本期T4G交流会再次邀请到程伟彬教授，上次交流会，他提到团队正在做大模型，希望未来有机会分享。如今，经过半年的努力，团队在大模型工作上取得了阶段性进展，他希望通过今天的分享，促进跨领域的技术融合与经验共享。

程教授解释了“新质量生产力”的概念，这是政府近年来频繁提及的一个词汇。他提到，从2023年开始，省政府和各地市政府都在围绕这个概念进行思考和交流，探讨如何在新的一年里推动相关工作。在医疗领域，团队也在思考如何创造新的生产力，特别是在传统医疗模式向以健康为中心的模式转变的过程中。

他指出，传统医疗以疾病为中心，但这种方式已不足以维护人类健康。国家提出了以健康为中心的战略，重点关注重大慢性疾病。他提到，慢性疾病已占总死亡人数的88%，且呈现出年轻化趋势。因此，国家提出了“主动健康”战略，作为控制慢性疾病的一个突破口。主动健康的核心是调动人的自我行为，增加技术手段，不仅局限于医院环境，而是扩展到社区和家庭。

程教授进一步解释了主动健康与传统医疗的区别。传统医疗针对单一疾病进行治疗，而主动健康则关注整个健康过程，预防健康风险因素，而非仅仅治疗疾病本身。主动健康需要连续的数据支持，且涉及多种技术手段，如大数据、生物医学数据和穿戴式传感器。

叮呗健康大模型的开发与应用

程教授介绍了叮呗健康大模型的开发背景和应用前景。他提到，团队在2021年开始构建家庭病房项目，但一直缺乏合适的工具。2022年，随着GPT的发布，团队看到了利用AI技术构建数字医生的可能性。2023年，团队正式发布了叮呗健康大模型和数字超声大模型，这两个模型分别针对不同的应用场景。程教授主要介绍了叮呗健康大模型，它能够为用户提供个性化的健康管理服务。

他详细介绍了大模型的工作原理，将其比作人的大脑、知识和躯体。大模型通过神经网络处理海量数据，形成参数文件，然后通过运行载体执行业务目标。

程教授还讨论了生成式人工智能与传统AI的区别。生成式AI使用海量数据训练，能够生成文本、图像等内容，而传统AI则更专注于特定领域的专业数据。他强调，生成式AI在医疗领域的应用需要考虑其不确定性和可解释性，特别是在严肃的医疗场景中。

主动健康数字医生的构建与挑战

程教授分享了团队在构建主动健康数字医生过程中遇到的挑战和解决方案。他提到，团队在2023年9月开始探索如何利用大模型技术构建数字医生。他们面临的主要挑战包括模型的幻觉问题和成本问题。幻觉问题指的是模型生成的内容可能与现实不符，而成本问题则涉及到模型的部署和运行成本。

他介绍了团队在降低幻觉率和成本方面的一些方法，如提示工程、数据质量提升、模型微调和后处理技术。特别地，他提到了一种名为MPIG（原问答式IG）的方法，这种方法通过将文档切分为问答对，提高了模型的匹配准确性和回答质量。

程教授还讨论了如何选择合适的模型进行微调和IG部署。他提到，团队会测试各种开源模型，评估其基本能力和专业能力，并根据需要进行微调。他还强调了数据工程的重要性，认为数据的质量和处理方式对模型的性能至关重要。

叮呗健康大模型的应用场景与未来展望

程教授详细介绍了叮呗健康大模型在医疗健康领域的应用场景。他提到，模型可以用于病历生成、医疗实体提取、知情同意书生成等任务。他还分享了团队在心血管疾病管理方面的应用，如风险评估、筛查和健康管理建议。

他特别提到了心血管健康管家智能体的开发，这是一个旨在辅助医生和患者的智能系统。在医生端，智能体可以帮助医生管理患者的康复过程，提供家庭康复建议和处方。在患者端，智能体可以监测患者的居家情况，提供咨询和任务反馈。

程教授还讨论了如何通过知识工程提升模型的能力。他提到，团队需要构建一个包含诊疗指南、临床路径和用药方案的知识库，以支持模型的决策过程。他还强调了反馈强化的重要性，认为通过不断优化知识库和技术手段，可以提升模型的性能。