人工智能与智慧健康服务 课件 主题1 走进人工智能

什么是人工智能学习情境临床中的AI辅助诊断AI赋能临床诊断在现代化医院的临床场景中，AI辅助诊断系统正发挥着关键作用。这一技术的应用，不仅大幅缩短了传统诊断的耗时，更有效降低了人为因素导致的漏诊率。课前思考·核心问题❓你认为什么是“人工智能”？它的定义包含哪些要素？

❓结合生活经验，总结一下人工智能具备哪些显著特征？图片来自于网络一、人工智能的定义智能智能是指理解、思考和解决问题的能力。人工智能人工智能（ArtificialIntelligence，AI）是指通过计算机系统模拟人类智能的能力，包括学习、推理、感知、规划和语言理解等。学科与目标人工智能是一门多领域交叉的学科，旨在让机器能够像人一样思考和行动，通过对大量数据的学习和分析，自主地做出决策和执行任务。现状与历程当前，人工智能正以不可逆转之势渗透到人类生产生活的方方面面，重塑着产业格局。从最初的哲学追问到如今在医疗、教育、工业等领域的广泛落地，完成了从理论到应用的跨越。二、人工智能的特征计算机视觉让机器能够“看”，并理解图像和视频中的复杂信息。语音识别让机器能够“听”，准确识别并理解人类的自然语言。文本处理让机器能够“读”，深入分析并理解文章背后的语义。机器人技术结合传感器感知物理环境，做出反应，模拟人类行动。图片来自于网络特征一：模拟人类智能核心原料：AI的“燃料”数据是训练模型、提高智能水平的必备资源，AI模型需从海量数据中学习特征与规律。模型训练：图像分类案例为了训练精准的模型，需要收集海量图像数据构建专用数据集，这是实现高精度识别的前提。场景落地：智能健康管理智能手环收集用户心率、步数等多维数据，AI通过深度分析，为用户生成个性化的健康生活建议。图片来自于网络特征二：数据驱动▍核心定义：AI的“大脑”算法决定了人工智能如何从海量数据中进行学习、逻辑推理、做出决策，并最终解决复杂的实际问题。核心运算引擎负责处理输入的原始数据，执行复杂的数学计算与逻辑推演，将无序的信息转化为可执行的输出结果或决策依据。仿生神经网络结构模仿人脑神经元连接方式，通过多层节点间的权重动态调整，实现对复杂非线性模式的高效识别与深度学习。图示：多层感知机神经网络结构示意特征三：算法驱动二、人工智能应用的政策要求国家政策概览2024AI应用场景

参考指引💡政策核心积极推进卫生健康行业“人工智能+”应用创新发展，构建多元化应用场景。📑覆盖内容涵盖医疗服务、基层公卫、健康产业、医学科研四大板块，共84个细分场景。2025深入实施

“AI+”行动💡政策核心探索推广人人可享、安全普惠的高水平居民健康助手，普及AI健康服务。🎯核心目标大幅提高基层医疗健康服务的能力和效率，让优质医疗资源通过AI技术下沉。2025促进和规范

AI+医疗实施💡政策核心明确了到2027年和2030年的阶段性发展目标，推动行业规范化、高质量发展。🎯重点方向推动AI在基层诊疗、临床专科、患者服务等场景广泛应用，完善标准规范体系。政策解读与启示两大突出重点突出真实场景应用面向卫生健康行业真实业务，依托真实场景，融入AI技术和设备，切实解决一线真实需求。突出基层卫生服务注重基层预防与健康管理，以AI技术支撑诊疗、康复全链条集成服务，提升基层医疗水平。对医学生的启示紧跟政策·掌握工具围绕未来职业岗位需求，主动学习并掌握主流的人工智能医疗设备使用方法与逻辑。提升技能·服务发展深入了解AI底层技术逻辑，将专业医学知识与人工智能深度融合，更好地服务卫生健康事业。专题一小结核心定义人工智能（AI）是通过计算机系统模拟人类智能，实现学习、推理、感知等复杂能力的一门多领域交叉前沿学科。核心特征●模拟智能：复刻人类感知与逻辑思考能力●数据驱动：海量数据是模型训练的核心原料●算法驱动：先进算法是AI系统的核心大脑政策导向国家大力推动“人工智能+医疗卫生”深度融合，重点强调技术在真实临床场景的落地应用，并强化对基层医疗机构的数字化支撑作用。谢

谢

认识人工智能发展史一、人工智能发展的历史沿革（一）雏形形成1926年，英国数学家、计算机科学家艾伦·图灵发表《论可计算数及其在判定问题上的应用》，提出“图灵机”概念1950年，图灵在《计算机器与智能》中，抛出问题“机器能思考吗？”，并提出“图灵测试”同一时期，美国数学家克劳德·香农发表《通信德数学理论》，奠定信息论基础美国应用数学家诺伯特·维纳创立控制论，提出“反馈”的概念（二）正式诞生1956年，“人工智能”术语正式诞生当年夏天，美国达特茅斯学院召开学术会议，探讨“机器模拟人类智能”的可能性；明确了研究方向：让机器具备感知、推理、学习、决策等人类智能的核心能力，实现机器人对人类智能的模拟与超越（三）早期发展1956-1974年，研究主要集中在符号主义人工智能1957年，弗兰克·罗森布拉特发明感知机1966年，约瑟夫·魏泽鲍姆开发ELIZA聊天机器人（四）两次“寒冬”期1974-1980年，第一次“寒冬”1973年英国发布《莱特希尔报告》，严厉批评AI研究“成果远低于承诺”；根本原因在于：当时的AI技术存在严重理论局限，数据稀缺、算力严重不足1980-1993年，第二次“寒冬”专家系统存在局限性，专用硬件（LISP机）被通用个人计算机（PC）取代（五）爆发式发展神经网络、机器学习等领域的研究逐渐积累1997年，国家商业机器公司（IBM）的“深蓝”击败国际象棋世界冠军加里·卡斯帕罗夫，成为人工智能发展的重要转折点二、国外人工智能发展现状（一）发展战略美国政府高度重视人工智能的发展，将其作为维持科技领先地位、提升国家竞争力的重要战略2023年，美国政府发布最新版《国家人工智能研发战略计划》，明确人工智能研发的重点领域和发展目标（二）技术研发美国在机器学习、深度学习、自然语言处理、计算机视觉、人工智能芯片等领域均处于世界领先地位2025年，美国AI技术在智能体演进与科学范式重构上实现了双重跨越

首个人工智能智能体Operator

人工智能模型Grok3在推理与计算能力上创下新高

推出整合DeepResearch等技术的统一智能体ChatGPTAgent及性能巅峰的语言模型GPT-5

发布新一代大型语言模型Gemini3系列（三）硬件基础2025年佛罗里达大学等机构研制的光基芯片哥伦比亚大学与康奈尔大学研发的三维光电子芯片俄勒冈州立大学的新型芯片设计（四）产业应用涵盖医疗、教育、工业、金融、交通、国防等各个领域三、国内人工智能发展现状（一）政策引领2017年，国务院印发《新一代人工智能发展规划》，明确提出将人工智能作为引领未来的战略性技术，确立了“三步走”的发展目标到2020年，人工智能总体技术和应用与世界先进水平同步到2025年，人工智能基础理论实现重大突破，部分技术与应用达到世界领先水平到2030年，人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心（二）技术研发1.大模型领域百度的文心一言、阿里巴巴的千问大模型、腾讯的混元大模型、华为的盘古大模型等上海人工智能实验室开源的科学多模态大模型Intern-S1-Pro，是当前全球开源社区中参数规模最大的科学多模态模型之一，总参数量达1T（1T=1012=1万亿）个2.计算机视觉领域在该领域的图像识别、人脸识别、目标检测等方面，处于世界领先地位3.自然语言处理领域在语音识别、文本生成、机器翻译等方面取得了重大突破（三）产业扩张截至2025年底，我国人工智能核心产业涵盖了芯片、算法、数据、应用等各领域应用场景不断丰富，医疗、教育、工业、金融、交通、农业、安防等（四）问题与挑战核心技术短板依然存在，人工智能芯片、高端算法等领域的自主研发能力有待提升数据安全和隐私保护问题，人工智能发展需大量数据支撑，要保障安全和隐私人才结构不均衡，高端人才、复合型人才短缺，基层人才、应用型人才相对不足行业标准不健全，人工智能领域的技术标准、伦理规范等尚未完善谢

谢

认识生成式人工智能学习目标知识目标：掌握生成式人工智能的定义，理解生成式人工智能四大类模型方法，掌握其在健康服务领域的典型应用场景。技能目标：学会使用人工智能工具辅助临床决策，提高工作效率。素质目标：培养智慧健康服务应具备的信息素养，树立“人机协同”的医疗价值观。学习情境急诊室的“时间魔法”假设你是一名急诊科医生，深夜接诊一位胸痛患者。•传统诊断：手动查阅心电图、病历，耗时约10分钟•AI辅助：30秒内完成初步诊断并生成报告这种效率飞跃背后的“魔法”是如何实现的？

（图片来自于网络）一、生成式人工智能的定义生成式AI是具备内容创造能力的智能技术。核心：基于大模型自主学习与生成特征：超越传统预测，实现创造性输出价值：重塑人机协作与内容生产模式（图片来自于网络）判别式AIvs生成式AI判别式AI核心能力：判断和分类对输入的数据进行识别和分类，如语音识别、图像识别。生成式AI核心能力：创造内容具备内容生产能力，能生成全新的数据样本。二、生成式人工智能的模型（一）生成对抗网络(GAN)：通过博弈实现数据生成优化（二）变分自编码器(VAE)：基于概率的生成与降维技术（三）注意力变换模型（Transformer）：大语言模型(LLM)的核心基座（四）扩散模型(DiffusionModels)：高质量图像生成的主流技术（图片来自于网络）（一）生成对抗网络（GAN）核心机制：GAN由生成器和判别器两个神经网络组成。两者在对抗中共同进步，最终生成器可以生成以假乱真的数据。角色分工：生成器负责“伪造”数据，判别器负责“分辨真假”。通俗理解：就像两个高手在“造假”和“识假”中互相较劲。（图片来自于网络）（二）变分自编码器（VAE）核心思想：将数据压缩为“潜在空间”，再重建生成。生成能力：不仅复刻相似内容，还能探索新样本。通俗理解：智能的“压缩-解压”系统，支持创新生成。数据压缩与生成示意图（图片来自于网络）（三）注意力变换模型（Transformer）核心机制：不依赖于顺序处理，可以并行处理整个输入序列主要应用：专为NLP中的序列建模问题而设计，用于翻译、文本生成等任务通俗理解：像“智能翻译官”，能同时把握整句话含义，而不是逐字翻译（四）扩散模型（DiffusionModels）训练：给真实数据逐步加入噪声，直到变成“纯噪声”生成：从噪声中逐步去噪还原，最终生成新的数据通俗理解：像“逆向修复”过程（模糊→清晰），最终生成新的图像（图片来自于网络）三、生成式人工智能的应用场景生成式AI的核心应用领域健康服务：辅助诊疗与个性化健康管理内容创作：自动化生成文案、图像与视频智能客服：24小时多模态交互响应（一）实现“人机双医”的协作模式核心价值：生成式AI将医护人员从繁重的文书工作中解放出来，回归诊疗核心。典型场景：智能病历生成：AI实时记录医患对话，自动生成结构化病历，显著提升效率。医生与AI协作场景（图片来自于网络）（二）推动诊断从经验驱动转向数据智能驱动AI赋能医疗诊断的核心价值：辅助医学影像诊断，提升病灶识别精度多模态数据融合，打破单一诊断局限中医诊断智能化，实现客观化与标准化结果：让诊断更精准、更高效医学影像AI辅助诊断示意图（图片来自于网络）（三）为患者提供7×24小时的连续照护利用AI技术打破时空限制，提供全天候健康服务：智能预问诊与分诊，快速匹配医疗资源医院智能客服，即时响应患者咨询需求专业康复指导，助力患者居家恢复健康远程患者监测，实时掌握健康数据变化远程患者居家健康监测场景（图片来自于网络）应用场景案例：1.豆包：家庭医生慢病管理助手利用豆包进行慢病随访管理，支持语音记录、自动生成报告、智能设置提醒，提升随访效率。2.蚂蚁阿福：AI健康管家提供症状咨询、医疗报告解读、就医引导等服务，为用户提供便捷的日常健康支持。（四）提升服务质量和服务效率小结生成式人工智能(GenAI)定义能从大规模数据中学习、创造原创内容的技术，核心具备内容生产能力生成式人工智能四大类模型方法生成对抗网络（GAN）、变分自编码器（VAE）、注意力变换模型（Transformer）和扩散模型典型应用场景病历生成、医学影像辅助诊断、智能分诊、慢病随访等谢

谢

人工智能伦理一、人工智能伦理的内涵

人工智能伦理是指人工智能在研发、部署、应用、管理与迭代的全生命周期中，应当遵循的价值理念、行为规范、责任边界与风险防控要求，其核心是确保技术向善、安全可控、公平普惠、服务于人。图片来自于网络二、人工智能伦理的基本原则生命安全至上原则以人为本原则透明可解释原则安全可控原则合法合规原则图片来自于网络三、人工智能在健康服务中的伦理挑战