在全联接时代,个人就医变得更加主动,医疗信息系统转变为以病人为中心,患者、医护、医疗机构之间发生着越来越紧密的联接,新医疗将颠覆传统就医模式,从而有效缓解看病难、医疗资源不均衡等问题,推动医疗服务质量不断提升。
浙江中医药大学附属温州中医院系国家三级甲等中医医院,承担浙南地区中医医疗、教学、科研、培训等任务,取得了很高的学术水平。随着医院的规模越来越大,其业务也随之高速增长,如何让传统中医更好为广大老百姓提供高效、安全、便捷的医疗服务,是摆在医院面前的一个现实问题。
医院希望通过升级改造成为信息化水平较高的数字医院,实现两个目的:
1. 云平台架构的可靠网络保障医疗信息互联互通
医院外网承载门户网站、网上预约挂号、应急系统等业务,医院内网除了承载日常业务,还承载医院的关键业务系统,如HIS、实验室信息管理系统(LIS)、医学影像存档与通讯系统(PACS)、电子病历系统(ERM)等,同时与市社保局、市卫生局等实现互连互通,因此网络需要具备高的可靠性,网络拓扑不允许出现单点故障,满足365*24不间断运作,提高服务质量。
只有性能更加强大的交换机才能满足当下的需求,同时也便于后续网络的改造与扩容,能支撑后续5~10年的业务发展需求。华为的CE12800作为数据中心级别的交换机,以其超大的交换容量、丰富的网络接口以及全面的虚拟化性能赢得了客户的青睐。
此次在景山院区和六虹桥新院区分别部署2台CE12800作为核心交换机,并采用CSS堆叠技术逻辑上可看作一台设备,独立的控制平面简化的管理和维护,接入交换机通过链路捆绑分别接入到两台设备,使得整个网络具备极高的可靠性,单台设备的故障不会影响业务的连续。整个网络架构分为两层,服务器通过接入交换机直接接入核心设备,接入设备与核心设备之间采用TRILL协议构建二层网络,天然无环,链路带宽利用率高,为业务系统高效运营提供畅通的网络通道,避免以往因为带宽不够导致的业务拥堵。同时CE12800以其高密的板卡可以轻松扩大组网规模,为客户构建10年稳定的网络平台,保护客户的投资。
2. 虚拟化技术和双活数据中心保障医院高效无间断运转
采用服务器虚拟化技术后多个业务可以运行在一台服务器上,大幅提升服务器资源利用率,降低了设备采购成本及后期维护成本,当然同一个业务也可以运行在不同的服务器上。温州中医院希望一个业务能够运行在不同数据中心的虚拟机上,同时对内、对外提供业务,华为的双活数据中心方案获得了客户的认可。部署双活数据中心后可以共享服务器资源池,进一步提升服务器资源利用率和业务连续性,还提高了网络出口资源利用率,分担访问压力。内网和外网客户可以就近接入数据中心或者接入较空闲的应用服务器,给内网和外网用户提供更好的业务访问体验。
此外部署服务器虚拟化后,虚拟机能够跨数据中心迁移,当一个数据中心发生故障后,虚拟机能够自动迁移到另一个数据中心。这是因为华为的EVN技术可以实现跨数据中心之间的二层互连。EVN是华为基于多年来对数据中心网络的理解和建设经验推出的新一代二层互联方案,保证数据中心二层网络跨站点互联。通过EVN技术互连可以很好的满足客户对于虚拟机在各数据中心间迁移的业务需求。
传统中医插上信息化的翅膀
在全联接的新医疗时代,华为致力于提供创新的敏捷网络解决方案,有效支撑各方面医疗资源的融合,灵活承载丰富的医疗应用。此次华为为温州中医院打造了一个高效、可靠、易管理、易扩展的现代化数据中心,支撑医院业务365*24不间断运行,通过医疗的信息化为老百姓提供更优质的服务体验。
好文章,需要你的鼓励
谷歌发布数据共享模型上下文协议服务器,使开发者和AI智能体能够通过自然语言访问真实世界统计数据。该服务整合了政府调查、行政数据和联合国等全球机构的公共数据集。新服务旨在解决AI系统训练中常见的数据噪声和幻觉问题,为AI提供可验证的结构化信息。谷歌还与ONE Campaign合作推出数据智能体工具,该开源服务器兼容任何大语言模型。
这项由谷歌DeepMind研究团队完成的开创性研究首次系统阐述了AI智能体经济的概念框架。研究提出"沙盒经济"模型,从起源性质和边界渗透性两个维度分析AI智能体经济形态,预测未来将出现自然涌现且高度透水的AI经济网络。研究详细探讨了科学加速、机器人协调、个人助手等应用场景,提出基于拍卖机制的公平资源分配方案和使命经济概念,并深入分析了技术基础设施需求、社区货币应用以及相关风险防范措施。
微软宣布从周三开始将Anthropic的AI模型集成到其Copilot助手中,此前该助手主要依赖OpenAI技术。企业用户可在OpenAI的深度推理模型和Anthropic的Claude Opus 4.1、Claude Sonnet 4之间选择,用于复杂研究和构建定制AI工具等任务。此举标志着微软与OpenAI这对曾经独家合作伙伴关系的进一步松动。
中国人民大学研究团队提出LoFT方法,通过参数高效微调基础模型解决长尾半监督学习中的数据不平衡问题。该方法利用预训练模型的良好校准特性改进伪标签质量,并扩展出LoFT-OW版本处理开放世界场景。实验显示,仅使用传统方法1%的数据量就能取得更优性能,为AI公平性和实用性提供了新的解决方案。