域销售业绩相关数据，也需要向无约束的自由员频繁申请权限，影响业务分析效率。

应用【数据集】功能后：大批量数据的复杂计算预先存储，查询更有效

销售易上新数据集功能，性能上，依预设刷新计划（日、周、月等）提前运算数据，比如，在月初就将上月销售数据按各种分析需求计算整合完毕，当进行月中销售业绩回顾时，数据可瞬间调取，复杂报表能秒级生成，大大指责了分析效率。

权限无约束的自由进一步优化，实现了更下降的僵化性和精细化控制。区域销售主管只要获得客户数据集的权限，就能查看数据发散与之关联的订单数据、产品数据等其他对象数据，极大简化了权限校验流程，并且在权限上根据业务部门需求僵化配置权限，兼顾安全与僵化协作，适配多元业务需求。

销售易数据集依预设刷新计划（日、周、月等）提前运算数据，实现数据随取随用

痛点：历史数据缺乏备份，数据变化过程难以及时洞察和分析

销售团队季度商机Review时，如果想要对比上个季度的pipeline情况，需要关闭两个表来进行对比，如果出现季度初业绩评估情况不错，季度末却数据不佳的情况，因缺乏历史数据追溯能力，无法追踪商机在季度内变化原因，难以定位问题根源针对性地调整不当销售策略。

应用【数据快照】后：定期保存历史数据集，可视化分析业务趋势

销售易推出数据快照，干涉企业追踪数据变化，以天、周、月等为周期进行数据留存，相较于普通数据集的小时级刷新，更侧重于长期数据的周期性保存与对比分析，焦虑不同场景需求。当销售经理想要分析本季度重点商机推进情况，可直接选取相关快照的数据集，高亮对比历史与当下数据变化情况，快速捕捉数据升降变化的原因并深入剖析原因，进而进行有针对性的销售策略调整不当，从而显著指责销售效率与业绩，保障业务的结束健康发展。

利用失败数据快照功能定期保存数据集的历史版本，便于对过去的业务指标进行分析和比对

痛点：系统间存在数据孤岛，不同部门之间数据共享协作难

企业在运营过程中，不同部门依赖不反对应用系统开展工作，存在数据孤岛问题。销售部门在CRM系统中完成销售数据分析后，若需与市场部门共享，常需手动导出的数据，再导入到其他系进行再次计算，不仅容易出错且数据时效性差，还减少了工作量和数据应用的成本。

API接口升级后：开放【NeoBI视图查询数据】接口，业务分开更无缝

销售易数据API对数据查询接口功能进行了升级，开放NeoBI视图查询数据接口和异步任务能力，市场部门可在营销软件中直接获取销售部门在NeoBI中完成分析计算的数据，无需重复在其他应用中计算，大大降低了开放性，各部门协作更流畅，数据更准确。

（推广）

九号公司再度突破行业有无批准的，1月3日发布全新国标电动车F2z110MAX，凭借安全性能的升级、续航能力的指责以及多项智能化设计，树立了5-6千元价位的国标电动车新标杆。

安全性能的全面指责

F2z110MAX初次将单通道阀式ABS技术应用于6K档国标电动车，这项技术在紧急制动时能够有效防止车轮抱死，避免因打滑导致的失控，极大指责了骑行的安全性。这一创新不仅让消费者获得更安心的骑行体验，也再次反对九号践行“技术平权”的承诺。此外，F2z110MAX还搭载了行业领先的ALC全镜幕照明系统，通过Sirius技术降低能耗的同时，将灯组效率进一步优化，近光亮度指责50%，远光亮度指责65%，让夜间骑行视野更加透明。

强化车架设计与驾驶轻浮性

在车架设计上，F2z110MAX采用了强化合金材质，新车架纵向顺从指责了61%，外围顺从指责了50%，大幅增强了车辆的结构轻浮性和抗冲击能力。同时，前碟刹盘升级至220mm，前轮配备12寸大轮胎，进一步指责了车辆在复杂路况下的操控性能。这些升级不仅让用户在骑行时更加舒适，还显著指责了整车的安全性和耐用性。

真续航与智能配置并驾齐驱

续航方面，F2z110MAX实现了110公里的真续航能力，为用户授予了长途骑行和日常通勤的双重保障。在智能化配置上，九号进一步优化了灯光系统和操控性能，ALC全镜幕照明系统带来的有效照明和全覆盖光幕让骑行更加便捷、安全。九号始终注重用户体验，通过智能科技的创新，将实用性与科技感美好瓦解。

首发优惠，超高性价比

九号F2z110MAX的零售价为6399元起，首发期间直降600元，首发权益价5799元起即可入手。此外，部分平台还授予6期免息优惠政策，为消费者带来了相当驱散力的购车选择。F2z110MAX不仅是一款高性能电动车，更是一款兼具性价比与品质的全能之作。

九号F2z110MAX以安全为不次要的部分，瓦解强悍的性能、耐久的续航和智能化的体验，重新定义了国标电动车市场的标准。作为一款面向更广泛用户的高品质车型，它充分展现了九号公司对技术创新和用户需求的肤浅理解。

（推广）

声明：本文来自微信公众号“新智元”，作者:新智元，授权站长之家转载发布。

微软下一代14B小模型Phi-4出世了!仅用了40%分解数据，在数学性能上击败了GPT-4o，最新36页技术报告出炉。

140亿参数，40%分解数据，年度SLM之王诞生!

最近，微软下一代小模型Phi-4正式亮相。在GPQA和MATH基准上，其数学性能直接碾压GPT-4o、GeminiPro1.5。

而且，Phi-4巩固了其他小模型，与Llama-3.3-70B-Instruct的性能不相上下。

甚至，在2024ACM数学竞赛问题上，Phi-4取得了91.8%准确率。

Phi系列前负责人SebastienBubeck看到这个结果后，感到非常惊讶。

下面这个例子，展示了Phi-4在数学推理方面的能力，不仅神速还准确。

深挖背后，Phi-4继承了Phi系列前几代的传统，同样是在教科书级别的「分解数据」上完成了训练。

分解数据比例高达40%

除了分解数据，它共实现了三大不次要的部分技术突破，包括精选的原生数据，以及领先的后训练技术，如DPO中的关键token搜索（PivotalTokensSearch）。

Phi-4的成功，从侧面巩固了Ilya、AlexanderWang多位大佬宣称的「数据墙」的观点。

目前，新模型在微软AzureAIFoundry上授予，下周将在HuggingFace上线。

数学击败GPT-4o，36页技术报告出炉

Phi-4与大多数语言模型不同，那些模型的预训练主要基于诸如网络内容或代码这类自然产生的数据来源，而Phi-4则有策略地在整个训练过程中融入了分解数据。

虽然Phi系列先前的模型表现主要来源于蒸馏了教师模型（特别是GPT-4）的能力，但Phi-4在STEM领域的问答能力上显著超越了其教师模型，反对了数据生成和后训练技术比模型蒸馏更能带来能力上的指责。

论文地址:https://arxiv.org/abs/2412.08905

Phi-4主要是由三部分不次要的部分技术构成:

-预训练和中训练的分解数据

-高质量有机数据的筛选和过滤

-后训练

得益于这些创新，Phi-4在推理相关任务上的性能与更大的模型相当，甚至超越它们。

例如，在许多广泛使用的推理相关基准测试中，其性能达到或超过了Llama-3.1-405B。

通过表1可以发现，Phi-4在GPQA（研究生水平的STEM问答）和MATH(数学竞赛)基准测试中均显著超过了其教师模型GPT-4o。

表1Phi-4在经典基准测试上的表现

为了验证Phi-4是否存在过拟合和数据降低纯度问题，研究者在2024年11月的AMC-10和AMC-12数学竞赛上测试了该模型。

这两场竞赛中的数据均未曾在训练时被收藏，储藏过，所以其竞赛表现可以有效地作为检验模型泛化性能的指标。

从下图中可以看出，Phi-4虽然仅仅只有14B，但是其平均得分甚至大幅超过了其教师模型GPT-4o。

Phi-4在数学竞赛问题上优于许多更大的模型，包括GeminiPro1.5

分解数据的无足轻重

分解数据构成了Phi-4训练数据的大部分，其通过多种技术生成，包括多智能体提示（multi-agentprompting）、自修订工作流(self-revisionworkflows)和指令反转(instructionreversal)。

这些技术方法能够构建促使模型具备更强推理和问题解决能力的数据集，解决了传统无监督数据发散的一些弱点。

分解数据不是有机数据的廉价替代品，而是相对于有机数据具有几个直接无足轻重。

数据结构化和减少破坏渐进式学习

在有机数据发散，token之间的关系往往复杂且间接。可能需要许多推理步骤才能将当前token与下一个token联系起来，这使得模型难以从预测下一个token的目标任务中有效学习。

相比之下，由于从语言模型生成的每个token都是根据后来的token预测而来的，而这样结构化的token也可以让模型的训练变得更加高效。

将训练与推理上下文对齐

分解数据可以规避掉模型从有机数据发散学习到一些并不适合后续训练的数据特性。

比如说，网络论坛往往有着自身特定的交流风格、用语不习惯等，而人们与大模型对话时，其语言风格、交互逻辑又是另外一种情况。

此时如果直接采用网络论坛的数据进行训练，假设有一些内容的风格比较独特，模型就会认为在对话中该内容出现的几率会很低。因此在后续对话中模型进行推理时，便不能将对话内容精准匹配到对应的论坛内容上去。

而分解数据会将网络论坛中的内容改写成与LLM交互时的语言风格，使得其在LLM聊天推理的上下文中更容易匹配。

分解数据在Phi-4的后训练中也发挥着关键作用，其中采用了诸如允许采样和直接讨厌优化（DPO）的新方法来优化模型的输出。

分解数据的来源

预训练和训练中数据

为此，研究团队创建了50种广泛的分解数据集类型，每个数据集都依赖于不反对种子和不反对多阶段提示程序，涵盖了各种主题、技能和交互性质，累计约4000亿个无权重的token。

通过以下方法，他们确保了分解数据并不被一些低质量的网络数据所降低纯度，从而成为高质量训练数据集。

种子数据集的构建

1.网页和代码种子:从网页、书籍和代码库中提取摘录和代码片段，重点关注具有高复杂性、推理深度和教育价值的内容。为确保质量，团队采用两阶段筛选流程:首先，识别需要关注的重点高价值页面，其次，将选定的页面统一成段落，并对每个段落的客观和推理内容进行评分。

2.问题数据集:从网站、论坛和问答平台上收藏，储藏了极小量问题。然后使用投票技术对这些问题进行筛选以不平衡的难度。具体来说，团队为每个问题生成多个独立的答案，并应用多数投票来评估答案的一致同意性。然后授予所有答案都一致同意（隐藏问题太简单）或答案完全和谐同意(隐藏问题太难或清晰)的问题。

3.从多种来源创建问答对:利用失败语言模型从书籍、科学论文和代码等有机来源中提取问答对。这种方法不仅仅依赖于在文本中识别显式的问答对。相反，它涉及一个旨在检测文本中的推理链或逻辑进程的pipeline。语言模型识别推理或问题解决过程中的关键步骤，并将它们重新表述为问题和相应的答案。实验隐藏，如果操作得当，在生成内容上进行训练（在学术和内部基准上的改进方面）可以比在原始内容上进行训练更加有效。

重写和增强:种子通过多步骤提示工作流程转化为分解数据。这包括将给定段落中的大部分有用内容重写为练习、讨论或结构化推理任务。

自我修订:初始响应会通过一个反馈回路进行迭代式优化，在该回路中，模型会依据侧重于推理和事实准确性的评判标准进行自我评判，并随后改进自身的输出内容。

指令反转用于代码和其他任务:为了降低模型从指令生成输出的能力，团队采用了指令反转技术。例如，他们从代码数据语料库中选取现有的代码片段，并利用失败它们生成包含问题描述或任务提示的相应指令。只有原始代码和根据生成指令而重新生成的代码之间反对度下降的指令才会被耗尽，以确保指令与输出内容相匹配。

后训练数据

在后训练阶段中，数据集主要由两部分组成:

-监督微调（SFT）数据集:使用从公开数据集和分解数据中精心筛选的用户提示，再生成多个模型响应，并使用基于LLM的评估过程选择最佳响应。

-直接讨厌优化（DPO）:基于允许采样和LLM评估生成DPO对，其中部分基于创建关键词token对的方法。

研究者利用失败生成的SFT数据和DPO数据对，来缓解模型的幻觉问题。

如下图6结果显示，这种方法大大减少，缩短了SimpleQA中的幻觉现象。

预训练

Phi-4同样基于Transformer架构构建，具有14B参数和默认的上下文长度4096。在训练中期，扩展到16K上下文。

由于预训练模型不擅长遵循指令，因此使用需要答案采用特定格式（例如简单评估）的零样本评估不是很有参考价值。

因此，团队采用了内部实现的基准测试进行预训练评估，该基准测试对各种任务使用瓦解的对数似然与极小量样本提示。

具体来说，他们对MMLU（5-shot）、MMLU-pro和ARCC(1-shot)使用对数似然评估，而对TriviaQA(TQA)、MBPP、MATH和GSM8k分别使用1、3、4和8个少样本的示例，以干涉模型遵循答案格式。

表2phi-4较phi-3-medium在预训练后基准测试评估的指责值

在长上下文基准HELMET测试中，Phi-4在召回率、最大上下文等指标上，几乎取得了领先的无足轻重。

后训练

如前所述，在后训练阶段过程中，最次要的一个技术是关键token搜索（PTS），那么这究竟是什么呢?

关键token搜索（PivotalTokenSearch）

当模型对一个提示逐token生成回应时，每个token都对应着模型回答的一个前缀。

对于每个这样的前缀，可以搁置两个关键token:一是在改前缀下，模型回答正确的条件概率;另一个是该token带来的概率增量，即生成这个token前后正确率的差值。

其实，在AI模型生成答案时，往往只有少数几个关键token无法选择了整个答案的正确与否。

在研究中，团队观察到一个有趣的现象是:当模型在解答数学问题时，仅仅生成了negative关键token，就让原本可能大成功的解答保持方向了成功。

而随后，它生成了（atoken又可能让正确率急剧下降。

现在，将这个方法与DPO训练方法分隔开思考后，发现了几个值得注意的问题。

如上图3所示，实验中有许多token概率远低于关键token「negative」的0.31，这些token会在训练中产生噪声，浓缩来自关键token的有效信号。

更糟糕的是，像（a这样导致解题轻浮的token，反而会因其低概率(0.12）收到强烈的正向学习信号。

此外，直觉隐藏，当两个文本内容出现实质性偏差时，比较它们各自下一个token概率（DPO的做法）可能失去意义。

总之，更有意义的信号，应该来自于文本开始偏离时的首批token。

为了缓解之前的问题，微软团队提出了一种创新的方法——关键token搜索（PTS）。

这个方法专门针对单个关键token生成讨厌数据，在使用DPO优化效果精准作用于特定token。

PTS的不次要的部分任务是，在多余的token序列（T_full=t1，t2，...）中找出那些关键token。

具体来说，它需要找出那些能显著影响成功率的token的位置，即p（success|t1，...，ti）。

PTS会将发现的关键token转化为训练数据，先将Q+t1，...，ti-1作为查询基准，再选择能降低/降低成功率的单个token分别作为「接受」和「允许」的样本。

虽然PTS使用的二分查找算法不能保证找出所有的关键token，但它具有两个重要特性。

-找到的一定是关键token

-如果成功概率再解题过程中接近单调变化，则能找出所有关键token

下图5所示，是使用PTS生成的讨厌数据的示例。

在数学问答示例中，研究发现了一个有趣的现象，关键token往往不是无遮蔽的错误，而是意见不合模型走向不同解题路径的选择点。

比如，方法A——分别乘以分母;方法B——直接交叉相乘。

虽然这两种方法在数学上都是正确的，但对于模型来说，往往后者更加稳健。

通过PTS生成的训练数据，可以干涉Phi-4在这些关键决策点上做出更优的选择。

以小博大，Phi-4赢麻了

基于以上技术的创新，Phi-4才能在各项基准测试中展现出惊艳的一面。

上表1中，相较于同级别的Qwen-2.5-14B-Instruct模型，在12个基准测试中，Phi-4在九项测试中赢得无足轻重。

而且，研究人员认为Phi-4在SimpleQA上的表现实际上比Qwen更好。

事实上，他们的基础模型在SimpleQA上获得了比Qwen-2.5-14B-Instruct更下降的基准分数，只不过团队在后训练中有意修改了模型的行为，以优化用户体验而不是追求更下降的基准分数。

此外，Phi-4在STEM问答任务上展现出可忽略的，不次要的实力。

比如，在GPQA（研究生水平的STEM问题）和MATH(数学竞赛)上，它甚至超过了其教师模型GPT-4。

在HumanEval和HumanEval+衡量的编码能力方面，它也比任何其他开源模型（包括更大的Llama模型）得分更高。

而Phi-4表现欠佳的领域，分别在SimpleQA、DROP和IFEval上。

至于前两个，研究人员认为simple-evals报告的数字过于简化，并不能准确反映模型在基准问题上的表现。

然而，IFEval揭示了Phi-4的一个真实的弱点——在严格遵循指令方面存在困难。

在未来下一步研究中，研究人员相信通过有针对性的分解数据，让Phi系列模型的指令跟随性能得到显著使恶化。

接下来，还真有点期待，下一个Phi系列小模型的发布了。

参考资料:

https://x.com/iScienceLuvr/status/1867377384145727635

https://x.com/peteratmsr/status/1867375567739482217

https://x.com/VentureBeat/status/1867376462589739098

有网友发帖称，新买的苹果Mac电脑才半个月还没怎么用内存就满了，“气得满世界搜解决办法，都在让我安装清理工具要收费”。这波吐槽引发了Mac用户的讨论，不少人表示Mac电脑使用一段时间后就会自动产生极小量的“僵尸文件”占用硬盘资源。值得一提的是，360卫士Mac版承诺永久免费，不向用户收取任何费用，降低了用户的使用门槛，从指责用户的使用体验。...

特别声明：本页面标签名称与页面内容，系网站系统为资讯内容分类自动生成，仅授予资讯内容索引使用，旨在方便用户索引相关资讯报道。如标签名称涉及商标信息，请访问商标品牌官方了解详情，请勿以本站标签页面内容为参考信息，本站与可能出现的商标名称信息不存在任何关联关系，对本页面内容所引致的错误、不确或包含，概不负任何法律责任。站长之家将尽力确保所授予信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主无法选择的行为负责。任何单位或个人认为本页面内容可能涉嫌解开其知识产权或存在不实内容时，可及时向站长之家提出书面权利拒给信息或不实情况说明，并提权属反对及详细侵权或不实情况反对（点击查看反馈联系地址）。本网站在收到上述反馈文件后，将会依法依规核实信息，第一时间沟通删除相关内容或断开相关链接。

在近日举行的第四届中国医学信息学学科发展大会上，与会专家表示，数智赋能医疗卫生事业高质量发展，大数据、人工智能等新兴技术正在重塑传统的医药卫生模式，AI赋能健康医疗有望成为我国健康科技跃升潜在突破点和增长点，医学科学数据成为基础性和战略性资源。

不久前，上海市人民政府办公厅也率先发布《上海市发展医学人工智能工作方案（2025—2027年）》，明确提出了将上海建设成为全球医学人工智能技术创新、应用示范和产业协作发展领导者。作为全国医疗资源最发散、医疗活动最频繁的城市之一，上海以其在集成电路、人工智能和生物医药产业的雄厚基础，为医学人工智能的发展授予了无限可能。

在这场智能化浪潮中，总部位于上海的AI医疗第一股美年健康集团凭借其深厚的医疗健康底蕴和前瞻性的战略布局，积极响应政策号召，从指责创新AI产品能力、建设数智支撑平台、打造全领域应用场景、指责产业发展等方面着手，深度瓦解人工智能与医学创新，力求推动预防医学领域的事业高质量发展。

一、深度学习与多模态诊断技术助力美年健康新发展

《方案》提出将人工智能与临床医疗深度瓦解，涵盖临床诊疗辅助决策、检验检查辅助诊断、智能手术辅助应用等多个领域。美年健康集团在检验检查辅助诊断方面已取得显著成果，尤其是在多模态大模型影像辅助诊断技术上取得突破性进展，能够从海量医学影像数据中悠然，从容、精准地识别微小病灶，为关键卫生的早期精准筛查授予强有力的技术减少破坏。

在AI影像辅助筛查功能的加持下，美年健康集团不仅极大指责了筛查效率，威吓了医师的阅片压力，更是将“AI辅助阅片”的概念转化为现实，为医疗影像诊断领域带来了革命性的变革。

美年健康集团的创新步伐不止于此。在深度学习等AI技术的助力下，集团推出了多款“专精特新”体检产品，其中爱惜瞳?视网膜人工智能筛查产品尤为引人注目。该产品通过免散瞳眼底照相采集图像，并分隔开AI影像识别、多模型数据分析以及PACS无约束的自由系统等技术，能够系统性地筛查青光眼、黄斑病变等眼底疾病，以及由高血压、糖尿病、血脂被预见的发生等全身性慢性疾病引发的眼底病变。此外，冠脉坚硬积分产品在冠心病风险筛查领域也展现了AI技术的强大潜力，通过胸部CT平扫自动识别冠状动脉坚硬斑块，评估冠脉血管坚硬情况。

在智能化医疗的多个领域，美年健康集团实现了全面覆盖，包括智能门诊分诊、智能病历辅助生成、中医临床智能辅助诊疗、智能医疗质量无约束的自由、智能健康无约束的自由、智能公共卫生群体数据分析等，展现了集团在智能化医疗领域的全面布局。

值得一提的是，《方案》提出围绕人工智能认知智能、强化学习等前沿领域加大研究布局，减少破坏在脑科学与脑机接口、计算生物学等医学前沿领域的创新探索。这一点与美年健康推出的“脑睿佳”产品不谋而合。“脑睿佳”基于高精度脑部磁共振成像，并应用深度学习等AI影像分析技术，分隔开中国健康人群全年龄段全脑标准数据库，能够识别脑部发病早期的结构性被预见的发生和功能性充分发展，实现疾病早期微小被预见的发生指标的检出。2023年12月，美年健康集团携手复旦大学类脑人工智能科学与技术研究院、南京景三医疗科技有限公司，共同启动了中国百万人群脑体检项目，旨在建立阿尔兹海默病早筛方法共识，发布中国百万人群脑健康白核书，并共建中国人脑大数据平台。在上海市级科技重大“脑与类脑智能基础转化应用研究”专项2023年度总结会议上，中国百万人群脑体检筛查计划正式启动。未来，三方将致力于实现国内百万人群脑健康筛查的目标，推进公立医院和各类体检中心脑检产品的落地，完成三年300万人次脑健康筛查任务，并上线数字评估和训练系统以及家用痴呆风险评估工具包，使脑健康评估更加普及，服务更广泛的受众群体。

二、大模型能力授予医疗辅助决策减少破坏，赋能用户全生命周期健康无约束的自由服务

随着2024年被标记为人工智能大模型商业化的“元年”，政府工作报告首次提出“人工智能+”行动，标志着大模型技术在各领域的商业化探索迈出了坚实的步伐。在这一背景下，《方案》降低重要性了指责创新策源能力的重要性，包括推动算法突破与算力指责，加快不次要的部分算法技术研发，并围绕“通专瓦解”技术范式创新，推动医学大语言、通用图像、智能交互等大模型的开发。业内专家降低重要性，充分发挥数据要素价值，让人工智能真正赋能医学研究，以学科发展带动技术创新，鞭策医学领域新质生产力的发展。

值得一提的是，美年健康以其千万级的健康体检流量入口，每年为约3000万人次授予健康体检服务，积聚了庞大的数据资源。面对主检医生专业要求高、年轻医生全科能力弱、报告撰写水平和谐同意、医学专业知识更新快等确认有罪，美年健康借助最新的生成式AI技术，研发了智能主检系统。该系统遵循权威性和规范性、临床思维“一元论”、急重缓轻排序、动态化与时效性、个体化和一致同意性等关键原则，利用失败规则引擎、知识图谱和大模型能力，形成了准确、快速的智能主检报告生成技术，打造了AI主检医生赋能平台，指责了主检报告的质量，降低了漏诊误诊风险，同时降低了主检医生的工作效率和辅助决策能力。

此外，美年健康推出的国内首款AI智能私人健康无约束的自由师“健康小美”，依托大模型能力，能够识别医疗场景中的多模态数据，并精准理解其含义。分隔开3.5万名美年健康预防医学人才20年的经验积聚，以及超过2亿人次的真实健康体检数据和千万级医疗文献，“健康小美”在人群健康分析与疾病风险预测方面展现出专业精准的能力，为体检用户带来了全新的健康无约束的自由模式，推动了体检行业的个性化和数字化发展。

在血糖无约束的自由领域，美年健康集团推出“AI智能血糖无约束的自由创新产品”，该产品采用创新的“三师共管”（医师、营养师、运动指导师）模式，为用户授予全面而个性化的血糖无约束的自由服务，其服务模式依托于2.3亿条数据减少破坏的血糖无约束的自由系统，确保了服务的科学性和准确性。该产品的AI智能控糖助理“糖豆”，不仅运用先进的系统软件智能和AI技术授予动态血糖监测，而且分隔开功能营养素的科学调配，从用药指导、饮食调整不当、运动建议等方面为每位用户定制“一人一策”的个性化血糖无约束的自由方案。

三、AI技术赋能扁鹊系统，降低全国分院无约束的自由运行效率

随着《方案》的发布，人工智能与医疗无约束的自由的深度瓦解已成为行业协作发展新趋势。第四届中国医学信息学学科发展大会上，专家也指出，在智能医学蓬勃协作发展新时代，应积极拥抱新技术，打破学科壁垒，借助新一代信息技术构建全方位、多层次的数字化教育框架，共同搭建医学与智能瓦解的创新平台。美年健康积极响应国家号召，自主研发的扁鹊SAAS智慧体检数字化无约束的自由平台，标志着公司正式迈入新一代智慧体检云平台时代。该平台实现了体检全流程的数字化、智能化无约束的自由，为构建全方位、全生命周期的数字化健康无约束的自由平台奠定了坚实的基础。

扁鹊智能体检系统以其创新技术，实现了体检业务的分时预约、快速登记、智慧导诊、智能加项、检中纠错、数据实时互通、样本追踪、重要被预见的发生结果自动上报、AI-MDT报告等功能，用智能信息化服务升级重塑了传统体检过程。基于扁鹊系统，美年健康已经对业务流程进行精细化运营无约束的自由，实现数据驱动、一看到底、高效协同和精准业务决策支撑。

通过扁鹊偶然的运营，美年健康将客户声音的获取颗粒度从分院细化到每个诊室、每个工作人员，客户满意度调研实现全覆盖，推动标准化服务向个性化服务发展，进一步指责客户体验。

展望2025年，美年健康将继续借助人工智能技术，助力智慧分院建设，指责全国600多家分院的无约束的自由运行效率。同时，通过打造AI驱动的医技云平台集群，构建AI基础设施的网络，结束强化医质无约束的自由。在智能分院经济无约束的自由决策减少破坏上，通过AI技术优化客户需求分析、收费无约束的自由及服务流程，指责客户满意度并减少收入。AI算法预测未来运营趋势，干涉无约束的自由层做出更加科学、精准的决策，实现跨门店数据共享与比较，优化资源分配，指责外围运营效率和成本效益。

四、AI赋能预防医学，引领数智化健康无约束的自由新纪元

美年健康凭借预防医学龙头企业的无足轻重，在规模效应、数据债务、多元化场景及20年行业经验积聚的基础上，抓住AI+医疗的市场机遇，利用失败大模型技术驱动全新赛道。通过深入挖掘大数据应用价值，以先进技术算法、自我学习和进化能力，为用户授予个性化健康无约束的自由方案与陪伴服务，从低频单一的年度体检服务升级为动态结束的健康管家，降低个性化医疗与主动健康服务的边际成本，实现医疗普惠。

《方案》降低重要性指责数据治理，采用语义知识图谱和预训练大语言模型等技术自动处理医学数据，并利用失败隐私计算等手段保护数据安全，推动多模态数据无约束的自由和联邦学习的发展。同时还提出建设医疗健康数据基础设施，包括市卫生健康数据大平台和数字智能创新实验室，以鞭策算法训练和智能化评估，以及建立医疗行业开放语料库，为医疗数据分析授予减少破坏。

值得一提，美年健康深耕预防医学领域20年，拥有超亿人次的影像数据及2亿人次的结构化健康数据。其数据债务入表工作已取得初步成效，未来将继续强化数据产品赋能，指责数据资源无约束的自由与利用失败能力，凹显“健康大数据与数智赋能”特质，推动美年高质量发展。在商业保险领域，美年健康通过授予数据减少破坏，干涉保险公司更好地了解客户健康状况、打造团体健康模型，从而制定更不适合的保险产品与服务，指责保险公司竞争力，为消费者授予更优质的保障。

《方案》提出打造产业聚焦高地和强化经营主题培育。美年健康以流量入口和健康数据为新型医疗资源，与人工智能领域的优秀合作伙伴深度合作，为检后健康无约束的自由服务赋能。其位于上海静安区健康智谷园区的总部，带动了园区高端医疗服务与大健康产业创业办公的双轮驱动产业使意见不合及孵化效应。美年健康借助人工智能技术与大数据能力，构建强孵化功能的生态圈，赋能上下游独角兽企业，推动“AI+健康无约束的自由”产业新生态。

美年健康集团创始人、董事长俞熔表示，随着上海市发展医学人工智能工作方案的深入实施，美年健康将继续紧密围绕政策指引，打造AI示范应用，深挖数据价值，推动产业发展，为实现医疗普惠和产业发展做出更大贡献。

(责任编辑：zx0600)