医院作为重要的公共设施,承担着保障人民健康的重要任务。在今天,好医院不仅要拥有先进的医疗设备和医疗技术,还要能够提供全方位、高质量的医疗服务。所以医院在建筑过程中首先要考虑“人”这个核心要素,充分发挥高效便捷、“以人为本”的理念。
北京市建筑设计研究院股份有限公司党委书记、董事长徐全胜表示,医疗建筑在医生使用、患者就医、物业管理公司高质量运维以及资产持有者管理资产等方面都具有独特价值。这些功能的融合,推动了创新、绿色、低碳、人文、智慧、健康与韧性等元素的和谐统一。
北京市建筑设计研究院股份有限公司党委书记、董事长徐全胜
最近,达索系统与北京市建筑设计研究院股份有限公司(以下简称北京建院)在2024未来医院建设数字化转型高峰论坛上,共同发布了“未来数字医疗解决方案”。以数据驱动全面优化医疗行业设计、建造、运营的全生命周期流程,加速医院建造与运营管理体系的智能化升级,为公众提供更加高效、便捷的就诊体验。
这种跨界合作正是达索系统所倡导的"1+1大于2"的理念。
达索系统一直在制造、生命科学与医疗保健、基础设施与城市三大领域进行创新。达索系统在生命科学领域的数字化科技体现在四个关键方面:制药、临床、医疗设备与器械以及基础设施建设(包括医院)。这一布局使得达索系统可以利用数字化手段对任何创新部分进行建模,再通过虚拟孪生进行各种各样的推演、迭代、优化、施工、建造、运营,实现设计、施工、建造一体化。
北京市建筑设计研究院股份有限公司(以下简称北京建院)作为新中国第一家民用建筑设计企业,秉承“建筑设计服务社会,数字科技创造价值”的理念,致力于向社会提供高品质的建筑设计服务。
双方的合作从2021年就已经开始,期间已经取得了显著成果,为了推动设计与数字化的深度融合,“未来数字医疗解决方案”也应运而生。
“希望通过与达索系统的合作,将制造业的方法引入建筑设计阶段,利用数字化技术实现更精细、可量化的设计。”徐全胜说道,在建造之前,通过仿真技术预判施工所需的关键技术,并优化运营中关键方法的应用,从而更好地支持建筑的质量、造价、工期和整体品质。
针对解决方案的技术能力,达索系统全球行业、市场&可持续发展业务执行副总裁Florence Verzelen(尉泽珍)表示,首先,虚拟孪生技术的核心在于通过虚拟世界扩展和改善现实世界;其次,虚拟医院环境可用于气流仿真,优化医院内部的空气流通;最后,针对患者就医体验,能够优化导诊过程,提高就医效率。
达索系统全球行业、市场&可持续发展业务执行副总裁Florence Verzelen(尉泽珍)
达索系统大中华区总裁张鹰指出,合作通过建模手段与平台,利用数字化技术和虚拟孪生,实现从虚拟模型到实际建造的深度优化与仿真,通过虚拟模型改进实际建造,再通过实际建造反向优化虚拟模型,形成一个闭环优化过程。
达索系统大中华区总裁张鹰
解决方案通过将设计阶段的各项指标进行优化,将实现整体施工时间减少30%,成本减少20%。并且在实体医院建成后,可通过现场传感器将数据实时传输到虚拟平台,让医院进入运营阶段后,工作人员的运维管理和流程化操作也能够得到持续优化,不仅有助于降低人力成本,还能提升质量,体现了达索系统虚拟孪生技术的重要影响力。
北京建院第八建筑设计院副院长黄舟指出,以前在医疗设计领域,北京建院面对的问题都是局部的、点状化的,缺乏从系统的层面进行整体优化。当前的工作正回归医院建筑的本质,重点研究如何定义医院空间对人的感受,通过合理的空间规划,提升患者的就医体验,同时为医疗工作者提供更好的工作环境。
北京建院第八建筑设计院副院长黄舟
“未来数字医疗解决方案”在设计和建设阶段有两条主线,第一,模块化,将制造业的经验应用到医院中,对医院进行模块化研究和再设计,找到适合中国国情和医疗特征的好医院原型;第二,提高患者就医体验,针对医院公共空间,使用生成式AI来进行设计最适合患者的公共空间。
目前解决方案已经有两个医院在进行前期规划,未来北京建院设计的医院都会尝试达索系统的思维和工作方式进行设计。北京建院要用以终为始的方式,找到未来好医院的原型解决方案,再把原型进行不同医院项目的复用。
同时,为了应对未来医院建设与运维的新需求,双方还共同组建了一个创新联合体,成员包括企业、院校、研究所和科技组织。在这一模式下,各方将在各自擅长的领域发挥优势,携手合作,为未来医院建设提供一体化解决方案。
徐全胜强调,我们所倡导的创新联合体,不仅仅是传统设计团队、建设方和医院业主之间的合作,而是一个多方共创的过程。
未来的医院不仅要有医院虚拟孪生体,还要有每个患者的虚拟孪生体。总结而言,未来医院要具备,医疗和建筑设计以人为本、信息互联互通、数智协同、绿色低碳四大特质。
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。