至顶网CIO与CTO频道 06月05日 编译:在经历了疫情流行这一波全球冲击之后,新的、更为复杂的问题摆在了我们的面前。首先需要回答的就是,为什么在今天这样一个高度互连的数字化世界中,我们仍然阻止不了疫情的扩散?答案很简单:医疗保健行业还没有完成数字化转型。没错,作为人类生活当中最重要的一类关键服务,医疗保健行业的数字化水平反而远远落后于其他相对不太重要的领域。
在健康领域,数字化与技术往往在遭遇大问题的那一刻才被人们想起,却在日常生活与例行工作中不见踪影。这类技术同样仅限于临时解决某些重大疾病,而没能被全面引入疾病预防体系当中。正因为如此,COVID-19才捅出这么大的娄子:如果能够提前监测大部分人口的健康参数,那么在此次疫情蔓延之前就很可能已经被遏制,并最终成为一波无关痛痒的区域性传染病例。
因此,在疫情流行之后,我们需要尽快重新定义并改革医疗保健体系。如果无法把握住COVID-19带来的这次机会,我们恐怕只能等待下一轮可能更加紧密、更加恐怖的新疫情。最近一段时间,医疗保健数字化企业的股价表现要明显好于整体市场,这是一个积极且充满希望的信号;但考虑到公共、私人以及文化等因素都对相关决策产生着直接影响,这波期待已久的数字化转型浪潮似乎仍没能真正成型。
在经历了如此深重的创伤之后,我们又该如何设定医疗保健的未来发展?如果我们没能把握住这样难得的变革时机,必将造成可怕的浪费,之后也很难再找到同样充分且及时的变革驱动力。但面对这样一项复杂的工作,我们又该从哪里起步?
第一步应该比较明确:意识到变革的必要性。很明显,科技企业完全能够在改进医疗保健方面发挥核心作用。在某些情况下,科技企业甚至能够为整个医学研究领域提供新的量化指标。既然我们已经运用这些量化指标监控日常生活了,怎么可能在医疗保健方面反而畏畏缩缩?设想一下,如果我们能够实时量化分析健康状况的演变过程,并通过算法对其进行监控,将带来怎样的巨大收益。当然,监控的群体也需要全面扩大,这项工作当然无法手动完成。健康追踪器虽然不太精确,但却仍有良好的效果:毕竟在统计层面,我们需要的并不是一种毫无念头的测量方法,而是能够体现总体频率与数量变化的方法。
第二点则体现在文化层面,人们对于个人健康数据的使用方式存在非常合理的担忧,并认定需要严格加以保护……但事实真是这样吗?面对新冠疫情这样的疾病大流行,我们必然需要在个人隐私与公共卫生需求之间做出权衡。更重要的是,不要随意折衷,保持严格而坚定的承诺,确保健康数据优先用于医疗保健、其次用于医学研究,且绝不被用于营销、商业利益或者其他可能对个人造成健康歧视的方面。建立起这样一套能够有效保护并使用数据的系统,也正是我们目前面临的主要挑战之一。
第三点是采用率。我们讨论的是一场深刻的革命。凭借对多种疾病或病症的早期诊断,我们有望减轻患者痛苦并降低卫生系统的治疗成本。要想达成这样的目标,广泛采用是一项基本前提。在医学研究方面,全面普及同样助益多多。为此,我们需要找到可行的方法,将已经具备一定成熟水平的远程医疗与个人医疗结合起来,迅速将这些举措扩展到整个人群,进而在规模经济的加持下降低成本。只有这样,我们才能提升公共卫生系统中的护理效果并控制资金支出。
事实上,一切新兴技术的推广都要经历这样的过程。面对以预防与常规监测为基础的传统卫生系统来说,技术发展带来的成本降低与便捷性提升根本无法直接发挥作用——相反,技术发展只会让全民医疗保障的成本更高、独占性更强或者体现出更明显的精英化趋势。为此,我们必须将卫生系统的整体改善视为国家战略的组成部分,真正将公私两类医疗保健体系融合起来,共同服务于全体民众。
在这个科技日新月异的时代,也许我们已经对种种技术成果的诞生司空见惯;但从来没有哪种成果、哪个时刻,能够像重新定义医疗保健系统一样为全社会的未来福祉做出颠覆性的贡献。到底是该给予医疗转型必要的优先权,还是退守回以往那令人沮丧的常态?这个问题的答案,也许将决定我们在遭遇下一场疾病大流行时的命运。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。